一种水下目标定位方法和装置

    公开(公告)号:CN119334360B

    公开(公告)日:2025-03-18

    申请号:CN202411908457.2

    申请日:2024-12-24

    Abstract: 本发明公开了一种水下目标定位方法和装置,包括:接收由布置在探测器上的多个传感器在多个快照时刻采集的测量数据,构建测量信号矩阵;利用多测量向量相关性的多目标电流信号提取算法,对接收到的所有目标在对应频率上的电流信号幅度矩阵进行迭代估计;将估计得到的多个目标的幅度矩阵依次输入到基于多尺寸一维卷积核的空间感知模型中进行非线性映射和特征表示,得到检测器的几何中心到各个目标物几何中心的距离值、两几何中心连线与探测器艏向的夹角值,实现水下目标物的定位。本发明通过优化的电极布置方案和先进的信号处理算法,能够在各种水质条件下有效工作,提高了水下探测的鲁棒性和精度。

    一种水下目标定位方法和装置

    公开(公告)号:CN119334360A

    公开(公告)日:2025-01-21

    申请号:CN202411908457.2

    申请日:2024-12-24

    Abstract: 本发明公开了一种水下目标定位方法和装置,包括:接收由布置在探测器上的多个传感器在多个快照时刻采集的测量数据,构建测量信号矩阵;利用多测量向量相关性的多目标电流信号提取算法,对接收到的所有目标在对应频率上的电流信号幅度矩阵进行迭代估计;将估计得到的多个目标的幅度矩阵依次输入到基于多尺寸一维卷积核的空间感知模型中进行非线性映射和特征表示,得到检测器的几何中心到各个目标物几何中心的距离值、两几何中心连线与探测器艏向的夹角值,实现水下目标物的定位。本发明通过优化的电极布置方案和先进的信号处理算法,能够在各种水质条件下有效工作,提高了水下探测的鲁棒性和精度。

    SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法

    公开(公告)号:CN111131097A

    公开(公告)日:2020-05-08

    申请号:CN201911372920.5

    申请日:2019-12-27

    Applicant: 浙江大学

    Abstract: 本发明公开了一种SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法,适用于快速时变、多普勒效应明显以及多径干扰严重的水声信道。本发明提出的分块稀疏贝叶斯算法用于信道估计特征在于充分利用MIMO水声信道的空间相关性、稀疏性以及信道的统计特性,构建信道块对角模型,每个子块描述对应信道的空间相关性,结合最大期望算法联合更新迭代估计信道系数、协方差以及噪声参数。在算法鲁棒性和计算复杂度上较之传统的贝叶斯学习算法表现更优,在估计精确度上比OMP及IPNLMS算法更好。

    一种水声modem通信定位一体化的逻辑控制方法

    公开(公告)号:CN116684004A

    公开(公告)日:2023-09-01

    申请号:CN202310325838.7

    申请日:2023-03-30

    Applicant: 浙江大学

    Abstract: 本发明公开了一种水声modem通信定位一体化的逻辑控制方法,发送端水声modem的主控模组读取定位模组中的数据,打包后和数据包数据依次经过通信模组、功率放大器、换能器,转换为水声信号后输出;接收端水声modem通过水听器阵列接收水声信号并经过模数转换器后,输入所述通信模组,对波形进行初步解调和校验,再发送给主控模组;主控模组将定位相关的数据发送给定位模组,通信相关的数据发送给通信模组,获得通信数据输出;定位模组得到发送端水声和接收端水声modem之间的相对位置数据,并将其作为定位数据输出。本发明在水声通信的过程中实现了定位功能,并避免了通信功能和定位功能的相互冲突,实现了水声Modem通信定位一体化。

    SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法

    公开(公告)号:CN111131097B

    公开(公告)日:2021-03-02

    申请号:CN201911372920.5

    申请日:2019-12-27

    Applicant: 浙江大学

    Abstract: 本发明公开了一种SC‑MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法,适用于快速时变、多普勒效应明显以及多径干扰严重的水声信道。本发明提出的分块稀疏贝叶斯算法用于信道估计特征在于充分利用MIMO水声信道的空间相关性、稀疏性以及信道的统计特性,构建信道块对角模型,每个子块描述对应信道的空间相关性,结合最大期望算法联合更新迭代估计信道系数、协方差以及噪声参数。在算法鲁棒性和计算复杂度上较之传统的贝叶斯学习算法表现更优,在估计精确度上比OMP及IPNLMS算法更好。

Patent Agency Ranking