CN111008549B - 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 - Google Patents
基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 Download PDFInfo
- Publication number
- CN111008549B CN111008549B CN201910726667.2A CN201910726667A CN111008549B CN 111008549 B CN111008549 B CN 111008549B CN 201910726667 A CN201910726667 A CN 201910726667A CN 111008549 B CN111008549 B CN 111008549B
- Authority
- CN
- China
- Prior art keywords
- drosophila
- class
- uuv
- dvl
- ifoa
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 39
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 107
- 238000012549 training Methods 0.000 claims description 27
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 241000255588 Tephritidae Species 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 108700020491 Drosophila p Proteins 0.000 claims description 4
- 230000002431 foraging effect Effects 0.000 claims description 4
- 235000013305 food Nutrition 0.000 claims description 3
- 241000255601 Drosophila melanogaster Species 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
基于样本熵和IFOA‑GRNN的UUV平台DVL信号失真重构方法,本发明涉及DVL信号失真重构方法。本发明的目的是为了解决现有多普勒计程仪DVL一旦出现故障将严重影响UUV的正常航行以至于偏离规划航线、速度失控甚至撞毁、沉底的问题。过程为:一、得到训练好的IFOA‑GRNN模型;二、在UUV航行过程中,实时计算DVL输出信号的样本熵;三、当样本熵SE小于设定阈值时,DVL为信号失真状态,获取DVL信号失真下的UUV航行数据;否则,获取DVL正常工作状态下的UUV航行数据;四、得到UUV的估计航速;五、得到海流信息;六、根据海流信息修正估计航速,得到修正航速。本发明用于DVL信号失真重构领域。
Description
技术领域
本发明涉及DVL信号失真重构方法。
背景技术
水下无人航行器由于其能够出色的完成自主规划航行而备受军民领域广泛关注,并且由于海洋资源开发要求的逐步提高,UUV的高速化成为研究方向之一。实验室中搭载高速推进器的UUV的航速能够达到12节,推进器电流60A。由于大功率电动机的使用,UUV内部空间中的电磁环境较为复杂,在缺少科学应对措施的情况下,会对其电子装备造成不同程度的影响。多普勒计程仪(Doppler velocity log,DVL)是水下无人航行器用于自身速度测量、航位推算、定位、导航等方面的重要测量传感器,一旦出现故障将严重影响UUV的正常航行以至于偏离规划航线、速度失控甚至撞毁、沉底。故而研究DVL信号失真的重构以保障其正常工作具有重要意义,是UUV的安全可靠性航行的重要影响因素。
传统果蝇优化算法(FruitFly OptimizationAlgorithm,FOA)是一种简单,有效,应用广泛的GRNN参数寻优方法,但由于使用UUV航行数据训练GRNN,增加了FOA寻优的复杂性,使果蝇寻优过程中容易陷入局部极值点,极大的影响了寻优时间和收敛精度。为了取得更好的GRNN参数优化效果,需要对果蝇算法进行优化。《一种基于全局-局部双向驱动的改进果蝇优化算法》中针对果蝇搜索方式优化的问题,提出了使用向优先群组中的各个果蝇位置靠近的全局化更新方式和记忆空间中挑选特定位置搜索的跳出局部极值的方法。虽然这种方法能够有效地跳出局部极值点,但却增加了果蝇向优先群组靠近搜索的步骤,一定程度地影响了算法收敛时间。《一种的双策略进化果蝇优化算法》中提出群体分割策略,对精英子群引入混沌变量以提升局部搜索能力,对普通子群引入权重因子改进随机搜索方式以提升全局搜索能力。虽然这种方法能够调整子群的动态调整的搜索步长、增强了果蝇的遍历性,使用混沌变量增强了子群的局部搜索能力,但这种动态调整是根据迭代进度而改变的,只能在迭代后期保证收敛精度。
UUV平台的传感器检测与诊断的常见方法有灰色预测模型法,是一种根据原始数据序列进行微分拟合的建模方法。《基于GA-BP神经网络的UUV航向容错控制》中提出使用GM(2,1)预测模型对光纤罗经实现故障检测,同时使用UUV数据训练的GA-BP神经网络输出光纤罗经的重构航向角。虽然这种方法能够检测出光纤罗经短时间内故障的发生并重构光纤罗经信号,但并不一定适合UUV长时间航行、传感器复杂变化的故障检测。而《基于样本熵和峭度的自确认气体传感器故障诊断方法》中提出使用感器输出序列的样本熵和峭度作为支持向量机的故障分类输入量。虽然这种方法能够准确的分辨传感器故障种类,但由于DVL输出数据的形式与UUV的采样频率,并不适合直接用于检测UUV平台DVL信号失真。
发明内容
本发明的目的是为了解决现有多普勒计程仪DVL一旦出现故障将严重影响UUV的正常航行以至于偏离规划航线、速度失控甚至撞毁、沉底的问题,而提出基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法。
基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法具体过程为:
步骤一、获取DVL正常工作下的UUV航行历史数据,将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本,并利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型;
所述DVL为多普勒计程仪;IFOA为改进果蝇优化算法;GRNN为广义回归神经网络;
步骤二、在UUV航行过程中,实时计算DVL输出信号的样本熵;
步骤三、当样本熵SE小于设定阈值时,DVL为信号失真状态,获取DVL信号失真下的UUV航行数据;
当样本熵SE大于等于设定阈值时,DVL为正常工作状态,获取DVL正常工作状态下的UUV航行数据;
步骤四、将DVL信号失真状态下的UUV航行数据输入IFOA-GRNN,得到UUV的估计航速;
步骤五、利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息;
步骤六、根据海流信息修正估计航速,得到修正航速。
本发明的有益效果为:
本发明的目的是提供在DVL信号失真状态下,能够保证UUV能够应急导航的,一种基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法。
本发明中的改进果蝇优化算法(ImprovingFruitflyOptimizationAlgorithm,IFOA)引入了鸡群优化算法(ChickenSwarmOptimization,CSO)中的求解高维优化问题的思想,将果蝇分为三类分工搜索觅食,根据果蝇子群之间和果蝇个体之间的味道浓度关系,动态调整果蝇个体的位置更新,使其能够在优化全局搜索的同时兼顾局部搜索。算法的收敛时间约为传统果蝇优化算法的三分之一,精确度略高,搜索路径更平稳,提高收敛速度的同时增强了跳出局部极值点的能力。
本发明中的使用样本熵和IFOA-GRNN的方法,将广义回归神经网络(GeneralizedRegression Neural Network,GRNN)的强大非线性映射能力和样本熵对传感器信号失真实时检测的优势相结合,对UUV平台的DVL信号失真进行重构,并使用检测后的DVL信号解算出海流干扰误差,修正重构信号。修正海流干扰后的DVL重构信号的精确度提高约二十倍。解决了现有多普勒计程仪DVL一旦出现故障将严重影响UUV的正常航行以至于偏离规划航线、速度失控甚至撞毁、沉底的问题。
附图说明
图1为本发明流程图;
图2a为IFOA-GRNN训练的果蝇搜索路径示意图;
图2b为IFOA-GRNN训练的均方根误差RMSE示意图;
图3a为FOA-GRNN训练的果蝇搜索路径示意图;
图3b为FOA-GRNN训练的均方根误差RMSE示意图;
图4为DVL信号样本熵示意图;
图5为基于DVL信号重构的海流估计方法示意图;
图6a为UUV估计速度U及海流干扰修正示意图;
图6b为UUV估计速度V及海流干扰修正示意图;
图7为UUV航位推算航迹示意图。
具体实施方式
具体实施方式一:本实施方式基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法具体过程为:
步骤一、获取DVL正常工作下的UUV航行历史数据,将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本,并利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型;
所述DVL为多普勒计程仪;IFOA为改进果蝇优化算法;GRNN为广义回归神经网络;
步骤二、在UUV航行过程中,实时计算DVL输出信号的样本熵;
步骤三、当样本熵SE小于设定阈值时,DVL为信号失真状态,获取DVL信号失真下的UUV航行数据;
当样本熵SE大于等于设定阈值时,DVL为正常工作状态,获取DVL正常工作状态下的UUV航行数据;
步骤四、将DVL信号失真状态下的UUV航行数据输入IFOA-GRNN,得到UUV的估计航速;
