一种融合遗传算法和LM算法的定位方法技术

本发明专利技术公开了一种融合遗传算法和LM算法的定位方法，涉及炮弹落点定位技术领域，其技术方案要点是：该方法利用遗传算法对弹着点进行初始定位，并将定位结果作为LM算法的迭代初始值，然后利用LM算法获得目标精确位置估计。该方法能够获得更加准确的问题解，提高炮弹着落点定位的准确性和稳定性。落点定位的准确性和稳定性。落点定位的准确性和稳定性。

【技术实现步骤摘要】
一种融合遗传算法和LM算法的定位方法


[0001]本专利技术涉及炮弹落点定位
，更具体地说，它涉及一种融合遗传算法和LM算法的定位方法。

技术介绍

[0002]常规炮弹的着落点定位是靶场的重要测量任务之一，实时准确地获取定位弹着点对武器性能的评估具有重要意义。由于靶场环境复杂多变，当前仍有很多靶场采用人工观察方法，其劳动强度大、安全性差、实时性低、定位精度低等缺点日益凸显，已不能够满足当前军事训练信息化的需求。因此实现弹着点的精确快速定位，始终是靶场的工作重点与难点所在。
[0003]现在普遍适用的光学测量法和声学测量法是两种重要的自动测量方法。光学方法采用高速相机通过高速拍照或摄像的方式获取炮弹着落点区域的影像，进而通过光学图像的信息处理和分析提取获得落地点的位置，这种方法对于图像处理性能要求较高，定位性能受图像质量、靶场环境等因素影响大。声学测量法是通过处理声学传感器接收炮弹着落产生的声信号实现弹着点定位。根据声传感器接收的信号类型，目前基于声传感器的目标定位方法主要包括三类：到达角(Angle of Arrival，AOA)、到达时间(Time of Arrival，TOA)以及到达时间差(Time Difference of Arrival，TDOA)。AOA法利用多个声传感器测量的落点方位通过方位交叉实现定位，在使用中容易受到角度分辨率、多径效应和噪声等干扰的影响；TOA法通过测定炮弹爆炸产生的声信号到达声传感器的时间，结合声传播速度实现弹着点定位，因此需要保持各个传感器和炮弹落点之间精确的时间同步性，在实际定位过程中难以保证其时间同步。TDOA法利用不同传感器间接收的信号时间差实现定位，只需保持各传感器间的时间同步，相比TOA方法可以抵消相同干扰因素对定位精度产生的影响，但是在定位中需要求解多个高次方程组，计算量较大。
[0004]TDOA定位方程组在本质上是非线性方程组，其求解过程是复杂的非线性寻优过程。Chan算法采用二重加权最小二乘法(WLS)对非线性方程组进行求解，在测距误差较小时具有较优的估计性能，但实际定位过程中受到环境等因素的影响，测距会产生较大的误差，导致算法性能降低。Taylor算法是一种需要初始估计值的递归算法，通过循环迭代改进估计结果，但该算法需要获得与真实位置较为接近的迭代初始值，以保证算法的收敛性。高斯牛顿法能很好地解决TDOA定位中的非线性优化问题，具有较高的定位精度，但其收敛性依赖于迭代初始值和目标函数的非线性程度。Levenberg
‑
Marquardt(LM)算法改进了高斯牛顿法，一定程度上解决了非线性方程组系数矩阵的奇异和病态问题，在TDOA定位中具有更高的算法鲁棒性。但是，在迭代初始值选择不佳的情况下，这些优化算法很难收敛到真实位置，全局搜索能力较差。
[0005]求解非线性优化问题的另一类重要方法是智能优化算法，常见的智能优化算法有遗传算法(Genetic Algorithm，GA)、模拟退火算法(Simulated annealing，SA)和粒子群算法(Particle Swarm Optimization，PSO)等。遗传算法模拟生物的自然选择和遗传进化过
程，是一种具有自适应能力的全局性搜索最优解的算法。传统智能优化算法的局部搜索能力有限，易陷入局部极值，在迭代后期收敛速度较慢，计算代价大。尽管现有的声传感器阵列定位方法已取得了一些成果，但如何有效地提高定位精度仍然是当前研究的热点问题。

