CN104268625B - 一种基于海洋环境信息的自主式水下潜器航迹预测方法 - Google Patents
一种基于海洋环境信息的自主式水下潜器航迹预测方法 Download PDFInfo
- Publication number
- CN104268625B CN104268625B CN201410525535.0A CN201410525535A CN104268625B CN 104268625 B CN104268625 B CN 104268625B CN 201410525535 A CN201410525535 A CN 201410525535A CN 104268625 B CN104268625 B CN 104268625B
- Authority
- CN
- China
- Prior art keywords
- auv
- data
- trajectory prediction
- input
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于海洋环境信息的自主式水下潜器航迹预测方法。实时采集AUV当前的航迹数据,将AUV当前的航迹数据输入到AUV航迹预测模型进行预测,得到AUV的预测航迹。AUV航迹预测模型进行预测的建立过程为:形成AUV航迹预测模型的训练样本;对输入数据主成分分析,得到简化的输入数据;确定计算参数,建立BP神经网络的AUV航迹预测模型;对得到的简化的输入数据进行BP神经网络训练,得到AUV航迹预测模型各层的权值和阈值。本发明将实测的AUV位置数据与海洋环境数据共同作为航迹预测模型的输入,使数据更加完善,从而提高航迹预测精度。
Description
技术领域
本发明属于自主式水下潜器航迹预测领域,尤其涉及一种基于海洋环境信息的自主式水下潜器航迹预测方法。
背景技术
自主式水下潜器(Autonomous Underwater Vehicle,简称AUV)是完成各种水下智能作业任务的重要工具,面对海洋开发事业的迅速发展和世界军事的迫切需求,AUV得到了长足的发展与广泛的应用。由于海洋环境复杂,为了使AUV在受到突发因素干扰时具备躲避有害物的能力,就需要其能够掌握当前航行态势、预知航行轨迹,而解决该问题最有效的方法就是进行航迹的预测。
航迹预测最早应用于航空领域,根据飞机状态、飞行员和管制员的意图、气象信息以及飞行器性能的计算机模型来对飞机的未来运动状态做出预测。在民用航空飞机领域,多应用飞行器建模的方式对航迹的预测。融合飞行器性能模型,大气环境模型,航路模型与飞行器状态后建立航迹预测数学模型对航迹进行预测。直升机航迹预测由于数据点较少,且不同个体受力情况差异较大,建立数学模型的方法不具有广泛的应用价值。直升机航迹预测多应用卡尔曼滤波、灰色预测模型方式。随着航运的大力发展,船舶航迹预测也得到了充分重视。船舶航迹预测方法可以分为两大类:建立船舶动力学模型,进行航迹模拟;基于BP神经网络、支持向量机等估计算法的无参数方法,Simsir等提出基于人工神经网络的船舶航迹预测,谭伟等提出神经网络结合遗传算法用于航迹预测,王艳锋等提出基于支持向量机算法的桥区水域失控船舶的航迹预测。
发明内容
本发明的目的是提供一种利用BP神经网络进行航迹预测,具有高预测精度的基于海洋环境信息的自主式水下潜器航迹预测方法。
本发明一种基于海洋环境信息的自主式水下潜器航迹预测方法,实时采集AUV当前的航迹数据,航迹数据包括AUV的经度、纬度、深度、航速和航向,以及潮流、潮汐和海流数据,将AUV当前的航迹数据输入到AUV航迹预测模型进行预测,得到AUV的预测航迹;所述的AUV航迹预测模型进行预测的建立过程为:
步骤一:形成AUV航迹预测模型的训练样本,训练样本中的输入数据为先验的AUV的经度、纬度、深度、航速和航向,以及潮流、潮汐和海流数据,输出数据为先验的AUV的经度、纬度和深度数据;
步骤二:对输入数据主成分分析,得到简化的输入数据;
步骤三:确定计算参数,建立BP神经网络的AUV航迹预测模型;
步骤四:对得到的简化的输入数据进行BP神经网络训练,得到AUV航迹预测模型各层的权值和阈值。
本发明一种基于海洋环境信息的自主式水下潜器航迹预测方法还可以包括:
1、输入数据对应的每个样本点包括的信息为:
其中,Hour,Min,Sec分别为样本点的时间,即时、分、秒,Lon,Lat,Depth分别为样本点的经度、纬度和深度,Course,Speed分别为样本点的自主式水下潜器的航向和航速,Course_OC,Speed_OC分别为样本点海流的流向和流速,Course_TI,Speed_TI分别为样本点潮流的流向和流速,Tide分别为该样本点的潮汐高度,
输出数据的每个样本点包括:
<Hour,Min,Sec,Lon,Lat,Depth>
其中,Hour,Min,Sec分别为输出样本点的时间,即时、分、秒;Lon,Lat,Depth分别为输入样本点的自主式水下潜器的经度、纬度和深度。
