一种面向海岸场景的基于深度学习的船舶定位方法

技术特征：
1.一种面向海岸场景的基于深度学习的船舶定位方法，其特征在于：该方法具体步骤如下：步骤1：采用n
b
个基站对试验目标进行测距，计算得到使系统误差最小时的斜率k和截距b，并得到各基站消除系统误差后的测量距离d
′
mi
；最小二乘法拟合式如下：其中，k表示最小二乘法拟合后直线的斜率，b表示最小二乘法拟合后直线的截距，d
ti
表示第i个基站与试验目标的真实距离，d
mi
表示第i个基站消除系统误差前的测量距离；步骤2：设所需的最小基站数为m，由于基站总数为n
b
，则得到满足最小基站数要求的种不同的基站组合；然后，对于每一种基站组合中各基站消除系统误差后的测量距离d
′
mi
，基于pso的三边定位方法，并引入粒子群算法寻找每一种基站组合确定的试验目标最佳定位位置；步骤3：根据各基站位置坐标、步骤2中每一种基站组合确定的试验目标最佳定位位置和试验目标位置坐标得到一个n
pos
×
2的坐标矩阵：其中为第p个基站组合确定的试验目标最佳定位位置；n在{m,m 1,
…
,n
b
}中取值；(x
ms
,y
ms
)为试验目标位置坐标；(x
bsi
,y
bsi
)为第i个基站的位置坐标；通过平面直角坐标系将坐标矩阵m转化为二维像素矩阵，将二维像素矩阵作为densenet模型的数据集；步骤4：通过步骤3构建的数据集对densenet模型进行训练，采用训练后的densenet模型估计目标船舶的位置。2.根据权利要求1所述一种面向海岸场景的基于深度学习的船舶定位方法，其特征在于：所述粒子群算法的步骤如下：step1：以试验目标位置为优化目标，使用x
pj
＝(x
pj
,y
pj
)和v
pj
＝(v
pj
,v
pj
)来表示第j个粒子的位置和速度，初始化粒子群，每一个粒子的速度v
pj
＝(v
pj
,v
pj
)和位置x
pj
＝(x
pj
,y
pj
)在初始化时取随机值；step2：建立适应度函数，确定粒子群中粒子每一次迭代的适应值，第j个粒子的适应度函数定义如下：其中，n在{m,m 1,
…
,n
b
}中取值，第p个基站消除系统误差后的测量距离表达
式为：其中(x
ms
,y
ms
)表示试验目标位置坐标，(x
bsp
,y
bsp
)，p∈(1,2,
…
,s)表示第p个基站位置坐标，n
p
表示第p个基站的nlos误差；step3：粒子群在迭代过程中跟踪粒子的最优值x
prej
＝(x
prej
,y
prej
)和粒子群全局最优值x
g
＝(x
g
,y
g
)，若根据当前粒子群全局最优值x
g
计算得到的适应度值小于预设误差值，则结束，得到每一种基站组合确定的试验目标最佳定位位置(x
esp
,y
esp
),p∈{1,2,3,
…
,s}，否则判断粒子群中的每一个粒子当前的适应度值是否比根据上次该粒子迭代记录的最优值x
prej
得到的适应度值更优，是则更新该粒子的最优值x
prej
，且判断粒子群中的每一个粒子当前的适应度值是否比上次迭代记录的粒子群全局最优值x
g
得到的适应度值更优，是则更新粒子群全局最优值x
g
。3.根据权利要求2所述一种面向海岸场景的基于深度学习的船舶定位方法，其特征在于：第j个粒子的速度和位置更新规则如下：其中t表示迭代数，c1和c2表示学习因子，r1和r2是介于[0,1]之间的随机概率值。4.根据权利要求1、2或3所述一种面向海岸场景的基于深度学习的船舶定位方法，其特征在于：步骤3构建的数据集中选取一部分作为训练集，另一部分作为验证集，对densenet模型进行训练和验证。

技术总结
本发明公开了一种面向海岸场景的基于深度学习的船舶定位方法，通过数据增强产生初步定位特征，然后通过DenseNet模型有效识别出数据增强后的NLOS噪声环境的定位特征，得到更准确的目标船舶定位。数据增强是通过分组预定位的方法产生多个预定位坐标特征，将原始距离数据按照基站分组，对每一组距离数据采用数学模型进行初步定位，产生初步定位特征，在基站数量较少的情况下最大限度的利用了距离特征以及基站位置特征。DenseNet是一种面向强噪声或者高度冗余数据的特征学习方法，通过该模型可以有效的识别出数据增强后的NLOS噪声环境的定位特征，能够在基站更少的海岸场景下有效缓解NLOS误差。解NLOS误差。解NLOS误差。


技术研发人员：孙超 薛梅婷 赵乃良 曾艳 袁俊峰 张纪林
受保护的技术使用者：杭州电子科技大学
技术研发日：2022.10.30
技术公布日：2023/2/3