CN113640712B - 一种舰船垂向感应磁场垂向分量的预测方法 - Google Patents
一种舰船垂向感应磁场垂向分量的预测方法 Download PDFInfo
- Publication number
- CN113640712B CN113640712B CN202110902189.3A CN202110902189A CN113640712B CN 113640712 B CN113640712 B CN 113640712B CN 202110902189 A CN202110902189 A CN 202110902189A CN 113640712 B CN113640712 B CN 113640712B
- Authority
- CN
- China
- Prior art keywords
- ship
- magnetic field
- vertical component
- vertical
- neural network
- 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
- 230000006698 induction Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 30
- 230000005358 geomagnetic field Effects 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 11
- 101150080778 INPP5D gene Proteins 0.000 description 106
- 238000004088 simulation Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005389 magnetism Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000005347 demagnetization Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种舰船垂向感应磁场垂向分量的预测方法,步骤包括:数据归一化处理、构建对应的BP神经网络并初始化权值和阈值、对权值和阈值进行实数编码并将每个编码字符串作为一个个体、采用随机方法生成包含N个个体的遗传算法初始种群、设置遗传算法的初始参数并计算遗传算法的适应度值、搜索出种群中适应度函数值最大的个体作为BP神经网络的最佳权值和最佳阈值、将最佳权值和最佳阈值代入BP神经网络计算出舰船垂向感应磁场的垂向分量Ziz。该舰船垂向感应磁场垂向分量的预测方法通过遗传算法优化的BP神经网络模型利用已有数据来实时动态预测垂向分量Ziz,确保了垂向分量Ziz预测的可靠。
Description
技术领域
本发明涉及一种磁场垂向分量的预测方法,尤其是一种舰船垂向感应磁场垂向分量的预测方法。
背景技术
舰船磁性可以大致区分为固定磁性和感应磁性。正是基于舰船已有磁性,舰船能够在周围产生舰船磁性磁场。人们一般用固定磁场信号和感应磁场信号来描述舰船周围的磁场分布。因此,磁场防护措施的目的就是为了消除或补偿舰船的固定和感应信号。目前,各国的磁场防护技术可大致区分为主动防护技术和被动防护技术两大类。
通常情况下,在舰船被动消磁后的一段时间内,舰船的固定磁场信号相对稳定,而舰船的感应磁场信号会随着舰船的姿态、航向、活动区域的不同而变化。对于安装了主动防护系统的舰船,它的感应磁场信号能够被实时动态检测,并通过调整主动防护系统中的电流,对感应磁场信号进行动态抵消或补偿。然而,对于没有主动防护系统的舰船,由于无法获得自身的感应磁场信号,导致舰船本身成为活动区域的磁场暴露源,增加了自身被磁异常装置侦测的风险。因此,对于没有安装主动防护系统的舰船而言,准确预测舰船的感应磁场至关重要。
在舰船的所有感应磁场分量(包括纵向感应磁场垂向分量Zix、横向感应磁场垂向分量Ziy、垂向感应磁场垂向分量Ziz)中,Zix和Ziy可以借助布设在舰船下方的磁传感器阵列直接测量,垂向分量Ziz无法通过这种方法直接测量,其整体测量过程更加复杂。通常情况下,一般采用地磁模拟法来预测舰船磁场垂向分量Ziz。具体而言,在舰船周围布设地磁模拟线圈,通过调整地磁模拟线圈中的电流,改变舰船周围的背景磁场,进而得到垂向分量Ziz变化情况,并推算出当地地磁环境下的舰船磁场垂向分量Ziz。实验结果表明,这种方法的预测精度很容易受到地磁模拟线圈所产生磁场不均匀度的影响,对磁场测量站的硬件条件要求很高,进而影响了这种方法在实际消磁实践中的应用。
发明内容
发明目的:提供一种舰船垂向感应磁场垂向分量的预测方法,能够利用已知数据实时预测舰船的垂向分量Ziz,成为传统地磁模拟模型的重要替代方法。
技术方案:本发明所述的舰船垂向感应磁场垂向分量的预测方法,包括如下步骤:
步骤1,对舰船样本数据进行数据归一化处理;
步骤2,根据舰船样本数据的特性来构建对应的BP神经网络,并初始化BP神经网络的权值和阈值;
步骤3,对初始化的权值和阈值进行实数编码获得对应的编码字符串,并将每个编码字符串作为一个个体;
步骤4,采用随机方法生成包含N个个体的遗传算法初始种群;
步骤5,设置遗传算法的初始参数,并计算遗传算法的适应度值;
步骤6,根据遗传算法的适应度值搜索出种群中适应度函数值最大的个体作为BP神经网络的最佳权值和最佳阈值;
步骤7,将最佳权值和最佳阈值代入BP神经网络,再利用实时监测的舰船参数来运行BP神经网络,计算出舰船垂向感应磁场的垂向分量Ziz。
进一步的,还包括步骤8,构建BP神经网络的误差函数E,并基于梯度下降策略,在每一轮迭代中把误差函数E计算获得的误差值反向传递,从而对BP神经网络的权值和阈值进行调整,直至达到最大迭代次数,并在判断达到最大迭代次数时输出当前垂向分量Ziz作为最终预测值。
进一步的,步骤8中,构建的BP神经网络的误差函数E为:
式中,yl表示真实值,表示预测值,N表示输出层节点个数。
进一步的,步骤1中,对舰船样本数据进行数据归一化处理时,具体步骤为:
步骤1.1,获取各类型样本数据的最大值Jmax以及最小值Jmin;
步骤1.2,按类型分别进行数据归一化处理,数据归一化处理的具体计算公式为:
式中,Ji表示第i类型的舰船样本数据。
进一步的,步骤2中,根据舰船样本数据的特性来构建对应的BP神经网络的具体步骤为:
步骤2.1,对舰船的N个采样点的样本数据进行分析,获得每个采样点的六个类型样本数据,包括舰船的航向角、舰船的纵向感应磁场的垂向分量Zix、舰船的横向感应磁场的垂向分量Ziy、舰船的垂向感应磁场的垂向分量Ziz、地磁场的水平分量以及地磁场的垂向分量;
步骤2.2,确定BP神经网络的输入层、输出层以及隐含层的节点个数,其中,输入层有5N个节点,即舰船的每个采样点中的五个类型样本数据作为输入层的各个节点,五个类型样本数据分别为舰船的航向角、舰船的纵向感应磁场的垂向分量Zix、舰船的横向感应磁场的垂向分量Ziy、地磁场的水平分量以及地磁场的垂向分量;输出层有N个节点,即舰船的每个采样点中的一个类型样本数据作为输出层的各个节点,一个类型样本数据为舰船的垂向感应磁场的垂向分量Ziz;隐含层有S个节点,a为1~10的常数;
步骤2.3,设置BP神经网络的网络参数,包括训练次数以及学习速率;
步骤2.4,设置输出层的传递函数为线性传递函数,设置隐含层传递函数为:
进一步的,步骤3中,在对初始化的权值和阈值进行实数编码获得对应的编码字符串时,实数编码的权值包括输入层到隐含层的连接权值以及隐含层到输出层的连接权值;实数编码的阈值包括隐含层的神经元阈值以及输出层的神经元阈值。
进一步的,步骤5中,设置遗传算法的初始参数包括最大进化代数、交叉概率以及变异概率。
进一步的,步骤5中,计算遗传算法的适应度值时,使用的适应度函数记为:
式中,yl表示真实值,表示预测值,N表示输出层节点个数。
进一步的,步骤6中,根据遗传算法的适应度值搜索出种群中适应度函数值最大的个体的具体步骤为:
步骤6.1,判断是否达到最大进化代数,若未达到最大进化代数,则采用轮盘赌法选择执行遗传算法的选择、交叉以及变异操作产生下一代种群,再返回步骤5计算遗传算法的适应度值,若达到最大进化代数则进入步骤6.2;
步骤6.2,搜索出种群中适应度函数值最大的个体,并将最大个体作为BP神经网络的最佳权值和最佳阈值。
本发明与现有技术相比,其有益效果是:本发明通过遗传算法优化的BP神经网络模型利用已有数据来实时动态预测垂向分量Ziz,确保了垂向分量Ziz预测的可靠,且无需布设大量的地磁模拟线圈,测量方法简单,不易受到地磁模拟线圈所产生磁场不均匀度的影响,对磁场测量站的硬件条件要求也不高。
附图说明
图1为本发明的方法流程图;
图2为本发明的BP神经网络输入层、隐含层、输出层神经元个数示意图;
图3为本发明的舰船仿真模型示意图;
图4为本发明的船模在地磁模拟环境中的位置示意图;
图5为本发明的船模在第一个测试城市的垂向分量Ziz的预测值和仿真值示意图;
图6为本发明的船模在第二个测试城市的垂向分量Ziz的预测值和仿真值示意图;
图7为本发明的每个测试城市的最大相对误差(RE)示意图;
图8为本发明的21个测试城市的相对误差(RE)平均值示意图;
图9为本发明的纵向地磁模拟线圈与船模示意图;
图10为本发明的垂向地磁模型线圈与船模示意图;
图11为本发明的第一个测试城市的垂向分量Ziz的测量值和预测值示意图;
图12为本发明的第二个测试城市的垂向分量Ziz的测量值和预测值示意图。
具体实施方式
下面结合附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明所述的舰船垂向感应磁场垂向分量的预测方法,包括如下步骤:
步骤1,对舰船样本数据进行数据归一化处理,将舰船样本数据变换到[-1,1]区间内;
步骤2,根据舰船样本数据的特性来构建对应的BP神经网络,并初始化BP神经网络的权值和阈值;
步骤3,对初始化的权值和阈值进行实数编码获得对应的编码字符串,并将每个编码字符串作为一个个体;
步骤4,采用随机方法生成包含N个个体的遗传算法初始种群;
步骤5,设置遗传算法的初始参数,并计算遗传算法的适应度值;
步骤6,根据遗传算法的适应度值搜索出种群中适应度函数值最大的个体作为BP神经网络的最佳权值和最佳阈值;
步骤7,将最佳权值和最佳阈值代入BP神经网络,再利用实时监测的舰船参数来运行BP神经网络,计算出舰船垂向感应磁场的垂向分量Ziz。
利用遗传算法优化的BP神经网络模型,通过已有舰船样本数据构建BP神经网络模型,从而来实时动态预测垂向分量Ziz,确保了垂向分量Ziz预测的可靠,且无需布设大量的地磁模拟线圈,测量方法简单,不易受到地磁模拟线圈所产生磁场不均匀度的影响,对磁场测量站的硬件条件要求也不高。
进一步的,还包括步骤8,构建BP神经网络的误差函数E,并基于梯度下降策略,在每一轮迭代中把误差函数E计算获得的误差值反向传递,从而对BP神经网络的权值和阈值进行调整,直至达到最大迭代次数,并在判断达到最大迭代次数时输出当前垂向分量Ziz作为最终预测值。
进一步的,步骤8中,构建的BP神经网络的误差函数E为:
式中,yl表示真实值,表示预测值,N表示输出层节点个数。
进一步的,步骤1中,对舰船样本数据进行数据归一化处理时,具体步骤为:
步骤1.1,获取各类型样本数据的最大值Jmax以及最小值Jmin;
步骤1.2,按类型分别进行数据归一化处理,数据归一化处理的具体计算公式为:
式中,Ji表示第i类型的舰船样本数据。
进一步的,步骤2中,根据舰船样本数据的特性来构建对应的BP神经网络的具体步骤为:
步骤2.1,对舰船的N个采样点的样本数据进行分析,获得每个采样点的六个类型样本数据,包括舰船的航向角、舰船的纵向感应磁场的垂向分量Zix、舰船的横向感应磁场的垂向分量Ziy、舰船的垂向感应磁场的垂向分量Ziz、地磁场的水平分量以及地磁场的垂向分量这六个类型样本数据;
步骤2.2,确定BP神经网络的输入层、输出层以及隐含层的节点个数,其中,输入层有5N个节点,如图2所示,表示在舰船龙骨下方放置了N个采样点,即舰船的每个采样点中的五个类型样本数据作为输入层的各个节点,五个类型样本数据分别为舰船的航向角、舰船的纵向感应磁场的垂向分量Zix、舰船的横向感应磁场的垂向分量Ziy、地磁场的水平分量以及地磁场的垂向分量;输出层有N个节点,即舰船的每个采样点中的一个类型样本数据作为输出层的各个节点,一个类型样本数据为舰船的垂向感应磁场的垂向分量Ziz;隐含层有S个节点,a为1~10的常数;
步骤2.3,设置BP神经网络的网络参数,包括训练次数以及学习速率;
步骤2.4,设置输出层的传递函数为线性传递函数,设置隐含层传递函数为:
进一步的,步骤3中,在对初始化的权值和阈值进行实数编码获得对应的编码字符串时,实数编码的权值包括输入层到隐含层的连接权值以及隐含层到输出层的连接权值;实数编码的阈值包括隐含层的神经元阈值以及输出层的神经元阈值。
进一步的,步骤5中,设置遗传算法的初始参数包括最大进化代数、交叉概率以及变异概率。
进一步的,步骤5中,计算遗传算法的适应度值时,使用的适应度函数记为:
式中,yl表示真实值,表示预测值,N表示输出层节点个数。
进一步的,步骤6中,根据遗传算法的适应度值搜索出种群中适应度函数值最大的个体的具体步骤为:
步骤6.1,判断是否达到最大进化代数,若未达到最大进化代数,则采用轮盘赌法选择执行遗传算法的选择、交叉以及变异操作产生下一代种群,再返回步骤5计算遗传算法的适应度值,若达到最大进化代数则进入步骤6.2;
步骤6.2,搜索出种群中适应度函数值最大的个体,并将最大个体作为BP神经网络的最佳权值和最佳阈值。
仿真验证:
为了验证本发明BP神经网络模型的可靠性,首先采集足够的采样点。因此,本发明利用有限元软件COMSOL建立了一个长3.8m、宽0.5m、高0.65m的舰船模型,如图3所示。这个模型由47050个单元和10897个节点组成。通过在有限元软件中输入地磁场的水平分量、地磁场的垂向分量以及舰船的航向角,可以获得所需的舰船感应磁场信号Zix、Ziy、Ziz。船模在地磁场模拟器中的相对位置如图4所示。
为了减少工作量,本发明选取了世界范围内21个港口城市的地磁场数据,并把这些数据,输入COMSOL仿真软件,用于产生所需的数据集。根据世界地磁模型(WMM),这些港口城市地磁场的水平分量和垂向分量如表1所示。与此同时,在每个地磁场环境下,本发明还考虑了船模的8种航向角,包括北航向、北偏东45°、东航向、南偏东45°、南航向、南偏西45°、西航向以及北偏西45°。因此,本发明可以得到一个包含8×21个样本的数据集,用于训练本发明的BP神经网络模型。
表1不同城市的地磁场
地磁场 | 水平分量(nT) | 垂向分量(nT) | 地磁场 | 水平分量(nT) | 垂向分量(nT) |
1 | 33467 | 35815 | 12 | 30651 | 42050 |
2 | 37636 | 26248 | 13 | 22300 | 44496 |
3 | 26727 | 45558 | 14 | 24083 | 39956 |
4 | 30435 | 35404 | 15 | 19099 | 49702 |
5 | 19151 | 45353 | 16 | 31138 | 38258 |
6 | 23106 | 41997 | 17 | 30594 | 31699 |
7 | 34137 | 28047 | 18 | 18479 | 50509 |
8 | 24085 | 40158 | 19 | 24783 | 40890 |
9 | 31372 | 35158 | 20 | 37473 | 23593 |
10 | 19515 | 44868 | 21 | 20892 | 46808 |
11 | 24090 | 39852 |
通过把21个城市的地磁场水平分量、地磁场垂向分量以及舰船的航向输入有限元软件COMSOL,可以得到舰船垂向感应磁场的垂向分量Zix,Ziy,以及Ziz,所有这些参数都是通过设置在船模下方0.7m处的23个测量点采集得到。
在完成上述数据采集工作的基础上,再按照图1所示步骤实施整个流程。输入层有5×23个神经元,包括23个测量点,每个测量点被5个参数表示(垂向分量Zix、垂向分量Ziy、地磁场的水平分量、地磁场的垂向分量、舰船的航向角)。输出层有1×23个神经元,包括23个测量点,每个测量点的舰船垂向感应磁场的垂向分量Ziz作为输出。
本发明将得到的样本数据分成了训练集和测试集。前面19个城市的参数(8×19个样本)用于训练,剩余2个城市的参数(8×2个样本)用于预测。根据图1所示流程,可以得到预测值与仿真值之间的比较结果,如图5和图6所示。本发明利用相对误差RE来比较预测值与仿真值或测量值之间的差异。相对误差RE计算公式为:
式中,bpre表示垂向分量Ziz的预测值,bt表示垂向分量Ziz的测量值或仿真值。从仿真结果看,对于每个测试城市而言,船模的垂向分量Ziz的仿真值和预测值之间的误差非常小。在每个测试城市的8个航向角的测试结果中,最大的相对误差RE均小于1%。
为了分析不同样本规模对本发明的BP神经网络模型预测精度的影响,进行了下一步测试。船模在每个城市地磁环境下的相关参数作为一个测试集(8×1个样本),船模在剩下20个城市地磁环境下的相关参数作为训练集,用于训练的城市数量从2增加到20(2×8~20×8个样本)。考虑了船模8个航向角的情况下,将船模在每个城市地磁环境下的最大相对误差(RE)记录下来,如图7和8所示。
从图7可以看出,当用于训练的城市数量超过5个时,垂向分量Ziz的仿真值和预测值之间的最大相对误差(RE)小于10%。随着样本城市的增加,最大相对误差还将持续降低。图8表示了21个城市的最大相对误差(RE)平均值随样本数量的变化情况,也可以得到相同结论。
实船验证:
本发明选取了磁场实验室的一条实船模型(长4.3m,宽0.28m,高0.8m),该实船模型停靠在南北航向导轨上,在其四周布设了9组纵向地磁模拟线圈和4组垂向地磁模拟线圈,每组纵向或垂向线圈都包含一定的匝数。通过改变地磁模拟线圈中的电流,磁场实验室能够模拟地球磁场范围内任何的磁场环境,整体示意图如图9和10所示。在实船模型下方0.7m处布置了25个磁场传感器,用于采集所需的测试数据。
表2不同城市的地磁场水平和垂向分量
地磁场 | 水平分量(nT) | 垂向分量(nT) |
1 | 33467 | 35815 |
2 | 37473 | 23593 |
3 | 26727 | 45558 |
4 | 30435 | 35404 |
5 | 34137 | 28047 |
6 | 24090 | 39852 |
7 | 30651 | 42050 |
8 | 31138 | 38258 |
9 | 30594 | 31699 |
10 | 24783 | 40890 |
11 | 37636 | 26248 |
考虑了仿真分析的数据结果,即:当样本城市的数量超过5个时,本发明的BP神经网络模型的预测精度能够低于10%。因此,选择了11个城市的地磁场进行模拟,并采集相应磁场数据,如表2所示。同时由于实验室条件限制,无法调整舰船的航向角,在实验过程中,只测量了北航向时的实船模型磁场信号数据。
实验过程如下:
步骤a:在船模未进入前,调整纵向、垂向地磁模拟线圈中的电流,依次模拟不同的地磁环境,如表2所示;
步骤b:将船模推入指定区域,测量船模北航向时的磁场和船模南航向时的磁场,并记录磁场数据;
步骤c:将船模推出指定区域,改变垂向工作线圈中的电流,使得该区域的外界磁场垂向分量发生变化,并记录磁场数据;
步骤d:将船模推到指定位置,测量船模北航向时的磁场,并记录磁场数据;
步骤e:将所有磁场值汇总整理,计算船模在不同地磁环境下的感应磁场Zix、Ziz,并建立数据库备用。
根据上述实验步骤,得到了11组样本数据。同样地,前9组样本作为训练集,后2组样本作为测试集。根据图1所示的遗传神经网络的操作流程,可以得到垂向分量Ziz的预测值与测量值之间的比较结果,如图11和图12所示。两个测试城市的相对误差分别为4.81%和9.26%,低于20%,能够满足工程应用要求。