2、对输入数据主成分分析,得到简化的输入数据的过程为:
(1)建立原始数据矩阵
输入数据为经度、纬度、深度、AUV航速、AUV航向、海流流速与流向、潮流流速与流向和潮汐这10类200样本点数据,根据输入数据格式,建立输入数据原始矩阵,矩阵如下:
其中i=1…10,j=1…200,xij是样本数据点的数据值;
(2)对原始数据矩阵进行标准化处理;
输入的10类数据进行标准化处理的标准化数据Zij为:
其中是平均值δi是标准差
(3)根据标准化处理后的数据计算相关系数矩阵和矩阵特征值
相关系数矩阵R为:
其中rmn(m,n=1,2,…,10)是Xm与Xn的相关系数,且rmn=rnm,
根据相关系数矩阵得到特征值λi(i=1,2,…,10),其中对应每个特征值的单位特征向量为:
其中,p=10;
(4)根据特征值计算主成分贡献率和累计贡献率,得到简化的输入数据;
第i个主成分Fi(i=1,3,…,10)的贡献率为
前k个主成分的累计贡献率为
选择前k个指标变量作为k个主成分来代替原来的10类数据,即
3、BP神经网络的自主式水下潜器航迹预测模型中选择Sigmoid函数作为BP神经网络的转移函数,隐含层的层数为1层,隐含层节点数l为:
其中,m为输入层节点数,n为输出层节点数,a为0~10间任意常数,
BP神经网络的初始学习率选择在0.01~0.1之间,选择最大迭代次数为1000,原始模型精度要求为0.00001。
四、对得到的简化的输入数据进行BP神经网络训练的过程为:
a:初始化输入层与隐含层间权值wij,隐含层与输出层间权值vjk;
b:输入学习样本,学习样本为经过主成分分析后的简化的输入数据xi的三类数据;
c:根据学习样本计算BP神经网络实际输出,
隐含层各神经元输出hi:
输出层各神经元输出yk:
d:计算输出误差,将误差反传,修改权值;
输出误差εk:
εk=tk-yk
其中,tk为期望输出,yk为网络实际输出,
将误差反传,得到修改后的输入层与隐含层间权值Δwij,隐含层与输出层间权值Δvjk
其中,η为学习率;
e:判断输出误差εk是否满足允许范围,如果满足,则保存修改后的权值,学习成功,进行步骤g;如果不满足,重复步骤b~e,并且训练次数加1;
f:判断训练次数是否超过最大训练次数,如果超过,则学习失败,进行步骤g;如果不超过,重复步骤b~f;
g:学习过程结束。
有益效果:
(1)将实测的AUV位置数据与对AUV航迹影响较大的海洋环境数据共同作为航迹预测模型的输入,使数据更加完善、预测模型学习更加充分,从而提高航迹预测精度。
(2)利用BP神经网络预测模型代替运动学模型进行AUV航迹预测,避免了复杂的建模和解算过程,同时利用神经网络对海洋环境及AUV航行态势的学习与储存功能,可以实现对AUV航迹的准确预测。
(3)将主成分分析法与BP神经网络相结合,利用主成分分析法转化输入样本,减少了BP神经网络输入节点个数、降低了模型复杂度、加快了模型训练速度,同时又保证了数据信息的完善,使预测更为真实可靠。
由于海洋环境对AUV运行影响极大且复杂多变随机性强,建立动力学模型对航迹进行预测难于实施且误差较大,而人工神经网络作为人工神经元互联而成的网络系统,具有通过样本学习存储经验知识并对后续数据进行预测的特性,在预测方面可以很好的代替动力学模型,避免传统算法中复杂的建模过程。在神经网络的研究中,BP神经网络是目前应用最为广泛、发展最为成熟的一种人工神经网络,具有高效性、实用性、鲁棒性、智能性和准确性高等优势,其独有的误差反向传播的训练方式成功解决人工神经网络隐层连接权值无法调整的问题,并且BP网络模型能够自学习并存储从输入到输出的映射关系。BP神经网络预测对于AUV在水下航迹预测中存在的多变量、强耦合、干扰复杂等问题具有明显优势,因此,本发明通过建立BP神经网络预测模型对AUV航迹进行预测。此外由于AUV体积较小,在水下作业过程中很容易受到海洋环境的影响,且海洋环境复杂多变、影响AUV运行的环境因素众多,这对AUV航迹预测带来很大困难。本发明提出一种基于海洋环境信息的自主式水下潜器航迹预测方法,将海洋环境数据与AUV位置及控制数据共同作为BP神经网络预测模型的输入样本,从而完善了先验知识,使预测具有较高的精度。
附图说明
图1:基于海洋环境信息的AUV航迹预测流程图,
图2:基于海洋环境信息的AUV航迹预测模型结构图,
图3:BP神经网络学习流程。
具体实施方式
下面将结合附图1~附图3对本发明做进一步详细说明。
本发明提出一种基于海洋环境信息的自主式水下潜器航迹预测方法。与传统的应用建立运动学或动力学方程进行航迹预测的方法相比,本发明的显著特征在于:首先利用先验数据对BP神经网络预测模型进行训练,应用训练成功的模型进行航迹预测,解决了由于AUV水下运动随机性大而导致的建立动力学方程复杂且难以解算的问题。另外,本发明应用海洋环境数据与AUV位置及控制数据共同作为BP神经网络预测模型的输入样本,使BP神经网络学习更加充分,从而提高了预测模型对AUV航迹的预测精度。因此,相对于传统的航迹预测方法,本发明提出的方法更有实际应用价值。
