CN105333988B - 一种人工侧线压力检测方法 - Google Patents
一种人工侧线压力检测方法 Download PDFInfo
- Publication number
- CN105333988B CN105333988B CN201510829736.4A CN201510829736A CN105333988B CN 105333988 B CN105333988 B CN 105333988B CN 201510829736 A CN201510829736 A CN 201510829736A CN 105333988 B CN105333988 B CN 105333988B
- Authority
- CN
- China
- Prior art keywords
- pressure
- underwater robot
- pressure sensor
- data
- neural network
- 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
- Manipulator (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种人工侧线压力检测方法,包括如下步骤:步骤10,选取流线型的水下机器人,利用仿真方式确定水下机器人的压力迹线;步骤20,沿所述压力迹线并绕轴线一圈阵列设置压力传感器;步骤30,将所述水下机器人置于不同水流状态下,利用各所述压力传感器获取当前状态下的压力数据,并上传至分析中心;步骤40,所述分析中心将所述压力数据导入神经网络辨识工具,训练出具备辨识能力的神经网络模型;步骤50,将获取的水下数据导入所述神经网络模型,即可确定所处位置的流场/运动状态。本发明利用MEMS技术开发出一套人工侧线系统,通过系统中传感器采集到的压力数据进行机器学习,实现开发水下机器人环境辨识的能力。
Description
技术领域
本发明涉及水下环境探索领域,特别是涉及一种利用人工侧线方式分析水下机器人当前所处位置的水流状态的检测方法。
背景技术
自主式水下机器人(AUV)通常借助声呐系统和视觉处理技术来探索水下环境或者完成水下相关作业。但是一些众所周知的缺陷限制了声呐和视觉系统的发展,比如声呐系统长时间的工作会增加水下机器人的耗电量,光学系统无法在阴暗、模糊的水域作业。因此,新式的水下导航机制亟待开发。
侧线是在鱼类和两栖动物身上发现的重要的水动力感知器官,它能够帮助鱼类侦测和处理各种水动力情况,使用侧线系统来进行水动力感知在鱼类行为中起着重要的作用。
在工程化仿生侧线感知系统方面,迄今为止的研究多是偏向于侧线系统的新材料或者是高精度小量程的传感器方向。大部分研究集中于多普勒振源的定位。多普勒振源定位误差也缩小到了3cm,为人工侧线系统应用于水下机器人导航定位打下了很好的基础。但是,对于周围流场压力变化如何影响水下机器人对流场进行识别的技术研究较少,殊不知水流模式识别对水下机器人的导航起着重要的作用。单一的振源定位只是对频率起到了响应,而水流信息不仅有频率信息,还包括着压力和速度信息。且包含频率信息的流场条件比较特殊,当无振源存在情况下,多普勒定位技术便会失效。然而任何情况下,压力信息实时存在。
发明内容
本发明的目的是提供一种通过机器学习的方式识别水下水流状态的方法。
特别地,本发明提供了一种人工侧线压力检测方法,包括如下步骤:
步骤10,选取流线型的水下机器人,利用仿真方式确定水下机器人的压力迹线;
步骤20,沿所述压力迹线并绕轴线一圈阵列设置压力传感器;
步骤30,将所述水下机器人置于不同水流状态下,利用各所述压力传感器获取当前状态下的压力数据,并上传至分析中心;
步骤40,所述分析中心将所述压力数据导入神经网络辨识工具,训练出具备辨识能力的神经网络模型;
步骤50,将获取的水下数据导入所述神经网络模型,即可确定所处位置的流场/运动状态。
进一步地,所述步骤30中的不同水流状态包括四种流速依次增加的水速状态。
进一步地,同一水流状态下,所述水下机器人包括静止、匀速和旋转三种行动状态。
进一步地,每一所述水速状态下同一时刻收集的各所述压力传感器获取的所有压力数据构成一组,并独立储存。
进一步地,所述水下机器人的压力迹线分别位于其轴线两侧的对称位置。
进一步地,沿所述水下机器人的压力迹线设置有分别安装每个所述压力传感器的凹坑。
进一步地,所述压力传感器沿所述压力迹线依次排列,且位于轴线两侧的所述压力传感器位置对称,两个所述压力传感器的间距以前一个所述压力传感器对水流造成的扰动不影响后一个所述压力传感器的检测为准。
