低空无人机被动声探测定位方法研究

发布时间：2020-10-10 12:52

　　 目前,无人机使得低空安防难度加大,被动声探测方法在军事、安全监控等领域有着广泛的应用。但是,在对低空目标探测的实际工程应用中,受户外环境噪声的影响,传统的被动声探测定位方法存在着较低信噪比下定位误差较大的问题。针对以上问题,本文以四旋翼无人机为研究对象,重点研究立体七元声传感器阵列下基于到达时间差(Time Difference of Arrival,TDOA)的被动声定位算法,并提出改进最大似然加权-相位变换加权-广义互相关(Maximum Likehood-Phase Transform-Generalized Cross Correlation,ML-PHAT-GCC)算法,达到提高时延定位精度的目的;建立双阵列模型并研究改进人工鱼群-无迹粒子滤波(Artificial Fish School Algorithm-the Unscented Kalman Partcle Filter,ASFA-UPF)被动跟踪定位算法,达到降低对目标的距离、方位角、俯仰角定位误差的目标。本文主要工作如下:首先,本文对四旋翼无人机的声信号进行了时频分析,并对声场环境中影响声波传播的因素进行了分析;由于无人机所处声场环境中存在大量的环境噪声和混响噪声,先对采集到的无人机的声信号进行带通滤波滤除高频信号,采用(Least Mean Square,LMS)自适应算法对滤波后的信号进行降噪处理。然后,本文对平面五元阵列和立体七元阵列的定位精度进行了公式推导并进行了对比分析;分析了广义互相关GCC的几种加权函数,并结合ML加权对PHAT加权函数进行改进,提出了ML-PHAT-GCC算法;给出了基于有理倍数增采样率的TDOA定位算法,并仿真分析了不同采样频率对声源目标的距离、方位角和俯仰角定位精度的影响。其次,本文给出了双声传感器阵列的空间交叉定位算法公式推导,并给出了目标状态方程和观测方程;采用ASFA对UPF进行改进,抑制粒子退化问题,并对其跟踪定位算法的性能与传统无迹粒子滤波算法进行MATLAB仿真分析对比。最后,本文搭建低空无人机被动声探测定位实验平台,包括声传感器阵列模块、多通道数据采集模块、数据处理模块和上位机软件显示模块。实验结果表明本文的改进ML-PHAT-GCC的TDOA算法性能明显优于传统算法,增加采样频率及增大阵元间距能够降低被动声定位误差;在采样频率为200kHz时,本文改进算法比传统算法的距离误差、方位角误差及俯仰角误差分别降低了2.477%,3.866%,1.187%。阵元间距在0.65m时,定位误差最小,比阵元间距为0.10m时的定位误差分别降低了9.198%,6.99%,6.091%,验证了改进方法的有效性。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：V279
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 低空目标被动声探测应用发展现状
        1.2.2 低空无人机主动探测应用发展现状
        1.2.3 低空目标被动声探测定位方法研究现状
    1.3 研究目标及内容
    1.4 本文的内容安排
第二章 低空无人机声信号特性与预处理
    2.1 低空无人机声信号的时频特性
    2.2 低空无人机声场环境对声信号传播的影响
        2.2.1 声信号在空气中的衰减
        2.2.2 温度对声信号传播的影响
        2.2.3 风速对声信号传播的影响
    2.3 低空无人机声源类型及传播模型
        2.3.1 声源类型
        2.3.2 近场及远场声信号模型
    2.4 低空无人机声信号预处理
        2.4.1 声信号滤波处理
        2.4.2 声信号降噪处理
    2.5 本章小结
第三章 基于TDOA的低空无人机被动声定位算法
    3.1 TDOA被动声定位算法概述
    3.2 声传感器阵列定位算法与精度分析
        3.2.1 平面五元阵列声定位算法
        3.2.2 立体七元阵列声定位算法
        3.2.3 两种声传感器阵列定位精度对比
    3.3 基于广义互相关的时延估计算法
        3.3.1 基本互相关函数法
        3.3.2 广义互相关函数法
        3.3.3 改进ML-PHAT-GCC算法
        3.3.4 改进算法仿真与分析
    3.4 有理倍数增采样率TDOA声定位算法
        3.4.1 采样频率对声定位精度的影响分析
        3.4.2 信号采样率转换算法
        3.4.3 有理倍数增采样率TDOA声定位算法与仿真分析
    3.5 本章小结
第四章 基于AFSA-UPF的双阵无人机被动跟踪定位算法
    4.1 双阵空间测向交叉定位模型
    4.2 粒子滤波算法
        4.2.1 PF算法
        4.2.2 目标跟踪系统模型
    4.3 基于AFSA-UPF的双阵动态目标被动跟踪定位算法
        4.3.1 UPF算法
        4.3.2 改进ASFA-UPF算法
        4.3.3 改进算法仿真与分析
    4.4 本章小结
第五章 低空无人机被动声定位平台设计与实验测试
    5.1 低空无人机被动声定位平台总体方案设计
        5.1.1 声传感器阵列模块
        5.1.2 阵列信号数据采集模块
        5.1.3 数据处理及上位机软件显示模块
    5.2 被动声定位实验测试方案与结果分析
        5.2.1 实验测试方案设计
        5.2.2 实验结果与误差分析
    5.3 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 工作展望
致谢
参考文献

