CN115290067A - 一种支持向量聚类神经网络的大数据导航方法 - Google Patents

Abstract

本发明属于数字孪生导航技术领域，具体涉及一种支持向量聚类神经网络的大数据导航方法。本发明包括：探测装置通过探测得到障碍与探测装置之间的距离和方位夹角信息；探测装置通过导航定位系统获得当前自身位置信息等。本发明使用导航系统输出数据进行运动控制，在有漂移的方向角控制基础上，加入不同时刻差分数据进行融合，达到修正并完成精确导航的目的。使导航系统限定当前角度行进一个时间间隔，记录下行进前后的位置坐标，求解行进的真实角度值，使用卡尔曼滤波的方式融合导航数，使导航系统的控制精确稳定。与现有技术相比，解决了由于方向角漂移导致的导航困难问题，硬件成本低。

Description

一种支持向量聚类神经网络的大数据导航方法

技术领域

本发明属于数字孪生导航技术领域，具体涉及一种支持向量聚类神经网络的大数据导航方法。

背景技术

随着人类社会发展的智能化网络化更高，基于人工智能和大数据的数字孪生技术发展迅速，对于环境模拟导航成为热门技术，各国学者研究出了一系列的智能方法和设备，超宽带技术是一种无线载波通信技术，它是利用非正弦波窄脉冲传输数据，因此其所占的频谱范围很宽。具有系统复杂度低，发射信号功率谱密度低，对信道衰落不敏感，截获能力低，定位精度高等优点。被广泛应用于小范围高精度定位。将这些技术结合在一起，有利于克服定位信号漂移严重，无法独立满足导航反馈需求，或者GPS定位信号不稳定的问题。

发明内容

本发明的目的在于提供一种能够有效将环境数据聚类在一起进行模拟，从而获取准确导航信息的的支持向量聚类神经网络的大数据导航方法。

本发明的目的是这样实现的：

一种支持向量聚类神经网络的大数据导航方法，包括如下步骤：

(1)探测装置通过探测得到障碍与探测装置之间的距离和方位夹角信息；

(2)探测装置通过导航定位系统获得当前自身位置信息；

(3)通过坐标变换得到障碍数据点在全局坐标系下的坐标k_w，w＝1,…,a，a是障碍数据点个数，构成数据集：

K＝{k₁,k₂,…,k_w}；

k_w是二维向量，包括障碍数据点的横坐标和纵坐标；

(4)采用支持向量聚类将步骤(3)得到的数据集K划分成若干集群，得到描述每个数据集群障碍物边缘的支持向量；

(5)通过邻接矩阵将数据集K按照步骤(4)的集群进行类别划分，去除异常数据点，对划分后的集群分配类别标号，确定各类别集群的聚类中心；

(6)构建径向基神经网络，设定网络参数，对神经网络进行训练，得到训练后的神经网络；

(7)将步骤(5)中去除异常数据点后的聚类数据输入到训练好的神经网络中，得到障碍物边缘边界点；将非障碍数据点组成导航可行进路径；

(8)在导航可行进路径中对导航系统给定包含所需经过的目标位置点导航点集，位置点坐标为：

(x_ni,y_ni)，ni＝1,2,3,…NI；

NI为目标位置点的数量；

(9)初始化ni＝1；记录当前目标位置点坐标(x_ii,y_ii)和当前的方位夹角λ_ii，在Ti时间内进行直行后，记录当前位置点坐标(x_ji,y_ji)，通过两个位置点坐标确定Ti时刻内的真实行进方向λ_ri；计算阶段目标位置点(x_nn,y_nn)与当前位置点(x_nj,y_nj)组成的方向向量角度λ_ti，由真实行进方向λ_ri和方向向量角度λ_ti得到导航系统当前所需转动角度Δλ_ti，并按照当前所需转动角度转向，同时定向直行；

(10)在定向直行过程中，利用卡尔曼滤波得到当前时刻ki的方位角ι_ki；计算导航系统ki时刻位置点与阶段目标位置点(x_nn,y_nn)之间的距离q_nki，导航系统控制直行，判断q_nki是否为0，如果为0，则到达目标点，执行步骤(11)；否则，返回步骤(9)；