技术实现思路

[0006]本专利技术的目的是提供一种融合遗传算法和LM算法的定位方法，利用遗传算法在全局最优解附近得到一个近似解，作为LM算法的初始值，能够获得更加准确的问题解，提高炮弹着落点定位的准确性和稳定性。
[0007]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种融合遗传算法和LM算法的定位方法，包括以下6个步骤：
[0008]S1利用遗传算法估计炮弹着落点的粗略值T，作为LM算法的迭代初值；
[0009]S2计算f(u)的Jacobian矩阵J
k
，Hessian矩阵和梯度向量其中k为迭代次数；
[0010]S3判断是否满足g
k
的阈值终止条件和迭代次数k的终止条件，在满足终止条件之一的情况下，跳转到S6，判定条件如下：
[0011][0012]S4计算LM算法的迭代步长h
lm
；
[0013]S5判断迭代变化量||u
new
‑
u||是否满足终止条件，在不满足条件时，更新目标解为u
new
＝u+h
lm
，判定条件如下：
[0014]||u
new
‑
u||＝||h
lm
||≤ε2(u||+ε2)
[0015]S6当满足S4、S5中终止条件之一时，输出炮弹着落点结果u。
[0016]本专利技术进一步设置为：S2中f(u)的计算公式为f(u
i
)＝r
i
‑
r0+cΔt
i,0
，其中遗传算法估计炮弹着落点的粗略值T发出的声信号到达各基站所经过时间为t
i
,i＝0,1,2,
…
,M，经过距离为r
i
,i＝0,1,2,
…
,M；c为声信号传播速度。
[0017]本专利技术进一步设置为：S4中迭代步长通过如下公式计算：
[0018][0019]其中I为单位矩阵，μ是阻尼参数，一般取μ＝10
‑6，若定位精度较差，也可使用μ＝10
‑3甚至μ＝1。
[0020]综上所述，本专利技术具有以下有益效果：本专利技术中构成了遗传算法和LM算法的融合定位方法，利用遗传算法在全局最优解附近得到一个近似解，作为LM算法的初始迭代值，然后使用高效的LM局部搜索算法进行优化，可以快速收敛并获得精确定位结果。
附图说明
[0021]图1是本专利技术TDOA定位原理示意图；
[0022]图2是本专利技术标准遗传算法流程图；
[0023]图3是本专利技术遗传算法和LM算法的融合定位方法流程图；
[0024]图4是本专利技术靶场区域和基站分布图；
[0025]图5是本专利技术不同定位算法的定位性能比较，其中(a)是测时误差标准差与RMSE关系图，(b)是测时误差标准差与定位成功率关系图；
[0026]图6是本专利技术不同定位算法的定位性能比较，其中其中(a)是测时误差标准差与RMSE关系图，(b)是测时误差标准差与定位成功率关系图；
[0027]图7是本专利技术不同基站数量情况下的定位性能。
[0028]注：图5与图6中所涉及的算法不同。
具体实施方式
[0029]以下结合附图1
‑
7对本专利技术作进一步详细说明。
[0030]实施例：一种融合遗传算法和LM算法的定位方法，包括以下6个步骤：...

【技术保护点】

【技术特征摘要】
1.一种融合遗传算法和LM算法的定位方法，其特征是：包括以下6个步骤：S1利用遗传算法估计炮弹着落点的粗略值T，作为LM算法的迭代初值；S2计算f(u)的Jacobian矩阵J
k
，Hessian矩阵和梯度向量其中k为迭代次数；S3判断是否满足g
k
的阈值终止条件和迭代次数k的终止条件，在满足终止条件之一的情况下，跳转到S6，判定条件如下：S4计算LM算法的迭代步长h
lm
；S5判断迭代变化量||u
new
‑
u||是否满足终止条件，在不满足条件时，更新目标解为u
new
＝u+h
lm
，判定条件如下：||u
new
‑
u||＝||h
lm
||≤ε2(||u||+ε2)S...

【专利技术属性】
技术研发人员：胡雨翔，邱伟，廖思远，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：