一种基于IDE-BP神经网络的实时水声定位方法

一种基于ide-bp神经网络的实时水声定位方法
技术领域
1.本发明涉及定位技术领域，尤其是涉及一种基于ide-bp神经网络的实时水声定位方法。


背景技术：

2.无线传感器网络(wireless sensor networks,wsns)广泛用于军事和民用应用中，例如交通控制和环境监测。wsn中的多目标定位是必不可少的，因为收集的数据通常只有在地理参考时才有意义。然而，在动态水下无线传感器网络(underwater wireless sensor networks,uwsns)中，准确的多目标定位是困难的。基于射频、gps和光学信号的传统定位技术不适用于水下环境。在本发明中，海面浮标节点和已知位置的水下锚节点随机部署在uwsn中，节点间利用声信号进行通信。岸基收集来自这些节点的信息，并将其传输到基站中心。利用这些信息可确定未知目标节点的位置。然而，路径损耗与吸收损耗的混合使得基站中心实现实时而准确的定位变得困难。
3.已经有关于uwsn中定位的研究。这些研究主要分为基于测距的或非测距的方法。基于测距的方法使用接收信号强度(received signal strength,rss)、接收信号强度差(received signal strength difference,rssd)、到达时间(time of arrival,toa)和到达角度(angle of arrival,aoa)等信号测量值来估计目标位置。相反地，基于非测距的方法主要采用跳数和传感器密度等参数，并且不考虑信号测量，因此估计精度通常不如基于测距的方法。因此，基于测距的方法通常用于定位应用程序。在基于测距的方法中，基于rss和rssd的技术因其实现简单和低成本而广受欢迎，但大多数应用是地面传感器网络定位。一些学者提出了一种基于矩阵分解的方法，它提供了良好的定位精度。还考虑了基于最小平方相对误差的方法并利用半定松弛解决的非凸问题。针对非高斯环境中存在故障节点的情况提出了一种鲁棒的容错定位方案。采用了具有对立和重定向的差异进化(differential evolution with opposition and redirection,deor)来处理同质和非同质环境。
4.相比之下，使用rss和rssd测量在uwsn中定位受到的研究关注要少得多，因为由于路径损耗和声学信号损耗(例如几何损耗和吸收损耗)的存在，它更具挑战性。这些损耗会显著降低定位精度并使许多基于rss的方案效果不佳。因此，研究人员探索了各种方法来减轻它们的影响。他们开发了一种鲁棒的的非协同定位算法(robust,non-cooperative localization algorithm,rnla)，以使用二分法提高准确性。考虑了最小-最大策略，以限制由于在浅水中吸收引起的衰减。并提出了一种两阶段鲁棒方法来联合估计位置和发射功率。该方法结合了内点法和主要化-最小化(interior point method and majorization-minimization,ipm-mm)以使用初始ipm解搜索最优解。然而，糟糕的初始解决方案会降低定位性能。因此，还提出了一种加权最小二乘法技术，用于将原始问题转换为已知和未知发射功率条件下的广义信赖域子问题。但是，所采用的近似值会影响定位性能。
5.水下声信道非常动态，这使得数据链路不可靠。因此，很难为水下环境开发强大的
基于rss的定位技术。大多数方法的数据速率都非常低，例如10khz至100khz。更高的速率需要更高的传输频率，但这会增加吸收损耗。路径损耗和吸收损耗会对性能产生不利影响，减轻这些损耗对实时uwsn定位性能的影响是一项具有挑战性的任务。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于ide-bp神经网络的实时水声定位方法，实现路径损耗和吸收损耗均存在情况下在动态水下无线传感器网络中提供鲁棒的定位，同时提高了神经网络的收敛速度。
7.本发明的目的可以通过以下技术方案来实现：
8.本发明提供了一种基于ide-bp神经网络的实时水声定位方法，包括如下步骤：
9.获取水声数据，使用训练好的bp神经网络进行水下的多目标定位，
10.其中，所述的训练好的bp神经网络的获取包括如下步骤：
