CN112486186A - 一种基于贝叶斯多特征融合的无人水面艇自主航行方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯多特征融合的无人水面艇自主航行方法，主要解决现有的无人艇在定位信息丢失下自主航行不能有效保证安全的问题。其实现步骤为：步骤1，对无人水面艇路径进行参数设定；步骤2，对步骤1中得到的特征向量学习得到训练特征集和验证特征集；步骤3，使用基于贝叶斯多特征融合支持向量机模型对步骤2的数据进行模式分类，得到最优解；步骤4，计算得到无人水面艇的类别标号即期望舵角。本发明有效地结合了贝叶斯多特征融合支持向量机的模式分类能力和无人水面艇的参数化集合，将无人水面艇的自主航行期望舵角值转化为模式分类，提高了智能航行安全性能，可用于无人艇定位缺失下地自主航行。

Description

一种基于贝叶斯多特征融合的无人水面艇自主航行方法

技术领域

本发明属于无人水面艇航行技术领域，特别涉及一种基于贝叶斯多特征融合的无人水面艇自主航行方法。

背景技术

无人水面艇是一种无人操作的水面舰艇，通过搭载先进的控制系统、传感器系统和通信系统完成特种任务，主要用于执行危险以及不适于有人船执行的任务，无论在民用领域还是在军事领域都具有很高的利用价值。由于无人水面艇所处环境复杂，加之其安全受风浪，水深等影响较大，这使得无人水面艇的智能航行变得十分困难；另外，海上电磁环境复杂，通信干扰、定位信息干扰等对无人水面艇安全航行具有很大威胁，因此，如何在定位信息缺失情况下，提高无人水面艇的自主性是无人水面艇智能航行中的一个重要研究方向。

在定位缺失的无人水面艇自主航行方法中主要分为以下几种：

一是增加光纤惯导，利用光纤惯导继续提供艏向和定位信息；

二是增加多种定位系统，由未受干扰的其他定位系统提供定位导航；

三是使用墨卡托坐标系进行自主航行位置修正方法。

定位信息缺失的无人水面艇自主航行算法，它是一种通过辅助设备或修正算法进行定位补偿的算法，其通过光线惯导和多定位系统定位补偿，可有效地提高定位精度，然而，常用的自主航行算法均已定位信息为基准，单纯地使用定位补偿算法在较长时间内无法获取精准自主航行精度，且海上环境复杂，风浪、水深等因素是影响无人水面艇安全航行地重要因素，因此，常用定位缺失无人水面艇自主航行算法不能有效的保证无人水面艇安全自主航行。

发明内容

本发明的目的在于针对上述现有技术的不足问题，提出了一种基于贝叶斯多特征融合的无人水面艇自主航行方法，使用统计方法统计无人水面艇在定位信息未缺失下的航行参数作为参考模式，并将量化的控制参数作为模式标号，将无人水面艇的自主航行转化为模式分类，通过模式识别方式提高无人水面艇的自主航行能力。

本发明采用的技术方案如下：

本发明通过统计定位信息未受影响的参数，通过引入核矩阵的方式，融合原始域、频域和稀疏域的数据，构成多特征的无人水面艇自主航行数据集，以量化的控制参数作为模式类别标号，与贝叶斯推断和多特征向量数据融合方法相结合，针对不同数据特征地选取问题，引入加权平均方法，它具有很好地泛化能力和更强地学习能力。其实现方案是：首先，对无人水面艇自主航行中的参数进行总结，得到影响自主航行的原始特征向量；然后，对自主航行中的参数进行预处理，并通过计算得到原始域、频域和稀疏系数等三种特征，并计算得到其对应的核矩阵；再次，使用加权平均算法对三种特征矩阵进行组合；最后，使用期望最大算法推断出贝叶斯模型的解，并使用验证数据进行测试。其实现步骤包括如下：

步骤1，对无人水面艇路径进行参数设定；

步骤2，对步骤1中得到的特征矩阵获取训练特征核矩阵和验证核矩阵；

步骤3，使用基于贝叶斯多特征融合支持向量机模型对步骤2的数据进行模式分类，得到最优解；

步骤4，计算得到无人水面艇的期望舵角。

所述步骤1的具体过程为：

1a)输入路径规划路径，将规划路径按路径拐弯节点划分为N段，并记录下除始节点以外的各节点的经纬度和此路径对应的路径方向，记作{(lat_n,lon_n,head_n)|lat_n∈[0,90),lon_n∈[0,180),head_n∈[0,360),n∈[0,N]}，并将此数据根据墨卡托转换关系转化为相应的笛卡尔坐标点集合{l_nx,l_ny,h_n,L_n.n∈N}；

1b)记录当前无人水面艇的航行信息，包括纬度lat_s、经度lon_s、艏向head_s、航速V_s、转速R_s、当前路径编号n、当前分段规划路径结束距离d₁、路径偏离值d、舵角值{η|η∈[-α,+α]}，α为最大舵角值；期望舵角与实际舵角偏差值△η，偏差值服从均值为0，标准差为σ₀的高斯分布，记录艏向变化率△β；记录风速风向仪数据，风向H和风力p；记录艇体的横纵摇数据，横摇o和纵摇u；将经纬度和艏向信息转化为墨卡托笛卡尔二维坐标系，将上述航行参数统计归纳为x，其中经纬度转化为二维坐标点，艏向信息转化为斜率值k，记做特征向量

x＝{x_lat,x_lon,x_k,x_v,x_r,x_n,x_d,x_d1,x_α,x_△η,x_σ0,x_△β,x_H,x_p,x_o,x_u}；

1c)以当前分段规划路径方向为笛卡尔二维坐标系正x方向，用+1表示，反方向用-1表示，记录当前艏向偏差值△h，将此偏差值投影至上述坐标系中，映射区间为[-1,+1]，数值表示为x_l；

1d)以当前分规划路径起点至终点建立六个象限，分别为I～VI，作为无人水面艇转向参考，根据位置关系，设定当前无人水面艇的象限位置为x_loc；

1e)以当前分规划路径距离终点的距离与无人水面艇转弯动作相关联，将此参数设定为x_t；

1f)总结1a)～1e)形成总的无人水面艇自主航行特征向量为x₀，其包含了1a)～1e)中的所有参数，即x₀＝{x_lat,x_lon,x_k,x_v,x_r,x_n,x_d,x_d1,x_α,x_△η,x_σ0,x_△β,x_H,x_p,x_o,x_u,x_l,x_loc}^T。

所述步骤2的具体过程为：

2a)由于整体的自主航行是各种状态的集合，即总体的特征矩阵为X₀＝(x₀,x₁,...,x_N-1)；

2b)分别使用服从均值为0，标准差为σ₁，σ₂，σ₃的高斯分布产生随机数矩阵，与特征矩阵相乘得到X₁，X₂，X₃；

2c)将2a)～2b)生成的四个特征矩阵进行拼接，得到最终的特征矩阵X，将此矩阵分为两部分，向量比例为9：1，多的部分设定为训练数据集T_tr，少的部分设定为验证数据集T_te，将训练数据集和验证数据集分别进行频域变换和稀疏变换分别得到频域特征训练数据集P_tr和验证数据集P_te，稀疏系数特征训练数据集S_tr和验证数据集S_te；

2d)使用径向核函数RBF，结合训练数据集T_tr和验证数据集T_te，计算得到原始特征训练数据集的核矩阵K_ttr(T_tr,T_tr)和原始特征测试数据集核矩阵K_tte(T_tr,T_te)，其中径向核函数RBF表示如下：

式中，q'和q表示同一空间的两个数据点，K(q',q)表示计算得到的径向核函数值，σ表示径向核函数参数；

2b)使用径向核函数RBF，结合频域特征训练数据集P_tr和验证数据集P_te，计算得到频域特征训练数据集的核矩阵K_ptr(P_tr,P_tr)和频域特征验证数据集核矩阵K_pte(P_tr,P_te)；

2c)使用径向核函数RBF，结合稀疏系数特征训练数据集S_tr和验证数据集S_te，计算得到稀疏系数特征训练数据集的核矩阵K_str(S_tr,S_tr)和稀疏系数特征验证数据集核矩阵K_ste(S_tr,S_te)；

2d)结合步骤2a)～2c)中计算得到的三种特征的训练集核矩阵，使用核组合方法计算获得无人水面艇训练集的组合核矩阵K_tr(V',V_tr)：

K_tr(V',V_tr)＝η_tK_ttr(T_tr,T_tr)+η_pK_ptr(P_tr,P_tr)+η_sK_str(S_tr,S_tr)

式中，η_t表示原始特征数据集核矩阵的组合系数，取值为0.5，

η_p表示频域特征数据集核矩阵的组合系数，取值为0.5，

η_s表示稀疏系数特征数据集核矩阵的组合系数，取值为0.5；

2e)结合步骤2a)～2c)中计算得到的三种特征的验证集核矩阵，使用核组合方法计算无人水面艇验证集的组合核矩阵K_te(V',V_te)：

K_te(V',V_te)＝η_tK_tte(T_tr,T_te)+η_pK_pte(P_tr,P_te)+η_sK_ste(S_tr,S_te)。

所述步骤3的具体过程为：

3a)使用期望最大化算法推导贝叶斯多特征融合支持向量机模型的迭代解，其中，E步骤如下式所示，式中v_l为V_tr，λ_l为隐变量，β为阶段最优解，y为量化的期望舵角模式值，根据

的条件后验分布和逆高斯分布的性质得到

的期望值：

3b)M步骤为迭代解β^(m+1)的表达式：

式中，y＝(y₀,y₁,...,y_l)，m表示第m次迭代次数，I表示单位矩阵，

表示

的第m次期望迭代值，κ为调和参数；

3c)设定最大迭代次数为M'，重复步骤3a)～3b)过程，当迭代次数达到M'时迭代停止，最终得到贝叶斯多特征融合支持向量机模型的最优解β'：

所述步骤4的具体过程为：利用步骤3中得到的贝叶斯多特征融合支持向量机模型的最优解β'，结合无人水面艇验证数据集K_te(V',V_te)，使用下式得到无人水面艇的模式类别y_te：

y_te＝sgn(β^'TK_te(V',V_te))

式中，sgn(·)表示符号函数，目标识别标号与期望舵角一一对应，最终得到期望舵角。

本发明与现有技术相比，具有如下优点：

本发明定位缺失的无人水面艇数据与贝叶斯多数据特征融合的支持向量机模型相结合，提出了基于贝叶斯多特征数据融合支持向量机的定位缺失的无人水面艇自主航行方法，将无人水面艇的航行问题转化为模式分类问题，结合多特征数据的内在关联，能够显著地提高无人水面艇的自主航行安全性能。

附图说明

图1为本发明的实现流程图；

图2为分规划路径象限划分图；

图3为分规划路径转弯象限划分图；

具体实施方式

下面结合附图对本发明的实施步骤和效果做进一步说明：

参照图1、图2、如3所示，本发明的实现步骤如下：

步骤1，对无人水面艇路径进行参数设定：

1a)输入路径规划路径，将规划路径按路径拐弯节点划分为N段，并记录下除始节点以外的各节点的经纬度和此路径对应的路径方向，记作{(lat_n,lon_n,head_n)|lat_n∈[0,90),lon_n∈[0,180),head_n∈[0,360),n∈[0,N]}，并将此数据根据墨卡托转换关系转化为相应的笛卡尔坐标点集合{l_nx,l_ny,h_n,L_n.n∈N}；

1b)记录当前无人水面艇的航行信息，包括纬度lat_s、经度lon_s、艏向head_s、航速V_s、转速R_s、当前路径编号n、当前分段规划路径结束距离d₁、路径偏离值d、舵角值{η|η∈[-α,+α]}，α为最大舵角值；期望舵角与实际舵角偏差值△η，偏差值服从均值为0，标准差为σ₀的高斯分布，记录艏向变化率△β；记录风速风向仪数据，风向H和风力p；记录艇体的横纵摇数据，横摇o和纵摇u；将经纬度和艏向信息转化为墨卡托笛卡尔二维坐标系，其中经纬度转化为二维坐标点，艏向信息转化为斜率值k，将上述航行参数统计归纳为x，记做特征向量

x＝{x_lat,x_lon,x_k,x_v,x_r,x_n,x_d,x_d1,x_α,x_△η,x_σ0,x_△β,x_H,x_p,x_o,x_u}；

1c)以当前分段规划路径方向为笛卡尔二维坐标系正x方向，用+1表示，反方向用-1表示，记录当前艏向偏差值△h，将此偏差值投影至上述坐标系中，映射区间为[-1,+1]，数值表示为x_l；

1d)以当前分规划路径起点至终点建立六个象限，分别为I～VI，作为无人水面艇转向参考，根据位置关系，设定当前无人水面艇的象限位置为x_loc；

1e)以当前分规划路径距离终点的距离与无人水面艇转弯动作相关联，将此参数设定为x_t；

1f)总结1a)～1e)形成总的无人水面艇自主航行特征向量为x₀，其包含了1a)～1e)中的所有参数，即x₀＝{x_lat,x_lon,x_k,x_v,x_r,x_n,x_d,x_d1,x_α,x_△η,x_σ0,x_△β,x_H,x_p,x_o,x_u,x_l,x_loc}^T；

步骤2，对步骤1中得到的特征矩阵获取训练特征核矩阵和验证核矩阵：

2a)由于整体的自主航行是各种状态的集合，即总体的特征矩阵为X₀＝(x₀,x₁,...,x_N-1)；

2b)分别使用服从均值为0，标准差为σ₁，σ₂，σ₃的高斯分布产生随机数矩阵，与特征矩阵相乘得到X₁，X₂，X₃；

2c)将2a)～2b)生成的四个特征矩阵进行拼接，得到最终的特征矩阵X，将此矩阵分为两部分，向量比例为9：1，多的部分设定为训练数据集T_tr，少的部分设定为验证数据集T_te，将训练数据集和验证数据集分别进行频域变换和稀疏变换分别得到频域特征训练数据集P_tr和验证数据集P_te，稀疏系数特征训练数据集S_tr和验证数据集S_te；

2d)使用径向核函数RBF，结合训练数据集T_tr和验证数据集T_te，计算得到原始特征训练数据集的核矩阵K_ttr(T_tr,T_tr)和原始特征测试数据集核矩阵K_tte(T_tr,T_te)，其中径向核函数RBF表示如下：

式中，q'和q表示同一空间的两个数据点，K(q',q)表示计算得到的径向核函数值，σ表示径向核函数参数；

2b)使用径向核函数RBF，结合频域特征训练数据集P_tr和验证数据集P_te，计算得到频域特征训练数据集的核矩阵K_ptr(P_tr,P_tr)和频域特征验证数据集核矩阵K_pte(P_tr,P_te)；

2c)使用径向核函数RBF，结合稀疏系数特征训练数据集S_tr和验证数据集S_te，计算得到稀疏系数特征训练数据集的核矩阵K_str(S_tr,S_tr)和稀疏系数特征验证数据集核矩阵K_ste(S_tr,S_te)；

2d)结合步骤2a)～2c)中计算得到的三种特征的训练集核矩阵，使用核组合方法计算获得无人水面艇训练集的组合核矩阵K_tr(V',V_tr)：

K_tr(V',V_tr)＝η_tK_ttr(T_tr,T_tr)+η_pK_ptr(P_tr,P_tr)+η_sK_str(S_tr,S_tr)

式中，η_t表示原始特征数据集核矩阵的组合系数，取值为0.5，

η_p表示频域特征数据集核矩阵的组合系数，取值为0.5，

η_s表示稀疏系数特征数据集核矩阵的组合系数，取值为0.5；

2e)结合步骤2a)～2c)中计算得到的三种特征的验证集核矩阵，使用核组合方法计算无人水面艇验证集的组合核矩阵K_te(V',V_te)：

K_te(V',V_te)＝η_tK_tte(T_tr,T_te)+η_pK_pte(P_tr,P_te)+η_sK_ste(S_tr,S_te)。

步骤3，使用基于贝叶斯多特征融合支持向量机模型对上述数据进行模式分类，得到最优解：

3a)使用期望最大化算法推导贝叶斯多特征融合支持向量机模型的迭代解，其中，E步骤如下式所示，式中v_l为V_tr，λ_l为隐变量，β为阶段最优解，y为量化的期望舵角模式值，根据

的条件后验分布和逆高斯分布的性质得到

的期望值：

3b)M步骤为迭代解β^(m+1)的表达式：

式中，y＝(y₀,y₁,...,y_l)，m表示第m次迭代次数，I表示单位矩阵，

表示

的第m次期望迭代值，κ为调和参数；

3c)设定最大迭代次数为M'，重复步骤3a)～3b)过程，当迭代次数达到M'时迭代停止，最终得到贝叶斯多特征融合支持向量机模型的最优解β'：

步骤4，计算得到无人水面艇的类别标号即期望舵角：

利用步骤3c)中得到的贝叶斯多特征融合支持向量机模型的最优解β'，结合无人水面艇验证数据集K_te(V',V_te)，使用下式得到无人水面艇的模式类别y_te：

y_te＝sgn(β^'TK_te(V',V_te))

式中，sgn(·)表示符号函数，目标识别标号与期望舵角一一对应，最终得到期望舵角。至此，完成对无人水面艇再定位缺失的情况下的期望舵角计算。

本发明的效果通过以下对实测数据的实验进一步说明：

1.实验场景与参数：

实验中所用数据全部来自于7.5米舰载无人水面艇数据，其包含了双模GPS导航设备：定位精度为0.02m，艏向精度为0.1°，风速风向仪设备(真北)，主机最大转速为3300转，最大航速为42节，舵机角度为-30°～+30°，将其按0.5°量化为71个类别，每一类别对应已标号即y_label＝i；i∈[0,70]，最终的期望舵角一一对应于此标号，对应海况为1～3级，风力不大于8级。

实验参数设定如下：

无人水面艇的训练数据集大小为9000×72，验证数据集大小为1000×72，其中三次增广的标准差分别为σ₁＝0.01，σ₂＝0.1，σ₃＝0.5；原始特征对应的径向核参数σ_t＝1，频域特征对应的径向核参数σ_p＝0.1，稀疏系数特征对应的径向核参数σ_s＝1，贝叶斯多特征融合支持向量机模型中新的调和参数κ＝0.01；

2.本实验内容与结果：

用本发明方法进行目标识别的实验步骤如下：

首先，对实验中的无人水面艇的数据进行采集，并计算得到相应的三类数据集，并使用径向核函数计算得到三种特征核矩阵，即原始特征核矩阵、频域特征核矩阵和稀疏系数特征核矩阵；

接着，使用组合核方法对这三种特征核函数矩阵进行组合，得到无人水面艇的三类数据的训练数据集和验证数据集；

然后，将无人水面艇三类数据的训练数据集分别代入到贝叶斯多核学习支持向量机的最优解的表达式和隐变量期望值的表达式中，设定最大迭代次数，最终得到贝叶斯多核学习支持向量机的最优解；

最后，根据上述得到的最优解结合无人水面艇三类数据的验证数据集，计算得到目标识别标号。

根据实验结果可知：本发明提出的贝叶斯多特征融合支持向量机模型对无人水面艇三类目标的识别率为99.12％，最大期望舵角误差为±2°，完全可用于无人水面艇在定位信息缺失下的自主航行。

显然，本发明的上述实施例仅仅是为了说明本发明所作的举例，而并非对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷例。而这些属于本发明的实质精神所引申出的显而易见的变化或变动仍属于本发明的保护范围。

Claims (5)

1.一种基于贝叶斯多特征融合的无人水面艇自主航行方法，其步骤如下：

步骤1，对无人水面艇路径进行参数设定；

步骤2，对步骤1中得到的特征矩阵获取训练特征核矩阵和验证核矩阵；

步骤3，使用基于贝叶斯多特征融合支持向量机模型对步骤2的数据进行模式分类，得到最优解；

步骤4，计算得到无人水面艇的期望舵角。

2.如权利要求1所述的一种基于贝叶斯多特征融合的无人水面艇自主航行方法，其特征在于：所述步骤1的具体过程为：

1a)输入路径规划路径，将规划路径按路径拐弯节点划分为N段，并记录下除始节点以外的各节点的经纬度和此路径对应的路径方向，记作{(lat_n,lon_n,head_n)|lat_n∈[0,90),lon_n∈[0,180),head_n∈[0,360),n∈[0,N]}，并将此数据根据墨卡托转换关系转化为相应的笛卡尔坐标点集合{l_nx,l_ny,h_n,L_n.n∈N}；

1b)记录当前无人水面艇的航行信息，包括纬度lat_s、经度lon_s、艏向head_s、航速V_s、转速R_s、当前路径编号n、当前分段规划路径结束距离d₁、路径偏离值d、舵角值{η|η∈[-α,+α]}，α为最大舵角值；期望舵角与实际舵角偏差值△η，偏差值服从均值为0，标准差为σ₀的高斯分布，记录艏向变化率△β；记录风速风向仪数据，风向H和风力p；记录艇体的横纵摇数据，横摇o和纵摇u；将经纬度和艏向信息转化为墨卡托笛卡尔二维坐标系，其中经纬度转化为二维坐标点，艏向信息转化为斜率值k，将上述航行参数统计归纳为x，记做特征向量

1c)以当前分段规划路径方向为笛卡尔二维坐标系正x方向，用+1表示，反方向用-1表示，记录当前艏向偏差值△h，将此偏差值投影至上述坐标系中，映射区间为[-1,+1]，数值表示为x_l；

1d)以当前分规划路径起点至终点建立六个象限，分别为I～VI，作为无人水面艇转向参考，根据位置关系，设定当前无人水面艇的象限位置为x_loc；

1e)以当前分规划路径距离终点的距离与无人水面艇转弯动作相关联，将此参数设定为x_t；

1f)总结1a)～1e)形成总的无人水面艇自主航行特征向量为x₀，其包含了1a)～1e)中的所有参数，即

3.如权利要求2所述的一种基于贝叶斯多特征融合的无人水面艇自主航行方法，其特征在于：所述步骤2的具体过程为：

2a)由于整体的自主航行是各种状态的集合，即总体的特征矩阵为X₀＝(x₀,x₁,...,x_N-1)；

2b)分别使用服从均值为0，标准差为σ₁，σ₂，σ₃的高斯分布产生随机数矩阵，与特征矩阵相乘得到X₁，X₂，X₃；

2c)将2a)～2b)生成的四个特征矩阵进行拼接，得到最终的特征矩阵X，将此矩阵分为两部分，向量比例为9：1，多的部分设定为训练数据集T_tr，少的部分设定为验证数据集T_te，将训练数据集和验证数据集分别进行频域变换和稀疏变换分别得到频域特征训练数据集P_tr和验证数据集P_te，稀疏系数特征训练数据集S_tr和验证数据集S_te；

2d)使用径向核函数RBF，结合训练数据集T_tr和验证数据集T_te，计算得到原始特征训练数据集的核矩阵K_ttr(T_tr,T_tr)和原始特征测试数据集核矩阵K_tte(T_tr,T_te)，其中径向核函数RBF表示如下：

式中，q'和q表示同一空间的两个数据点，K(q',q)表示计算得到的径向核函数值，σ表示径向核函数参数；

2b)使用径向核函数RBF，结合频域特征训练数据集P_tr和验证数据集P_te，计算得到频域特征训练数据集的核矩阵K_ptr(P_tr,P_tr)和频域特征验证数据集核矩阵K_pte(P_tr,P_te)；

2c)使用径向核函数RBF，结合稀疏系数特征训练数据集S_tr和验证数据集S_te，计算得到稀疏系数特征训练数据集的核矩阵K_str(S_tr,S_tr)和稀疏系数特征验证数据集核矩阵K_ste(S_tr,S_te)；

2d)结合步骤2a)～2c)中计算得到的三种特征的训练集核矩阵，使用核组合方法计算获得无人水面艇训练集的组合核矩阵K_tr(V',V_tr)：

K_tr(V',V_tr)＝η_tK_ttr(T_tr,T_tr)+η_pK_ptr(P_tr,P_tr)+η_sK_str(S_tr,S_tr)

式中，η_t表示原始特征数据集核矩阵的组合系数，取值为0.5，

η_p表示频域特征数据集核矩阵的组合系数，取值为0.5，

η_s表示稀疏系数特征数据集核矩阵的组合系数，取值为0.5；

2e)结合步骤2a)～2c)中计算得到的三种特征的验证集核矩阵，使用核组合方法计算无人水面艇验证集的组合核矩阵K_te(V',V_te)：

K_te(V',V_te)＝η_tK_tte(T_tr,T_te)+η_pK_pte(P_tr,P_te)+η_sK_ste(S_tr,S_te)。

4.如权利要求3所述的一种基于贝叶斯多特征融合的无人水面艇自主航行方法，其特征在于：所述步骤3的具体过程为：

3a)使用期望最大化算法推导贝叶斯多特征融合支持向量机模型的迭代解，其中，E步骤如下式所示，式中v_l为V_tr，λ_l为隐变量，β为阶段最优解，y为量化的期望舵角模式值，根据

的条件后验分布和逆高斯分布的性质得到

的期望值：

3b)M步骤为迭代解β^(m+1)的表达式：

式中，y＝(y₀,y₁,...,y_l)，m表示第m次迭代次数，I表示单位矩阵，

表示

的第m次期望迭代值，κ为调和参数；

3c)设定最大迭代次数为M'，重复步骤3a)～3b)过程，当迭代次数达到M'时迭代停止，最终得到贝叶斯多特征融合支持向量机模型的最优解β'：

5.如权利要求4所述的一种基于贝叶斯多特征融合的无人水面艇自主航行方法，其特征在于：所述步骤4的具体过程为：

利用步骤3中得到的贝叶斯多特征融合支持向量机模型的最优解β'，结合无人水面艇验证数据集K_te(V',V_te)，使用下式得到无人水面艇的模式类别y_te：

y_te＝sgn(β'^TK_te(V',V_te))

式中，sgn(·)表示符号函数，目标识别标号与期望舵角一一对应，最终得到期望舵角。

Images