进一步地,所述步骤40中,构成所述神经网络模型的数据,包括在不同流速下所述水下机器人不同行动状态时,各所述压力传感器接收的压力数据组构成的基础数据组,和由所述基础数据组中随机抽取的定量压力数据构成的学习数据组。
进一步地,每一所述基础数据组抽取的定量压力数据为其总数量的1/3~1/5。
进一步地,所述水下机器人内安装有接收各所述压力传感器的信息的单片机,和间隔地将所述单片机收集的数据上传至分析中心的无线发送模块。
本发明利用MEMS技术开发出一套人工侧线系统,通过系统中传感器采集到的压力数据进行机器学习,针对不同水流环境建立对应的数据库,然后通过神经网络方式进行机器学习,利用已有数据训练辨识模型,最终利用训练好的模型达到辨识不同水流环境的效果,实现开发水下机器人环境辨识的能力。
本发明利用一系列压力传感器组成的人工侧线系统进行流场压力识别,不依赖于固定频率振源存在等特殊条件,只是检测流场条件改变引起的压力场变化,简化了感知步骤,提高了辨识的效率同时也可以提高水下机器人的智能化,同时为导航提供数据支持。
附图说明
图1是根据本发明一个实施例的人工侧线压力检测方法流程示意图;
图2是根据本发明一个实施例的水下机器人结构示意图。
具体实施方式
如图1所示,本发明一个实施例的人工侧线压力检测方法一般性地包括如下步骤:
步骤10,选取流线型的水下机器人,利用仿真方式确定水下机器人的压力迹线;
流线型水下机器人1具备规则的几何外形和较好的水动力性能,方便压力数据的提取,也便于测量部件的规则排布。
因为不同外形的水下机器人1水下巡航时,体表的压力迹线分布不尽相同。本实施例的仿真是在水流具备一定流速及静止状态下,水下机器人1匀速前进时获取的数据进行仿真分析,而确定该水下机器人1压力迹线时,同时也参考了水下机器人1旋转状态下的参数。
根据流线型的水下机器人1仿真数据可以确定,在水下机器人1的中间舱体轴向对称面上有明显的迹线分界,且水下机器人1的上半部分的压力值要大于下半部分,因此可以确定该水下机器人1的压力迹线2位于其轴线两侧对称处。
步骤20,沿所述压力迹线并绕轴线一圈阵列设置压力传感器。
通过设置在压力迹线2处的压力传感器3,来模仿侧线系统的压力感应结构,本实施例选用代表性的流线型水下机器人1进行三维水动力仿真,可确定沿轴线两侧对称处压力迹线2分界最为明显,故将此处定为侧线系统压力传感器3排列的最理想位置。
为方便安装压力传感器3,可以沿水下机器人1的压力迹线2设置分别安装每个压力传感器3的凹坑。
根据水下机器人1的体型,在绝对理想的情况下,压力传感器3在横纵方向上布置的越密集,越有利于压力模型的提取,但受压力传感器3本身的体积及安装工艺等要求的影响,间隔太近后,两个压力传感器3会相互影响,从而导致获取的压力数据出现偏差。
在本实施例中,压力传感器3沿压力迹线依次间隔排列,而且位于水下机器人1轴线两侧的压力传感器3位置对称,相邻两个压力传感器3的间距以前一个压力传感器3对水流造成的扰动不影响后一个压力传感器3的检测为准。
安装压力传感器3的凹坑以及压力传感器本体,在水下机器人1处于迎面来流的情况下,每个凹坑处均会产生一个涡旋,所以当前一个涡旋趋于平稳后才可布置第二个压力传感器3。具体的间隔距离需要根据采用的压力传感器3的体积、功能以及水流速度确定。
在选用压力传感器3时首先要考虑的是压力传感器3的防水性,有防水的性能才保证人工侧线系统在水下正常工作。其次压力传感器3的精度对整个实验的影响很大,对侧线系统的感知能力也起着关键的作用。如果检测到的数据波动幅度不大,很难得出相应流场的概率模型。故选取的压力传感器3需要对微小压力变化极为敏感。再者是压力传感器3的体积大小,考虑水下机器人1模型大小和压力传感器3阵列密度,压力传感器3的体积过大会影响整体的感知精度。
本实施例选用的压力传感器3为防水型数字气压传感器模块CPS131,CPS131是一款将压阻式压力传感器和16位ADC(模数转换器)集成于一体的气压模块。该模块具有小体积(6.4*6.2*2.88mm)、高精度、宽温度范围、低功耗、稳定性好、防水等优点,模块工作电压从2.3V到5.5V的宽供电范围,内含时钟,在产品设计中更方便于客户使用。
产品分为SPI和I2C两种接口通信。CPS131在测量压力的同时还能够做为单独的温度测量,根据大气压与高度的关系,产品也可用于海拔高度和相对高度测量使用。
步骤30,将水下机器人置于不同水流状态下,利用各压力传感器获取当前状态下的压力数据,并上传至分析中心。
