基于TOA-DOA的浅海环境节点定位算法研究

《基于TOA-DOA的浅海环境节点定位算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于TOA/DOA的浅海环境节点定位算法研究AStudyonNodeLocalizationinShallowOceanEnvironmentonTOAandDOA学科专业：电子与通信工程研究生：魏冲冲指导教师：刘开华教授企业导师：黄建尧高级工程师天津大学微电子学院二零一七年十一月摘要水下目标定位技术是海洋科学研究的重要组成部分，在水下通信、声呐和国家安全等领域都有着广泛的应用前景。基于TOA测量和DOA测量的目标节点定位可以比RSS测量获得更高精度的位置参数，将这两项技术应用在浅海环境目标定位上将具有更好的效果。由于水下环境多变，信号在非均匀的

2、海水中传输会发生弯曲。本文利用联合TOA和DOA的算法结合水下环境特点提出了一种非均匀媒质中的定位算法，具有较好的理论研究意义和工程实用价值。本文的主要研究内容如下：浅海环境较为复杂，存在多种影响信号传输的不确定因素，故在参考节点处直接利用接收到的信号参数进行分析会加大定位误差。为减小这种非确定性因素对定位的影响，利用SVDD和AAKR对参数进行修正。首先将传感器节点安放在目标区域，随后在不同时间接收噪声强度不同的数据，以此作为SVDD的训练数据。新数据首先通过分类器做分类，根据分类情况利用AAKR得到新数据与数据库数据的相关度，从而对数据做修正

3、。将修正后的数据再次通过SVDD判别，若被分到负类，则舍弃数据，否则将数据加入到数据库中作为标准数据。仿真结果显示修正后的数据比原数据更加精确。针对海水媒质分布不均匀的特性，对声信号参数进行了优化，并提出了一种在非均匀媒质中联合到达时间和到达角度浅海多径环境下的定位算法。该算法不仅能够克服声速变化引起的路径弯曲问题，还可以减少海水流动对节点拓扑结构产生的影响。首先分别以海面和海底为反射面建立锚节点的虚拟节点，把多径环境下的非视距问题转化为视距问题，然后根据声速剖面利用费马原理获得声波曲线路径的表达式。又由于海面、海底形状的不规则性，信号在反射点发

4、生散射现象，因此将反射点当作分布式信源，利用散射信号中心波达方向作为DOA，平均波达时间作为TOA。最后利用到达时间和到达角度估计目标的位置参数。仿真结果表明，本方法在定位精度和鲁棒性等方面优于传统的直线传输模型。关键词：非均匀媒质，多径，声音速度剖面，费马原理，虚拟节点IABSTRACTUnderwatertargetlocationtechnologyisanimportantcomponentofmarinescienceresearch,andithaswideapplicationprospectinunderwatercommunic

5、ation,sonarandnationalsecurity.TargetnodelocalizationbasedonTOAandDOAcanachievehigheraccuracythanRSS.Therefore,itwillgetabettereffectwhileusingthesetwotechnologiesinunderwaterlocalization.Inthispaper,ajointTOAanddirection-of-arrivalDOAlocalizationalgorithmconsideringtheinhomo

6、geneouswatermediuminoceanmultipathenvironmentisaddressed,andthisalgorithmhasgoodtheoreticalsignificanceandpracticalvalueofengineering.Themainresearchofthispaperisasfollows:Theshallowoceanenvironmentiscomplex,andtherearemanyuncertainfactorsaffectingsignaltransmission.Therefore

7、,theanalysisofthesignalparametersreceivedatthereferencenodewillincreasethepositioningerror.Inordertoreducetheinfluenceofthisuncertainfactoronlocalization,SVDDandAAKRareusedtomodifytheparameters.Firstly,thesensorisplacedinthetargetarea,thenthedatathatcontainsnoiseisreceivedatd

8、ifferenttime,whichisusedasthetrainingdataofSVDD,thenewdataisclassifi