中期答辩

基于声阵列的无人机探测定位方法研究答辩人：导师：时间：ADDYOURSUBTITLEHERE课题内容与目标01存在的问题与方案03课题进展情况02后续规划04THEMAINCONTENTSPLEASEENTERYOURSUBTITLEHERE1第部分课题内容与目标多重信号分类（MUSIC）算法：该算法是空间谱估计理论体系中的标志性算法。MUSIC算法的基本思想则是将任何阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和与信号分量相正交的噪声子空间，然后利用这两个子空间的正交性来估计信号参数（声波入射方向等）。。粒子滤波（PF）算法：该算法是一种基于空间状态模型的递推贝叶斯滤波算法，特别适用于非线性高斯系统。该方法的基本思想是用一组样本（或称粒子）来近似表示系统的后验概率分布，然后使用这一近似的表示来估计非线性系统的状态。课题内容与目标01最终目标本课题以使用被动声源定位法对无人机进行探测定位为应用背景，学习两种基于传感器阵列的声源定位算法（多重信号分类算法，粒子滤波算法），然后利用算法实现对声源的波达角（DOA）估计，最后结合传感器阵列的具体形状推出无人机的具体地理位置。本课题的最终目标是设计并实现一种基于声传感器阵列的无人机探测定位方法，可以在低空尽早发现无人机，及时进行预警，保障客机的安全与秩序。课题内容2第部分课题进展情况课题进展情况021、完成文献资料的搜集，确定论文方向和题目，完成了开题报告。2、根据开题报告的写作思路和研究方法，重新的整理和学习搜集到的学习资料。3、根据导师的意见，初步的掌握了被动声源定位的概念、原理，学习粒子滤波基本原理，尝试在MUSIC算法中引入粒子滤波方法。4、构思了写作的总体轮廓，拟定论文提纲。已做工作基于均匀线阵的MUSIC算法的DOA估计课题进展情况02clearallcloseallderad=pi/180;%角度-弧度radeg=180/pi;%弧度-角度twpi=2*pi;kelm=8;%阵元数dd=0.5;%阵元间距d=0:dd:(kelm-1)*dd;iwave=3;%信源数theta=[-502060];%波达方向snr=10;%信噪比n=500;%采样数A=exp(-j*twpi*d.'*sin(theta*derad));%方向矢量S=randn(iwave,n);%信源信号X=A*S;%接收信号Xl=awgn(X,snr,'measured');%添加信号Rxx=Xl*Xl'/n;%计算协方差矩阵InvS=inv(Rxx);[EV,D]=eig(Rxx);%特征值分解EVA=diag(D)';[EVA,I]=sort(EVA);%特征值从小到大排序EVA=fliplr(EVA);%左右翻转，从大到小排序EV=fliplr(EV(:,I));%对应特征矢量排序%构造MUSIC谱函数foriang=1:361angle(iang)=(iang-181)/2;phim=derad*angle(iang);a=exp(-j*twpi*d*sin(phim)).';L=iwave;En=EV(:,L+1:kelm);%得到噪声子空间SP(iang)=(a'*a)/(a'*En*En'*a);end%绘图SP=abs(SP);SPmax=max(SP);SP=10*log10(SP/SPmax);h=plot(angle,SP);set(h,'Linewidth',2);xlabel('angle(degree)')ylabel('magnitude(dB)')axis([-9090-600])set(gca,'XTick',[-90:30:90])gridon基于均匀线阵的经典MUSIC算法的DOA仿真程序声传感器阵列无人机1无人机2无人机360°20°-50°当设定到达角为-50°，20°，60°阵元数目为8，阵元间距为0.5波长，采样数N=500,信噪比为10dB.假定波达角不变，阵元间距为0.5个波长，信噪比为0，在同一图像内绘制了阵元数目M分别为4，8，16时的空间谱函数。随着阵元数目的增加，归一化方位谱函数的波峰更加尖锐，对信号的估计精度也逐渐提升。这是因为随着阵元数目的增加,阵列孔径增大，阵列的分辨率随之提高。课题进展情况02其他条件相同，阵元间距改变其他条件相同，采样数改变可以看出阵元间距过大时，会出现虚警信号采样数的改变对MUSIC算法的估计精度影响不大课题进展情况02粒子滤波算法DOA估计假设无人机的初始方位角为20°，初始俯仰角为30°，变化间隔为0.1°，信噪比取5dB，粒子数N=500。无人机（测量起点）无人机（测量终点）30°80°声传感器阵列65°20°无人机（测量起点）无人机（测量终点）XZXOY平面为地面OY地面天空无人机飞行状态示意图（仿真）俯仰角方位角用粒子滤波算法对无人机俯仰角和方位角进行不断跟踪估计可以看出，无论是俯仰角还是方位角，算法在开始时刻得出的预测值与实际值有较大偏差，但在一段时间后，算法的预测值与实际值非常接近。仿真结果表明，粒子滤波算法能实现对动态声源波达方向的跟踪估计。3第部分存在的问题与解决方案存在的问题与解决方案03（1）当信源相干时，经典MUSIC算法在确定信源个数时存在困难，无法划分信号子空间和噪声子空间，因而也就不能够估计其空间谱。解决方法改进MUSIC算法就是要对阵列输出信号协方差进行处理，使信源协方差矩阵的秩恢复，从而有效估计出信号的DOA（2）当信源数目过多时，MUSIC算法无法进行DOA估计；阵元数目过低，阵元间距过大时，MUSIC算法的仿真结果会失真。解决方法声传感器阵列的阵元数目尽可能多。估算一个合适的信号波长，选用相适的阵元间距。（3）在基本粒子算法中，粒子权值的方差会随着时间迭代二不断增加，这就是粒子退化现象。粒子退化现象会导致计算资源的浪费，也影响最终的估计结果。（4）MUSIC算法适用于对静止目标的处理，无法准确实时的测出运动声源的方向角。解决方法解决方法解决方法是进行重采样，复制权重权重大的粒子，舍去权重小的粒子以减小粒子权重退化。将MUSIC算法与粒子滤波算法相结合，设计出一种适合无人机的DOA跟踪估计算法。4第部分后续规划后续规划04学习创新参考实验优化结论设计一个基于均匀线阵PF-MUSIC算法的DOA跟踪估计算法分别进行仿真实验，得出最佳的声传感器阵列形状放飞一架无人机进行实验，基于实验结果对算法进行优化实现课题目标，撰写论文深入学习粒子滤波原理，尝试将粒子滤波算法与MUSIC算法进行结合改变阵列形状，设计一个基于L型阵列PF-MUSIC算法的DOA跟踪估计算法谢谢您的观看与聆听ADDYOURSUBTITLEHERE答辩人：导师：时间：