CN111581725B - 一种水下机理模型适应性学习的航行器前视探测方法 - Google Patents
一种水下机理模型适应性学习的航行器前视探测方法 Download PDFInfo
- Publication number
- CN111581725B CN111581725B CN202010390537.9A CN202010390537A CN111581725B CN 111581725 B CN111581725 B CN 111581725B CN 202010390537 A CN202010390537 A CN 202010390537A CN 111581725 B CN111581725 B CN 111581725B
- Authority
- CN
- China
- Prior art keywords
- underwater
- mechanism model
- model
- detection
- detection data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/52—Tools specially adapted for working underwater, not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Feedback Control In General (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种水下机理模型适应性学习的航行器前视探测方法,包括如下内容:构造水下机理模型及深度适应性学习模型;在学习和训练过程中,能够通过深度学习模型建立原始水下探测数据与准确水下探测数据间的耦合关系,以形成水下机理模型的初始参数;在探测作业过程中,采用估计的水下机理模型及参数对输入的原始水下探测数据进行恢复,以获得准确的水下探测数据,实现水下前视探测;在适应性优化过程中,以无参量数据质量评价方法验证探测数据的质量,适时更新学习机理模型参数,以实现水下机理模型适应于水下环境。与现有技术相比,本发明能够显著提高水下探测数据的质量,实现对复杂、多变水下场景的适应性探测。
Description
技术领域
本发明涉及水下航行器控制方法,尤其涉及一种水下机理模型适应性学习的航行器前视探测方法。
背景技术
水下探测环境较为恶劣,探测视距短、探测数据质量恶劣,是水下航行器前视探测中所存在的主要瓶颈问题,也是导致水下航行器导航与控制效率低下的关键难题。为了解决这一问题,传统技术多采用探测数据优化的方法以增强水下探测数据的质量。然而,大量的试验和作业实践业已证明该类方法仅能在有限的范围内提高探测能力,难以满足高浑浊流动水域中的水下探测需求。针对这一问题,近年来的研究多采用探测数据恢复的方法,通过机理模型的反变换以提高水下探测数据的质量。对于该类水下探测数据恢复方法,其关键问题在于机理模型的构建和关键参数的估计。现有技术多采用先验估计(如暗通道先验)等在一定的假设前提下估计最优的模型参数,多暴露出模型的不适定问题,难以普适于多变的水下环境。深度学习模型的提出为机理模型参数的适应性估计提供了可行的策略,但是机理模型较多的模型参数使得机理模型的有效学习难以展开。
发明内容
发明目的:为了解决现有技术存在的问题,本发明的目的是提供一种基于单变量水下机理模型及深度学习模型的航行器前视探测方法,以提高水下探测数据的质量,实现高性能的水下航行器前视探测。
技术方案:一种水下机理模型适应性学习的航行器前视探测方法,包括:
步骤1、建立航行器前视探测的单变量水下机理模型;
步骤2、采用深度学习模型估计单变量水下机理模型的初始模型参数;
步骤3、基于单变量水下机理模型及初始模型参数对原始水下探测数据进行恢复,得到准确水下探测数据,实现水下前视探测;
步骤4、设定时间间隔周期性触发数据评价,以无参量数据质量评价方法验证探测数据的质量,当数据质量分值低于阈值时触发适应性优化过程,适时更新学习机理模型参数,实现对水下场景的适应性探测。
进一步的,所述步骤1中,对于前视探测场景航行器所接收到的原始水下探测数据Ix,建模为对准确水下探测数据Jx的调制和增益,调制系数为单变量水下机理模型的模型参数Φx,增益系数为Φx+b;针对水下前视探测场景建立单变量水下机理模型:
Jx=ΦxIx-Φx+b
进一步的,所述步骤2中,在构建深度学习模型的基础上,采用水下原始探测数据及标定后的准确水下探测数据对深度学习模型进行训练,对单变量水下机理模型的模型参数Φx进行学习,估计得到单变量水下机理模型的初始模型参数。具体的,采用全局特征和局部特征对单变量水下机理模型的模型参数Φx进行估计,分别采用15×15,11×11,9×9,7×7,5×5,3×3的核函数建立多层卷积层:
进一步的,所述步骤4中,采用信息熵评价水下探测数据恢复的质量,设定周期检测探测数据的信息熵值,当信息熵值小于阈值时采用全局遍历方法对水下机理模型参数进行优化,迭代至步骤3以实现适应性水下前视探测。具体的,定义水下探测数据恢复的质量为E(Jx),以500帧为周期检测探测数据的信息熵值,若E(Jx)<γ,采用以下公式对Φx进行更新:
min[E(ΦxIx-Φx+b)-E(Φx′Ix-Φx′+b)]
其中,E(·)为熵函数,γ为熵阈值,Φx′为更新后的水下机理模型的模型参数。考虑到Φx的有界性,在[1,25]的区间内以0.5为步长采用遍历优化方法更新Φx。
与现有技术相比,本发明能够显著提高水下探测数据的质量,实现对复杂、多变水下场景的适应性探测。
附图说明
图1为水下深度学习模型训练框架及水下适应性前视探测作业流程图;
图2为深度学习模型框架。
具体实施方式
如图1所示,本发明的一种水下机理模型适应性学习的航行器前视探测方法,包括如下步骤:
(1)建立单变量水下机理模型。针对水下前视探测场景建立单变量水下机理模型,厘清探测信号发送端到接收端的定量演变机理,建立变换函数。
(2)建立尺度缩放的深度学习模型。采用大数据量水下探测样本对模型进行学习,学习得到初始模型参数。
(3)基于水下机理模型及水下模型参数学习的水下探测数据恢复。
(4)水下机理模型参数的适应性优化。以500帧为周期检测探测数据的信息熵值,当信息熵值小于阈值时采用全局遍历方法对水下机理模型参数进行优化,迭代至步骤(3)以实现适应性水下前视探测。
下面结合实施例和附图对本发明的技术方案作进一步详细说明。
实施例:
步骤1、建立航行器前视探测的单变量水下机理模型。对于前视探测场景航行器所接收到的原始探测数据可建模为对准确探测数据的调制和增益,其中调制系数为Φx,增益系数为Φx+b。
Jx=ΦxIx-Φx+b (1)
其中,Ix为原始水下探测数据,Jx为准确水下探测数据,b为偏置常数,Φx为组合变量:
其中,B为背景成像强度,tx为衰减变量。
在机理模型训练过程中,Ix为原始水下探测数据,Jx为准确水下探测数据,二者均包含在水下训练样本数据库中,为已知量,b为偏执常数,仅有Φx为变量。因此,可通过深度模型对模型参数Φx进行学习并估计。
2、基于深度学习的单变量水下机理模型参数估计。采用尺度缩放的深度学习网络模型,充分采用全局特征和局部特征对单变量水下机理模型参数进行估计;如图2所示,分别采用15×15,11×11,9×9,7×7,5×5,3×3的核函数建立多层卷积层:
在构建深度学习模型的基础上,采用大数据量(典型值大于1000幅水下样本)水下原始探测数据及标定后的准确水下探测数据对深度学习模型进行训练,对单变量水下机理模型的模型参数进行学习,估计得到单变量水下机理模型的初始模型参数。
3、采用单变量水下机理模型及初始模型参数,采用公式(1)对原始水下探测数据进行恢复,实现航行器前视探测。
4、采用信息熵评价水下探测数据恢复的质量E(Jx)。以500帧为周期,当信息熵小于阈值时,更新单变量水下机理模型的模型参数Φx。
若E(Jx)<γ,对Φx进行更新:
min[E(ΦxIx-Φx+b)-E(Φx′Ix-Φx′+b)] (4)
其中E(·)为熵函数,γ为熵阈值,Φx′为更新后的水下机理模型的模型参数。考虑到Φx的有界性,在[1,25]的区间内以0.5为步长采用遍历优化方法更新Φx。
5、采用水下机理模型及更新后的模型变量迭代至步骤3,以实现航行器前视探测。
综上,本发明采用单变量的水下机理模型及深度学习模型,来共同提高水下探测数据的质量。采用深度学习模型估计单变量水下机理模型的初始模型参数;在单变量水下机理模型参数估计的深度学习过程中,通过量化估计原始探测数据与准确探测数据间的耦合关系,实现对单变量水下机理模型及初始模型参数的估计。在探测作业过程中,采用估计得到的单变量水下机理模型及初始参数对原始探测数据进行恢复,得到准确的水下探测数据,实现水下前视探测。设定时间间隔周期性触发数据评价,以无参量数据质量评价方法验证探测数据的质量,当数据质量分值低于阈值时触发适应性优化过程,适时更新学习机理模型参数,以实现对水下场景的适应性探测。
Claims (6)
1.一种水下机理模型适应性学习的航行器前视探测方法,其特征在于,包括:
步骤1、建立航行器前视探测的单变量水下机理模型,对于前视探测场景航行器所接收到的原始水下探测数据Ix,建模为对准确水下探测数据Jx的调制和增益,调制系数为单变量水下机理模型的模型参数Φx,增益系数为Φx+b;针对水下前视探测场景建立单变量水下机理模型:
Jx=ΦxIx-Φx+b
步骤2、采用深度学习模型估计单变量水下机理模型的初始模型参数;
步骤3、基于单变量水下机理模型及初始模型参数对原始水下探测数据进行恢复,得到准确水下探测数据,实现水下前视探测;
步骤4、设定时间间隔周期性触发数据评价,以无参量数据质量评价方法验证探测数据的质量,当数据质量分值低于阈值时触发适应性优化过程,适时更新学习机理模型参数,实现对水下场景的适应性探测。
2.根据权利要求1所述的一种水下机理模型适应性学习的航行器前视探测方法,其特征在于,所述步骤2中,在构建深度学习模型的基础上,采用水下原始探测数据及标定后的准确水下探测数据对深度学习模型进行训练,对单变量水下机理模型的模型参数Φx进行学习,估计得到单变量水下机理模型的初始模型参数。
4.根据权利要求1所述的一种水下机理模型适应性学习的航行器前视探测方法,其特征在于,所述步骤4中,采用信息熵评价水下探测数据恢复的质量,设定周期检测探测数据的信息熵值,当信息熵值小于阈值时采用全局遍历方法对水下机理模型参数进行优化,迭代至步骤3以实现适应性水下前视探测。
5.根据权利要求4所述的一种水下机理模型适应性学习的航行器前视探测方法,其特征在于:定义水下探测数据恢复的质量为E(Jx),以500帧为周期检测探测数据的信息熵值,若E(Jx)<γ,采用以下公式对Φx进行更新:
min[E(ΦxIx-Φx+b)-E(Φx′Ix-Φx′+b)]
其中,E(·)为熵函数,γ为熵阈值,Φx′为更新后的水下机理模型的模型参数。
6.根据权利要求5所述的一种水下机理模型适应性学习的航行器前视探测方法,其特征在于:考虑到Φx的有界性,在[1,25]的区间内以0.5为步长采用遍历优化方法更新Φx。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390537.9A CN111581725B (zh) | 2020-05-11 | 2020-05-11 | 一种水下机理模型适应性学习的航行器前视探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390537.9A CN111581725B (zh) | 2020-05-11 | 2020-05-11 | 一种水下机理模型适应性学习的航行器前视探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581725A CN111581725A (zh) | 2020-08-25 |
CN111581725B true CN111581725B (zh) | 2022-07-29 |
Family
ID=72122919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010390537.9A Active CN111581725B (zh) | 2020-05-11 | 2020-05-11 | 一种水下机理模型适应性学习的航行器前视探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487590B (zh) * | 2020-12-08 | 2022-07-29 | 国网四川省电力公司经济技术研究院 | 一种优化智能电网鲁棒性的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444447A (zh) * | 2018-02-28 | 2018-08-24 | 哈尔滨工程大学 | 一种用于水下避障系统中的渔网实时自主检测方法 |
CN108809881A (zh) * | 2018-05-02 | 2018-11-13 | 燕山大学 | 一种基于改进的exp3算法水下自适应ofdm通信方法 |
CN108921887A (zh) * | 2018-06-07 | 2018-11-30 | 上海海洋大学 | 基于水下光线衰减先验性的水下场景深度地图估计方法 |
-
2020
- 2020-05-11 CN CN202010390537.9A patent/CN111581725B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444447A (zh) * | 2018-02-28 | 2018-08-24 | 哈尔滨工程大学 | 一种用于水下避障系统中的渔网实时自主检测方法 |
CN108809881A (zh) * | 2018-05-02 | 2018-11-13 | 燕山大学 | 一种基于改进的exp3算法水下自适应ofdm通信方法 |
CN108921887A (zh) * | 2018-06-07 | 2018-11-30 | 上海海洋大学 | 基于水下光线衰减先验性的水下场景深度地图估计方法 |
Non-Patent Citations (3)
