基于传感器偏差估计与分类的水下被动声纳融合检测：提升复杂海洋环境中的目标定位精度与鲁棒性

　　本文提出了一种创新的偏差估计-分类-融合定位（BECFL）算法，通过整合最大似然估计（MLE）、改进期望最大化（EM）分类和变步长自适应加权融合，有效解决了水下被动声纳因传感器偏差和环境干扰导致的定位不准问题。该算法在显著偏差、数据丢失和误报漏报等极端条件下仍保持高精度与强鲁棒性，为复杂海洋环境下的目标探测提供了系统级解决方案。

　　

Highlight

• •

  • 构建了涵盖传感器偏差、信道效应及水下环境动态随机过程偏差的水下被动声纳检测建模框架。

• •

  • 基于多传感器观测提出统一似然函数，推导出传感器偏差的闭式最大似然估计量，实现动态随机偏差的精确估计与校正。

• •

  • 针对被动声纳网络改进EM算法，结合新型变步长加权融合策略形成BECFL算法，高效集成偏差估计与分类。

• •

  • 通过仿真与实海实验验证了所提算法在显著传感器偏差、数据丢失、误报和漏检条件下的鲁棒性及定位精度提升，证实了数据融合策略的有效性。

Motion Target and Angle Estimation Model

假设每个目标遵循近恒定速度模型[29][30]，目标在二维笛卡尔坐标系中的状态向量定义为：

x = [x(k) y(k) v_x(k) v_y(k)]^T

其中x(k)和y(k)表示目标位置，v_x(k)和v_y(k)表示目标速度。根据[29]中的建模准则，运动模型进一步定义为：

x(k+1) = F(k)x(k) + w(k)

其中状态转移矩阵F(k)表示为：

F(k)=[1 0 T 0; 0 1 0 T; 0 0 1 0; 0 0 0 1]

T为采样间隔，w(k)为过程噪声。

Dynamic Random Bias Estimation Based on Likelihood Function

假设多声纳监视区域内存在Q组被动声纳传感器，每组包含2个传感器，总计2Q个传感器。在给定时间段T内，假设时间段间相互独立，T被划分为n个互独立区间，满足T = nK且n≥2。对于每个时间段K（k=1,2,?,K），传感器对(i,j)的目标位置估计定义为非线性伪测量向量z_b^ij(k)。基于所有传感器对的观测，构建统一似然函数，并通过最大似然估计（MLE）导出传感器偏差的闭式估计量，实现动态随机偏差的精确估计。

Generation of Sonar Scenes

模型使用20个被动传感器模拟目标定位场景。除非另有说明，10个传感器的角度测量误差服从标准差σ_θ1=0.10 rad的正态分布，其余10个传感器的测量误差标准差为σ_θ2=0.05 rad。这些误差代表被动声纳固有的角度测量误差，与随机传感器偏差不同。如图4所示，传感器随机部署于监视区域内，目标按恒定速度模型运动，模拟真实海洋环境下的检测场景。

Measured Results

在实地实验中，同时使用无人水下航行器（UUV）和应答器（通过发射信号模拟被动目标）。当UUV改变其水下位置时，安装在固定节点上的发射换能器（如图13所示）发射被动探测信号以模拟目标辐射噪声。同时，UUV上的水听器接收信号，作为被动检测（即被动声纳模式）的接收器，验证所提算法在真实海洋环境下的性能。

Conclusions and Discussion

本文解决了多被动声纳系统中考虑传感器随机估计偏差的目标融合定位难题，提出了一种动态随机过程偏差建模方法，证明了其在高传感器噪声和偏差条件下的多传感器场景中的有效性。算法利用多传感器观测数据建立似然函数，并应用MLE推导传感器偏差估计量。随后采用改进的EM算法对传感器进行分类，基于估计偏差迭代优化分类参数。最后，采用变步长加权融合方法减小偏差对定位结果的影响，显著提升系统在数据丢失、误报和漏检情况下的鲁棒性和定位精度。仿真和实验结果均表明，BECFL算法优于现有方法，为复杂水下环境中的被动声纳探测与定位提供了实用解决方案。