【参考文献】

相关期刊论文 前10条

1 邬春明;宫皓泉;王艳娇;赵星翰;郭立杰;梁玉珠;;基于改进粒子滤波的无线传感器网络目标跟踪算法[J];南京邮电大学学报(自然科学版);2017年05期

2 罗斌;黄宇超;周昊;;国外反无人机系统发展现状综述[J];飞航导弹;2017年09期

3 蔡亚梅;姜宇航;赵霜;;国外反无人机系统发展动态与趋势分析[J];航天电子对抗;2017年02期

4 ;行业资讯[J];警察技术;2017年02期

5 李明明;卞伟伟;甄亚欣;;国外“低慢小”航空器防控装备发展现状分析[J];飞航导弹;2017年01期

6 刘超;柏业超;张兴敢;;一种改进的分数时延估计方法及应用[J];数据采集与处理;2015年06期

7 张学磊;冯杰;李兆利;;声探测技术在低空开放中的应用[J];电声技术;2015年01期

8 于明;刘勇;阎刚;翟玉欣;;基于人工鱼群优化的扩展卡尔曼粒子滤波算法[J];计算机仿真;2013年06期

9 冯杰;杨博;李兆利;;空气声探测在军事中的应用[J];电声技术;2012年06期

10 梁磊;逄博;赵丽丽;;基于人工鱼群的无轨迹粒子滤波算法[J];计算机应用与软件;2012年01期

相关博士学位论文 前7条

1 张巧灵;麦克风网络中基于分布式粒子滤波的说话人跟踪方法研究[D];大连理工大学;2016年

2 刘亚雷;三维运动声阵列对声目标跟踪理论研究[D];南京理工大学;2013年

3 吕艳新;被动声目标识别理论研究[D];南京理工大学;2011年

4 崔玮玮;基于麦克风阵列的声源定位与语音增强方法研究[D];清华大学;2009年

5 严金海;声、毫米波复合寻的系统目标识别与定位技术研究[D];南京理工大学;2006年

6 陈华伟;低空目标声测无源定向理论与算法研究[D];西北工业大学;2004年

7 顾晓辉;反直升机智能雷有关总体的理论研究[D];南京理工大学;2002年

相关硕士学位论文 前5条

1 梁上烈;利用声源信息的多目标定位与跟踪研究[D];电子科技大学;2016年

2 韩朋朋;基于粒子滤波的麦克风阵列声源定位与跟踪的算法研究[D];南京邮电大学;2013年

3 曹虎林;基于麦克风阵列的声源定位系统硬件设计与算法研究[D];上海交通大学;2011年

4 罗伦楷;近地飞行目标的声测定向技术研究[D];山东科技大学;2009年

5 姚颖;双站无源定位与跟踪算法研究[D];西安电子科技大学;2009年

本文编号：2835221