本发明提供一种基于BP神经网络AUV航迹预测方法,具体包括以下几个步骤:
步骤一:确定输入输出数据及样本点个数,建立基于BP神经网络的AUV航迹预测模型,
步骤二:航迹预测输入数据主成分分析与建模,
步骤三:BP神经网络建立,
步骤四:BP神经网络训练,
步骤五:利用模型进行预测,得到AUV预测航迹。
本发明所述的水下潜航器航迹预测方法以BP神经网络作为预测算法,执行流程如图1所示。下面将对本发明作进一步的详细说明。
本发明提出的一种基于海洋环境信息的水下潜航器航迹预测方法,具体包括以下几个步骤:
步骤一:确定输入输出数据及样本点个数,建立基于BP神经网络的AUV航迹预测模型。
航迹预测的目的是根据AUV的历史航迹来预测其未来一段时间内的航行路线。而AUV在水下航行过程中不可避免要受到周围海洋环境要素的影响,其中海流、潮流、潮汐对其航迹的影响最大。因此,为了提高航迹预测的精度,将上述三种海洋环境要素信息加入预测模型输入数据中。在本专利中,航迹预测的输入数据为AUV的经度、纬度和深度数据,AUV航速、航向角,以及潮流、潮汐和海流数据。输出数据为AUV的经度、纬度和深度3类数据。数据选择原则如下:
(1)海洋环境数据
AUV体积较小,在水下航行时容易受到海洋环境的影响。其中对AUV航迹影响最大的海洋环境要素是海流、潮流和潮汐三类数据,海流与潮流主要影响航迹中的经度与纬度,潮汐影响航行深度。因此,将这三种环境数据作为预测模型输入数据。
在AUV航迹预测中,选择先验数据点过多会增加预测时间,数据过少又达不到预测精度。经过反复实验,150左右的样本数量已经可以让BP神经网络基本学习到AUV的航行态势与海洋环境变化趋势。因此,本专利选择AUV在水下运动时连续的201个航迹点作为样本点。本专利应用输入数据预测输出数据,选取前200个样本点作为输入数据,后200个样本点为输出数据。每个输入数据样本点包含相同时间采集到的AUV位置数据、控制数据和海洋环境数据。每个输出数据样本点为输入样本点后一时刻的AUV位置数据。
预测输入数据为:
其中,Hour,Min,Sec分别代表该样本点的时间,即时、分、秒;Lon,Lat,Depth代表该样本点的经度、纬度和深度,单位分别是度、度、米;Course,Speed代表该样本点的AUV的航向和航速,单位分别是度、节;Course_OC,Speed_OC代表该样本点海流的流向和流速,单位分别是度和节;Course_TI,Speed_TI代表样本点潮流的流向和流速,单位分别为度、节;Tide代表该样本点的潮汐高度,单位是厘米。
预测模型输出数据为:
<Hour,Min,Sec,Lon,Lat,Depth>
其中,Hour,Min,Sec分别代表输出样本点的时间,即时、分、秒;Lon,Lat,Depth代表输入样本点的AUV的经度、纬度和深度,单位分别是度、度、米。
(2)AUV位置数据
AUV运行在三维空间中,航迹是其运动位置数据的连线。对AUV航迹的预测实质上是通过实测先验数据对后续位置数据的预测,因此,将AUV的先验位置数据作为预测模型的输入数据,AUV的后续位置数据则是预测模型的输出。AUV位置数据是实测数据,具体包括经度、纬度和深度,单位均为度,上述信息由AUV携带导航设备实测得到。
(3)AUV控制数据
在水下运行时,AUV具有自主控制能力,可以根据实际情况调整航速和航向。为了使AUV的航迹预测更准确,必须考虑AUV自身动力情况。因此,将AUV的控制数据即航速和航向角,单位分别为节和度,作为预测模型的输入数据类型。航速和航向由AUV携带导航设备实测得到。
本专利采用BP神经网络作为航迹预测算法,根据前面确定的航迹预测输入、输出数据,结合BP神经可以建立如图2所示的AUV航迹预测模型。
步骤二:对步骤一中确定的航迹预测输入数据进行主成分分析,以减少输入数据种类。主成分分析具体包括以下几个步骤:
步骤2.1建立原始数据矩阵
输入数据为经度、纬度、深度、AUV航速、AUV航向、海流流速与流向、潮流流速与流向和潮汐这10类200样本点数据,根据输入数据格式,建立输入数据原始矩阵,矩阵如下:
其中i=1…10,j=1…200。
步骤2.2数据标准化处理。
应用“Z-score标准化”分别对输入的10类数据进行标准化处理,使指标之间具有可比性,消除原始数据指标量纲的影响。公式如下:
其中Zij是标准化数据,xij是原始数据,在本专利中xij是样本数据点的数据值,是平均值δi是标准差
步骤2.3计算相关系数矩阵和矩阵特征值。
根据步骤2.1中标准化处理后的数据,计算相关系数矩阵R
其中rmn(m,n=1,2,…,10)是Xm与Xn的相关系数,且rmn=rnm,其计算公式为:
解矩阵R的特征方程|λI-R|=0(其中I是10×10阶单位矩阵),求出10个特征值,并按从大到小的顺序排列:λ1≥λ2≥…≥λ10≥0。然后分别求出对应于每个特征值λi(i=1,2,…,10)的单位特征向量,即:
其中p=10。
步骤2.4计算主成分贡献率和累计贡献率