为了获取原始分析数据以形成基础数据库,则需要将水下机器人1以不同运行状态并置于不同水流状态下进行测试。在本实施例中,虽然仿真结果可以很好的反映出侧线系统对压力梯度的敏感程度,也较好体现出对流场参数的识别能力。但仿真结果普遍趋于理想化,在实际应用过程中都会有一定的困难。实际水流环境辨识过程中有很多不可控因素,比如微小障碍物的存在,小频率的振动,都会影响实际情况下辨识水流参数的精度。更有可能会得出与预期相反的结果。故通过离线数据存储后进行机器学习再提取相应的概率模型会更接近于实际应用。通过使用密集程度较高的压力传感器3阵列围绕水下机器人1包裹一圈,水流冲击到压力传感器3上会产生一个应力,进而应力作用在压力传感器3内的压敏电阻上,所以阻抗的变化可以轻松转换为电压,通过数模转换将压力数据提取出来。
在本实施例中,将水下机器人1置于流场中,使其感知不同的流速,收集迎面来流作用到水下机器人1两边的压力传感器3上的压力数据,为丰富压力数据,该流速可以设置多种水速,考虑实验条件和仿真条件,可以选择三、四种水速,如:0.1m/s,0.2m/s,0.4m/s,0.6m/s,每种情况需要采集等量的、足够压力数据进行存储。在其它的实施例中,也可以根据水下机器人1将要应用的水下环境,设定相应的水流速度。
此外,水下机器人1在同一流场中可以是静止状态,也可以是旋转状态或匀速前进状态,而各种状态下的压力数据都可以采集并上传。
水下机器人1感应的压力数据的获取及分析,需要在水下机器人1的内部安装单片机和无线通讯模块,水下机器人1置于水流场内后,各独立的压力传感器3同时提取水动力信息,如当不同水流流经压力传感器3旁时,每个单独的压力传感器3提取到的压力数据整合至单片机形成一组基础数据组,然后通过无线模块传输至上位机进行存储,上位机针对不同流场的情况将各压力数据进行分类存储,作为离线学习的基础数据库。
本实施例中的单片机选用STM32最小系统核心板,CPU频率72MHz,定时器8个,SPI接口3个,IIC接口2个。IO接口112个。单片机中每个VDD和VSS之间均接入100μF电容,以确保工作稳定。由于STM32微控器集成了两个IIC接口,支持多主机多从机功能。所以可支持整个通讯系统具有时序、协议、仲裁和定时能力。本实施例的通讯协议采用IIC通讯方式,IIC总线是PHLIPS公司推出的一种串行总线,是具备多主机系统所需的包括总线裁决和高低速器件同步功能的高性能串行总线。在压力传感器3设置时,需要考虑到IIC通讯协议传输距离。
步骤40,所述分析中心将所述压力数据导入神经网络辨识工具,训练出具备辨识能力的神经网络模型;
机器学习是研究如何利用经验来改善控制系统自身性能的一种方式,机器学习的主要方式可划分为有监督学习和无监督学习两类方式,而两类学习方式又包含了许多不同的算法,如集群算法、分类算法、回归算法等,而上述每个算法又包括多个具体的学习方式。
传统的模式识别数据处理方法有支持向量机法和神经网络法。这两种方式都需要训练样本是完整的。一个完整的训练样本需要正确和错误的模式同时存在,分类器需要把训练样本中错误的模式识别出来。当新的数据样本拿来时,需要包含原数据的一些样本来重新训练分类器。
这些数据训练方式需要系统必须存储所有的训练样本,且训练时间需要随着训练样本的增加而快速增长。针对每种不同的工况,需要足够多的数据进行训练和测试。
就神经网络方法被研究这么多年以来,多层感知器(前馈反向传播)结构是神经网络中最常用的一类。一个前馈多层感知网络由一个输入层(提供模式输出)和一个或多个隐藏层组成。在预测阶段,每个压力传感器获取的压力特征矢量被提供给输入层,随后这些特征向量会反馈到隐藏层。隐藏层的前馈激活会产生输出层的激活。这种网络拓扑结构是对神经网络法有着显著的影响,是其重要的特点之一。一个具有三层的神经网络系统(一隐藏层)能够高精度的近似于任何有限的非线性函数。相比具有一个以上隐藏层的神经网络系统可以避免不必要的多余计算。但是为了达到最高精度的辨识,隐藏层的个数需要进行对比,然后选择最佳的状态。
分析中心保存的压力数据,包括不同水速下的多组基础数据组,各组基础数据组分类保存,在建立神经网络模型时,从每类基础数据组中分别随机抽取同样数量的基础数据组组成训练神经网络,以供机器学习。例如,在本实施例中,建立四种水速的标签,然后每个标签下有160组基础数据组,再从每个标签下随机抽出50组左右的基础数据组构成学习数据。在学习数据中,有70%用来训练,15%用来测试,剩下15%用来验证。为了达到一个较高精度的辨识,隐藏层数需要提前进行对比。对于动流场情况来说,20层隐藏层可以实现最高精度的辨识,经过测试,辨识精度最高可达98.7%。
对于水下机器人1运动情况的机器辨识学习,基础数据被分为三类进行离线学习。第一种是水下机器人1旋转运动,第二种是水下机器人1静止状态,第三种是水下机器人1直线巡航状态。具体操作可以是:定义三类标签,每组标签300组基础数据。从三类基础数据中随机提取若干基础数据组成120组学习数据。经过MATLAB神经网络辨识工具进行网络训练,同上,取70%用来训练,15%用来测试,剩下15%用来验证。训练后的神经网络辨识精度可以达到89.2%。
步骤50,将获取的水下数据导入所述神经网络模型,即可确定所处位置的流场/运动状态。
完成机器学习后,安装该神经网络模型的水下机器人1,即可根据当前位置处的水下压力数据,分析出当前环境下的水流流速,为水下导航提供支持。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (5)
1.一种人工侧线压力检测方法,其特征在于,包括如下步骤:
步骤10,选取流线型的水下机器人,利用仿真方式确定水下机器人的压力迹线;
步骤20,沿所述压力迹线并绕轴线一圈阵列设置压力传感器;
所述水下机器人的压力迹线分别位于其轴线两侧的对称位置,沿所述水下机器人的压力迹线设置有分别安装每个所述压力传感器的凹坑,所述压力传感器沿所述压力迹线依次排列,且位于轴线两侧的所述压力传感器位置对称,两个所述压力传感器的间距以前一个所述压力传感器对水流造成的扰动不影响后一个所述压力传感器的检测为准;
步骤30,将所述水下机器人置于不同水流状态下,利用各所述压力传感器获取当前状态下的压力数据,并上传至分析中心;
步骤40,所述分析中心将所述压力数据导入神经网络辨识工具,训练出具备辨识能力的神经网络模型,构成所述神经网络模型的数据,包括在不同流速下所述水下机器人不同行动状态时,各所述压力传感器接收的压力数据组构成的基础数据组,和由所述基础数据组中随机抽取的定量压力数据构成的学习数据组,每一所述基础数据组抽取的定量压力数据为其总数量的1/3~1/5 ;
步骤50,将获取的水下数据导入所述神经网络模型,即可确定所处位置的流场/运动状态。
2.根据权利要求1所述的人工侧线压力检测方法,其特征在于,
所述步骤30中的不同水流状态包括四种流速依次增加的水速状态。
3.根据权利要求2所述的人工侧线压力检测方法,其特征在于,
同一水流状态下,所述水下机器人包括静止、匀速和旋转三种行动状态。
4.根据权利要求2所述的人工侧线压力检测方法,其特征在于,
每一所述水速状态下同一时刻收集的各所述压力传感器获取的所有压力数据构成一组,并独立储存。
5.根据权利要求1所述的人工侧线压力检测方法,其特征在于,
所述水下机器人内安装有接收各所述压力传感器的信息的单片机,和间隔地将所述单片机收集的数据上传至分析中心的无线发送模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510829736.4A CN105333988B (zh) | 2015-11-25 | 2015-11-25 | 一种人工侧线压力检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510829736.4A CN105333988B (zh) | 2015-11-25 | 2015-11-25 | 一种人工侧线压力检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105333988A CN105333988A (zh) | 2016-02-17 |
CN105333988B true CN105333988B (zh) | 2018-06-29 |
Family
ID=55284641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510829736.4A Active CN105333988B (zh) | 2015-11-25 | 2015-11-25 | 一种人工侧线压力检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105333988B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375903A (zh) * | 2019-07-17 | 2019-10-25 | 西湖大学 | 一种水下清洗盘转矩及转速测试装置及测量方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928572A (zh) * | 2016-04-27 | 2016-09-07 | 扬州大学 | 一种含金属芯压电纤维的水流测量装置 |
CN106989758A (zh) * | 2017-05-24 | 2017-07-28 | 北京大学 | 基于人工侧线系统的邻近水下机器人近距离感知方法 |
CN107145105A (zh) * | 2017-05-24 | 2017-09-08 | 北京大学 | 一种基于压强传感器阵列的人工侧线系统 |
CN108256418B (zh) * | 2017-12-01 | 2022-01-21 | 轩辕智驾科技(深圳)有限公司 | 一种基于红外成像的行人预警方法及系统 |
CN108267296A (zh) * | 2018-01-04 | 2018-07-10 | 马峰 | 研究水下障碍流场干扰效应的实验装置及方法 |
CN108304810B (zh) * | 2018-02-07 | 2021-05-28 | 西安交通大学 | 基于神经网络的水下仿生侧线水压与水流场信息探测方法 |
CN109781095B (zh) * | 2019-01-25 | 2020-10-27 | 北京理工大学 | 一种基于压力分布预测水下航行体运动轨迹的方法 |
CN110119671B (zh) * | 2019-03-26 | 2022-10-04 | 中国海洋大学 | 基于人工侧线可视化图像的水下感知方法 |
CN110657838B (zh) * | 2019-10-10 | 2020-09-01 | 北京航空航天大学 | 一种动压流速复合传感器 |
CN112147712B (zh) * | 2020-09-28 | 2021-10-01 | 中国海洋大学 | 一种水下振动源探测装置及方法 |
CN112903179B (zh) * | 2021-01-21 | 2022-02-11 | 西安交通大学 | 一种高灵敏度仿生侧线水流水压感知阵列结构 |
CN112985516B (zh) * | 2021-05-08 | 2021-08-20 | 北京科技大学 | 一种基于人工侧线的水下履带装备状态感知系统 |
CN113255243B (zh) * | 2021-05-11 | 2022-07-01 | 苏州科技大学 | 基于人工侧线的仿生机器鱼近壁面流场识别方法及系统 |
CN113310517B (zh) * | 2021-05-25 | 2022-07-01 | 哈尔滨工程大学 | 基于水下仿生球形/半球形机器人群的广域水流感知方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101767642A (zh) * | 2010-02-11 | 2010-07-07 | 北京大学 | 一种水下仿生机器鱼 |
CN101854390A (zh) * | 2010-05-25 | 2010-10-06 | 上海交通大学 | 移动式水下观测网络模拟平台 |
CN201872930U (zh) * | 2010-11-05 | 2011-06-22 | 中国海洋大学 | 开架式自主水下机器人 |
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7644624B2 (en) * | 2004-06-04 | 2010-01-12 | The Board Of Trustees Of The University Of Illinois | Artificial lateral line |
-
2015
- 2015-11-25 CN CN201510829736.4A patent/CN105333988B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101767642A (zh) * | 2010-02-11 | 2010-07-07 | 北京大学 | 一种水下仿生机器鱼 |
CN101854390A (zh) * | 2010-05-25 | 2010-10-06 | 上海交通大学 | 移动式水下观测网络模拟平台 |
CN201872930U (zh) * | 2010-11-05 | 2011-06-22 | 中国海洋大学 | 开架式自主水下机器人 |
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
Non-Patent Citations (2)
Title |
---|
"机器鱼人工侧线系统的设计与环境感知研究";仲昆;《中国优秀硕士学位论文全文数据库信息科技辑》;20150131;正文第2-5章 * |
基于人工侧线系统的机器鱼游动模态感知研究;李渊等;《兵工自动化》;20150531;第34卷(第5期);全文 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375903A (zh) * | 2019-07-17 | 2019-10-25 | 西湖大学 | 一种水下清洗盘转矩及转速测试装置及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105333988A (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105333988B (zh) | 一种人工侧线压力检测方法 | |
CN205209685U (zh) | 一种人工侧线压力检测装置 | |
Kastens et al. | Spatial thinking in the geosciences and cognitive sciences: A cross-disciplinary look at the intersection of the two fields | |
CN109214107A (zh) | 一种船舶航行行为在线预测方法 | |
CN110211097A (zh) | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 | |
CN107018522A (zh) | 一种基于多信息融合的无人机地面基站的定位方法 | |
CN104200237A (zh) | 一种基于核化相关滤波高速自动多目标跟踪方法 | |
CN107451619A (zh) | 一种基于感知生成对抗网络的小目标检测方法 | |
CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
CN106156401A (zh) | 基于多组合分类器的数据驱动系统状态模型在线辨识方法 | |
CN108304810B (zh) | 基于神经网络的水下仿生侧线水压与水流场信息探测方法 | |
Shen et al. | Visual interpretation of recurrent neural network on multi-dimensional time-series forecast | |
CN103544392A (zh) | 基于深度学习的医学气体识别方法 | |
Liu et al. | A new bionic lateral line system applied to pitch motion parameters perception for autonomous underwater vehicles | |
CN108764122A (zh) | 一种基于深度学习的auv控制系统优化与故障监测方法 | |
CN111624586B (zh) | 基于特征提取和神经网络的水声目标测距方法 | |
Randeni P et al. | Determining the horizontal and vertical water velocity components of a turbulent water column using the motion response of an autonomous underwater vehicle | |
Williams et al. | Analysing coastal ocean model outputs using competitive-learning pattern recognition techniques | |
Rahman et al. | A microcontroller-based taste sensing system for the verification of Eurycoma longifolia | |
CN114722926A (zh) | 拖曳式传感器阵列中尺度涡时间序列图卷积聚类方法 | |
CN109190762A (zh) | 基于遗传算法编码的上肢姿态识别算法 | |
Fernandez et al. | Lateral-line inspired mems-array pressure sensing for passive underwater navigation | |
CN106872972A (zh) | 基于六维插值的临近空间目标电磁散射数据获取方法 | |
CN110119671A (zh) | 基于人工侧线可视化图像的水下感知方法 | |
Yang et al. | An empirical study of fault diagnosis methods of a dissolved oxygen sensor based on ResNet-50 |
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 |