(11)判断ni＝NI是否成立，如果成立，则导航过程结束；否则，令ni＝ni+1，执行步骤(8)。

所述步骤(4)包括：

(4.1)将数据集K通过非线性变换矩阵H＝{Θ(k_w)|1≤w≤a}映射到高维空间中，Θ(·)为非线性变换函数；

(4.2)计算任意数据点的支持向量k_w在特征空间中的像到点n的距离：

ο_w≥0,ω_w≥0为拉格朗日乘子，‖·‖为欧几里得范数，X(k_v,k_w)＝exp(-2d‖k_v-k_w‖²)，d为设定的调节集群划分情况的尺度参数；v为与w不同的标号；

(4.3)寻找点n为圆心半径为E最小的超球体：

A为支持向量的个数；

(4.4)寻找到函数minR²的最优解；

各数据点到球心n的距离与半径E之间的关系为：

式中：α_w≥0为球半径松弛变量；

(4.5)引入拉格朗日函数：

P∑ω_w为惩罚项，P为设定的集群划分的超参数；

(4.6)将拉格朗日函数转化为Wolfe对偶形式：

(4.7)将拉格朗日函数分别对E、n、k_w求导并使导数为零得到：

∑ο_w＝1；

k_w＝P-ω_w；

根据强对偶和KKT条件得到：

ο_wω_w＝0；

(2E²+α_w-2||Θ(k_w)-n||²)ο_w＝0；

(4.8)对数据集K中数据点进行判定：

若ο_w>0,ω_w＝P，数据点位于超球体外部，为异常数据点；

若ο_w＝0,0<ω_w<P，数据点位于超球体表面，为支持向量；

若ο_w＝0,ω_w＝0，数据点位于超球体内部，为聚类内部点。

所述邻接矩阵为N＝(N_vw)_a×a：

式中：seg(k_v,k_w)是任意点k_v和k_w之间的连接线；

在seg(k_v,k_w)上随机取n1个点，将n1个点坐标分别代入函数E²(n1)，若函数值均小于超球体最小半径，则判定seg(k_v,k_w)全部位于超球体内部时，k_v和k_w属于同一集群，数据集群的障碍物边缘边界由支持向量来表示。

所述步骤(5)中去除异常数据点，然后确定各类别集群的聚类中心包括：确认集群中数据点是异常数据点，将其舍去；确认集群中数据点为边缘点和内部点，求其均值，作为该类别的聚类中心。

所述的神经网络由三层构成：第一层为输入层，接收输入数据；第二层为隐含层，对输入数据进行非线性转化，转化时使用的函数称为径向基函数；第三层为输出层，将隐含层处理完的数据进行输出。

所述的神经网络参数包括：

(6.1)确认第i个基函数中心的宽度ζ_i,第i个类中心到其他类中心距离的最小值q_i和重叠系数ψ；

(6.2)求径向基函数的宽度为：

ζ_i＝ψq_i；

(6.3)求径向基函数：

p为函数的中心，ζ为函数宽度；

(6.4)求各类别集群聚类中心作为神经网络每个径向基函数中心p_i；

(6.5)求隐含层神经元的输出矩阵T＝{T_xi}；

K_x为第x个输入样本，p_i为第i个径向基函数中心；

(6.6)求隐含层神经元与输出层神经元之间的权值矩阵：

JW＝(jw_vw)_v×w＝T⁺Q；

T⁺为T矩阵的伪逆；Q为神经网络的目标输出；jw_vw为第v个隐含层神经元和第w个输出层神经元之间的连接权值；

(6.7)求解隐含层神经元与输出层神经元之间的权值矩阵为：

LY＝TJW；

LY为神经网络的实际输出。

所述的利用卡尔曼滤波得到当前时刻ki的方位角ι_ki包括：

(10.1)构建ki-1时刻为支点(x_ki-1,y_ki-1)与当前ki时刻位置点(x_ki,y_ki)的运动矢量，运动方向角观测值记为ξ_ki；

(10.2)导航系统输出方位角ι_ki和在ki-1时刻和ki时刻的时间间隔Δt内的行进角速度μ_ki-1；

(10.3)计算根据角速度预测的ki时刻的状态转移：

(10.4)计算根据状态转移预测的协方差：

N_ki为状态转换矩阵，D为状态转移过程的协方差，C_ki-1为状态转移协方差；

(10.5)计算卡尔曼增益X_ki为：

其中U_ki从状态空间到量测空间的转换矩阵，E_ki为导航系统的双标位置值；

(10.6)更新估计值和状态转移协方差：

所述的行进时间间隔Δt满足：

其中，V为行进速度，L为载体长度。

本发明的有益效果：本发明将支持向量聚类应用到径向基神经网络中，改进了原有神经网络需要根据经验预先设定聚类中心的问题。通过对支持向量聚类结果分析，可以有效地去除噪声点和散点数据，保留对目标影响较大的数据。将支持向量聚类与径向基神经网络相结合的聚类方法应用到数据处理中，实现地图构建。同时本发明使用导航系统输出数据进行运动控制，在有漂移的方向角控制基础上，加入不同时刻差分数据进行融合，达到修正并完成精确导航的目的。使导航系统限定当前角度行进一个时间间隔，记录下行进前后的位置坐标，求解行进的真实角度值，使用卡尔曼滤波的方式融合导航数，使导航系统的控制精确稳定。与现有技术相比，解决了由于方向角漂移导致的导航困难问题，硬件成本低。

附图说明

图1是本发明流程示意图；

图2是探测数据点示意图；

图3是支持向量聚类示意图；

图4是聚类结果柱状图；

图5是最终障碍物目标物边缘；

图6是可行进路径中导航路线示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

一种支持向量聚类神经网络的大数据导航方法，包括如下步骤：

(1)探测装置通过探测得到障碍与探测装置之间的距离和方位夹角信息；

探测设备探测障碍物，可得到每个探测到的障碍物所在点与探测设备的距离和方位信息。同时，利用导航定位可以获得探测设备自身位置坐标。然后进行坐标系变换，得到障碍物各点在全局坐标系下的坐标。

(2)探测装置通过导航定位系统获得当前自身位置信息；

(3)通过坐标变换得到障碍数据点在全局坐标系下的坐标k_w，w＝1,…,a，a是障碍数据点个数，构成数据集：

K＝{k₁,k₂,…,k_w}；

k_w是二维向量，包括障碍数据点的横坐标和纵坐标；

(4)采用支持向量聚类将步骤(3)得到的数据集K划分成若干集群，得到描述每个数据集群障碍物边缘的支持向量；

得到的障碍物各点的坐标是我们要处理的基础信息。将这些基础信息作为输入，对其进行支持向量聚类。在支持向量聚类过程中，将原数据映射到高维的特征空间，在特征空间中搜索一个半径最小的包围超球体。将超球体分单元地重新解析回空间之后，每个单元代表一个数据集群，球体的障碍物边缘被映射成为数据集群的障碍物边缘。

(4.1)将数据集K通过非线性变换矩阵H＝{Θ(k_w)|1≤w≤a}映射到高维空间中，Θ(·)为非线性变换函数；

(4.2)计算任意数据点的支持向量k_w在特征空间中的像到点n的距离：

ο_w≥0,ω_w≥0为拉格朗日乘子，‖·‖为欧几里得范数，X(k_v,k_w)＝exp(-2d‖k_v-k_w‖²)，d为设定的调节集群划分情况的尺度参数；v为与w不同的标号；

(4.3)寻找点n为圆心半径为E最小的超球体：

A为支持向量的个数；

(4.4)寻找到函数minR²的最优解；

各数据点到球心n的距离与半径E之间的关系为：

式中：α_w≥0为球半径松弛变量；

(4.5)引入拉格朗日函数：

P∑ω_w为惩罚项，P为设定的集群划分的超参数；

(4.6)将拉格朗日函数转化为Wolfe对偶形式：

(4.7)将拉格朗日函数分别对E、n、k_w求导并使导数为零得到：

∑ο_w＝1；

k_w＝P-ω_w；

根据强对偶和KKT条件得到：

ο_wω_w＝0；

(2E²+α_w-2||Θ(k_w)-n||²)ο_w＝0；

(4.8)对数据集K中数据点进行判定：

若ο_w>0,ω_w＝P，数据点位于超球体外部，为异常数据点；

若ο_w＝0,0<ω_w<P，数据点位于超球体表面，为支持向量；

若ο_w＝0,ω_w＝0，数据点位于超球体内部，为聚类内部点。

所述邻接矩阵为N＝(N_vw)_a×a：

式中：seg(k_v,k_w)是任意点k_v和k_w之间的连接线；

在seg(k_v,k_w)上随机取n1个点，将n1个点坐标分别代入函数E²(n1)，若函数值均小于超球体最小半径，则判定seg(k_v,k_w)全部位于超球体内部时，k_v和k_w属于同一集群，数据集群的障碍物边缘边界由支持向量来表示。

(5)通过邻接矩阵将数据集K按照步骤(4)的集群进行类别划分，去除异常数据点，对划分后的集群分配类别标号，确定各类别集群的聚类中心；

所述步骤(5)中去除异常数据点，然后确定各类别集群的聚类中心包括：确认集群中数据点是异常数据点，将其舍去；确认集群中数据点为边缘点和内部点，求其均值，作为该类别的聚类中心。

所述的神经网络由三层构成：第一层为输入层，接收输入数据；第二层为隐含层，对输入数据进行非线性转化，转化时使用的函数称为径向基函数；第三层为输出层，将隐含层处理完的数据进行输出。

(6)构建径向基神经网络，设定网络参数，对神经网络进行训练，得到训练后的神经网络；所述的神经网络参数包括：

(6.1)确认第i个基函数中心的宽度ζ_i,第i个类中心到其他类中心距离的最小值q_i和重叠系数ψ；

(6.2)求径向基函数的宽度为：

ζ_i＝ψq_i；

(6.3)求径向基函数：

p为函数的中心，ζ为函数宽度；

(6.4)求各类别集群聚类中心作为神经网络每个径向基函数中心p_i；

(6.5)求隐含层神经元的输出矩阵T＝{T_xi}；

K_x为第x个输入样本，p_i为第i个径向基函数中心；

(6.6)求隐含层神经元与输出层神经元之间的权值矩阵：

JW＝(jw_vw)_v×w＝T⁺Q；

T⁺为T矩阵的伪逆；Q为神经网络的障碍输出；jw_vw为第v个隐含层神经元和第w个输出层神经元之间的连接权值；

(6.7)求解隐含层神经元与输出层神经元之间的权值矩阵为：

LY＝TJW；

LY为神经网络的实际输出。

(7)将步骤(5)中去除异常数据点后的聚类数据输入到训练好的神经网络中，得到障碍物边缘边界点。

(8)在导航可行进路径中对导航系统给定包含所需经过的目标位置点导航点集，位置点坐标为：

(x_ni,y_ni)，ni＝1,2,3,…NI；

NI为目标位置点的数量；

(9)初始化ni＝1；记录当前目标位置点坐标(x_ii,y_ii)和当前的方位夹角λ_ii，在Ti时间内进行直行后，记录当前位置点坐标(x_ji,y_ji)，通过两个位置点坐标确定Ti时刻内的真实行进方向λ_ri；计算阶段目标位置点(x_nn,y_nn)与当前位置点(x_nj,y_nj)组成的方向向量角度λ_ti，由真实行进方向λ_ri和方向向量角度λ_ti得到导航系统当前所需转动角度Δλ_ti，并按照当前所需转动角度转向，同时定向直行；

(10)在定向直行过程中，利用卡尔曼滤波得到当前时刻ki的方位角ι_ki；计算导航系统ki时刻位置点与阶段目标位置点(x_nn,y_nn)之间的距离q_nki，导航系统控制直行，判断q_nki是否为0，如果为0，则到达目标点，执行步骤(11)；否则，返回步骤(9)；

所述的利用卡尔曼滤波得到当前时刻ki的方位角ι_ki包括：

(10.1)构建ki-1时刻为支点(x_ki-1,y_ki-1)与当前ki时刻位置点(x_ki,y_ki)的运动矢量，运动方向角观测值记为ξ_ki；

(10.2)导航系统输出方位角ι_ki和在ki-1时刻和ki时刻的时间间隔Δt内的行进角速度μ_ki-1；

(10.3)计算根据角速度预测的ki时刻的状态转移：

(10.4)计算根据状态转移预测的协方差：

N_ki为状态转换矩阵，D为状态转移过程的协方差，C_ki-1为状态转移协方差；

(10.5)计算卡尔曼增益X_ki为：

其中U_ki从状态空间到量测空间的转换矩阵，E_ki为导航系统的双标位置值；

(10.6)更新估计值和状态转移协方差：

(11)判断ni＝NI是否成立，如果成立，则导航过程结束；否则，令ni＝ni+1，执行步骤(8)。

本发明将支持向量聚类和径向基神经网络结合进行障碍物边缘构建三个环节，针对探测数据的数据特点，采用支持向量聚类的方法，使聚类算法更快更准确，使探测设备在环境中也能准确地聚类出障碍物的簇，提高了聚类准确率，使用径向基神经网络方法，能够把无序的、不规则的点集的障碍物边缘提取出来，构建为直线段相连的障碍物边缘，实现地图构建。同时本发明使用导航系统输出数据进行运动控制，在有漂移的方向角控制基础上，加入不同时刻差分数据进行融合，达到修正并完成精确导航的目的。使导航系统限定当前角度行进一个时间间隔，记录下行进前后的位置坐标，求解行进的真实角度值，使用卡尔曼滤波的方式融合导航数，使导航系统的控制精确稳定。与现有技术相比，解决了由于方向角漂移导致的导航困难问题，硬件成本低。

Claims (7)

1.一种支持向量聚类神经网络的大数据导航方法，其特征在于，包括如下步骤：

(1)探测装置通过探测得到障碍与探测装置之间的距离和方位夹角信息；

(2)探测装置通过导航定位系统获得当前自身位置信息；

(3)通过坐标变换得到障碍数据点在全局坐标系下的坐标k_w，w＝1,…,a，a是障碍数据点个数，构成数据集：

K＝{k₁,k₂,…,k_w}；

k_w是二维向量，包括障碍数据点的横坐标和纵坐标；

(4)采用支持向量聚类将步骤(3)得到的数据集K划分成若干集群，得到描述每个数据集群障碍物边缘的支持向量；

(5)通过邻接矩阵将数据集K按照步骤(4)的集群进行类别划分，去除异常数据点，对划分后的集群分配类别标号，确定各类别集群的聚类中心；

(6)构建径向基神经网络，设定网络参数，对神经网络进行训练，得到训练后的神经网络；

(7)将步骤(5)中去除异常数据点后的聚类数据输入到训练好的神经网络中，得到障碍物边缘边界点；将非障碍数据点组成导航可行进路径；

(8)在导航可行进路径中对导航系统给定包含所需经过的目标位置点导航点集，位置点坐标为：

(x_ni,y_ni)，ni＝1,2,3,…NI；

NI为目标位置点的数量；

(9)初始化ni＝1；记录当前目标位置点坐标(x_ii,y_ii)和当前的方位夹角λ_ii，在Ti时间内进行直行后，记录当前位置点坐标(x_ji,y_ji)，通过两个位置点坐标确定Ti时刻内的真实行进方向λ_ri；计算阶段目标位置点(x_nn,y_nn)与当前位置点(x_nj,y_nj)组成的方向向量角度λ_ti，由真实行进方向λ_ri和方向向量角度λ_ti得到导航系统当前所需转动角度Δλ_ti，并按照当前所需转动角度转向，同时定向直行；

(10)在定向直行过程中，利用卡尔曼滤波得到当前时刻ki的方位角ι_ki；计算导航系统ki时刻位置点与阶段目标位置点(x_nn,y_nn)之间的距离q_nki，导航系统控制直行，判断q_nki是否为0，如果为0，则到达目标点，执行步骤(11)；否则，返回步骤(9)；

(11)判断ni＝NI是否成立，如果成立，则导航过程结束；否则，令ni＝ni+1，执行步骤(8)。

2.根据权利要求1所述的一种支持向量聚类神经网络的大数据导航方法，其特征在于，所述步骤(4)包括：

(4.1)将数据集K通过非线性变换矩阵H＝{Θ(k_w)|1≤w≤a}映射到高维空间中，Θ(·)为非线性变换函数；

(4.2)计算任意数据点的支持向量k_w在特征空间中的像到点n的距离：

ο_w≥0,ω_w≥0为拉格朗日乘子，‖·‖为欧几里得范数，X(k_v,k_w)＝exp(-2d‖k_v-k_w‖²)，d为设定的调节集群划分情况的尺度参数；v为与w不同的标号；