计算特征值λi(i=1,2,…,10)的贡献率与累计贡献率。
第i个主成分Fi(i=1,3,…,10)的贡献率为
前k个主成分的累计贡献率为
主成分的贡献率越大,说明该主成分综合信息的能力就越强。累计贡献率能达到90%以上的前k个主成分基本上能够包含全部测量指标所具备的信息,因此选择前k个指标变量作为k个主成分来代替原来的10个指标变量,即
步骤三:确定参数,建立BP神经网络,为步骤四预测模型训练做准备。具体包括以下步骤:
步骤3.1选择转移函数
选择Sigmoid作为BP神经网络的转移函数。Sigmoid是光滑可微的函数,在分类时比线性函数更精确,容错性更好,它将输入映射到(0,1)区间内,具有非线性放大的功能。Sigmoid函数数学表达式为其中x的范围包含整个实数域,函数值在0~1之间。
步骤3.2数据归一化
将主成分分析后的输入数据归一化处理,消除量纲影响,并使数据处于Sigmoid高增益区域。值域变化灵敏,神经网络的学习收敛加快。归一化采用“最大-最小值标准化”,处理后的数据分布在(0,1)内,公式如下:
其中Xij是标准化数据,xij是原始数据。
步骤3.3选择隐含层数
由于单隐层即可以实现本发明的应用,又不增加模型的复杂度,因此本专利隐层数选择为1层。
步骤3.4隐含层神经元个数选择
隐层节点数根据BP神经网络学习速度进行调整。选择区间可以参考如下公式获得:
其中,m为输入层节点数,n为输出层节点数,l为隐层节点数,a为0~10间任意常数,本专利选择a为5,因此隐含层节点数为8。
步骤3.5学习算法选择
采用学习率自适应算法作为BP神经网络的学习算法。
步骤3.6学习参数确定
学习参数包括初始学习率、最大迭代次数和原始模型的精度。初始学习率选择在0.01~0.1之间,避免学习率太大进入局部最小值或学习率太小训练时间过长。最大迭代次数是限定神经网络学习的最高次数,如果超过该次数网络仍不能收敛则结束训练,网络学习失败,选取1000作为学习最大迭代次数。原始模型的精度要求由其预测目标限定,选择0.00001作为预测目标,使预测模型具有较高的训练精度。
步骤四:对主成分分析后的输入数据进行BP神经网络训练。
BP神经网络学习由信号的正向传播与误差信号的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各误差单元的误差信号,此误差信号即作为修正各单元权值的依据。信号的正向传播与误差反向传播的各层权值调整过程,是周而复始进行的。权值不断调整的过程就是网络的学习训练过程,此过程一直进行到网络输出误差减小到可接受的程度。如果进行到预先设定的学习次数仍不能达到误差范围,则结束训练且训练失败。具体训练流程如图3所示。具体步骤如下:
步骤4.1:初始化输入层与隐层间权值wij、隐层与输出层间权值vjk,权值为取值范围(0~1)的随机数;
步骤4.2:输入学习样本;
将经度、纬度、深度、AUV航速、AUV航向、海流流速与流向、潮流流速与流向和潮汐这10类200样本点数据主成分分析后的三类数据作为BP神经网络的输入数据xi。
步骤4.3:计算BP网络实际输出,隐层各神经元输出为hi,输出层各神经元输出为yk;
l=8为隐含层节点数
步骤4.4:用期望输出tk和网络实际输出yk计算误差;
εk=tk-yk
步骤4.5:误差反传,修改各层权值。η为学习率,根据步骤3.5定义η=0.005;
步骤4.6:判断步骤4.4中确定的误差是否达到允许范围,是则学习成功,保存权值,否则更新训练次数,继续进行训练;
步骤4.7:判断是否超过最大训练次数,是则训练失败结束训练,否则返回步骤4.2。
步骤五:利用模型进行预测,得到AUV预测航迹。
首先将步骤一中选取的10类输入数据按照步骤二的主成分分析法去除数据冗余,然后根据步骤三建立BP神经网络,将处理后的样本数据输入神经网络,并依据步骤四进行训练,保存训练成功的航迹预测模型,最后将AUV的当前位置输入该航迹预测模型,该模型即可输出预测值,进而完成AUV航迹预测。需要说明的是200个样本点训练出的BP神经网络可以准确预测后续100个点航迹。如果要进行长期远距离预测需要增加样本点数量,或者更新样本数据重新训练预测模型,进而完成后续预测。
Claims (4)
1.一种基于海洋环境信息的自主式水下潜器航迹预测方法,其特征在于:实时采集AUV当前的航迹数据,航迹数据包括AUV的经度、纬度、深度、航速和航向,以及潮流、潮汐和海流数据,将AUV当前的航迹数据输入到AUV航迹预测模型进行预测,得到AUV的预测航迹;所述的AUV航迹预测模型进行预测的建立过程为:
步骤一:形成AUV航迹预测模型的训练样本,训练样本中的输入数据为先验的AUV的经度、纬度、深度、航速和航向,以及潮流、潮汐和海流数据,输出数据为先验的AUV的经度、纬度和深度数据;
步骤二:对输入数据主成分分析,得到简化的输入数据;
步骤三:确定计算参数,建立BP神经网络的AUV航迹预测模型;
步骤四:对得到的简化的输入数据进行BP神经网络训练,得到AUV航迹预测模型各层的权值和阈值;
