基于压缩感知的多无人水下航行器协同探测方法

摘要

本发明提供的是一种基于压缩感知的多无人水下航行器协同探测方法。包括：(1)基于压缩感知的空间压缩采样，将多UUV其中的一个作为主UUV，而其他UUV作为从UUV；对所有UUV的声呐阵列的各阵元采用二进制伪随机编码，这些编码向量构成探测矩阵∨；(2)基于联合最优估计的分布式图像重构，每个从UUV对应一个子估计器，主UUV对应主估计器；主及每个子估计器同时单独运行，对声呐接收信号进行最优估计运算，获得各自的探测数据，之后在主估计器中进行融合处理，实现声呐图像重构。本发明能够有效减少单个UUV节点获取图像的时间，克服多UUV节点不能对同一目标进行同时探测的问题，提高水下目标探测的快速性和准确性。

说明书

技术领域

本发明涉及的是一种水声探测方法，具体涉及一种基于压缩感知的多UUV协同探测水下 目标的方法。

背景技术

无人水下航行器(UUV，Unmanned Underwater Vehicle)是未来海洋开发应用不可缺少的 工具，具有广阔的发展前景。由于单UUV所携带的声呐的探测角度和范围是有限的，因此 可由多台UUV组成协同探测系统，扩展感知范围，提高探测效率。

多UUV协同探测系统中，每台UUV上配备一个小型的相控阵声呐。传统的声呐探测 方式为数字波束形成方法，采集并重构一幅图像非常耗时。虽然可通过减少扫查线数的方式 缩短成像时间，但这又会降低图像的横向分辨率。此外，在主动探测时，为防止交叉干扰， 多个UUV节点对目标的探测必须分时进行，这不仅增加了探测时间，而且使运动目标在各 UUV节点获取的图像有相位差，给数据融合带来困难。因此，必须探索新的分布式目标探 测方式，使多个UUV能同时探测，并且缩短单个UUV节点获取目标图像的时间。

近年来出现一种新的信息获取理论，称为压缩感知(Compressive Sensing，CS)。其核心思 想是，如果信号本身或在某变换域是稀疏的，那么可以用低于Nyquist的采样率对此信号进行 采样并且精确重构。声呐目标图像的稀疏性，使得CS理论可以用于声呐目标的探测问题。 设离散信号xP R^N在变换基ψ下是稀疏的，通过选择与ψ不相容的观测矩阵 ∨ P R^MλN(M^TMN)，建立测量可以实现对x的压缩采样。利用测量值y重构x的问 题归结为一个l₀-范数最小的优化问题，但由于其不可解性，因此出现很多次优算法。这些 方法虽然比较有效，但是从理论上提出的，没有考虑实际应用中的抗噪性问题。

综上，在将CS理论用于声呐的目标探测时，设计合适的探测矩阵∨和快速、准确的分 布式重构算法是利用CS理论的两个关键问题。

发明内容

本发明的目的在于提供一种能够提高水下目标探测的快速性和准确性的基于压缩感知的 多无人水下航行器协同探测方法。

本发明的目的是这样实现的：

步骤一，基于压缩感知的空间压缩采样

将多UUV其中的一个作为主UUV，而其他UUV作为从UUV；对所有UUV的声呐阵 列的各阵元采用二进制伪随机编码，这些编码向量构成探测矩阵∨；编码由伪随机码发生器 产生，而随机码发生器由移位寄存器实现；寄存器保持与系统时间的同步，其数字单元在每 个时钟周期内进行模2和计算，逐个比特生成伪随机码；数据的收发方式为声呐阵列的每个 阵元同时收发数据，若声呐阵列的阵元数为M，则一次收发过程实现对一个二维扇形区域 的M次探测，其中，阵元数为探测矩阵∨的行数；

步骤二，基于联合最优估计的分布式图像重构

每个从UUV对应一个子估计器，主UUV对应主估计器；主估计器以及每个子估计器 同时单独运行，对声呐接收信号进行最优估计运算，获得各自的探测数据，之后在主估计器 中进行融合处理，实现声呐图像重构；其中，压缩感知信号重构约束条件，结合最小方差准 则，以虚拟探测的形式嵌入状态估计问题中，对经过最优估计的状态进行校正；虚拟探测校 正过程，以迭代的方式实现。