(4.3)寻找点n为圆心半径为E最小的超球体：

A为支持向量的个数；

(4.4)寻找到函数minR²的最优解；

各数据点到球心n的距离与半径E之间的关系为：

式中：α_w≥0为球半径松弛变量；

(4.5)引入拉格朗日函数：

P∑ω_w为惩罚项，P为设定的集群划分的超参数；

(4.6)将拉格朗日函数转化为Wolfe对偶形式：

(4.7)将拉格朗日函数分别对E、n、k_w求导并使导数为零得到：

∑ο_w＝1；

k_w＝P-ω_w；

根据强对偶和KKT条件得到：

ο_wω_w＝0；

(2E²+α_w-2||Θ(k_w)-n||²)ο_w＝0；

(4.8)对数据集K中数据点进行判定：

若ο_w>0,ω_w＝P，数据点位于超球体外部，为异常数据点；

若ο_w＝0,0<ω_w<P，数据点位于超球体表面，为支持向量；

若ο_w＝0,ω_w＝0，数据点位于超球体内部，为聚类内部点。

所述邻接矩阵为N＝(N_vw)_a×a：

式中：seg(k_v,k_w)是任意点k_v和k_w之间的连接线；

在seg(k_v,k_w)上随机取n1个点，将n1个点坐标分别代入函数E²(n1)，若函数值均小于超球体最小半径，则判定seg(k_v,k_w)全部位于超球体内部时，k_v和k_w属于同一集群，数据集群的障碍物边缘边界由支持向量来表示。

3.根据权利要求1所述的一种支持向量聚类神经网络的大数据导航方法，其特征在于，所述步骤(5)中去除异常数据点，然后确定各类别集群的聚类中心包括：确认集群中数据点是异常数据点，将其舍去；确认集群中数据点为边缘点和内部点，求其均值，作为该类别的聚类中心。

4.根据权利要求1所述的一种支持向量聚类神经网络的大数据导航方法，其特征在于，所述的神经网络由三层构成：第一层为输入层，接收输入数据；第二层为隐含层，对输入数据进行非线性转化，转化时使用的函数称为径向基函数；第三层为输出层，将隐含层处理完的数据进行输出。

5.根据权利要求1所述的一种支持向量聚类神经网络的大数据导航方法，其特征在于，所述的神经网络参数包括：

(6.1)确认第i个基函数中心的宽度ζ_i,第i个类中心到其他类中心距离的最小值q_i和重叠系数ψ；

(6.2)求径向基函数的宽度为：

ζ_i＝ψq_i；

(6.3)求径向基函数：

p为函数的中心，ζ为函数宽度；

(6.4)求各类别集群聚类中心作为神经网络每个径向基函数中心p_i；

(6.5)求隐含层神经元的输出矩阵T＝{T_xi}；

K_x为第x个输入样本，p_i为第i个径向基函数中心；

(6.6)求隐含层神经元与输出层神经元之间的权值矩阵：

JW＝(jw_vw)_v×w＝T⁺Q；

T⁺为T矩阵的伪逆；Q为神经网络的目标输出；jw_vw为第v个隐含层神经元和第w个输出层神经元之间的连接权值；

(6.7)求解隐含层神经元与输出层神经元之间的权值矩阵为：

LY＝TJW；

LY为神经网络的实际输出。

6.根据权利要求1所述的一种支持向量聚类神经网络的大数据导航方法，其特征在于，所述的利用卡尔曼滤波得到当前时刻ki的方位角ι_ki包括：

(10.1)构建ki-1时刻为支点(x_ki-1,y_ki-1)与当前ki时刻位置点(x_ki,y_ki)的运动矢量，运动方向角观测值记为ξ_ki；

(10.2)导航系统输出方位角ι_ki和在ki-1时刻和ki时刻的时间间隔Δt内的行进角速度μ_ki-1；

(10.3)计算根据角速度预测的ki时刻的状态转移：

(10.4)计算根据状态转移预测的协方差：

N_ki为状态转换矩阵，D为状态转移过程的协方差，C_ki-1为状态转移协方差；

(10.5)计算卡尔曼增益X_ki为：

其中U_ki从状态空间到量测空间的转换矩阵，E_ki为导航系统的双标位置值；

(10.6)更新估计值和状态转移协方差：

7.根据权利要求6所述的一种支持向量聚类神经网络的大数据导航方法，其特征在于，所述的行进时间间隔Δt满足：

其中，V为行进速度，L为载体长度。

Images