所述的对输入数据主成分分析,得到简化的输入数据的过程为:
(1)建立原始数据矩阵
输入数据为经度、纬度、深度、AUV航速、AUV航向、海流流速与流向、潮流流速与流向和潮汐这10类200样本点数据,根据输入数据格式,建立输入数据原始矩阵,矩阵如下:
其中i=1…10,j=1…200,xij是样本数据点的数据值;
(2)对原始数据矩阵进行标准化处理;
输入的10类数据进行标准化处理的标准化数据Zij为:
其中是平均值δi是标准差
(3)根据标准化处理后的数据计算相关系数矩阵和矩阵特征值
相关系数矩阵R为:
其中rmn(m,n=1,2,…,10)是Xm与Xn的相关系数,且rmn=rnm,
根据相关系数矩阵得到特征值λi(i=1,2,…,10),其中对应每个特征值的单位特征向量为:
其中,p=10;
(4)根据特征值计算主成分贡献率和累计贡献率,得到简化的输入数据;
第i个主成分Fi(i=1,3,…,10)的贡献率为
前k个主成分的累计贡献率为
选择前k个指标变量作为k个主成分来代替原来的10类数据,即
2.根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法,其特征在于:输入数据对应的每个样本点包括的信息为:
其中,Hour,Min,Sec分别为样本点的时间,即时、分、秒,Lon,Lat,Depth分别为样本点的经度、纬度和深度,Course,Speed分别为样本点的自主式水下潜器的航向和航速,Course_OC,Speed_OC分别为样本点海流的流向和流速,Course_TI,Speed_TI分别为样本点潮流的流向和流速,Tide分别为该样本点的潮汐高度,
输出数据的每个样本点包括:
<Hour,Min,Sec,Lon,Lat,Depth>
其中,Hour,Min,Sec分别为输出样本点的时间,即时、分、秒;Lon,Lat,Depth分别为输入样本点的自主式水下潜器的经度、纬度和深度。
3.根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法,其特征在于:所述的BP神经网络的自主式水下潜器航迹预测模型中选择Sigmoid函数作为BP神经网络的转移函数,隐含层的层数为1层,隐含层节点数l为:
其中,m为输入层节点数,n为输出层节点数,a为0~10间任意常数,
BP神经网络的初始学习率选择在0.01~0.1之间,选择最大迭代次数为1000,原始模型精度要求为0.00001。
4.根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法,其特征在于:所述的对得到的简化的输入数据进行BP神经网络训练的过程为:
a:初始化输入层与隐含层间权值wij,隐含层与输出层间权值vjk;
b:输入学习样本,学习样本为经过主成分分析后的简化的输入数据xi的三类数据;
c:根据学习样本计算BP神经网络实际输出,
隐含层各神经元输出hi:
输出层各神经元输出yk:
d:计算输出误差,将误差反传,修改权值;
输出误差εk:
εk=tk-yk
其中,tk为期望输出,yk为网络实际输出,
将误差反传,得到修改后的输入层与隐含层间权值Δwij,隐含层与输出层间权值Δvjk
其中,η为学习率;
e:判断输出误差εk是否满足允许范围,如果满足,则保存修改后的权值,学习成功,进行步骤g;如果不满足,重复步骤b~e,并且训练次数加1;
f:判断训练次数是否超过最大训练次数,如果超过,则学习失败,进行步骤g;如果不超过,重复步骤b~f;
g:学习过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410525535.0A CN104268625B (zh) | 2014-10-09 | 2014-10-09 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410525535.0A CN104268625B (zh) | 2014-10-09 | 2014-10-09 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268625A CN104268625A (zh) | 2015-01-07 |
CN104268625B true CN104268625B (zh) | 2017-06-20 |
Family
ID=52160145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410525535.0A Active CN104268625B (zh) | 2014-10-09 | 2014-10-09 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268625B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242536A (zh) * | 2015-09-22 | 2016-01-13 | 天津大学 | 基于bp神经网络的无人机驾驶路线航点标定方法 |