以上两个步骤不是孤立的，在步骤一中探测到的数据在步骤二中用于探测更新。

本发明与现有技术相比具有如下优点：

1)探测模式。与传统的延迟-累加模式相比，一次收发过程即可实现对一个二维扇形区 域的多次探测，大大减少相控阵声呐获取一幅图像的时间，并可实现多UUV节点对同一目 标的同时探测。

2)图像重构方法。将多UUV协同探测的分布式图像重构问题转化为信号的联合最优估 计问题，并将压缩感知的重构约束条件以虚拟探测的方式内嵌到状态估计问题中。算法结构 简单，适合分布式处理和实时处理。

附图说明

图1为基于压缩感知的多UUV协同探测方法的工作原理框图。

图2为声呐探测成像示意图。

具体实施方式

以下结合附图对本发明的具体实施方式和过程作进一步的说明。多UUV协同探测过程 分为空间压缩采样和图像重构两部分，如图1所示。这两个部分不是孤立的，在执行的过程 中，图像重构部分利用了空间压缩采样部分的探测数据进行状态更新。两部分的具体执行步 骤如下：

1.空间压缩采样

对所有UUV声呐阵列的各阵元采用二进制伪随机编码，编码由伪随机码发生器产生， 而随机码发生器由移位寄存器实现。寄存器保持与系统时间的同步，其数字单元在每个时钟 周期内进行模2和计算，逐个比特生成伪随机码。编码向量按行排列，构成后面图像重构过 程所需的探测矩阵∨。

声呐的每个阵元同时发送编码数据(数据长度为N)，并同时接收返回的探测数据。声呐 阵列的阵元数为M，则一次收发完成一个扇形区域的M次探测。M个编码向量按行构成声呐 的探测矩阵ΦP R^MλN(M^TMN)，则探测数据可表示为

其中，x_k P R^N为待重构数据；n_k P R^M为声呐探测噪声，近似为零均值的高斯白噪声，协方 差矩阵为R_k。此步骤中声呐阵元接收的探测数据以下用于对探测目标的图像重构。

本发明中，多UUV探测目标图像重构问题转化为联合最优估计问题，以递推的形式实 现，每递推一次，重构出图像的一条数据曲线x_k，递推估计的次数，决定了图像的大小。声 呐探测图像的结构如图2所示。图像重构的过程，包括以下具体步骤：

2.信息分配

k时刻在主估计器中获得的全局状态估计和估计误差方差为和在执行下一次递推 估计之前，首先将这些信息在子估计器中进行如下分配

其中，和分别表示第i个子估计器中状态估计值和估计误差方差阵，p为 多UUV的节点数；β_i为信息分配因子，满足β_iμ0且；本发明中，采用基于估计 误差方差的动态信息分配方法如下

式中：P_i为第i个子估计器对状态的估计误差方差，m表示主估计器，tr表示矩阵的迹。

将信息在子估计器中进行分配后，每个子估计器单独执行状态估计，具体包括步骤3和 步骤4。由于每个估计器中执行过程是相同的，为简化公式，以下忽略上角标符号i。

3.时间更新和探测更新

在k时刻，由已知状态估值和估计误差方差阵P_k，预测时刻的状态和估计误 差方差阵如下

式(5)中，对状态的预测利用了信号模型

式中：APR^NλN为状态转移矩阵，它的值由波束合成技术确定；w_k是零均值的高斯白噪声序 列，协方差矩阵为Q_k，表示海水中的非均质摄动。

当在步骤1中获得新的探测之后，利用它对和进行更新，得时刻的状 态估计和估计误差方差如下

式中，I为单位矩阵，K_k是增益矩阵，计算公式如下

4.虚拟探测校正

建立虚拟探测模型

式中，ε为任意小的随机正数，方差为R_ε；sign(x_k(i))表 示x_k的第i个元素的符号函数。

以下利用虚拟探测模型，对上一步骤中由式(8)和(9)获得的最优状态估计和估计误差 方差进行校正。校正过程以迭代的方式实现。

定义取(J为迭代次数，J可视对图像质量的要求 设定)，执行迭代如下

迭代结束后，将状态和方差校正结果赋值给和即

5.最优融合

在每个子估计器得到和后，将它们在主估计器中进行融合，获得全局估计的状态 和估计误差方差阵如下

式(17)中全局状态估计为目标图像中在离散时刻的一条弧线，当获得所有离散时 刻0，1，·，k，·，N的全局状态估计后，即可恢复出目标图像。其中，数值N决定了探测目标 图像的大小。