步骤五、利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息;
步骤六、根据海流信息修正估计航速,得到修正航速。
DVL传感器在正常工作的情况下输出数据的频率与UUV采集速度信号的频率不同:DVL每隔1s输出一次速度信号,而UUV内部每隔0.2s采集一次速度信号。对其计算样本熵的结果呈现为周期变化的三角波形,并且所有样本熵值都在特定范围之间;DVL传感器在信号失真的情况下的样本熵值将会迅速下降至0。
利用IFOA-GRNN输出的UUV估计速度即为不考虑外界海流干扰的UUV相对海流速度,DVL在正常工作情况输出的UUV速度即为UUV相对地球的速度,在二者已知的情况下即可解算出海流相对地球的速度。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中获取DVL正常工作下的UUV航行历史数据,将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本,并利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型;
所述DVL为多普勒计程仪;IFOA为改进果蝇优化算法;GRNN为广义回归神经网络;
具体过程为:
步骤一一、获取DVL正常工作下的UUV航行历史数据,UUV航行历史数据包括左主推转速反馈n1、右主推转速反馈n2、左主推电流反馈I1、右主推电流反馈I2、垂直舵舵角反馈δ1、水平舵舵角反馈δ2、UUV航速u和UUV橫移速度v;
步骤一二、将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本;
步骤一三、利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型,即得到IFOA-GRNN的参数。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤一二中IFOA-GRNN的输入量包括:
(1)左主推转速反馈n1;
(2)右主推转速反馈n2;
(3)左主推电流反馈I1;
(4)右主推电流反馈I2;
(5)垂直舵舵角反馈δ1;
(6)水平舵舵角反馈δ2;
IFOA-GRNN的输出量包括:
(1)UUV航速u;
(2)UUV橫移速度v。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤一三中利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型,即得到IFOA-GRNN的参数;具体过程为:
(1)、初始化A、B和C三类果蝇的种群规模:
初始化A类果蝇种群数、B类果蝇种群数和C类果蝇种群数分别取值为SizepopA、SizepopB、SizepopC,三类果蝇的随机初始位置为X0、Y0,迭代的最大次数为MaxGen;
(2)、A类果蝇个体利用嗅觉觅食搜索,赋予A类果蝇搜索方向随机以及搜索距离,如式1所示,
式中Yi n表示A类果蝇i在第n次迭代过程中的位置,R为A类果蝇搜索半径,Rand∈[-1,1]为随机数;/>Yi n-1表示A类果蝇i在第n-1次迭代过程中的位置;
(3)、B类果蝇跟随A类果蝇觅食搜索,如式2、3、4所示,
式中为B类果蝇j在第n次迭代过程中的味道浓度,p为B类果蝇j所在A类果蝇组的A类果蝇索引,q为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇索引,j≠q;/>为B类果蝇j在第n-1次迭代过程中的味道浓度,/>为A类果蝇p在第n-1次迭代过程中的味道浓度,ε为避免分母为零的极小值,F1为B类果蝇j所在A类果蝇组的A类果蝇影响参数,F2为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇的影响参数,/>为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇q在第n-1次迭代过程中的味道浓度;/>为B类果蝇j在第n次迭代过程中的位置,/>为B类果蝇j在第n-1次迭代过程中的位置,/>为A类果蝇p在第n次迭代过程中的位置,为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇q在第n-1次迭代过程中的位置;
(4)、C类果蝇则围绕B类果蝇觅食搜索,如式5所示,
式中η为C类果蝇k对所属B类果蝇的跟随系数;为C类果蝇k在第n次迭代过程中的位置,/>为C类果蝇k在第n-1次迭代过程中的位置;
(5)计算A、B、C三类果蝇各自与原点的距离Dt,以及各自的味道浓度判定值Sm,如式6、7,
Sm=1/Dt (7)
式中Xn、Yn为A、B或C类果蝇在第n次迭代过程中的位置;Dt为A、B或C类果蝇与原点的距离;Sm为A、B或C类果蝇的味道浓度判定值;
(6)、将三类果蝇各自的味道浓度判定值Sm带入均方根误差判定函数,计算三类果蝇各自的味道浓度值Smelln;
(7)、找出A、B、C三类果蝇群体中味道浓度值最优(三类中味道浓度值最大的)的个体并记录最佳味道浓度值bestSmelln和相应位置;