CN105722030B (zh) * | 2016-02-03 | 2018-11-20 | 电子科技大学 | 一种dtn网络中节点位置预测方法 |
CN105511480B (zh) * | 2016-02-25 | 2018-03-06 | 哈尔滨工程大学 | 一种基于人工蜂群优化的模型预测的欠驱动uuv深度控制方法 |
CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
CN106204681A (zh) * | 2016-07-28 | 2016-12-07 | 中国电子科技集团公司第二十八研究所 | 一种空间坐标系下的高精度航迹点显示与控制方法 |
EP3340001A1 (en) * | 2016-12-20 | 2018-06-27 | Bayerische Motoren Werke Aktiengesellschaft | Device for measuring the influence of a sensor signal of a vehicle |
CN107330440B (zh) * | 2017-05-17 | 2020-08-14 | 天津大学 | 基于图像识别的海洋状态计算方法 |
CN108494521B (zh) * | 2018-03-23 | 2020-07-17 | 青岛中邦防务智能装备有限公司 | 一种基于无人机干扰的敌对无人船捕获方法与系统 |
CN108536157A (zh) * | 2018-05-22 | 2018-09-14 | 上海迈陆海洋科技发展有限公司 | 一种智能水下机器人及其系统、物标跟踪方法 |
CN110057353B (zh) * | 2019-03-20 | 2023-03-14 | 西安电子科技大学 | 一种基于通信信号辅助下的中断航迹关联的方法 |
CN109901403B (zh) * | 2019-04-08 | 2022-07-29 | 哈尔滨工程大学 | 一种自主水下机器人神经网络s面控制方法 |
CN110906933B (zh) * | 2019-11-06 | 2021-10-22 | 中国海洋大学 | 一种基于深度神经网络的auv辅助导航方法 |
CN110954108A (zh) * | 2019-12-04 | 2020-04-03 | 宁波羽声海洋科技有限公司 | 一种基于海流的水下匹配导航定位方法、装置及电子设备 |
CN111307158B (zh) * | 2020-03-19 | 2022-11-18 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
CN111581832B (zh) * | 2020-05-12 | 2023-01-03 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
CN111982117B (zh) * | 2020-08-17 | 2022-05-10 | 电子科技大学 | 一种基于深度学习的auv光学引导与测向方法 |
CN113657021A (zh) * | 2021-07-15 | 2021-11-16 | 交通运输部水运科学研究所 | 一种基于bp神经网络的海洋测量周期评定方法 |
CN113627104B (zh) * | 2021-08-12 | 2024-02-06 | 北京中安智能信息科技有限公司 | 多约束条件下的水下潜艇航迹模拟方法和装置及设备 |
CN114840928B (zh) * | 2022-05-07 | 2023-04-18 | 西北工业大学 | 一种基于深度学习的水下航行器集群运动仿真方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408772A (zh) * | 2008-11-21 | 2009-04-15 | 哈尔滨工程大学 | Auv智能避碰装置及避碰方法 |
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
-
2014
- 2014-10-09 CN CN201410525535.0A patent/CN104268625B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408772A (zh) * | 2008-11-21 | 2009-04-15 | 哈尔滨工程大学 | Auv智能避碰装置及避碰方法 |
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Non-Patent Citations (1)
Title |
---|
基于BP 神经网络的船舶航迹实时预测;徐婷婷 等;《大连海事大学学报》;20120229;第38卷(第1期);第9-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104268625A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268625B (zh) | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 | |
Chen et al. | A knowledge-free path planning approach for smart ships based on reinforcement learning | |
CN109540151B (zh) | 一种基于强化学习的auv三维路径规划方法 | |
CN111351488B (zh) | 飞行器智能轨迹重构再入制导方法 | |
Zhang et al. | Ship motion attitude prediction based on an adaptive dynamic particle swarm optimization algorithm and bidirectional LSTM neural network | |
CA3067573A1 (en) | Target tracking systems and methods for uuv | |
Lermusiaux et al. | Optimal planning and sampling predictions for autonomous and Lagrangian platforms and sensors in the northern Arabian Sea | |
CN110362089A (zh) | 一种基于深度强化学习和遗传算法的无人船自主导航的方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN107346138A (zh) | 一种基于增强学习算法的无人船侧向控制方法 | |
CN109765929A (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
CN113534668B (zh) | 基于最大熵的演员-评论家框架的auv运动规划方法 | |
CN105352496A (zh) | 基于声呐辅助自主导航的auv导航方法 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN113033118B (zh) | 一种基于示范数据强化学习技术的水下航行器自主上浮控制方法 | |
Lan et al. | Path planning for underwater gliders in time-varying ocean current using deep reinforcement learning | |
Wang et al. | Path-following optimal control of autonomous underwater vehicle based on deep reinforcement learning | |
Yan et al. | Real-world learning control for autonomous exploration of a biomimetic robotic shark | |
CN106896724A (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
My et al. | An Artificial Neural Networks (ANN) Approach for 3 Degrees of Freedom Motion Controlling | |
Qiu et al. | Development of hybrid neural network and current forecasting model based dead reckoning method for accurate prediction of underwater glider position | |
CN113934159A (zh) | 一种无人船可靠性测试环境模型构建方法 | |
CN109615063B (zh) | 一种基于bp神经网络的潜艇抗沉辅助决策系统 | |
CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
CN115258093B (zh) | 一种欠驱商船自主靠离泊测试方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |