CN107292039A - 一种基于小波聚类的uuv巡岸轮廓构建方法 - Google Patents
一种基于小波聚类的uuv巡岸轮廓构建方法 Download PDFInfo
- Publication number
- CN107292039A CN107292039A CN201710501661.6A CN201710501661A CN107292039A CN 107292039 A CN107292039 A CN 107292039A CN 201710501661 A CN201710501661 A CN 201710501661A CN 107292039 A CN107292039 A CN 107292039A
- Authority
- CN
- China
- Prior art keywords
- data
- uuv
- class
- point
- cluster
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于小波聚类的UUV巡岸轮廓构建方法,针对UUV的未知环境探测与同步巡岸控制中的环境轮廓构建问题,提出了一种改进的基于小波聚类的轮廓构建方法。该算法对原始障碍点数据进行局部小波聚类给出UUV在当前位置下视域内的孤立点备选集R和各个类的集合Ci,并通过全局聚类决策制订的一系列聚类策略对孤立点和类数据进行处理,使孤立点被剔除,得到了海岸轮廓的障碍点集,再通过该障碍点集利用Alpha‑Shapes的方法得出具体的海岸轮廓。本文模拟UUV巡岸过程中采集障碍点并加入噪声数据,将其作为原始数据进行仿真,算法快速准确地给出了海岸轮廓,证明了算法的有效性和可行性。
Description
技术领域
本发明涉及一种基于小波聚类的UUV巡岸轮廓构建方法,属于UUV未知环境探测领域。
背景技术
未知环境探测与同步巡岸控制问题(Simultaneous Detection and Patrolling,SDAP)是UUV探测未知环境中的重要应用,是指UUV利用声呐等传感器获得数据并完成环境轮廓的构建任务,同步地实现UUV巡岸控制。由于声纳数据是UUV自主决策的唯一依据,其准确性对UUV的航行安全及任务执行结果有着直接影响。但在UUV航行过程中,受声纳自身特点及环境干扰等因素的限制,声纳数据具有准确性差、可靠程度低等特点,导致声纳数据呈现弱观测的特点,如何能让UUV充分地观测环境,成为SDAP问题的关键。检测孤立点可以采用2种方案:将孤立点和正常数据进行分类或者进行聚类。分类过程需要先验知识的支持,必须利用训练样本进行建模,再根据模型对探测数据进行分类。聚类则是将包含数据的不同模式以非监督的方式划分到不同簇类,使簇内部对象彼此之间的相似度尽可能地大,不同簇类对象的相似度尽可能小,对于未知的轮廓构建问题,一般采用聚类算法。
聚类算法需要根据数据的积聚规则选取,对于SDAP问题中UUV侧扫声呐收集的数据,主要有如下几个特点:1、数据量大、数据需要多次聚类,UUV在巡岸过程中声呐不断检测到新的障碍点,每次更新后都需要再次聚类。2、聚类数据重复,每个控制节拍得到障碍物位置信息,都要在UUV视域内聚类,每次聚类都有大量与上次重复的数据。3、障碍物单一,SDAP问题是在UUV巡岸过程中提出的,因此障碍物多为海岸的轮廓线,这可以作为判断噪声的辅助手段。
针对巡岸轮廓构建中的数据特点,选择小波聚类作为聚类方法。小波聚类算法是一种基于网格和密度的聚类算法,具有以下优点:1、对数据对象的输入先后顺序不敏感、聚类的结果不受噪声影响、不需要关于类数量的先验知识、聚类速度非常快、能对大型数据集进行聚类;2、小波聚类算法是一种基于小波分析的网格聚类算法,所以它能够在不同精度上发现任意形状的类;3、小波聚类在特征空间上应用小波变换会产生多个分解层次,对每个分解层次能产生不同精度的簇集,而每次分解时应用的低通滤波器可以移除噪声,因此小波聚类能在聚类的同时除去噪声。因此小波聚类被广泛地应用在大数据集和高维度数据集的处理中。
本文提出应用于SDAP问题的改进的小波聚类算法。该算法在局部利用小波聚类对UUV视域内数据进行聚类,在整体上利用全局聚类决策对UUV巡岸数据聚类结果判断得到环境轮廓的簇,再用Alpha-Shapes算法画三角网,给出环境轮廓。
发明内容