11.通过构建基于非凸rss的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集；
12.构建bp神经网络，基于差分进化算法获取所述bp神经网络的初始网络参数，使用所述训练样本集对所述bp神经网络进行训练，获取所述训练好的bp神经网络。
13.作为优选的技术方案，所述的声学定位模型包括多个锚节点以及多个未知目标节点，且所述锚节点的位置及数量与现实场景中水声传感器的位置及数量相匹配。
14.作为优选的技术方案，所述的训练样本集的获取过程包括如下步骤：
15.基于所述声学定位模型中各个锚节点和各个未知目标节点间的距离，获取考虑路径损耗、吸收偏置和测量噪声后的，各个锚节点和各个未知目标节点间的接收信号强度值；
16.基于所述接收信号强度值，获取目标位置估计信息；
17.基于所述接收信号强度值和所述目标位置估计信息，获取所述训练样本集。
18.作为优选的技术方案，所述的目标位置估计信息的获取包括如下步骤：
19.基于各个锚节点和各个未知目标节点间的接收信号强度值，获取各个未知目标节点的观测向量的概率密度函数，通过最大化所述概率密度函数得到未知目标节点位置的最大似然估计。
20.作为优选的技术方案，所述的接收信号强度值采用下式获取：
[0021][0022]
其中，p
ij
为对于目标节点j，锚节点i处接收的信号强度值，d0是参考距离，p0是距离为d0时的发射功率，γ为路径损耗指数，ni是测量噪声，表示吸收偏置，为目标节点j与锚节点i之间的距离。
[0023]
作为优选的技术方案，所述的目标位置估计信息为：
[0024]
[0025]
其中，为uj的最大似然估计，p
ij
为对于目标节点j，锚节点i处接收的信号强度值，p0是距离为d0时的发射功率，d0是参考距离，表示吸收偏置，γ为路径损耗指数，为目标节点j与锚节点i之间的距离，为测量噪声的方差。
[0026]
作为优选的技术方案，基于差分进化算法获取所述bp神经网络的初始网络参数的过程包括如下步骤：
[0027]
确定网络参数的解空间，基于反向学习生成l个正向向量和l个反向向量并选择适应度最低的l个候选者作为初始种群；
[0028]
基于自适应变异策略，从当前的备选种群中生成变异种群，通过对备选种群和变异种群进行交配，获取具有新个体的交叉种群，针对交叉种群中位于所述解空间之外的个体进行调整使其处在解空间内，从调整后的交叉种群中选取具有最小适应度值的个体组成新的备选种群，多次重复本步骤，直至达到预设的迭代次数或迭代前和迭代后的备选种群的差异小于预设值后，获取所述bp神经网络的初始网络参数。
[0029]
作为优选的技术方案，所述的初始网络参数包括bp神经网络的权值和偏置。
[0030]
作为优选的技术方案，所述的bp神经网络包括顺次连接的输入层、隐藏层和输出层。
[0031]
作为优选的技术方案，所述的水声数据为接收信号强度差数据。
[0032]
与现有技术相比，本发明具有以下优点：
[0033]
(1)实现路径损耗和吸收损耗均存在情况下在动态水下无线传感器网络中提供鲁棒的定位：本方法采用ide算法结合bp神经网络解决了基于rss的多目标水声定位问题，通过构建基于非凸rss的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集，采用基于差分进化算法获取bp神经网络的初始网络参数，使用训练样本集对所述bp神经网络进行训练，获取训练好的bp神经网络，最后使用训练好的bp神经网络模型进行定位，通过构建考虑了路径损耗和吸收损耗的声学定位模型，实现路径损耗和吸收损耗均存在情况下在动态水下无线传感器网络中提供鲁棒的定位。
[0034]
(2)神经网络的收敛速度快，训练效果好：基于反向学习用于获得鲁棒的种群以搜索全局最优值，采用的自适应变异策略来改进了全局搜索和收敛性，采用改进的差分进化(improved differential evolution,ide)算法获得初始网络参数，基于反向学习(opposition-based learning,ol)理论获得鲁棒种群以搜索全局最优值，并采用自适应变异策略来改进全局搜索和收敛性，提高了神经网络的收敛速度，提高了训练效果，克服了由于bp网络参数通常根据经验获得容易导致梯度消失或爆炸，从而导致性能不佳和收敛速度变慢的问题。