(8)、A类果蝇飞向最佳味道浓度值对应的位置处开始觅食搜索,迭代次数加1,返回步骤(2),直至迭代次数达到迭代的最大次数MaxGen,执行(9);
(9)A、B、C三类果蝇群体中味道浓度值最优值对应的味道浓度判定值即为IFOA-GRNN的参数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤二中在UUV航行过程中,实时计算DVL输出信号的样本熵;具体过程为:
步骤二一、对给定的DVL输出的UUV速度信号序列U={u1 u2 … uN}进行m维的相空间重构,如式8所示,
式中m<N,N为信号序列uN的个数,U′(1)、U′(2)、/>为m维相空间重构后的DVL信号序列,m为重构维数,/>为DVL信号序列重构个数,uN为单个DVL输出信号序列;
步骤二二、计算向量U′(a)与U′(b)中对应元素的最大差的绝对值,定义U′(a)与U′(b)的最大差的绝对值为d(a,b),如式9所示,
式中u(a+h)为U′(a)序列中的第h个信号序列,u(b+h)为U′(b)序列中的第h个信号序列;
步骤二三、给定大于零的相似容限参数r,统计d(a,b)<r的个数,记为Ea,将Ea与U′(a)向量的个数N-m的比值记为如式10所示,
步骤二四、计算N-m+1个的平均值,如式11所示
步骤二五、对给定的DVL输出的UUV速度信号U={u1 u2 … uN}进行m+1维的相空间重构,得到一组新的U′(a)向量(步骤二一),并重复步骤二二~步骤二四,计算获得
步骤二六、DVL输出UUV速度信号的样本熵SE如式12所示:
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤五中利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息,如式13所示,
VewE=REB -1(VebB-VwbB) (13)
式中,VebB为UUV在运动坐标系下相对大地的速度;VewE为海流在固定坐标系下相对于大地的速度;VwbB为UUV在运动坐标系下相对于海流的速度;REB为运动坐标系与固定坐标系之间的转换矩阵。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤六中根据海流信息修正估计航速,得到修正航速,如式14所示,
VebB=REBVewE+V′wbB (14)
式中,V′wbB为DVL信号失真状态下的UUV估计航速;VebB为修正航速;
将修正航速替换DVL的失真信号,保障UUV航行过程中的导航与航位推算的正常进行。
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例具体是按照以下步骤制备的:
如图1所示,一种基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法,包括以下步骤:
使用在DVL正常情况下的UUV航行数据训练IFOA-GRNN,得到DVL的输出模型,IFOA-GRNN的训练结果的均方根误差如图2a、2b所示,FOAGRNN的训练结果的均方根误差如图3a、3b所示。使用传统的FOA算法优化GRNN参数的收敛精度略低于使用IFOA,且传统的果蝇群体易陷入局部极值点而使搜索进度停滞、搜索时间延长,而使用IFOA优化GRNN参数收敛速度快、收敛精度高,算法整体性能优于FOA。
在UUV航行过程中,实时计算DVL输出信号的样本熵,其结果如图4所示。DVL在大部分时间的输出为失真状态,只有任务航行开始的一段时间、1700拍左右的一段时间和2000拍左右的一段时间的输出状态是正常的。因此选择UUV航行过程中这两段时间的DVL输出数据对DVL重构信号进行海流干扰修正。
当SE值大于设定阈值0.5时DVL为正常工作状态,此时用DVL的输出速度和IFOA-GRNN输出的UUV估计速度解算此时的海流信息,解算流程图如图5所示,并修正估计速度中的海流干扰误差,结果如图6a、6b所示。
当DVL输出信号的SE值低于设定阈值0.5时,DVL为输出信号失真状态,此时将修正速度替换DVL的失真信号,保障UUV航行过程中的导航与航位推算的正常进行,实现DVL信号失真下的重构与应急导航,推算结果如图7所示。其中经纬度数据为保留小数点一位以后的数据。从图中可以得到在DVL失真故障下的UUV进行航位推算而得到的航行轨迹,与使用DVL信号重构输出的数据进行航位推算而得到的UUV实际航行轨迹,并且在DVL故障下的UUV实际推算航迹、不考虑海流干扰的预测航迹、考虑海流干扰的预测航迹和GPS接收数据中都标示了UUV拖底的事故点。其中考虑海流干扰的预测事故点与UUV事故点的经纬度误差为(0.0000252,0.00004417),不考虑海流干扰的事故点与UUV事故点的经纬度误差为(0.0005509,0.001172)。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (1)
1.基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法,其特征在于:所述方法具体过程为:
步骤一、获取DVL正常工作下的UUV航行历史数据,将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本,并利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型;
所述DVL为多普勒计程仪;IFOA为改进果蝇优化算法;GRNN为广义回归神经网络;
步骤二、在UUV航行过程中,实时计算DVL输出信号的样本熵;
步骤三、当样本熵SE小于设定阈值时,DVL为信号失真状态,获取DVL信号失真下的UUV航行数据;
当样本熵SE大于等于设定阈值时,DVL为正常工作状态,获取DVL正常工作状态下的UUV航行数据;
步骤四、将DVL信号失真状态下的UUV航行数据输入IFOA-GRNN,得到UUV的估计航速;
步骤五、利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息;
步骤六、根据海流信息修正估计航速,得到修正航速;
所述步骤一中获取DVL正常工作下的UUV航行历史数据,将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本,并利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型;
所述DVL为多普勒计程仪;IFOA为改进果蝇优化算法;GRNN为广义回归神经网络;
具体过程为:
步骤一一、获取DVL正常工作下的UUV航行历史数据,UUV航行历史数据包括左主推转速反馈n1、右主推转速反馈n2、左主推电流反馈I1、右主推电流反馈I2、垂直舵舵角反馈δ1、水平舵舵角反馈δ2、UUV航速u和UUV橫移速度v;
步骤一二、将DVL正常工作下的UUV航行历史数据归一化处理,作为IFOA-GRNN的训练样本;
步骤一三、利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型,即得到IFOA-GRNN的参数;
所述步骤一二中IFOA-GRNN的输入量包括:
(1)左主推转速反馈n1;
(2)右主推转速反馈n2;
(3)左主推电流反馈I1;
(4)右主推电流反馈I2;
(5)垂直舵舵角反馈δ1;
(6)水平舵舵角反馈δ2;
IFOA-GRNN的输出量包括:
(1)UUV航速u;
(2)UUV橫移速度v;
所述步骤一三中利用训练样本对IFOA-GRNN训练,得到训练好的IFOA-GRNN模型,即得到IFOA-GRNN的参数;具体过程为:
(1)、初始化A、B和C三类果蝇的种群规模:
初始化A类果蝇种群数、B类果蝇种群数和C类果蝇种群数分别取值为SizepopA、SizepopB、SizepopC,三类果蝇的随机初始位置为X0、Y0,迭代的最大次数为MaxGen;
(2)、A类果蝇个体利用嗅觉觅食搜索,赋予A类果蝇搜索方向随机以及搜索距离,如式1所示,
式中Yi n表示A类果蝇i在第n次迭代过程中的位置,R为A类果蝇搜索半径,Rand∈[-1,1]为随机数;/>Yi n-1表示A类果蝇i在第n-1次迭代过程中的位置;
(3)、B类果蝇跟随A类果蝇觅食搜索,如式2、3、4所示,
式中为B类果蝇j在第n次迭代过程中的味道浓度,p为B类果蝇j所在A类果蝇组的A类果蝇索引,q为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇索引,j≠q;/>为B类果蝇j在第n-1次迭代过程中的味道浓度,/>为A类果蝇p在第n-1次迭代过程中的味道浓度,ε为避免分母为零的极小值,F1为B类果蝇j所在A类果蝇组的A类果蝇影响参数,F2为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇的影响参数,/>为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇q在第n-1次迭代过程中的味道浓度;/>为B类果蝇j在第n次迭代过程中的位置,/>为B类果蝇j在第n-1次迭代过程中的位置,/>为A类果蝇p在第n次迭代过程中的位置,为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇q在第n-1次迭代过程中的位置;
(4)、C类果蝇则围绕B类果蝇觅食搜索,如式5所示,
式中η为C类果蝇k对所属B类果蝇的跟随系数;为C类果蝇k在第n次迭代过程中的位置,/>为C类果蝇k在第n-1次迭代过程中的位置;
(5)计算A、B、C三类果蝇各自与原点的距离Dt,以及各自的味道浓度判定值Sm,如式6、7,
Sm=1/Dt (7)
式中Xn、Yn为A、B或C类果蝇在第n次迭代过程中的位置;Dt为A、B或C类果蝇与原点的距离;Sm为A、B或C类果蝇的味道浓度判定值;
(6)、将三类果蝇各自的味道浓度判定值Sm带入均方根误差判定函数,计算三类果蝇各自的味道浓度值Smelln;
(7)、找出A、B、C三类果蝇群体中味道浓度值最优的个体并记录最佳味道浓度值bestSmelln和相应位置;
(8)、A类果蝇飞向最佳味道浓度值对应的位置处开始觅食搜索,迭代次数加1,返回步骤(2),直至迭代次数达到迭代的最大次数MaxGen,执行(9);
(9)A、B、C三类果蝇群体中味道浓度值最优值对应的味道浓度判定值即为IFOA-GRNN的参数;
所述步骤二中在UUV航行过程中,实时计算DVL输出信号的样本熵;具体过程为:
步骤二一、对给定的DVL输出的UUV速度信号序列U={u1 u2…uN}进行m维的相空间重构,如式8所示,
式中m<N,N为信号序列uN的个数,U′(1)、U′(2)、/>为m维相空间重构后的DVL信号序列,m为重构维数,/>为DVL信号序列重构个数,uN为单个DVL输出信号序列;
步骤二二、计算向量U′(a)与U′(b)中对应元素的最大差的绝对值,定义U′(a)与U′(b)的最大差的绝对值为d(a,b),如式9所示,
式中u(a+h)为U′(a)序列中的第h个信号序列,u(b+h)为U′(b)序列中的第h个信号序列;
步骤二三、给定大于零的相似容限参数r,统计d(a,b)<r的个数,记为Ea,将Ea与U′(a)向量的个数N-m的比值记为如式10所示,
步骤二四、计算N-m+1个的平均值,如式11所示
步骤二五、对给定的DVL输出的UUV速度信号U={u1 u2…uN}进行m+1维的相空间重构,得到一组新的U′(a)向量,并重复步骤二二~步骤二四,计算获得
步骤二六、DVL输出UUV速度信号的样本熵SE如式12所示:
所述步骤五中利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息,如式13所示,
VewE=REB -1(VebB-VwbB) (13)
式中,VebB为UUV在运动坐标系下相对大地的速度;VewE为海流在固定坐标系下相对于大地的速度;VwbB为UUV在运动坐标系下相对于海流的速度;REB为运动坐标系与固定坐标系之间的转换矩阵;
所述步骤六中根据海流信息修正估计航速,得到修正航速,如式14所示,
VebB=REBVewE+V′wbB (14)
式中,V′wbB为DVL信号失真状态下的UUV估计航速;VebB为修正航速;
将修正航速替换DVL的失真信号,保障UUV航行过程中的导航与航位推算的正常进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726667.2A CN111008549B (zh) | 2019-08-07 | 2019-08-07 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726667.2A CN111008549B (zh) | 2019-08-07 | 2019-08-07 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008549A CN111008549A (zh) | 2020-04-14 |
CN111008549B true CN111008549B (zh) | 2024-01-26 |
Family
ID=70110768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726667.2A Active CN111008549B (zh) | 2019-08-07 | 2019-08-07 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008549B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435505B (zh) * | 2020-11-11 | 2022-08-02 | 南通中远海运川崎船舶工程有限公司 | 一种基于最佳航速的自主航行系统及其航行方法 |
CN116740948B (zh) * | 2023-08-16 | 2023-11-21 | 常熟理工学院 | 车辆行程速度的预测估值方法、装置、介质及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162733A (zh) * | 2011-01-11 | 2011-08-24 | 哈尔滨工程大学 | 一种基于svm的auv舰位推算导航误差实时修正方法 |
CN106679659A (zh) * | 2017-01-10 | 2017-05-17 | 中北大学 | 一种基于参数可调非线性跟踪微分器的信号去噪方法 |
CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
-
2019
- 2019-08-07 CN CN201910726667.2A patent/CN111008549B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162733A (zh) * | 2011-01-11 | 2011-08-24 | 哈尔滨工程大学 | 一种基于svm的auv舰位推算导航误差实时修正方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106679659A (zh) * | 2017-01-10 | 2017-05-17 | 中北大学 | 一种基于参数可调非线性跟踪微分器的信号去噪方法 |
CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
"海流干扰下UUV 的航路自适应调节方法";张勋;《船舶工程》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008549A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
WO2019071909A1 (zh) | 基于相对熵深度逆强化学习的自动驾驶系统及方法 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN111008549B (zh) | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 | |
Jiang et al. | A novel adaptive unscented Kalman filter for nonlinear estimation | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111707260B (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN110346821B (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 | |
CN109858137B (zh) | 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法 | |
CN110220510B (zh) | 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法 | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
CN110928314B (zh) | 一种基于轨迹预测的纯跟踪模型改进算法 | |
CN115686002A (zh) | 一种复杂海域下的水面无人艇路径跟踪控制方法 | |
CN114459477B (zh) | 一种基于改进的pso-anfis辅助的sins/dvl紧组合导航方法 | |
US10970633B1 (en) | Method for optimizing on-device neural network model by using sub-kernel searching module and device using the same | |
Lapp et al. | Model predictive control based trajectory optimization for nap-of-the-earth (NOE) flight including obstacle avoidance | |
CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其系统 | |
CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 | |
CN116086446A (zh) | 一种基于柔性卡方检测的自适应因子图优化组合导航方法 | |
CN115979669A (zh) | 一种无人车故障检测方法及系统 | |
Zheng et al. | A method for UAV tracking target in obstacle environment | |
Bai et al. | Efficient Steering Control for Long-Term Unmanned Surface Vehicle | |
Xu et al. | Guided Trajectory Filtering for Challenging Long-Range AUV Navigation |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230605 Address after: 150000 145 Nantong street, Nangang District, Harbin, Heilongjiang. Applicant after: HARBIN ENGINEERING University Applicant after: Qingdao Harbin Engineering University Innovation Development Center Address before: 266000 167 road two, science and education, Huangdao District, Qingdao, Shandong Applicant before: Qingdao Bilan Intelligent Equipment Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |