基于人工智能智慧城市传感器阵列的目标方位估计方法

技术特征：
1.基于人工智能智慧城市传感器阵列的目标方位估计方法，其特征在于，包括如下步骤：(1)以城市传感器搭建均匀阵列，确认传感器阵列接收的数据阵列l；(2)构建数据阵列中各个变量的先验分布，并对数据阵列信号进行分层先验分布；(3)根据步骤(2)变量的概率分布，计算系统变量的均值和方差；(4)更新迭代次数加1；判断是否满足迭代终止条件，当满足迭代终止条件时，跳出迭代并输出若不满足迭代终止条件，继续步骤(3)；(5)进行方位估计，输出方位估计结果。2.根据权利要求1所述的基于人工智能智慧城市传感器阵列的目标方位估计方法，其特征在于，所述步骤(1)包括：(1.1)测量阵列接收信号长度y,以及遍历方位空间的网格数a；(1.2)构建传感器阵列流型矩阵(1.3)采集传感器探测后的期望信号矩阵k；(1.4)采集传感器阵列各通道脉冲噪声出现状态矩阵m；(1.5)采集传感器阵列各阵元的非均匀噪声矩阵i；(1.6)采集传感器阵列各阵元处的脉冲噪声矩阵r；(1.7)确认传感器阵列接收的数据阵列；1
y
×
z
为y
×
z维单元矩阵；y
×
z为数据阵列的维数。3.根据权利要求1所述的基于人工智能智慧城市传感器阵列的目标方位估计方法，其特征在于，所述步骤(2)包括：(2.1)构建系统真理第y时刻控制脉冲噪声u
y
以及隐变量矩阵τ
y
，采集第z个阵元在第y时刻控制脉冲噪声u
z,y
以及隐变量矩阵τ
z,y
；(2.2)检测人工智能系统阵列的非均匀噪声方差向量ο以及第z个阵元探测的非均匀噪声方差向量ο
z
、形状参数t
z
、逆尺度参数u
z
、流型矩阵(2.3)采集阵列中第a个扫描方位时，期望信号的方差矩阵ξ
a
；(2.4)采集第y时刻阵列接收的数据l
y
，以及第z个阵元在第y时刻接收的数据l
z,y
以及第y时刻发射的数据k
y
；l
y
组成数据矩阵l；(2.5)采集第y时刻的噪声的状态向量z
y
；(2.6)采集第z个阵元在第y时刻m
z,y
的脉冲噪声；(2.7)构建第y时刻传感器阵列接收信号的分层先验分布：cn代表复高斯分布；(2.8)构建非均匀噪声方差向量ο的分层伽马分布：
g代表伽马分布；(2.9)对期望信号的方差矩阵ξ
a
、第y时刻的隐变量矩阵τ
y
和控制脉冲噪声u
y
分别构建分层gamma分布：ma分布：ma分布：ma分布：其中，n
a
、σ
z,y
/3、π
z,y
、p
z,y
为对应分布的形状参数，o
a
、q
z,y
、δ
z,y
为对应分布的逆尺度参数，σ1为约束隐变量矩阵元素τ
y
的方差向量；(2.10)构建对第y时刻的噪声状态向量z
y
构建伯努利分布为：γ
y
为z
y
发生的概率向量；(2.11)对γ
y
构建分层beta分布：c
z,y
和d
z,y
分别为第z个阵元在第y时刻服从的beta分布参数。(2.12)求解各变量的后验概率：(2.13)将步骤构建的分布矩阵依次代入下式求解各个变量的后验概率：inq(k)＝<lnp(l|k，m，u，τ，o) lnp(l|ξ)>
q(v≠l)
constlnq(ξ)＝<lnp(l|ξ) lnp(ξ)>
q(v≠l)
constlnq(u)＝<lnp(l|k，m，u，τ，o) lnp(u)>
q(v≠l)
constlnq(k)＝<lnp(l|k，m，u，τ，o) lnp(τ|α)>
q(v≠l)
constlnq(o)＝<lnp(l|k，m，u，τ，o) lnp(o)>
q(v≠l)
constlnq(α)＝<lnp(τ|α) lnp(α)>
q(v≠l)
constlnq(m)＝<lnp(l|k，m，u，τ，o) lnp(m|γ)>
q(v≠l)
constlnq(γ)＝<lnp(m|γ) lnp(γ)>
q(v≠l)
constv＝(k，ξ，u，τ，α，o，m，γ)
其中，q()为变量的后验概率，ln为取对数，＜＞代表取期望，p(|)代表其中元素的概率，q(v≠l)为对集合中不含变量的部分进行计算，const为常数项；4.根据权利要求1所述的基于人工智能智慧城市传感器阵列的目标方位估计方法，其特征在于，所述步骤(3)包括：(3.1)参数初始化：设置初始迭代为1，初始化最大迭代次数、遍历方位空间的网格数a期望信号分布方差的形状参数n0，期望信号分布方差的逆尺度参数o0，噪声方差分布的形状参数p0、t0、π0，噪声方差分布的逆尺度参数q0，u0，δ0，控制发生概率c0、d0；(3.2)更新期望信号的方差和均值和均值和均值q
δ
＝diag(z
y
·
o
y
(1
y
×
z
z
y
)
·
τ
y
·
u
y
)diag为对角运算；(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.3)更新各分布参数：(3.4)更新各变量的均值(3.4)更新各变量的均值
5.根据权利要求1所述的基于人工智能智慧城市传感器阵列的目标方位估计方法，其特征在于，所述步骤(4)包括：判断是否满足迭代终止条件，当满足迭代终止条件时，跳出迭代并输出判断是否满足迭代终止条件，当满足迭代终止条件时，跳出迭代并输出toul为终止门限，ξ为期望信号方差，te为迭代次数；若不满足迭代终止条件，继续步骤(3.2)-(3.4)。6.根据权利要求1所述的基于人工智能智慧城市传感器阵列的目标方位估计方法，其特征在于，所述步骤(5)方位估计结果为：其中，||
·
||1，||
·
||
∞
为对矩阵的无穷范数运算。

技术总结
本发明属于人工智能定位处理技术领域，具体涉及一种基于人工智能智慧城市传感器阵列的目标方位估计方法。本发明包括：(1)以城市传感器搭建均匀阵列，确认传感器阵列接收的数据阵列L；(2)构建数据阵列中各个变量的先验分布，并对数据阵列信号进行分层先验分布等。本发明提供基于人工智能智慧城市传感器阵列的目标方位估计方法在充分考虑到多种噪声的影响，利用通过伯努利分布控制多重噪声的分布特性，通过贝叶斯模型更加接近实际智慧城市的环境，实现准确的方位估计，具备超高的区别能力和多目标分辨能力，更适合复杂城市环境中的波达方位估计。达方位估计。达方位估计。


技术研发人员：ꢀ(74)专利代理机构
受保护的技术使用者：哈尔滨工程大学
技术研发日：2022.05.15
技术公布日：2022/8/30