本发明的目的是为了提供一种基于小波聚类的UUV巡岸轮廓构建方法,实现了除去UUV声呐数据中的噪声点的同时,把UUV巡岸路径中的障碍点聚类,将不同的障碍物区分开来,再根据所得的已知类构建出不规则的环境轮廓。参考输出的轮廓,UUV可以规划巡岸路径,完成探测未知环境的任务。
本发明的目的是这样实现的:步骤一:根据港口卫星图建立环境模型,建立UUV路径跟踪模型;
步骤二:根据环境模型规划UUV路径,设计UUV路径跟踪控制器并跟踪此路径,在跟踪的过程中通过声呐作用于环境模型得到原始数据,原始数据包括声纳数据和噪声数据;
且所述UUV路径跟踪控制器采用增益式的PID控制器,用两个独立的控制器分别控制UUV在水平面的推力τu和舵角τr;
步骤三:在全局应用全局聚类决策:
首先给出用于存放首次被聚类作为孤立点的数据的备选集R,即R={x|x的类属性不完全确定};再给出用于局部小波聚类时表述UUV附近环境的UUV视域,UUV视域是指以当前UUV位置为圆心、以预设的长度r为半径构成的圆;已知类和预设阈值关系为:
其中:k为数据个数,ρT为预设阈值,表征某一类包含数据的最小值,Ci为已知类;
则全局聚类决策包括:
第一:先获取当前视域的数据点并与备选集R作对比,是否有上一节拍视域中的数据点在本节拍的视域内消失:如果有,将这类点直接归类为孤立点,放入孤立点集;否则进行下一步;
第二:从原始数据中顺次取出视域内的所有原始数据点xi,检查当前视域内数据密度是否达到阈值ρT,如果没有到达,是由于处于探测初期,数据量太少,未形成任何已知类,无法判断xi数据是否是孤立点,则把xi点放入备选集R中,如果到达阈值,则对当前视域进行局部小波聚类,具体为:
(1)量化特征空间,划分网格:对于给定d维特征空间的每一维i,分成K个间隔,i=1,2,…,d,则原特征空间中将含有Kd个网格单元,将其划分到相应网格单元;计算每个网格单元的特征值,作为密度聚类算法一般以统计点数作为指标;K的值由下式获得:
其中:N是当前视域内障碍点的数量,d是维数;
(2)对特征空间的数据进行离散小波变换,选取各层高频分量进行阈值量化之后重构信号,根据数据特点和小波函数的性能,选择小波基函数,由所需的聚类精度确定分解尺度l,对每一维应用一次小波变换,di维数据需要进行d次小波变换;对于每个维度的小波变换,进行l层小波分解,对每层小波分解对应高频分量的小波系数进行阈值量化,然后重构信号;
(3)寻找连通单元并聚类:对于小波变换后的特征空间中的每个单元,根据提前定义好密度阈值MinPts,根据下式计算每个网格单元的函数值:
且函数值为1的是显著网格单元,函数值为0的是非显著网格单元,然后用深度优先遍历的方法将相连的显著网格单元识别为类;
(4)标签单元并构造查找表,显著网格单元中的同样的类数据做出标记,非显著网格单元中的数据为孤立点,孤立点放入备选集R中;转换后的特征网格空间和原特征网格空间一一映射,用类i序号标签小波变换后的特征空间中的每个类中的网格单元,根据数据的类标签即可判断出数据属于哪个类;
第三:检查备选集R中的数据,若其中存在小波聚类后的类数据点,则将他从备选集中删除,每次聚类完成用深度遍历的方法检查类的数据,若两个类的数据有连通分量,且则合并两个类,然后输出已知类集;
第四:检查第二和第三给出的备选集中是否有数据存在时间大于时间阈值tT:若有则将其放入孤立点集,和步骤1一起输出孤立点集;若没有则继续存在备选集中并输出备选集R;
第五:检查UUV是否走完全部路径:若没有完成则UUV继续跟踪路径并进行下一视域的聚类,若完成则对已知类集Ci有进一步处理;
步骤四:应用Alpha-Shapes算法从类集中提取轮廓,得出环境轮廓。
本发明还包括这样一些结构特征:
1.Alpha-Shapes算法具体为:
1)根据已知类集Ci建立Delaunay三角网,设置轮廓提取的参数α;
2)在三角网删除不符合Alpha-Shapes要求的三角形:
首先删除边长大于2α的三角形;然后删除边缘上不符合要求的三角形,对两个需要判断的边界点a和b,以这两点的连线ab为弦,α为半径做扇形,如果在弦下方的弓形内有其他点,则删除该三角形。
3)删除所有不符合Alpha-Shapes要求的三角形后所得到的三角网的边缘即为类集Ci的轮廓。
与现有技术相比,本发明的有益效果是:包括局部小波聚类、全局聚类决策和基于Alpha-Shapes算法的环境轮廓构建三个环节,针对巡岸过程中UUV得到声呐数据的数据特点,在局部采用小波聚类的方法,使聚类算法更快更准确,在全局上使用全局聚类决策,使UUV在一些特殊的环境中也能准确地聚类出障碍物的簇,提高了聚类准确率,最后使用Alpha-Shapes算法的方法,能够把无序的、不规则的点集的轮廓提取出来,构建为直线段相连的轮廓。(1)提出一种全局聚类决策的方法,在小波聚类的基础上加以改进,使它应用于UUV探测位置环境中的环境轮廓构建问题中。(2)考虑到最终需要得到环境轮廓,应用Alpha-Shapes算法得到环境轮廓。
附图说明
图1是改进小波聚类流程图;
图2是环境模型图;
图3是规划路径和UUV路径跟踪图;
图4是原始数据图;
图5是原始数据局部放大图;
图6是局部小波聚类图;
图7是全局聚类结果图;
图8是构建环境轮廓图;
图9是构建环境轮廓局部放大图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明提出的一种基于小波聚类的UUV巡岸轮廓构建的方法。主体的算法流程如图1所示,具体包括以下几个步骤。(1)根据港口卫星图建立环境模型,建立UUV路径跟踪模型。
(2)根据环境模型规划UUV路径,设计UUV路径跟踪控制器跟踪此路径,过UUV位置点做直线模拟声呐声波,声波作用在环境轮廓上,得到的数据点集作为输入。
(3)在全局应用全局聚类决策。UUV在跟踪路径过程中每个节拍都进行全局聚类决策,全局聚类决策包含局部小波聚类,并以局部小波聚类的输出作为输入,判断备选集中数据的属性,给出孤立点集。在局部应用局部小波聚类。UUV在跟踪路径过程中每个节拍都进行局部小波聚类,输出类的数据,孤立点数据进入备选集。
(4)应用Alpha-Shapes算法。对于每个类的数据,应用Alpha-Shapes算法把不规则点集提取其轮廓,画出直线段相连的环境轮廓。
下面针对上述步骤进行详细说明:
步骤一:建立环境模型和UUV路径跟踪模型。
以卫星地图中某港口环境为案例,采用线段顺次相连的方法拟合环境轮廓线,并以此作为声呐模型的作用对象,选择一点为原点O,北向为y轴,东向为x轴,根据卫星图按一定比例标注栅格,标注间隔为50m,根据栅格给出环境轮廓拐点的坐标并顺次相连。假设港口的外轮廓垂直于水平面,声呐作用于轮廓的声波平行于水平面,据此建立环境模型。UUV路径跟踪模型采取三自由度模型,采用惯性坐标系设定理想路径,运动坐标系研究UUV运动状态,建立的模型如图2所示,为了尽可能还原实际采用了卫星图,因此图存在模糊的情况。
步骤二:规划UUV路径,设计路径跟踪控制器,声呐作用于环境模型得到原始数据。
环境轮廓为若干直线段的相连,在与港口轮廓的近海侧留出一定的安全距离作与环境轮廓平行的直线段,保证构造的直线段上的任意一点与环境轮廓的最短距离都大于安全距离,这些直线的延长线相连作为UUV的规划路径。由UUV模型可知,UUV在水平面有两个控制量分别为推力τu和舵角τr,因此需要设计UUV控制器跟踪UUV路径,使UUV沿着该路径行进,本文中路径跟踪控制器采用增益式的PID控制器,用2个独立的控制器分别控制推力τu和舵角τr。规划路径和UUV跟踪路径如图3所示。
声呐随着UUV的位置不断改变,模拟声呐工作原理,声波由UUV侧扫声呐发出,根据UUV位置和艏向角得出声波位置和方向,通过求取虚拟声波与环境轮廓的交点获得2410组声呐数据,在此交点中加入一定的随机误差模拟声呐误差,取-0.5到0.5的随机数,乘以声呐的最大误差,加在声呐数据的x坐标和y坐标上,取声呐的最大误差为1m,然后在此基础上加入随机噪声,当一个控制节拍来临,取一个0到1的随机数x,如果x小于预设的概率阈值xT,则在视域范围内取随机点,仿真取概率阈值xT为0.1,根据以上原则取得239组数据作为孤立点。最终得到算法的原始数据如图4所示,其中蓝色点为声呐数据和噪声数据,局部放大图如图5所示。
步骤三:应用全局聚类决策。
首先引入备选集R的概念,备选集R用于存放首次被聚类作为孤立点的数据,即R={x|x的类属性不完全确定}。再引入UUV视域的定义,UUV视域是指以当前UUV位置为圆心,以预设的长度r为半径构成的圆,用于局部小波聚类时表述UUV附近环境。UUV模拟真实巡岸过程,把原始数据中曾经出现在UUV视域中的点视为UUV声呐探测到的已知点处理。
再引入已知类和预设阈值的定义如下:
其中k为数据个数,ρT为预设阈值,表征某一类包含数据的最小值,Ci为已知类。全局聚类的流程见图1虚线框中,具体聚类决策方法如下:
1)首先获取当前视域的数据点并与备选集R作对比,是否有上一节拍视域中的数据点在本节拍的视域内消失,并且在备选集R中,这类点直接归类为孤立点,放入孤立点集。
2)从原始数据中顺次取出视域内的所有原始数据点xi,检查当前视域内数据密度是否达到阈值ρT,如果没有到达,是由于处于探测初期,数据量太少,未形成任何已知类,无法判断xi数据是否是孤立点,则把xi点放入备选集R中,如果到达阈值,则对当前视域进行局部小波聚类。
3)局部小波聚类是在小波聚类的基础上加以改进的一种聚类方法,小波聚类是一种基于密度的聚类,算法核心在于小波变换。小波变换是一种信号处理技术,它能将信号分解为不同频段的子波段,对于二维空间中成簇的点集,可以看作二维信号,簇的边界点是信号的高频部分,簇的中心点是信号的低频部分,对该信号做离散小波变换,小波变换后的系数可以表征簇的特性,对不同小波变换尺度下的系数的高频或低频部分做还原,可以达到孤立点检测的目的。其具体步骤如下:
(1)量化特征空间,划分网格。对于给定d维特征空间的每一维i(i=1,2,…,d)分成K个间隔,则原特征空间中将含有Kd个网格单元,将其划分到相应网格单元。计算每个网格单元的特征值,作为密度聚类算法一般以统计点数作为指标。K的值由下式获得:
其中N是当前视域内障碍点的数量,d是维数。
(2)对特征空间的数据进行离散小波变换,选取各层高频分量进行阈值量化之后重构信号。根据数据特点和小波函数的性能,选择合适的小波基函数,由所需的聚类精度确定分解尺度l,对每一维应用一次小波变换,di维数据需要进行d次小波变换。对于每个维度的小波变换,进行l层小波分解,对每层小波分解对应高频分量的小波系数进行阈值量化,然后重构信号。
(3)寻找连通单元并聚类。对于小波变换后的特征空间中的每个单元,可根据提前定义好密度阈值MinPts,根据下式计算每个网格单元的函数值
函数值为1的是显著网格单元,函数值为0的是非显著网格单元,然后用深度优先遍历的方法将相连的显著网格单元识别为类,常见的网格相连定义有4-connection和8-connection两种。
(4)标签单元,构造查找表,显著网格单元中的同样的类数据做出标记,非显著网格单元中的数据为孤立点,孤立点放入备选集R中。转换后的特征网格空间和原特征网格空间一一映射,用类i序号标签小波变换后的特征空间中的每个类中的网格单元,根据数据的类标签即可判断出数据属于哪个类。
4)检查备选集R中的数据,若其中存在小波聚类后的类数据点,则将他从备选集中删除,当UUV处于两侧都是海岸的较狭窄位置时,算法容易把海岸聚为2个类。因此每次聚类完成需要用深度遍历的方法检查类的数据,若两个类的数据有连通分量,且则合并两个类,然后输出已知类集。
5)检查第二步和第三步给出的备选集中是否有数据存在时间大于时间阈值tT,有则将其放入孤立点集,和步骤1一起输出孤立点集,没有则继续存在备选集中并输出备选集R。
6)检查UUV是否走完全部路径,没有则UUV继续跟踪路径并进行下一视域的聚类,完成则对已知类集Ci有进一步处理。
步骤四:应用Alpha-Shapes算法。
Alpha-Shapes能够从一堆无序的点集中提取其边缘,由全局聚类决策输出得到的点集有多个类Ci,每个类都是完整的障碍物,需要针对不同的几个类分别运用Alpha-Shapes方法提取其轮廓。可以想象成是一个半径为α的圆在类集Ci外滚动,其滚动痕迹就是这个类集的边界线,当较大时,算法的解为类集Ci的凸包,当较小时,大部分点都会被判断为边界点。
Alpha-Shapes方法流程如下:
1)根据已知类集Ci建立Delaunay三角网。设置轮廓提取的参数α。
2)在三角网删除不符合Alpha-Shapes要求的三角形。首先删除边长大于2α的三角形;然后删除边缘上不符合要求的三角形,对两个需要判断的边界点a和b,以这两点的连线ab为弦,α为半径做扇形,如果在弦下方的弓形内有其他点,则删除该三角形。
3)删除所有不符合Alpha-Shapes要求的三角形后所得到的三角网的边缘即为类集Ci的轮廓。
步骤五:实验仿真。
首先进行前两个步骤得到了原始数据,进行局部小波聚类,小波基采用db4小波,具有正交特性和有限紧支特性,分析效果好。根据噪声分布情况,选取深度为2进行离散小波变换,深度过大容易造成信号失真,过小则使有的噪声无法除去,然后对高频系数H和LH部分归零处理,在加LL部分做小波系数重构,根据得到的小波系数做数据重构为A,网格相连定义在轮廓构建问题中一般采取4-connection效果较好,密度阈值MinPts根据经验设置为max(A)/5。根据以上参数进行局部小波变换,当UUV位置在点(115.76,40.131)时,此时聚类效果如图6,图中黑框标注方格为显著网格单元,其余为非显著网格单元,图中检测出了一个类为圆点,星形点为孤立点。
进行全局聚类决策,设置密度阈值ρT为10,时间阈值tT为3个控制节拍,聚类完成后的效果图如图7所示,图中圆点被聚为同一类,即侧扫声呐与海岸线的交点,星形点为孤立点,仿真过程中采样点共2410组,加入噪声点239组,聚类结果检测出211组孤立点,由于噪声位置是随机的,有的可能落在障碍点簇中,将其作为障碍点处理,因此聚类允许一定的误差存在。综上所述,根据公式4,聚类准确率为86.7%,得到了较好的聚类效果。然后需要对得到的类数据构建轮廓以便实现巡岸的路径规划。
聚类完成后海岸轮廓被聚为同一类,然后可以根据类数据还原海岸轮廓,选取半径α为1米,用Alpha-Shapes的方法从类中的数据给出不规则的轮廓,仿真构建的轮廓如图8,局部放大图如图9。
图中灰色部分为构建后的海岸轮廓,黑色点为障碍点,从图中可以看出障碍点的轮廓被构建为若干直线段相连。且构建的轮廓能够完整的包含环境轮廓,没有出现断层或者大面积冗余的情况,较好地还原了环境轮廓。
综上,针对UUV的未知环境探测与同步巡岸控制中的环境轮廓构建问题,本发明提出了一种改进的基于小波聚类的轮廓构建方法。该算法对原始障碍点数据进行局部小波聚类给出UUV在当前位置下视域内的孤立点备选集R和各个类的集合Ci,并通过全局聚类决策制订的一系列聚类策略对孤立点和类数据进行处理,使孤立点被剔除,得到了海岸轮廓的障碍点集,再通过该障碍点集利用Alpha-Shapes的方法得出具体的海岸轮廓。本文模拟UUV巡岸过程中采集障碍点并加入噪声数据,将其作为原始数据进行仿真,算法快速准确地给出了海岸轮廓,证明了算法的有效性和可行性。
Claims (2)
1.一种基于小波聚类的UUV巡岸轮廓构建方法,其特征在于:
步骤一:根据港口卫星图建立环境模型,建立UUV路径跟踪模型;
步骤二:根据环境模型规划UUV路径,设计UUV路径跟踪控制器并跟踪此路径,在跟踪的过程中通过声呐作用于环境模型得到原始数据,原始数据包括声纳数据和噪声数据;
且所述UUV路径跟踪控制器采用增益式的PID控制器,用两个独立的控制器分别控制UUV在水平面的推力τu和舵角τr;
步骤三:在全局应用全局聚类决策:
首先给出用于存放首次被聚类作为孤立点的数据的备选集R,即R={x|x的类属性不完全确定};再给出用于局部小波聚类时表述UUV附近环境的UUV视域,UUV视域是指以当前UUV位置为圆心、以预设的长度r为半径构成的圆;已知类和预设阈值关系为:
<mrow>
<mo>&Exists;</mo>
<munder>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<mi>k</mi>
</munder>
<mo>{</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<mi>k</mi>
<mo>></mo>
<msub>
<mi>&rho;</mi>
<mi>T</mi>
</msub>
<mo>}</mo>
<mo>&SubsetEqual;</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
其中:k为数据个数,ρT为预设阈值,表征某一类包含数据的最小值,Ci为已知类;
则全局聚类决策包括:
第一:先获取当前视域的数据点并与备选集R作对比,是否有上一节拍视域中的数据点在本节拍的视域内消失:如果有,将这类点直接归类为孤立点,放入孤立点集;否则进行下一步;
第二:从原始数据中顺次取出视域内的所有原始数据点xi,检查当前视域内数据密度是否达到阈值ρT,如果没有到达,是由于处于探测初期,数据量太少,未形成任何已知类,无法判断xi数据是否是孤立点,则把xi点放入备选集R中,如果到达阈值,则对当前视域进行局部小波聚类,具体为:
(1)量化特征空间,划分网格:对于给定d维特征空间的每一维i,分成K个间隔,i=1,2,…,d,则原特征空间中将含有Kd个网格单元,将其划分到相应网格单元;计算每个网格单元的特征值,作为密度聚类算法一般以统计点数作为指标;K的值由下式获得:
<mrow>
<mi>K</mi>
<mo>=</mo>
<mi>int</mi>
<mrow>
<mo>(</mo>
<mroot>
<mi>N</mi>
<mi>d</mi>
</mroot>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
其中:N是当前视域内障碍点的数量,d是维数;
(2)对特征空间的数据进行离散小波变换,选取各层高频分量进行阈值量化之后重构信号,根据数据特点和小波函数的性能,选择小波基函数,由所需的聚类精度确定分解尺度l,对每一维应用一次小波变换,di维数据需要进行d次小波变换;对于每个维度的小波变换,进行l层小波分解,对每层小波分解对应高频分量的小波系数进行阈值量化,然后重构信号;
(3)寻找连通单元并聚类:对于小波变换后的特征空间中的每个单元,根据提前定义好密度阈值MinPts,根据下式计算每个网格单元的函数值:
<mrow>
<mi>f</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mi>P</mi>
<mi>t</mi>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
且函数值为1的是显著网格单元,函数值为0的是非显著网格单元,然后用深度优先遍历的方法将相连的显著网格单元识别为类;
(4)标签单元并构造查找表,显著网格单元中的同样的类数据做出标记,非显著网格单元中的数据为孤立点,孤立点放入备选集R中;转换后的特征网格空间和原特征网格空间一一映射,用类i序号标签小波变换后的特征空间中的每个类中的网格单元,根据数据的类标签即可判断出数据属于哪个类;
第三:检查备选集R中的数据,若其中存在小波聚类后的类数据点,则将他从备选集中删除,每次聚类完成用深度遍历的方法检查类的数据,若两个类的数据有连通分量,且则合并两个类,然后输出已知类集;
第四:检查第二和第三给出的备选集中是否有数据存在时间大于时间阈值tT:若有则将其放入孤立点集,和步骤1一起输出孤立点集;若没有则继续存在备选集中并输出备选集R;
第五:检查UUV是否走完全部路径:若没有完成则UUV继续跟踪路径并进行下一视域的聚类,若完成则对已知类集Ci有进一步处理;
步骤四:应用Alpha-Shapes算法从类集中提取轮廓,得出环境轮廓。
2.根据权利要求1所述的一种基于小波聚类的UUV巡岸轮廓构建方法,其特征在于:
Alpha-Shapes算法具体为:
1)根据已知类集Ci建立Delaunay三角网,设置轮廓提取的参数α;
2)在三角网删除不符合Alpha-Shapes要求的三角形:
首先删除边长大于2α的三角形;然后删除边缘上不符合要求的三角形,对两个需要判断的边界点a和b,以这两点的连线ab为弦、α为半径做扇形,如果在弦下方的弓形内有其他点,则删除该三角形。
3)删除所有不符合Alpha-Shapes要求的三角形后所得到的三角网的边缘即为类集Ci的轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710501661.6A CN107292039B (zh) | 2017-06-27 | 2017-06-27 | 一种基于小波聚类的uuv巡岸轮廓构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710501661.6A CN107292039B (zh) | 2017-06-27 | 2017-06-27 | 一种基于小波聚类的uuv巡岸轮廓构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292039A true CN107292039A (zh) | 2017-10-24 |
CN107292039B CN107292039B (zh) | 2020-12-29 |
Family
ID=60099412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710501661.6A Active CN107292039B (zh) | 2017-06-27 | 2017-06-27 | 一种基于小波聚类的uuv巡岸轮廓构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292039B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984781A (zh) * | 2018-07-25 | 2018-12-11 | 北京理工大学 | 一种无人车区域探索的地图边缘检测规划方法及装置 |
CN109284348A (zh) * | 2018-10-30 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 一种电子地图的更新方法、装置、设备和存储介质 |
CN110008630A (zh) * | 2019-04-18 | 2019-07-12 | 哈尔滨工程大学 | 水下无人航行器集群仿真平台 |
CN111159918A (zh) * | 2020-01-07 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 一种沿海船舶航行仿真辅助决策方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6449215B1 (en) * | 2001-10-09 | 2002-09-10 | The United States Of America As Represented By The Secretary Of The Navy | Three-dimensional imaging system for sonar system |
US20080041293A1 (en) * | 2006-08-18 | 2008-02-21 | Northrop Grumman Systems Corporation | Self Contained Underwater Vehicle Modules |
CN103033817A (zh) * | 2012-11-25 | 2013-04-10 | 中国船舶重工集团公司第七一○研究所 | 大型auv避碰用障碍物自主识别系统 |
CN106372669A (zh) * | 2016-08-31 | 2017-02-01 | 南昌航空大学 | 一种双阶自适应的小波聚类方法 |
-
2017
- 2017-06-27 CN CN201710501661.6A patent/CN107292039B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6449215B1 (en) * | 2001-10-09 | 2002-09-10 | The United States Of America As Represented By The Secretary Of The Navy | Three-dimensional imaging system for sonar system |
US20080041293A1 (en) * | 2006-08-18 | 2008-02-21 | Northrop Grumman Systems Corporation | Self Contained Underwater Vehicle Modules |
CN103033817A (zh) * | 2012-11-25 | 2013-04-10 | 中国船舶重工集团公司第七一○研究所 | 大型auv避碰用障碍物自主识别系统 |
CN106372669A (zh) * | 2016-08-31 | 2017-02-01 | 南昌航空大学 | 一种双阶自适应的小波聚类方法 |
Non-Patent Citations (3)
Title |
---|
周飞: "利用Alpha Shapes算法提取离散点轮廓线", 《湖北广播电视大学学报》 * |
段利国 等: "基于小波聚类的数据集简化算法研究", 《太原理工大学学报》 * |
迟冬南: "未知环境UUV多元声测距与同步巡岸控制方法", 《中国博士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984781A (zh) * | 2018-07-25 | 2018-12-11 | 北京理工大学 | 一种无人车区域探索的地图边缘检测规划方法及装置 |
CN108984781B (zh) * | 2018-07-25 | 2020-11-10 | 北京理工大学 | 一种无人车区域探索的地图边缘检测规划方法及装置 |
CN109284348A (zh) * | 2018-10-30 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 一种电子地图的更新方法、装置、设备和存储介质 |
CN109284348B (zh) * | 2018-10-30 | 2021-02-05 | 百度在线网络技术(北京)有限公司 | 一种电子地图的更新方法、装置、设备和存储介质 |
CN110008630A (zh) * | 2019-04-18 | 2019-07-12 | 哈尔滨工程大学 | 水下无人航行器集群仿真平台 |
CN110008630B (zh) * | 2019-04-18 | 2022-07-15 | 哈尔滨工程大学 | 水下无人航行器集群仿真平台 |
CN111159918A (zh) * | 2020-01-07 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 一种沿海船舶航行仿真辅助决策方法及系统 |
CN111159918B (zh) * | 2020-01-07 | 2023-06-30 | 智慧航海(青岛)科技有限公司 | 一种沿海船舶航行仿真辅助决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107292039B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
CN113032502B (zh) | 一种基于改进轨迹段dbscan聚类的船舶异常检测方法 | |
CN107292039A (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
CN103743402B (zh) | 一种基于地形信息量的水下智能自适应地形匹配方法 | |
CN106885576B (zh) | 一种基于多点地形匹配定位的auv航迹偏差估计方法 | |
CN105957342A (zh) | 基于众包时空大数据的车道级道路测图方法及系统 | |
CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN106886024A (zh) | 深海多波束声线精确跟踪方法 | |
CN110706827B (zh) | 基于船舶ais大数据的通航水域水流信息的提取方法及系统 | |
CN104575075B (zh) | 一种基于北斗的城市路网车辆坐标校正方法及装置 | |
CN113033073A (zh) | 一种基于数据驱动的无人船能效数字孪生方法及系统 | |
CN104050474A (zh) | 一种基于LiDAR数据的海岛岸线自动提取方法 | |
CN103197299A (zh) | 天气雷达径向风信息提取及量化分析系统 | |
CN104680187A (zh) | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 | |
CN102628944A (zh) | 一种基于多普勒雷达资料的层云与对流云自动识别方法 | |
CN109978275B (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 | |
CN103810382B (zh) | 机载分布式多传感器两级数据融合策略选择方法 | |
CN106127682A (zh) | 一种顾及海岸线地理特征约束的可控分形插值方法及系统 | |
CN111650673B (zh) | 一种利用风场资料订正低涡中心位置的方法 | |
CN104008403B (zh) | 一种svm(矢量机)模式的多目标识别判定方法 | |
CN117649156B (zh) | 高城镇化河网全自动水环境监测方法及系统 | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN111199243A (zh) | 一种基于改进决策树的空中目标识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |