CN113111901B - 水下非合作平台运动要素最优解算过程的选择方法及系统 - Google Patents

水下非合作平台运动要素最优解算过程的选择方法及系统 Download PDF

Info

Publication number
CN113111901B
CN113111901B CN202011494645.7A CN202011494645A CN113111901B CN 113111901 B CN113111901 B CN 113111901B CN 202011494645 A CN202011494645 A CN 202011494645A CN 113111901 B CN113111901 B CN 113111901B
Authority
CN
China
Prior art keywords
motion
network
detection signal
training
motion element
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
Application number
CN202011494645.7A
Other languages
English (en)
Other versions
CN113111901A (zh
Inventor
李玉庆
黄胜全
王日新
江飞龙
陈卓
杨金鸿
徐敏强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
CSSC Systems Engineering Research Institute
Original Assignee
Harbin Institute of Technology
CSSC Systems Engineering Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology, CSSC Systems Engineering Research Institute filed Critical Harbin Institute of Technology
Priority to CN202011494645.7A priority Critical patent/CN113111901B/zh
Publication of CN113111901A publication Critical patent/CN113111901A/zh
Application granted granted Critical
Publication of CN113111901B publication Critical patent/CN113111901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/02—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种水下非合作平台运动要素最优解算过程的选择方法及系统，包括以下步骤：步骤一、建立水下非合作平台的最优解算过程的选择方法的监督学习分类模型；步骤二、构建运动要素解算方法分类神经网络模型；步骤三、构建水下非合作平台仿真样本集；步骤四、把探测信号序列输入到训练好神经网络参数的分类模型中，自动选择出运动要素最优解算过程。本发明构建了完整的面向水下非合作平台的运动要素解算方法智能选择方法，在已有探测信号序列和多种目标运动要素解算方法的情况下，能够自主选择一种最优的运动要素解算方法。

Description

水下非合作平台运动要素最优解算过程的选择方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种水下非合作平台运动要素最优解算过程的选择方法及系统。
背景技术
目标运动要素也称为目标运动参数，通常是指目标运动方向、目标运动速度、目标距离、目标方位等。在水下追踪非合作机动平台的过程中，通过使用探测传感器设备搜索发现目标以后，为了达到对目标进行捕获等目的，必须合理选择水下要素解算方法，快速准确地解算目标的运动要素，以便为占据有利位置并实施后续行动做好必要的目标信息准备。目标运动要素解算是影响水下非合作平台追踪捕获的跟踪概率、跟踪精度、捕获概率、反应时间和决策效率等一系列性能的关键因素。
目标运动要素是对水下目标进行定位和追踪的基础。目标运动要素解算方法是指由水下探测信号计算得到水下目标运动要素的技术方法。在实际应用目标运动要素解算方法时，对于某个需要进行运动要素解算的目标，信号分析设备通常会依据探测信息，同时给出多种运动要素解算方法的解算结果，之后就需要人工介入，依靠人工经验进行判断并选择使用何种运动要素解算方法的结果作为最终结果。
现有的关于水下非合作平台的运动要素解算的研究，大多关注于运动要素解算方法的提出和改进，对多种运动要素解算方法如何综合使用的研究较少，更没有对于如何依据当前探测信号序列决定使用何种运动要素解算方法的研究，限制了在实际应用中运动要素解算过程的智能化进程，使得运动要素解算过程无法摆脱对于人工操作的依赖，实用性较差。目前没有关于如何在无人工干预的情况下自主进行水下非合作平台运动要素解算方法选择的研究。
发明内容
本发明是要解决运动要素解算过程无法摆脱对于人工操作的依赖，实用性较差的技术问题，进而提供了一种水下非合作平台运动要素最优解算过程的选择方法。
本发明涉及一种水下非合作平台运动要素最优解算过程的选择方法，包括以下步骤：
步骤一、建立水下非合作平台的最优解算过程的选择方法的监督学习分类模型；
步骤二、构建运动要素解算方法分类神经网络模型，建立分类模型中从探测信号序列到运动要素解算方法选择的映射空间；
步骤三、构建水下非合作平台仿真样本集，对神经网络模型进行训练学习；
步骤四、把探测信号序列输入到训练好神经网络参数的分类模型中，自动选择出运动要素最优解算过程。
步骤一中，监督学习分类模型构建方法如下：面向水下非合作平台，构建运动要素解算方法选择分类模型，分类模型的输入定义为水下探测信号序列，分类模型的输出定义为选中的运动要素解算方法的序号；分别使用现有的运动要素解算方法和CNN预处理网络处理探测信号序列数据，分别得到多组运动要素解算值和高维特征表达向量；然后把多组运动要素解算值和高维特征表达向量拼接为一个非结构化数据向量，输入到全连接神经网络中，即可输出选中的运动要素解算方法的序号。
步骤一中，运动要素解算方法数据处理过程如下：由探测信号序列数据经处理得到目标方位变化时序序列，使用方位平差法、距离平差法、速度平差法和方位距离平差法解算得到多组非合作平台的运动方向、运动速度、方位和距离。
步骤二中，运动要素解算方法分类神经网络模型中，分别构建两个部分的神经网络结构，分别为探测信号序列预处理CNN网络和运动要素解算方法选择全连接网络；探测信号序列预处理CNN网络的网络结构由2个卷积层、2个池化层、3个全连接层组成；运动运动要素解算方法选择全连接网络，由输入层、2个隐层、输出分类层组成。
步骤三中，网络参数训练学习过程如下：网络参数训练学习过程分为两个阶段，先进行探测信号序列预处理CNN网络的预训练，得到预处理CNN网络的较合理的网络参数，再结合多种要素解算方法计算得到的非合作平台运动方向、运动速度、方位和距离，对分类模型进行整体训练，得到全连接神经网络的网络参数，并同时微调预处理CNN网络的参数。
步骤三中，预处理CNN网络预训练方法如下：使用有监督学习的方式对网络参数进行学习，构建预训练样本集，以带有标签的分别代表多种不同目标运动轨迹的信号瀑布图作为训练样本，以目标运动轨迹分类问题作为训练导向，在CNN预处理网络的基础上，后接一个分类层，以目标运动轨迹分类作为标签对CNN预处理网络进行训练。
步骤三中，分类模型整体训练方法如下：使用有监督学习的方式对网络参数进行学习，构建整体训练样本集，把全连接神经网络和上个步骤中训练的CNN网络相连接，把CNN网络的输出和多组要素解算方法的结果组合作为全连接神经网络的输入，形成一个端到端的整体网络用于训练。
步骤三中，整体训练样本集的确定：在每一个样本中，设定目标的运动模式，并仿真大量的探测信号序列，然后使用可选择的多种目标运动要素解算方法分别对此探测信号序列进行解算，得到多种目标运动要素解算方法的解算值，选择其中解算结果与仿真真实值最接近的一种方法，即为当前最合适的解算方法，以仿真的探测信号序列作为样本内容，以最合适的解算方法作为样本标签。
步骤三中，对于最合适解算方法的判定方法：先分别计算每一种要素解算结果与仿真真实值的误差，分别在要素解算结果和仿真真实值的基础上，以合适步长向后递推多个目标位置，然后以多个目标位置的平均距离误差作为要素解算结果与仿真真实值的误差。最后选择一种误差最小的要素解算结果，即为最合适的解算方法。
本发明还涉及一种包括上述水下非合作平台运动要素最优解算过程的选择方法的系统。
有益效果
本发明构建了完整的面向水下非合作平台的运动要素解算方法智能选择方法，在已有探测信号序列和多种目标运动要素解算方法的情况下，能够自主选择一种最合理的运动要素解算方法，以更准确地解算水下非合作平台的目标运动要素。实现了目标运动要素解算的实际应用中的人工干预过程的智能化和自动化，减少了人工干预带来的不可解释性和不稳定性。