[0035]
(3)定位精度高，计算速度快：就实时uwsn定位精度而言，将所提出的方法rrtl与非常规方法(即deor)和常规方法(即wls、rnla、rss-sdp和ipm-mm)进行比较，获得的结果表明，rrtl算法提供了比其他方法更好的定位精度，此外，它在计算时间方面与wls相当，并且比其他方法好得多，这对于实时实现很重要。
附图说明
[0036]
图1为实施例1中基于ide-bp神经网络的实时水声定位方法的流程图；
[0037]
图2为水下无线传感器网络(uwsn)定位系统的结构示意图；
[0038]
图3为吸收系数αf与频率f的关系示意图；
[0039]
图4为bp网络结构示意图；
[0040]
图5为声学定位模型中一种随机节点部署的方式；
[0041]
图6为现有方法的rmse和crlb与吸收系数αf的关系示意图，
[0042]
图7为时间随γ，αf，sl，n的变化关系示意图。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0044]
实施例1
[0045]
如图1所述，本实施例提供了一种基于ide-bp神经网络的实时水声定位方法，实现路径损耗和吸收损耗均存在情况下在uwsn中提供鲁棒的定位，方法包括如下步骤：
[0046]
步骤s1，构建基于非凸rss的声学定位问题：通过构建基于非凸rss的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集。
[0047]
步骤s2，构建bp神经网络，基于差分进化算法获取bp神经网络的初始网络参数，使用训练样本集对bp神经网络进行训练，获取训练好的bp神经网络。
[0048]
采用改进的差分进化(improved differential evolution,ide)算法获得优化参数。基于反向学习(opposition-based learning,ol)理论获得鲁棒种群以搜索全局最优值，并采用自适应变异策略来改进全局搜索和收敛性。利用优化参数训练误差反向传播(backpropagation,bp)神经网络，并利用训练好的网络实时预测水声多目标位置。
[0049]
步骤s3，获取水声数据，使用训练好的bp神经网络进行水声定位。
[0050]
考虑定位精度和计算时间，将所提出的方法rrtl与非传统方法(即deor)和传统方法(即wls、rnla、rss-sdp和ipm-mm)进行评估和比较。
[0051]
所述s1具体为：
[0052]
考虑一个3维(3-d)uwsn定位系统如图2所示。该系统具有已知n个锚节点和m个未知目标节点。令ai＝[a
i1
,a
i2
,a
i3
]
t
，i＝1,2,
…
,n,n＞4,表示锚节点坐标，u＝[u1,u2,...,um]
t
表示目标节点位置uj＝[u
j1
,u
j2
,u
j3
]
t
，j＝1,2,...,m,其中(
·
)
t
表示转置。目标节点j与锚节点i之间的距离为
[0053][0054]
其中，||
·
||表示l2范数。基于对数正态阴影，对于目标节点j，锚节点i处接收的rss可以建模为：
[0055][0056]
其中，d0是参考距离，p0是距离为d0时的发射功率，γ路径损耗指数，其范围为[1,
6]，ni是测量噪声，均值为0，方差为αf为吸收系数可通过thorp公式获得
[0057][0058]
其中，f是信号频率。αf和f之间的关系如图3所示。αf＝0代表陆地环境。
[0059]
令表示吸收偏置，则第i个锚节点与第j个目标节点之间的rss值可表示为：
[0060][0061]
观测向量的概率密度函数(probability density function,pdf)为：
[0062][0063]
最大化此pdf得到uj的最大似然估计为
[0064][0065]
所述s2具体为：rss测量值p
ij
和目标位置uj组合得到数据集，可以表示为
[0066]
t＝{p
ij
,uj},
ꢀꢀꢀꢀ
(7)
[0067]
其中，p
ij
的维度取决于锚节点数n，bp网络结构如图4所示。它包括一个有m(n+3)个神经元的输入层、一个隐藏层和一个有3m个神经元的输出层。网络参数即为这些层的权值和偏置。令隐藏层的神经元数量为b，然后，隐藏层第c个神经元，c＝1,2,...,b的输出可以表示为：