Title |
---|
Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement;Yuan Zhou等;《IEEE TRANSACTIONS ON IMAGE PROCESSING,》;20200220 * |
Underwater Image Enhancement Using Adaptive Retinal Mechanisms;Shao-Bing Gao等;《IEEE TRANSACTIONS ON IMAGE PROCESSING,》;20191130;第28卷(第11期) * |
Visual-adaptation-mechanism based underwater object extraction;Zhe Chen等;《Optics & Laser Technology》;20130826 * |
Also Published As
Publication number | Publication date |
---|---|
CN111581725A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144364B (zh) | 一种基于通道注意更新机制的孪生网络目标跟踪方法 | |
US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
CN109559329B (zh) | 一种基于深度去噪自动编码器的粒子滤波跟踪方法 | |
Jwo et al. | A practical note on evaluating Kalman filter performance optimality and degradation | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN109993938A (zh) | 火灾监测方法、装置、设备及介质 | |
CN111581725B (zh) | 一种水下机理模型适应性学习的航行器前视探测方法 | |
CN102469302A (zh) | 应用于影像监控的可适应光线变化的背景模型学习系统 | |
CN109754424B (zh) | 基于融合特征和自适应更新策略的相关滤波跟踪算法 | |
CN112767267B (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
CN110781266A (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN116992986A (zh) | 一种基于时间序列分解网络流量预测系统 | |
CN115205689A (zh) | 一种改进的无监督遥感影像异常检测方法 | |
CN115700542A (zh) | 基于深度学习的光纤管道安全预警算法 | |
CN113205138A (zh) | 人脸人体匹配方法、设备和存储介质 | |
CN109583741B (zh) | 行驶轨迹风险评估方法和系统 | |
CN115840240A (zh) | 基于lstm深度强化学习的自动驾驶定位方法及系统 | |
Hakim Elahi | A novel workflow for oil production forecasting using ensemble-based decline curve analysis | |
CN113780301B (zh) | 防御对抗攻击的自适应去噪机器学习应用方法 | |
CN116109813A (zh) | 一种钻锚孔识别方法、系统、电子设备及介质 | |
Wenjuan et al. | Retracted article: underwater image segmentation based on computer vision and research on recognition algorithm | |
CN112926380B (zh) | 一种新型水下激光目标智能识别系统 | |
CN115034478A (zh) | 一种基于领域自适应与知识迁移的交通流量预测方法 | |
CN108875630B (zh) | 一种基于视频的雨天环境下移动目标检测方法 | |
Khasanova et al. | Image denoising for video surveillance cameras based on deep learning techniques |
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 |