附图说明
图1为本发明的系统流程图；
图2为本发明的部分样本信号瀑布图示意图；
图3为本发明的预处理网络训练结果测试结果图；
图4为本发明的分类模型训练过程曲线。
具体实施方式
以下以具体实施方法对本发明进一步说明。
如图1所示，本发明包括如下步骤：
步骤1、建立面向水下非合作平台的运动要素解算方法选择方法的监督学习分类模型。
步骤1-1：面向水下非合作平台，构建运动要素解算方法选择分类模型，整体结构如图1所示，分类模型的输入定义为水下探测信号序列，分类模型的输出定义为选中的运动要素解算方法的序号。首先，分别使用现有的运动要素解算方法和CNN预处理网络处理探测信号序列数据，分别得到多组运动要素解算值和高维特征表达向量；然后把多组运动要素解算值和高维特征表达向量拼接为一个非结构化数据向量，输入到全连接神经网络中，即可输出选中的运动要素解算方法的序号。
步骤1-1-1：由探测信号序列数据经处理得到目标方位变化时序序列，使用方位平差法、距离平差法、速度平差法和方位距离平差法等运动要素解算方法，解算得到多组非合作机动平台运动方向、运动速度、方位和距离等目标运动要素。
步骤2、构建运动要素解算方法分类神经网络模型，建立分类模型中从探测信号序列到运动要素解算方法选择的映射空间。
步骤2-1：如图1所示，分别构建两个部分的神经网络结构：探测信号序列预处理CNN网络和运动要素解算方法选择全连接网络。
步骤2-1-1：探测信号序列预处理CNN网络的网络结构由2个卷积层、2个池化层、3个全连接层组成，具体参数如表1所示。
表1
Figure BDA0002841762930000041
步骤2-1-2：运动要素解算方法选择全连接网络由输入层、2个隐层、输出分类层组成，具体参数如表2所示。
表2
Figure BDA0002841762930000042
步骤3、构建水下非合作平台仿真样本集，对神经网络模型进行训练学习。
步骤3-1：网络参数训练学习过程分为两个阶段，先进行探测信号序列预处理CNN网络的预训练，得到预处理CNN网络的较合理的网络参数，再结合多种要素解算方法计算得到的非合作机动平台运动方向、运动速度、方位和距离等目标运动要素，对分类模型进行整体训练，得到全连接神经网络的网络参数，并同时微调预处理CNN网络的参数。
步骤3-1-1：使用有监督学习的方式对网络参数进行学习，构建预训练样本集，以带有标签的分别代表多种不同目标运动轨迹的信号瀑布图作为训练样本，以目标运动轨迹分类问题作为训练导向，在表1所描述的CNN预处理网络的基础上，后接一个分类层，以目标运动轨迹分类作为标签对CNN预处理网络进行训练。
步骤3-1-1-1：假定目标的多种运动模式，并分别在多种运动模式下仿真大量的探测信号序列并拼接处理为信号瀑布图，以信号瀑布图为样本内容，以运动模式作为样本标签。
步骤3-1-2：使用有监督学习的方式对网络参数进行学习，构建整体训练样本集，如图1所示，把全连接神经网络和上个步骤中训练的CNN网络相连接，把CNN网络的输出和多组要素解算方法的结果组合作为全连接神经网络的输入，形成一个端到端的整体网络用于训练，整体网络的输入和输出如表3所示。
表3
Figure BDA0002841762930000051
步骤3-1-2-1：在每一个样本中，设定目标的运动模式，并仿真大量的探测信号序列，然后使用可选择的多种目标运动要素解算方法分别对此探测信号序列进行解算，得到多种目标运动要素解算方法的解算值，选择其中解算结果与仿真真实值最接近的一种方法，即为当前最合适的解算方法。以仿真的探测信号序列作为样本内容，以最合适的解算方法作为样本标签。
步骤3-1-2-1-1：先分别计算每一种要素解算结果与仿真真实值的误差，分别在要素解算结果和仿真真实值的基础上，以合适步长向后递推多个目标位置，然后以多个目标位置的平均距离误差作为要素解算结果与仿真真实值的误差。最后选择一种误差最小的要素解算结果，即为最合适的解算方法。
步骤4、在实际应用时，把探测信号序列输入到训练好神经网络参数的分类模型中，自主选择合适的运动要素解算方法。
本发明使用监督学习分类方法实现水下非合作平台运动要素解算方法的自主选择，首先需要将面向水下非合作平台的运动要素解算方法选择问题建模为监督学习分类问题，然后构建相应的神经网络结构，设计并构建水下非合作平台仿真样本集，对神经网络内部参数进行训练，最后使用训练好的神经网络自主选择运动要素解算方法，实现对水下非合作平台的运动要素解算方法的无人工干预选择。
具体应用示例
本实施例中阐述的方法主要包含了预训练阶段和整体训练阶段两部分。
(1)预训练阶段
在静止、径向、圆弧、割线等四类运动模式下各仿真生成1000组探测信号序列并拼接处理为信号瀑布图，以信号瀑布图为样本内容，以运动模式作为样本标签，如图2是每种轨迹前100个样本的信号历史数据。
随机抽取3000份进行训练，余下1000份用于正确率测试，完成训练后，网络分类正确率达到了93％，图3展示了部分样本的最终预测结果和真实值的比对。仿真结果说明了CNN预处理网络实现了对声呐序列信息的识别，能够准确判断出目标的运动轨迹。
(2)整体训练阶段
对对应规则作出假设，测试分类模型习得规则的能力。表4所示为假设的要素解算经验规则。
表4
Figure BDA0002841762930000061
训练结果如图4、表4和表5所示，分类模型能够稳定有效地学习到设定的规则，并且准确率达到90％以上。表5为分类模型训练结果。
表5
Figure BDA0002841762930000062
可以看出：运动要素解算方法自主分类模型在经过预训练和整体训练后，能够实现对于依据情况自主选择当前最合适的运动要素解算方法，在设置的场景下达到了90％的选择准确率，验证了面向水下非合作平台的运动要素最优解算过程自主选择方法的有效性。
上述内容仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种水下非合作平台运动要素最优解算过程的选择方法，其特征在于，包括以下步骤：
步骤一、建立水下非合作平台的最优解算过程的选择方法的监督学习分类模型；
步骤二、构建运动要素解算方法分类神经网络模型，建立分类模型中从探测信号序列到运动要素解算方法选择的映射空间；
步骤三、构建水下非合作平台仿真样本集，对神经网络模型进行训练学习；
步骤四、把探测信号序列输入到训练好神经网络参数的分类模型中，自动选择出运动要素最优解算过程。
2.根据权利要求1所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤一中，监督学习分类模型构建方法如下：面向水下非合作平台，构建运动要素解算方法选择分类模型，分类模型的输入定义为水下探测信号序列，分类模型的输出定义为选中的运动要素解算方法的序号；分别使用现有的运动要素解算方法和CNN预处理网络处理探测信号序列数据，分别得到多组运动要素解算值和高维特征表达向量；然后把多组运动要素解算值和高维特征表达向量拼接为一个非结构化数据向量，输入到全连接神经网络中，即可输出选中的运动要素解算方法的序号。
3.根据权利要求2所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤一中，运动要素解算方法数据处理过程如下：由探测信号序列数据经处理得到目标方位变化时序序列，使用方位平差法、距离平差法、速度平差法和方位距离平差法解算得到多组非合作机动平台运动方向、运动速度、方位和距离。
4.根据权利要求1所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤二中，运动要素解算方法分类神经网络模型中，分别构建两个部分的神经网络结构，分别为探测信号序列预处理CNN网络和运动要素解算方法选择全连接网络；探测信号序列预处理CNN网络的网络结构由2个卷积层、2个池化层、3个全连接层组成；运动要素解算方法选择全连接网络，由输入层、2个隐层、输出分类层组成。
5.根据权利要求1所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，网络参数训练学习过程如下：网络参数训练学习过程分为两个阶段，先进行探测信号序列预处理CNN网络的预训练，得到预处理CNN网络的较合理的网络参数，再结合多种要素解算方法计算得到的非合作机动平台运动方向、运动速度、方位和距离，对分类模型进行整体训练，得到全连接神经网络的网络参数，并同时微调预处理CNN网络的参数。
6.根据权利要求5所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，预处理CNN网络预训练方法如下：使用有监督学习的方式对网络参数进行学习，构建预训练样本集，以带有标签的分别代表多种不同目标运动轨迹的信号瀑布图作为训练样本，以目标运动轨迹分类问题作为训练导向，在CNN预处理网络的基础上，后接一个分类层，以目标运动轨迹分类作为标签对CNN预处理网络进行训练。
7.根据权利要求6所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，分类模型整体训练方法如下：使用有监督学习的方式对网络参数进行学习，构建整体训练样本集，把全连接神经网络和上个步骤中训练的CNN网络相连接，把CNN网络的输出和多组要素解算方法的结果组合作为全连接神经网络的输入，形成一个端到端的整体网络用于训练。
8.根据权利要求7所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，整体训练样本集的确定：在每一个样本中，设定目标的运动模式，并仿真大量的探测信号序列，然后使用可选择的多种目标运动要素解算方法分别对此探测信号序列进行解算，得到多种目标运动要素解算方法的解算值，选择其中解算结果与仿真真实值最接近的一种方法，即为当前最合适的解算方法，以仿真的探测信号序列作为样本内容，以最合适的解算方法作为样本标签。
9.根据权利要求8所述的水下非合作平台运动要素最优解算过程的选择方法，其特征在于，步骤三中，对于最合适解算方法的判定方法：先分别计算每一种要素解算结果与仿真真实值的误差，分别在要素解算结果和仿真真实值的基础上，以合适步长向后递推多个目标位置，然后以多个目标位置的平均距离误差作为要素解算结果与仿真真实值的误差， 最后选择一种误差最小的要素解算结果，即为最合适的解算方法。
10.一种包括根据权利要求1至9所述的水下非合作平台运动要素最优解算过程的选择方法的系统。
CN202011494645.7A 2020-12-17 2020-12-17 水下非合作平台运动要素最优解算过程的选择方法及系统 Active CN113111901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011494645.7A CN113111901B (zh) 2020-12-17 2020-12-17 水下非合作平台运动要素最优解算过程的选择方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011494645.7A CN113111901B (zh) 2020-12-17 2020-12-17 水下非合作平台运动要素最优解算过程的选择方法及系统

