【技术实现步骤摘要】
本专利技术涉及多移动声源定位方法，特别是涉及基于自适应复值归零神经动力学的多移动声源定位方法。
技术介绍
1、动态定位技术的最新进展使研究人员能够为各种实际应用开发高精度动态定位解决方案。在这方面，如何有效解决移动声源定位（masl）问题是一个重要的研究课题。传统方法通常通过使用一组噪声范围差测量来定位单个移动声源，从而解决移动声源定位问题。此外，还使用一种非迭代的最小二乘声源定位估计方法来定位单个声源。
2、然而，这些方法在处理多目标情况时存在局限性，可能导致定位精度较低。此外，值得注意的是，与单目标定位方法相比，多目标定位需要传感器同时发送多个目标的信息。使用单目标定位方法解决多重 masl 问题，显然需要传感器多次发送信息，造成时间延迟。因此，开发一种同时定位多个目标的算法迫在眉睫。
3、为了克服这一局限性，现有技术提出了一种解决 masl问题的新方法。该方法利用到达时间差（tdoa）技术，结合部署麦克风的位置，动态定位目标位置。它摒弃了以往计算复杂的缺点，只使用较简单的线性方程和矩阵方程来寻找masl问题的解决方案。重要的是，tdoa方法具有多种优势，包括计算效率更高、精度更好以及能够同时定位多个目标。然而，单一tdoa算法的情况在实践中并不现实，其缺点是计算量大、同步性差，这种方法难以抵抗噪声干扰，导致定位结果很差。
技术实现思路
1、针对上述现有技术，本专利技术在于提供基于自适应复值归零神经动力学的多移动声源定位方法，主要解决上述
技术介绍
中存在的
2、为达到上述目的，本专利技术实施例的技术方案是这样实现的：基于自适应复值归零神经动力学的多移动声源定位方法，所述方法包括下列步骤：
3、在待测区域放置多个声信号接收器，并对多个移动声源以及声信号接收器的位置坐标进行定义；
4、基于移动声源的位置坐标方程以及声信号接收器的位置坐标，构造与移动声源定位问题相关的时变线性方程组；
5、构造acvznd模型，并采用所述acvznd模型求解与移动声源定位问题相关的时变线性方程组，从而获得多移动声源的坐标位置。
6、可选的，定义声信号接收器p的位置坐标为：
7、
8、定义移动声源x的位置坐标为：
9、
10、其中，m为声信号接收器数量，，是第m个传感器的坐标，表示2行m列的实数矩阵，表示2行1列的实数矩阵。
11、可选的，基于声信号接收器p的位置坐标以及移动声源x的位置坐标，形成传播距离的表达式：
12、
13、其中为声速，表示距离所述移动声源的第一个声信号接收器和第i个声信号接收器之间的时间差，表示第i个声信号接收器到所述移动声源的距离，表示第1个声信号接收器到所述移动声源的距离；
14、对所述传播距离的表达式进行化简并将基于坐标x(t)和y(t)分开后获得：
15、
16、基于到达时间差算法，将表示为，将表示为，将表示为，最终获得下式：
17、
18、其中，表示第一个声信号接收器的x轴坐标，表示第二个声信号接收器的x轴坐标，表示第i个声信号接收器的x轴坐标，表示第一个声信号接收器的y轴坐标，表示第二个声信号接收器的y轴坐标，表示第i个声信号接收器的x轴坐标，表示距离所述移动声源的第一个声信号接收器和第2个声信号接收器之间的时间差。
19、可选的，将表示为，将表示为，将表示为，因此所形成为时变线性方程组为：,其所形成的误差函数为：，其中表示前述时变线性方程组的误差函数。
20、可选的，基于原始的oznd模型：，所构建的初始acvznd模型为：，在加入了激活函数后，最终构建的acvznd模型为：
21、
22、其中，表示复值域自适应比例系数，表示复值自适应反馈系数，表示复值激活函数，表示矢量化的误差函数，表示集合s的映射，表示时间t的换元，表示常数，表示的一阶导数。
23、可选的，在添加噪声因子并进行矢量化后，所构建的acvznd模型为：
24、
25、其中，表示额外的不可预测的噪音，表示的积分。
26、可选的，所述复值激活函数包括类型一与类型二，所述类型一的复值激活函数表达式为：，所述类型一的复值激活函数表达式为：，其中l为虚数单位，c、d、均为向量，表示复矢量的元素参数，表示运算符，表示复值域中的类型一激活，表示对复数中的实数部分进行激活，表示对复数中的虚数部分进行激活，表示复值域中的类型二激活，表示对复数中的实数部分进行激活。
27、可选的，所述acvznd模型中还包含自适应比例系数函数，所述自适应比例系数函数包括指数自适应比例系数、幂指数自适应比例系数、幂指数自适应反馈系数。
28、可选的，采用所述acvznd模型求解与移动声源定位问题相关的时变线性方程组，从而获得多移动声源的坐标位置，其解的表达式为：
29、
30、式中，表示的一阶导数，表示的一阶导数，h代表逆矩阵符号，表示克朗克乘积，i表示单位矩阵，表示的一阶导数。
31、本专利技术的有益效果在于：本申请所提供的基于自适应复值归零神经动力学的多移动声源定位方法，可以同时对多个移动的目标进行定位，并且预测结果保持着较高的精度。此外，该方法可以有效地降低实时多目标定位时产生的计算复杂度，能够在较短时间内完成多目标定位任务，另外该方法加入了归零神经动力学框架，提高了系统鲁棒性，可以有效地抵御噪声的干扰，使得系统在实际各类噪声的干扰下仍能保持稳定并且高精度定位。
本文档来自技高网...【技术保护点】
1.基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，
2.根据权利要求1所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，定义声信号接收器P的位置坐标为：
3.根据权利要求2所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，基于声信号接收器P的位置坐标以及移动声源X的位置坐标，形成传播距离的表达式：
4.根据权利要求3所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，将表示为，将表示为，将表示为，因此所形成为时变线性方程组为：,其所形成的误差函数为：，其中表示前述时变线性方程组的误差函数。
5.根据权利要求4所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，基于原始的OZND模型： ，所构建的初始ACVZND模型为：，在加入了激活函数后，最终构建的ACVZND模型为：
6.根据权利要求5所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，在添加噪声因子并进行矢量化后，所构建的ACVZND模型为：
7.根据权利
8.根据权利要求7所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，所述ACVZND模型中还包含自适应比例系数函数，所述自适应比例系数函数包括指数自适应比例系数、幂指数自适应比例系数、幂指数自适应反馈系数。
9.根据权利要求7所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，采用所述ACVZND模型求解与移动声源定位问题相关的时变线性方程组，从而获得多移动声源的坐标位置，其解的表达式为：
...【技术特征摘要】
1.基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，
2.根据权利要求1所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，定义声信号接收器p的位置坐标为：
3.根据权利要求2所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，基于声信号接收器p的位置坐标以及移动声源x的位置坐标，形成传播距离的表达式：
4.根据权利要求3所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，将表示为，将表示为，将表示为，因此所形成为时变线性方程组为：,其所形成的误差函数为：，其中表示前述时变线性方程组的误差函数。
5.根据权利要求4所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，基于原始的oznd模型： ，所构建的初始acvznd模型为：，在加入了激活函数后，最终构建的acvznd模型为：
6.根据权利要求5所述的基于自适应复值归零神经动力学的多移动声源定位方法，其特征在于，在添加噪声因子...
【专利技术属性】
技术研发人员：肖秀春，郑棉杰，金龙，宋思阳，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。