因此,本发明通过遗传算法优化的BP神经网络模型利用已有数据来实时动态预测垂向分量Ziz,仿真分析和实验结果都验证了本发明的BP神经网络模型对感应磁场信号Ziz评估的准确性和有效性。对于尚未设主动消磁系统的全尺寸舰船而言,本发明的BP神经网络模型的成功应用为实时评估感应磁场信号Ziz提供了重要途径。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (8)
1.一种舰船垂向感应磁场垂向分量的预测方法,其特征在于,包括如下步骤:
步骤1,对舰船样本数据进行数据归一化处理;
步骤2,根据舰船样本数据的特性来构建对应的BP神经网络,并初始化BP神经网络的权值和阈值;
步骤3,对初始化的权值和阈值进行实数编码获得对应的编码字符串,并将每个编码字符串作为一个个体;
步骤4,采用随机方法生成包含N个个体的遗传算法初始种群;
步骤5,设置遗传算法的初始参数,并计算遗传算法的适应度值;
步骤6,根据遗传算法的适应度值搜索出种群中适应度函数值最大的个体作为BP神经网络的最佳权值和最佳阈值;
步骤7,将最佳权值和最佳阈值代入BP神经网络,再利用实时监测的舰船参数来运行BP神经网络,计算出舰船垂向感应磁场的垂向分量Ziz;
步骤2中,根据舰船样本数据的特性来构建对应的BP神经网络的具体步骤为:
步骤2.1,对舰船的N个采样点的样本数据进行分析,获得每个采样点的六个类型样本数据,包括舰船的航向角、舰船的纵向感应磁场的垂向分量Zix、舰船的横向感应磁场的垂向分量Ziy、舰船的垂向感应磁场的垂向分量Ziz、地磁场的水平分量以及地磁场的垂向分量;
步骤2.2,确定BP神经网络的输入层、输出层以及隐含层的节点个数,其中,输入层有5N个节点,即舰船的每个采样点中的五个类型样本数据作为输入层的各个节点,五个类型样本数据分别为舰船的航向角、舰船的纵向感应磁场的垂向分量Zix、舰船的横向感应磁场的垂向分量Ziy、地磁场的水平分量以及地磁场的垂向分量;输出层有N个节点,即舰船的每个采样点中的一个类型样本数据作为输出层的各个节点,一个类型样本数据为舰船的垂向感应磁场的垂向分量Ziz;隐含层有S个节点,a为1~10的常数;
步骤2.3,设置BP神经网络的网络参数,包括训练次数以及学习速率;
步骤2.4,设置输出层的传递函数为线性传递函数,设置隐含层传递函数为:
2.根据权利要求1所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,还包括步骤8,构建BP神经网络的误差函数E,并基于梯度下降策略,在每一轮迭代中把误差函数E计算获得的误差值反向传递,从而对BP神经网络的权值和阈值进行调整,直至达到最大迭代次数,并在判断达到最大迭代次数时输出当前垂向分量Ziz作为最终预测值。
3.根据权利要求2所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,步骤8中,构建的BP神经网络的误差函数E为:
式中,yl表示真实值,表示预测值,N表示输出层节点个数。
4.根据权利要求1所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,步骤1中,对舰船样本数据进行数据归一化处理时,具体步骤为:
步骤1.1,获取各类型样本数据的最大值Jmax以及最小值Jmin;
步骤1.2,按类型分别进行数据归一化处理,数据归一化处理的具体计算公式为:
式中,Ji表示第i类型的舰船样本数据。
5.根据权利要求1所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,步骤3中,在对初始化的权值和阈值进行实数编码获得对应的编码字符串时,实数编码的权值包括输入层到隐含层的连接权值以及隐含层到输出层的连接权值;实数编码的阈值包括隐含层的神经元阈值以及输出层的神经元阈值。
6.根据权利要求1所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,步骤5中,设置遗传算法的初始参数包括最大进化代数、交叉概率以及变异概率。
7.根据权利要求1所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,步骤5中,计算遗传算法的适应度值时,使用的适应度函数记为:
式中,yl表示真实值,表示预测值,N表示输出层节点个数。
8.根据权利要求1所述的舰船垂向感应磁场垂向分量的预测方法,其特征在于,步骤6中,根据遗传算法的适应度值搜索出种群中适应度函数值最大的个体的具体步骤为:
步骤6.1,判断是否达到最大进化代数,若未达到最大进化代数,则采用轮盘赌法选择执行遗传算法的选择、交叉以及变异操作产生下一代种群,再返回步骤5计算遗传算法的适应度值,若达到最大进化代数则进入步骤6.2;
步骤6.2,搜索出种群中适应度函数值最大的个体,并将最大个体作为BP神经网络的最佳权值和最佳阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902189.3A CN113640712B (zh) | 2021-08-06 | 2021-08-06 | 一种舰船垂向感应磁场垂向分量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902189.3A CN113640712B (zh) | 2021-08-06 | 2021-08-06 | 一种舰船垂向感应磁场垂向分量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640712A CN113640712A (zh) | 2021-11-12 |
CN113640712B true CN113640712B (zh) | 2023-11-24 |
Family
ID=78419918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902189.3A Active CN113640712B (zh) | 2021-08-06 | 2021-08-06 | 一种舰船垂向感应磁场垂向分量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640712B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975991B (zh) * | 2022-04-24 | 2024-04-26 | 中国人民解放军海军工程大学 | 一种基于粒子群算法的磁目标三维寻优反演定位方法 |
CN116973817A (zh) * | 2022-04-24 | 2023-10-31 | 中国人民解放军海军工程大学 | 一种舰船磁场建模反演及其置信区间确定方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0062947A1 (en) * | 1981-04-14 | 1982-10-20 | Nieuwe Rotterdamsche Instrumentenfabriek Observator B.V. | Apparatus for determining the course angle of a vessel or vehicle |
DE4124002A1 (de) * | 1991-07-19 | 1993-01-21 | Uhlig Hans Ruediger | Vorrichtung zur kompensierung der dynamischen fehler von elektronischen magnetkompassen |
CN103185871A (zh) * | 2013-03-08 | 2013-07-03 | 中国人民解放军海军工程大学 | 一种单方向测量船舶感应磁场垂直分量的方法 |
CN104360293A (zh) * | 2014-11-07 | 2015-02-18 | 中国人民解放军海军工程大学 | 一种船舶感应磁场实时获取方法 |
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
CN107092001A (zh) * | 2017-05-19 | 2017-08-25 | 中国人民解放军海军工程大学 | 基于面剖分与测点间磁场映射的船舶感应磁场测量方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
CN113156525A (zh) * | 2021-04-15 | 2021-07-23 | 中山大学 | 一种基于神经网络的水下多磁性目标定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9157747B2 (en) * | 2013-03-15 | 2015-10-13 | Innovative Solutions And Support, Inc. | Method of calibrating a heading reference system |
US9476734B2 (en) * | 2013-03-15 | 2016-10-25 | Innovative Solutions And Support, Inc. | Systems and methods for calibrating and adjusting a heading reference system |
-
2021
- 2021-08-06 CN CN202110902189.3A patent/CN113640712B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0062947A1 (en) * | 1981-04-14 | 1982-10-20 | Nieuwe Rotterdamsche Instrumentenfabriek Observator B.V. | Apparatus for determining the course angle of a vessel or vehicle |
DE4124002A1 (de) * | 1991-07-19 | 1993-01-21 | Uhlig Hans Ruediger | Vorrichtung zur kompensierung der dynamischen fehler von elektronischen magnetkompassen |
CN103185871A (zh) * | 2013-03-08 | 2013-07-03 | 中国人民解放军海军工程大学 | 一种单方向测量船舶感应磁场垂直分量的方法 |
CN104360293A (zh) * | 2014-11-07 | 2015-02-18 | 中国人民解放军海军工程大学 | 一种船舶感应磁场实时获取方法 |
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
CN107092001A (zh) * | 2017-05-19 | 2017-08-25 | 中国人民解放军海军工程大学 | 基于面剖分与测点间磁场映射的船舶感应磁场测量方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
CN113156525A (zh) * | 2021-04-15 | 2021-07-23 | 中山大学 | 一种基于神经网络的水下多磁性目标定位方法 |
Non-Patent Citations (2)
Title |
---|
PSO算法在舰船磁场磁体模拟中的应用;王桓;海军工程大学学报;全文 * |
映射法测量横向感应磁场垂向分量的实验验证;陈瀚斯;哈尔滨工程大学学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113640712A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN106950276A (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN109145434A (zh) | 一种利用改进bp神经网络预测广播星历轨道误差的方法 | |
Kaloop et al. | Multi input–single output models identification of tower bridge movements using GPS monitoring system | |
Gullu | Coordinate transformation by radial basis function neural network | |
CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
Ruhunusiri et al. | An artificial neural network for inferring solar wind proxies at Mars | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN116127314B (zh) | 基于自适应多尺度深度学习网络预测地下密度的方法 | |
CN116778435A (zh) | 一种基于计算机视觉技术的车辆轴重分布识别方法 | |
Ray et al. | Solar irradiance forecasting using an artificial intelligence model | |
Long et al. | A short-term climate prediction model based on a modular fuzzy neural network | |
CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
CN110850366B (zh) | 混合视距和非视距环境下基于接收信号强度的定位方法 | |
Ozerdem et al. | Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns | |
Hao et al. | Mixture density networks for tropical cyclone tracks prediction in south China sea | |
CN112365705B (zh) | 确定道路交通量的方法 | |
CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 |
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 |