一种基于QGA的多普勒频移目标运动参数的解算方法

摘要

本发明属于水声工程技术领域，具体涉及一种基于QGA的多普勒频移目标运动参数的解算方法。本发明提供了在已知目标和观测方都处于匀速直线运动的状态下，通过接收目标的瞬时频率信息和方位信息，解算目标的运动参数的方法。与现有技术相比，本发明有更短的收敛时间，收敛稳定性效果好，在实际的应用中可以更快的解算目标的参数估计值。

说明书

技术领域

本发明属于水声工程技术领域，具体涉及一种基于QGA的多普勒频移目标运动参数的解算方法。

背景技术

在现代水声工程领域，目标定位仍是热点之一，研究目标运动分析问题对于水上和水下作战等均具有实质性战略意义。随着我国海上防御战略改变，对于水下目标定位速度和精确度要求越来越高。目标运动分析(TMA)是研究被动测距的一种方法。至今，研究者们对TMA解算的算法不断更新，综合起来可分为两大类：一类是仅考虑把目标的方位作为测量值或输入变量，对目标运动状态进行分析的算法，称为仅方位方法；另一类算法是将目标的方位和频率作为测量值或输入变量，对目标运动状态进行TMA解算。现有技术存在收敛时间偏长、收敛存在不稳定性的问题。

发明内容

本发明的目的在于提供在目标和观测方都处于匀速直线运动的状态下，通过接收目标的瞬时频率信息和方位信息解算目标运动参数的一种基于QGA的多普勒频移目标运动参数的解算方法

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：目标和观测方都处于匀速直线运动的状态下，获取初始t

步骤2：获取观测方在第t

步骤3：利用量子遗传算法求解使f

其中，参数s

步骤4：计算目标的相对速度估计值u和相对航向估计值

步骤5：利用量子遗传算法求解使f

其中，参数t

步骤6：计算初始时刻目标与观测方的距离估计值L

步骤7：计算目标的真实速度估计值V

其中，V

步骤8：计算目标的真实航向估计值λ；

步骤9：若i＞i

本发明的有益效果在于：

本发明针对目标和观测方都处于匀速直线运动的状态下，通过接收目标的瞬时频率信息和方位信息解算目标的运动参数。本发明有更短的收敛时间，收敛稳定性效果好，在实际的应用中可以更快的解算目标的参数估计值。

附图说明

图1为本发明的流程图。

图2为本发明的实施例中目标与观测方的匀速直线运动模型图。

图3为本发明的实施例中目标与观测方的匀速直线相对运动模型图。

图4(a)为本发明的实施例中对初始时刻目标与观测方的距离的解算结果图。

图4(b)为本发明的实施例中对目标的真实速度的解算结果图。

图4(c)为本发明的实施例中对目标的真实航向的解算结果图。

图5为量子遗传算法与LM算法的不同态势各变量收敛时间表。

图6为本发明的实施例中参数设定表。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明的目的是为了解决目标和观测方都处于匀速直线运动的状态下，通过接收目标的瞬时频率信息和方位信息进行解算目标运动参数，进而得到较好的收敛效果。

首先分析多普勒频移目标运动特点，构建相对运动状态图。根据多普勒频移公式推导并建立最小二乘参数求解模型。

基于声信息的目标运动分析解算模型参数设定：运动目标的发射频率为f

通过接收方位信息和瞬时频率信息作为优化过程的输入变量。根据多普勒频移变化表达式:

其中β

设s

根据正横距离l与正横时间t

瞬时频率又可以表示为

运动参数求解模型：

得到待优化的最小二乘公式：

利用量子遗传算法对两个最小二乘参数求解模型分别进行优化。

1、量子遗传算法首先取规模为100的种群进行初始化，量子遗传代数设置为500。将迭代计数参数设置成t＝0。采用量子态对种群进行编码。

并且满足

|α|

2、一般情况，种群中全部染色体的所有基因都被初始化为

3、对初始种群每个个体实时一次测量，将种群的结果转化为二进制比特串，再转化为所求解问题的一个解。

4、对这一组解进行适应度评估，适应度函数为：

5、保留种群中的最优个体和它的适应度。

6、判断是否达到最小值(最小二乘函数趋近于0)，若不满足则继续下述操作，若满足条件则结束。

7、利用量子旋转门更新种群。

(α

8、t＝t+1，返回步骤三。

优化公式(8)完毕得到参数s

优化公式(9)得到参数t

目标的相对速度:

目标的相对初始舷角：

目标的相对航向：

目标的真实速度：

其中

目标的真实航向：

目标与观测方的初始距离：

经过以上推导，一种基于QGA的多普勒频移目标运动参数的解算方法，包括以下步骤：

步骤1：获取初始t

步骤2：获取观测方在第t

步骤3：利用量子遗传算法求解使f

其中，参数s

步骤4：计算目标的相对速度估计值u和相对航向估计值

步骤5：利用量子遗传算法求解使f

其中，参数t

步骤6：计算初始时刻目标与观测方的距离估计值L

步骤7：计算目标的真实速度估计值V

其中，V

步骤8：计算目标的真实航向估计值λ；

步骤9：若i＞i

实施例1：

设定最大采样次数为3000，采样频率为以1秒取一次。如图5所示为不同态势各变量收敛时间表，图5中距离单位为米，速度单位为米/秒，航向单位为度，收敛时间单位秒。从图5中可以看出，在同一种态势下，量子遗传算法比LM方法能够更好的优化目标运动模型。

如图2和图3所示为本实施例中建立的目标运动参数模型。如图6所示为本实施例中设定的实验参数。如图4(a)、图4(b)、图4(c)所示分别为对初始时刻目标与观测方的距离、目标的真实速度和目标的真实航向的解算结果图，横坐标单位为秒(s)。本发明较LM算法有更短的收敛时间，收敛稳定性效果好，在实际的应用中可以更快的解算目标的参数估计值。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。