Publications (2)

Publication Number Publication Date
CN113111901A CN113111901A (zh) 2021-07-13
CN113111901B true CN113111901B (zh) 2022-06-14

Family

ID=76710166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011494645.7A Active CN113111901B (zh) 2020-12-17 2020-12-17 水下非合作平台运动要素最优解算过程的选择方法及系统

Country Status (1)

Country Link
CN (1) CN113111901B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6842751B1 (en) * 2000-07-31 2005-01-11 International Business Machines Corporation Methods and apparatus for selecting a data classification model using meta-learning
EP3255586A1 (en) * 2016-06-06 2017-12-13 Fujitsu Limited Method, program, and apparatus for comparing data graphs

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040096107A1 (en) * 2002-11-14 2004-05-20 Lockheed Martin Corporation Method and computer program product for determining an efficient feature set and an optimal threshold confidence value for a pattern recogniton classifier
US11620568B2 (en) * 2019-04-18 2023-04-04 Oracle International Corporation Using hyperparameter predictors to improve accuracy of automatic machine learning model selection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6842751B1 (en) * 2000-07-31 2005-01-11 International Business Machines Corporation Methods and apparatus for selecting a data classification model using meta-learning
EP3255586A1 (en) * 2016-06-06 2017-12-13 Fujitsu Limited Method, program, and apparatus for comparing data graphs

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种Spark作业配置参数智能优化方法;阮树骅等;《工程科学与技术》;20200228;第52卷(第01期);第191-197页 *
一种图像分割算法的选择方法;黄建军等;《深圳大学学报(理工版)》;20001231(第04期);第21-26页 *
基于深度学习的地空导弹发射区解算方法;薛亚勇等;《指挥信息系统与技术》;20180831;第9卷(第04期);第48-52页 *

Also Published As

Publication number Publication date
CN113111901A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN107255923B (zh) 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法
Lu et al. Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm
Cao et al. Target search control of AUV in underwater environment with deep reinforcement learning
CN111722628B (zh) 一种多智能体轨迹更新迭代学习的点到点跟踪控制方法
CN108320051B (zh) 一种基于gru网络模型的移动机器人动态避碰规划方法
CN108960421A (zh) 改进基于bp神经网络的水面无人艇航速在线预报方法
CN111445498A (zh) 一种采用Bi-LSTM神经网络的目标跟踪方法
Savage et al. Obstacle avoidance behaviors for mobile robots using genetic algorithms and recurrent neural networks
CN112857370A (zh) 一种基于时序信息建模的机器人无地图导航方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN114152257A (zh) 基于注意力机制和环境感知lstm的船舶预测导航方法
CN106896724B (zh) 用于太阳跟踪器的跟踪系统及跟踪方法
Wang et al. An implementation of the adaptive neuro-fuzzy inference system (anfis) for odor source localization
Karlbauer et al. A distributed neural network architecture for robust non-linear spatio-temporal prediction
Madagouda et al. Analysis of localization using ANN models in wireless sensor networks
CN116503029B (zh) 用于自动驾驶的模块数据协同处理方法及系统
CN113111901B (zh) 水下非合作平台运动要素最优解算过程的选择方法及系统
US11948079B2 (en) Multi-agent coordination method and apparatus
Xu et al. Trajectory prediction for autonomous driving with topometric map
CN111341102B (zh) 运动基元库构建方法和装置、连接运动基元的方法和装置
Siddarth et al. Path planning for mobile robots using deep learning architectures
CN116907510A (zh) 一种基于物联网技术的智能化运动识别方法
CN116824851A (zh) 一种基于路径的城市快速路走廊交通拥堵溯源方法
CN115438841A (zh) 基于人工智能精准预测降雨模型的训练方法及预测方法
CN114779821B (zh) 基于深度学习的无人机自适应斥力系数路径规划方法

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