[0068][0069]
其中，f(
·
)是激活函数，w
ct
和θc为权值和偏置，o
t
是上一层的输出，t＝1,2,...,b。
[0070]
对于第j个目标节点，网络输出为
[0071][0072]
[0073][0074]
训练误差用于调整(8)和(9)中的权值和偏置可表示为
[0075][0076]
其中，m
t
为训练集大小，为第j个目标位置(u
j1
,u
j2
,u
j3
)的估计值。训练完的网络可表示为l(
·
)，然后可以使用经过训练的网络，利用新的rssd值估计m个新目标的位置
[0077][0078]
其中，
[0079]
2)ide算法
[0080]
bp网络参数通常根据经验获得，这可能导致非常小或非常大的参数。这可能会导致梯度消失或爆炸，从而导致性能不佳和收敛速度变慢。因此，提出了一种ide算法来获取网络参数。它采用初始化、变异、交叉、边界处理和选择来迭代生成种群。此外，ol结合自适应策略用于改进全局搜索和收敛性能。
[0081]
a)初始化：令bp网络参数(权重和偏差)的解空间为s＝{(s1,s2,...,sm):qk≤sk≤rk,k＝1,2,...,m}.l个向量可以通过(12)生成
[0082][0083]
其中，q
k rk和分别是下限和上限，k＝1,2,...,m，m是维度,μ
l
是随机数且μ
l
～u(0,1)。然后基于ol，反向向量被用来提高搜索能力和收敛性可得
[0084][0085]
在包括2l个个体的集合中，选择适应度最低的l个候选者作为初始种群，记为
[0086]
b)变异：在第g代中，利用自适应变异策略从当前种群生成变异种群考虑水声环境，这避免了使用单个算子的缺点，例如：收敛速度慢和收敛到局部最优。将自适应控制参数η＝|χ
mean
/χ
best-1|与阈值δ进行比较以确定所采用的策略，其中χ
mean
是所有个体目标函数值的平均值，χ
best
是最佳个体的目标函数值。每组策略包含两个的变异操作，由下式给出
[0087][0088]
[0089]
和
[0090][0091][0092]
其中，α∈[0,1]是比例因子，κ
best
表示中最佳的个体,且o1,o2,o3,o4,o5∈{1,2,...,l｝，o1≠o2≠o3≠o4≠o5。当η＞δ，(14a)和(14b)被用来产生变异种群，否则使用(15a)和(15b)。从(14a)和(14b)或(15a)和(15b)中的选择是基于参数β∈[0,1]。
[0093]
c)交叉：原始种群和变异种群的交配以交叉概率ψc∈[0,1]完成，以产生具有个体的新种群
[0094][0095]
其中，c
l
～u(0,1)。
[0096]
d)边界处理：超出搜索空间s边界的个体可能会导致问题的错误解。为了避免这种情况，搜索空间之外的个体利用(17)进行调整
[0097][0098]
其中，服从[0,1]上的均匀分布且
[0099][0100][0101]
其中，k＝1,2,...,m，且和分别是第g代个体的下界和上界。
[0102]
e)选择：在第(g+1)代中，从个体和的组合中选择具有最小适应度值的个体：
[0103][0104]
其中，l＝1,...,l。
[0105]
迭代步骤b)到e)直到达到最大生成代数g满足或η＜ξ。当前代数g
′
中最佳的个体则是最终选择：
[0106][0107]
所述s3具体为：本发明所对比的传统算法主要包括wls、rnla、deor、rss-sdp和ipm-mm。如表1所示。
[0108]
表1和本发明对比的算法
[0109]
算法描述wls加权最小二乘法rnla鲁棒的非协同定位算法deor反向与重定向差分进化算法rss-sdp半正定规划法ipm-mm内点法和优化-最小化算法rrtl本发明的方法
[0110]
所提出的算法可以更好地减轻吸收偏差的影响并提供实时准确定位。传统方法中，rss-sdp虽然准确率高，但复杂的矩阵运算导致实时性低。wls是一种简单的方法，因此实时性高。但受吸收偏差影响较大，精度较低。rnla和ipm-mm方法基于ls近似，因此它们无法在准确性和实时性能之间提供良好的折衷。deor采用进化准则来实现更好的权衡，精度不如rrtl。
[0111]
本发明具体的实施过程如下：
[0112]
考虑一个3-d uwsn的定位区域为sl
