买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】一种基于蚁群与L-M混合算法的磁性运动目标定位方法_西北工业大学_202110013677.9 

申请/专利权人:西北工业大学

申请日:2021-01-06

公开(公告)日:2024-04-26

公开(公告)号:CN112836784B

主分类号:G06F30/27

分类号:G06F30/27;G06N3/006;G01S5/16

优先权:

专利状态码:有效-授权

法律状态:2024.04.26#授权;2021.06.11#实质审查的生效;2021.05.25#公开

摘要:本发明公开了一种基于蚁群与L‑M混合算法的磁性运动目标定位方法,包括:将磁性运动目标等效为磁偶极子阵列,建立磁偶极子阵列模型,并确定磁性运动目标在测量点处产生的磁场、磁性运动目标的磁矩、磁性运动目标与测量点之间位置关系的磁性运动目标关系式;当磁性运动目标匀速运动、磁性运动目标磁矩为不变量时,已知磁性运动目标在测量点处产生的磁场,对磁性运动目标关系式做最小二乘优化可以确定关于磁性运动目标位置的非线性方程;在初始状态未知的情况下,利用蚁群优化算法与L‑M法相结合的混合算法求解磁性运动目标的位置,即先用蚁群算法获得初始粗略解,然后再利用L‑M法获得最优解,从而实现了磁性目标的准确定位。

主权项:1.一种基于蚁群与L-M混合算法的磁性运动目标定位方法,其特征在于,包括:利用单个三分量磁通门传感器建立接收磁场平台,采集磁性运动目标通过接收磁场平台时产生的异常磁场数据;将磁性运动目标等效为磁偶极子阵列,根据磁性运动目标的尺寸,建立磁偶极子阵列模型,并确定磁性运动目标在测量点处产生的磁场、磁性运动目标的磁矩、磁性运动目标与测量点之间位置关系的磁性运动目标关系式;当磁性运动目标匀速运动时,将磁性运动目标磁矩视为不变量,已知测量点处接收到的磁场,对磁性运动目标关系式做最小二乘优化,确定关于磁性运动目标位置的非线性方程;结合异常磁场数据,对磁性运动目标位置的非线性方程采用蚁群优化算法求解,获得磁性运动目标位置的粗略解;将粗略解作为初始值,对磁性运动目标位置的非线性方程采用Levernberg-Marquardt算法求解,确定磁性运动目标位置的精确解;所述异常磁场数据为:磁性运动目标通过接收磁场平台时的磁场数据,减去磁性运动目标通过接收磁场平台前的稳定地磁场数据;确定所述磁性运动目标关系式,具体包括:以磁性运动目标中心为原点建立坐标系,X轴方向为磁性运动目标纵向,Z轴竖直向下;用一列平均分布在X轴上的磁偶极子阵列来拟合磁性运动目标,其中磁偶极子的个数为N,磁偶极子线列阵中心位于原点,磁偶极子的三个方向上的磁矩分别为Mxi,Myi,Mzi,i=1,2,3,···N,则由第i个磁偶极子在测量点处Px,y,z产生的磁场为: 其中,ri是第i个磁偶极子到测量点的距离,xi,yi,zi是第i个磁偶极子的坐标位置;则磁偶极子阵列在测量点Px,y,z处产生的磁场为: 所述确定关于磁性运动目标位置的非线性方程,具体包括:在测量点布放磁通门传感器,磁通门坐标轴的Z'轴竖直向下,X'轴与目标航向,即X轴向的夹角为α;假设磁性运动目标沿X方向做匀速直线运动,速度为v,采样间隔为DT,则磁通门传感器第j次的输出H'xj,H'yj,H'zj与磁性运动目标磁场Hxj,Hyj,Hzj的关系为: 其中,-π≤α≤π,对于拥有固定运动方向的磁性运动目标来说,参数α是固定值;当磁性运动目标从测量点通过时,磁通门采样m次,得m组三分量磁性运动目标磁场数据如下: 利用m点采样数据,建立模型的线性方程组:H=FM其中,M=Mx1,Mx2,···,MxN,My1,My2,···,MyN,Mz1,Mz2,···,MzNTH=Hx1,Hx2,···,Hxm,Hy1,Hy2,···,Hym,Hz1,Hz2,···,HzmT 磁性运动目标位置的非线性方程如下: 其中,F是关于磁性运动目标位置的系数矩阵,M为磁场模型参数,H为磁性运动目标磁场,磁性运动目标函数E是定位参数x,y,z,α的非线性函数;所述蚁群优化算法,包括:根据待求解的参数个数,对蚁群种群进行大小设置、迭代次数设置,由非线性方程确定的磁性运动目标函数E来初始化信息素;所述蚁群优化算法是一个迭代算法,在每一次迭代中执行如下操作:一群蚂蚁同步或异步地在非线性优化问题的相邻状态之间移动,利用关联在每个状态中的信息素和启发信息,采用状态转移规则选择移动方向,逐步构造出问题的可行解;在每只蚂蚁构造解时,局部地更新信息素;在所有蚂蚁都完成解的构造之后,依据获得的解对信息素进行全局更新;迭代过程持续到停止条件被满足为止;其中,常用的停止条件有最大运行时间或允许构造解的最大数目;所述Levernberg-Marquardt算法,包括:xk+1=xk-[JTxkJxk+μkI]-1JTxkvxk当μk增加时,Levernberg-Marquardt算法接近于小的学习速度的最速下降法: 当μk下降到0时,Levernberg-Marquardt算法变成了高斯-牛顿法,并且Fx=vTxvx。

全文数据:

权利要求:

百度查询: 西北工业大学 一种基于蚁群与L-M混合算法的磁性运动目标定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。