×
sl
×
sl，锚点和未知目标节点位置随机分布，如图5所示。训练集和测试集中的目标数量分别为m
t
和mg，其rss值是利用(4)获得的。将rrtl方法的性能与wls、rnla、deor、rss-sdp和ipm-mm方法以及crlb进行了比较。该网络采用自组织路由协议，不需要预先建立的设施或中央节点。它以6khz的频率和1kbps的数据速率运行。所有仿真都是在2.8ghz intel core i5处理器和12gb内存的笔记本电脑上使用matlab2019a进行的。性能指标是均方根误差(root mean square error，rmse)，定义为
[0113][0114]
其中，是目标ui的估计值。
[0115]
图6给出了六种方法的目标估计的rmse和crlb与αf的关系，γ＝4，σ2＝3db，sl＝80m和n＝12。值得说明地，此系数范围大于实际uwsn中的预期范围。理论上，根据(4)，αf的增加会导致吸收衰减的增加。这反映在随着αf的增加，rmse变差，特别是wls、rnla、rss-sdp和ipm-mm。相反地，当αf从0.02db/m增加到0.18db/m导致rrtl和deor的rmse略有下降，且rrtl最接近crlb。因此，所提出的方法比其他算法更能抵抗吸收效应。例如：当αf＝0.1db/m，相比于deor，ipm-mm，rss-sdp，wls，和rnla，rrtl性能分别提升了55.6％，57.6％，62.8％，80.4％，和89.2％。
[0116]
计算时间是实时定位的关键因素。图7中的(a)显示了计算时间随变化，其γ＝4,αf＝0.05db/m，sl＝80m，且n＝12，图7中的(b)显示了计算时间随γ变化，其σ2＝3db，αf＝0.05db/m，sl＝80m，且n＝12，图7中的(c)显示了计算时间随αf变化，其γ＝4，σ2＝3db，sl＝80m，且n＝12,图7中的(d)显示了计算时间随sl变化，其σ2＝3db，γ＝4，αf＝0.05db/m，且n＝12,图7中的(e)显示了计算时间随n变化，其σ2＝3db,γ＝4，αf＝0.05db/m，且sl＝80m。结果表明wls的计算时间最少，rrtl次之。此外，rss-sdp搜索全局解的计算时间较长，因此不是一种实用的方法。deor的性能在计算时间和定位误差方面都很好，但比rrtl差。因此，同时考虑定位精度和实时性能，所提出的rrtl方法是最佳选择，其计算时间约为3.5
×
10-4
s，略高于wls。
[0117]
本方法采用基于反向学习来获得强大的种群并利用自适应变异策略来改进全局搜索和收敛。利用ide获取优化后的网络参数来训练bp神经网络，并利用训练好的网络来获得目多目标预测信息。采用ide算法结合bp神经网络解决了基于rss的多目标水声定位问题。基于反向学习用于获得鲁棒的种群以搜索全局最优值，采用的自适应变异策略来改进了全局搜索和收敛性。就实时uwsn定位精度而言，将所提出的方法rrtl与非常规方法(即deor)和常规方法(即wls、rnla、rss-sdp和ipm-mm)进行比较。获得的结果表明，rrtl算法提供了比其他方法更好的定位精度。此外，它在计算时间方面与wls相当，并且比其他方法好得多，这对于实时实现很重要。
[0118]
实施例2
[0119]
本实施例提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于ide-bp神经网络的实时水声定位方法的指令。
[0120]
实施例3
[0121]
本实施例提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于ide-bp神经网络的实时水声定位方法的指令。
[0122]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于ide-bp神经网络的实时水声定位方法，其特征在于，包括如下步骤：获取水声数据，使用训练好的bp神经网络进行水下的多目标定位，其中，所述的训练好的bp神经网络的获取包括如下步骤：通过构建基于非凸rss的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集；构建bp神经网络，基于差分进化算法获取所述bp神经网络的初始网络参数，使用所述训练样本集对所述bp神经网络进行训练，获取所述训练好的bp神经网络。2.根据权利要求1所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的声学定位模型包括多个锚节点以及多个未知目标节点，且所述锚节点的位置及数量与现实场景中水声传感器的位置及数量相匹配。3.根据权利要求1所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的训练样本集的获取过程包括如下步骤：基于所述声学定位模型中各个锚节点和各个未知目标节点间的距离，获取考虑路径损耗、吸收偏置和测量噪声后的，各个锚节点和各个未知目标节点间的接收信号强度值；基于所述接收信号强度值，获取目标位置估计信息；基于所述接收信号强度值和所述目标位置估计信息，获取所述训练样本集。4.根据权利要求3所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的目标位置估计信息的获取包括如下步骤：基于各个锚节点和各个未知目标节点间的接收信号强度值，获取各个未知目标节点的观测向量的概率密度函数，通过最大化所述概率密度函数得到未知目标节点位置的最大似然估计。5.根据权利要求3所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的接收信号强度值采用下式获取：其中，p
ij
为对于目标节点j，锚节点i处接收的信号强度值，d0是参考距离，p0是距离为d0时的发射功率，γ为路径损耗指数，n
i
是测量噪声，表示吸收偏置，为目标节点j与锚节点i之间的距离。6.根据权利要求3所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的目标位置估计信息为：其中，为u
j
的最大似然估计，p
ij
为对于目标节点j，锚节点i处接收的信号强度值，p0是距离为d0时的发射功率，d0是参考距离，表示吸收偏置，γ为路径损耗指数，为目标节点j与锚节点i之间的距离，为测量噪声的方差。
7.根据权利要求1所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，基于差分进化算法获取所述bp神经网络的初始网络参数的过程包括如下步骤：确定网络参数的解空间，基于反向学习生成l个正向向量和l个反向向量并选择适应度最低的l个候选者作为初始种群；基于自适应变异策略，从当前的备选种群中生成变异种群，通过对备选种群和变异种群进行交配，获取具有新个体的交叉种群，针对交叉种群中位于所述解空间之外的个体进行调整使其处在解空间内，从调整后的交叉种群中选取具有最小适应度值的个体组成新的备选种群，多次重复本步骤，直至达到预设的迭代次数或迭代前和迭代后的备选种群的差异小于预设值后，获取所述bp神经网络的初始网络参数。8.根据权利要求1所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的初始网络参数包括bp神经网络的权值和偏置。9.根据权利要求1所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的bp神经网络包括顺次连接的输入层、隐藏层和输出层。10.根据权利要求1所述的一种基于ide-bp神经网络的实时水声定位方法，其特征在于，所述的水声数据为接收信号强度差数据。

技术总结
本发明涉及一种基于IDE-BP神经网络的实时水声定位方法，包括如下步骤：通过构建基于非凸RSS的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集；构建BP神经网络，基于差分进化算法获取所述BP神经网络的初始网络参数，使用所述训练样本集对所述BP神经网络进行训练，获取训练好的BP神经网络；获取水声数据，使用所述训练好的BP神经网络进行水声定位。与现有技术相比，本发明采用IDE算法结合BP神经网络解决了基于RSS的多目标水声定位问题，具有精度高、速度快的优点。速度快的优点。速度快的优点。


技术研发人员：吴华锋 张媛媛 王维军 鲜江枫 梁立年 张倩楠
受保护的技术使用者：上海海事大学
技术研发日：2023.03.27
技术公布日：2023/7/20