CN115290067A - 一种支持向量聚类神经网络的大数据导航方法 - Google Patents
一种支持向量聚类神经网络的大数据导航方法 Download PDFInfo
- Publication number
- CN115290067A CN115290067A CN202210853534.3A CN202210853534A CN115290067A CN 115290067 A CN115290067 A CN 115290067A CN 202210853534 A CN202210853534 A CN 202210853534A CN 115290067 A CN115290067 A CN 115290067A
- Authority
- CN
- China
- Prior art keywords
- data
- navigation
- neural network
- points
- point
- 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.)
- Pending
Links
- 239000013598 vector Substances 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
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
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kw,w=1,…,a,a是障碍数据点个数,构成数据集:
K={k1,k2,…,kw};
kw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:
(xni,yni),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(xii,yii)和当前的方位夹角λii,在Ti时间内进行直行后,记录当前位置点坐标(xji,yji),通过两个位置点坐标确定Ti时刻内的真实行进方向λri;计算阶段目标位置点(xnn,ynn)与当前位置点(xnj,ynj)组成的方向向量角度λti,由真实行进方向λri和方向向量角度λti得到导航系统当前所需转动角度Δλti,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ιki;计算导航系统ki时刻位置点与阶段目标位置点(xnn,ynn)之间的距离qnki,导航系统控制直行,判断qnki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(kw)|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kw在特征空间中的像到点n的距离:
οw≥0,ωw≥0为拉格朗日乘子,‖·‖为欧几里得范数,X(kv,kw)=exp(-2d‖kv-kw‖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:αw≥0为球半径松弛变量;
(4.5)引入拉格朗日函数:
P∑ωw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、kw求导并使导数为零得到:
∑οw=1;
kw=P-ωw;
根据强对偶和KKT条件得到:
οwωw=0;
(2E2+αw-2||Θ(kw)-n||2)οw=0;
(4.8)对数据集K中数据点进行判定:
若οw>0,ωw=P,数据点位于超球体外部,为异常数据点;
若οw=0,0<ωw<P,数据点位于超球体表面,为支持向量;
若οw=0,ωw=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=(Nvw)a×a:
式中:seg(kv,kw)是任意点kv和kw之间的连接线;
在seg(kv,kw)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(kv,kw)全部位于超球体内部时,kv和kw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ζi,第i个类中心到其他类中心距离的最小值qi和重叠系数ψ;
(6.2)求径向基函数的宽度为:
ζi=ψqi;
(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pi;
(6.5)求隐含层神经元的输出矩阵T={Txi};
Kx为第x个输入样本,pi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=(jwvw)v×w=T+Q;
T+为T矩阵的伪逆;Q为神经网络的目标输出;jwvw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ιki包括:
(10.1)构建ki-1时刻为支点(xki-1,yki-1)与当前ki时刻位置点(xki,yki)的运动矢量,运动方向角观测值记为ξki;
(10.2)导航系统输出方位角ιki和在ki-1时刻和ki时刻的时间间隔Δt内的行进角速度μki-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:
Nki为状态转换矩阵,D为状态转移过程的协方差,Cki-1为状态转移协方差;
(10.5)计算卡尔曼增益Xki为:
其中Uki从状态空间到量测空间的转换矩阵,Eki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kw,w=1,…,a,a是障碍数据点个数,构成数据集:
K={k1,k2,…,kw};
kw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(kw)|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kw在特征空间中的像到点n的距离:
οw≥0,ωw≥0为拉格朗日乘子,‖·‖为欧几里得范数,X(kv,kw)=exp(-2d‖kv-kw‖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:αw≥0为球半径松弛变量;
(4.5)引入拉格朗日函数:
P∑ωw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、kw求导并使导数为零得到:
∑οw=1;
kw=P-ωw;
根据强对偶和KKT条件得到:
οwωw=0;
(2E2+αw-2||Θ(kw)-n||2)οw=0;
(4.8)对数据集K中数据点进行判定:
若οw>0,ωw=P,数据点位于超球体外部,为异常数据点;
若οw=0,0<ωw<P,数据点位于超球体表面,为支持向量;
若οw=0,ωw=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=(Nvw)a×a:
式中:seg(kv,kw)是任意点kv和kw之间的连接线;
在seg(kv,kw)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(kv,kw)全部位于超球体内部时,kv和kw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ζi,第i个类中心到其他类中心距离的最小值qi和重叠系数ψ;
(6.2)求径向基函数的宽度为:
ζi=ψqi;
(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pi;
(6.5)求隐含层神经元的输出矩阵T={Txi};
Kx为第x个输入样本,pi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=(jwvw)v×w=T+Q;
T+为T矩阵的伪逆;Q为神经网络的障碍输出;jwvw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:
(xni,yni),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(xii,yii)和当前的方位夹角λii,在Ti时间内进行直行后,记录当前位置点坐标(xji,yji),通过两个位置点坐标确定Ti时刻内的真实行进方向λri;计算阶段目标位置点(xnn,ynn)与当前位置点(xnj,ynj)组成的方向向量角度λti,由真实行进方向λri和方向向量角度λti得到导航系统当前所需转动角度Δλti,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ιki;计算导航系统ki时刻位置点与阶段目标位置点(xnn,ynn)之间的距离qnki,导航系统控制直行,判断qnki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ιki包括:
(10.1)构建ki-1时刻为支点(xki-1,yki-1)与当前ki时刻位置点(xki,yki)的运动矢量,运动方向角观测值记为ξki;
(10.2)导航系统输出方位角ιki和在ki-1时刻和ki时刻的时间间隔Δt内的行进角速度μki-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:
Nki为状态转换矩阵,D为状态转移过程的协方差,Cki-1为状态转移协方差;
(10.5)计算卡尔曼增益Xki为:
其中Uki从状态空间到量测空间的转换矩阵,Eki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kw,w=1,…,a,a是障碍数据点个数,构成数据集:
K={k1,k2,…,kw};
kw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:
(xni,yni),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(xii,yii)和当前的方位夹角λii,在Ti时间内进行直行后,记录当前位置点坐标(xji,yji),通过两个位置点坐标确定Ti时刻内的真实行进方向λri;计算阶段目标位置点(xnn,ynn)与当前位置点(xnj,ynj)组成的方向向量角度λti,由真实行进方向λri和方向向量角度λti得到导航系统当前所需转动角度Δλti,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ιki;计算导航系统ki时刻位置点与阶段目标位置点(xnn,ynn)之间的距离qnki,导航系统控制直行,判断qnki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(kw)|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kw在特征空间中的像到点n的距离:
οw≥0,ωw≥0为拉格朗日乘子,‖·‖为欧几里得范数,X(kv,kw)=exp(-2d‖kv-kw‖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:αw≥0为球半径松弛变量;
(4.5)引入拉格朗日函数:
P∑ωw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、kw求导并使导数为零得到:
∑οw=1;
kw=P-ωw;
根据强对偶和KKT条件得到:
οwωw=0;
(2E2+αw-2||Θ(kw)-n||2)οw=0;
(4.8)对数据集K中数据点进行判定:
若οw>0,ωw=P,数据点位于超球体外部,为异常数据点;
若οw=0,0<ωw<P,数据点位于超球体表面,为支持向量;
若οw=0,ωw=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=(Nvw)a×a:
式中:seg(kv,kw)是任意点kv和kw之间的连接线;
在seg(kv,kw)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(kv,kw)全部位于超球体内部时,kv和kw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ζi,第i个类中心到其他类中心距离的最小值qi和重叠系数ψ;
(6.2)求径向基函数的宽度为:
ζi=ψqi;
(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pi;
(6.5)求隐含层神经元的输出矩阵T={Txi};
Kx为第x个输入样本,pi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=(jwvw)v×w=T+Q;
T+为T矩阵的伪逆;Q为神经网络的目标输出;jwvw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ιki包括:
(10.1)构建ki-1时刻为支点(xki-1,yki-1)与当前ki时刻位置点(xki,yki)的运动矢量,运动方向角观测值记为ξki;
(10.2)导航系统输出方位角ιki和在ki-1时刻和ki时刻的时间间隔Δt内的行进角速度μki-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:
Nki为状态转换矩阵,D为状态转移过程的协方差,Cki-1为状态转移协方差;
(10.5)计算卡尔曼增益Xki为:
其中Uki从状态空间到量测空间的转换矩阵,Eki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:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210853534.3A CN115290067A (zh) | 2022-07-09 | 2022-07-09 | 一种支持向量聚类神经网络的大数据导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210853534.3A CN115290067A (zh) | 2022-07-09 | 2022-07-09 | 一种支持向量聚类神经网络的大数据导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115290067A true CN115290067A (zh) | 2022-11-04 |
Family
ID=83823814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210853534.3A Pending CN115290067A (zh) | 2022-07-09 | 2022-07-09 | 一种支持向量聚类神经网络的大数据导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115290067A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180935A (zh) * | 2015-10-30 | 2015-12-23 | 东南大学 | 一种适用于gnss微弱信号的组合导航数据融合方法 |
CN111239790A (zh) * | 2020-01-13 | 2020-06-05 | 上海师范大学 | 一种基于5g网络机器视觉的车辆导航系统 |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、系统及存储介质 |
-
2022
- 2022-07-09 CN CN202210853534.3A patent/CN115290067A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180935A (zh) * | 2015-10-30 | 2015-12-23 | 东南大学 | 一种适用于gnss微弱信号的组合导航数据融合方法 |
CN111239790A (zh) * | 2020-01-13 | 2020-06-05 | 上海师范大学 | 一种基于5g网络机器视觉的车辆导航系统 |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
方梦琳;唐文兵;黄鸿云;丁佐华;: "基于模糊信息分解与控制规则的移动机器人沿墙导航", 计算机科学, no. 1, 15 June 2020 (2020-06-15) * |
李浩 等: "基于高德导航数据与FOA-GRNN模型的驾驶倾向性辨识方法", 交通信息与安全, vol. 40, no. 02, 30 April 2022 (2022-04-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
Malleswaran et al. | A novel approach to the integration of GPS and INS using recurrent neural networks with evolutionary optimization techniques | |
CN105046717A (zh) | 一种鲁棒性的视频目标对象跟踪方法 | |
CN114090718B (zh) | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 | |
Yin et al. | Mrs-vpr: a multi-resolution sampling based global visual place recognition method | |
Zeng et al. | Improved IMM algorithm based on support vector regression for UAV tracking | |
CN116972854B (zh) | 基于gps定位的农机导航路径规划方法及系统 | |
CN113920481A (zh) | 基于航迹特征和深度神经网络MobileNet迁移训练的船舶分类识别方法及系统 | |
CN115290067A (zh) | 一种支持向量聚类神经网络的大数据导航方法 | |
Li et al. | Performance analysis of deep learning supported Kalman filter | |
Chen et al. | Geomagnetic vector pattern recognition navigation method based on probabilistic neural network | |
Jiang et al. | Trainable kalman filter based on recurrent neural network and its application in aviation surveillance | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
Lui et al. | Long Short-Term Memory-Based Neural Networks for Missile Maneuvers Trajectories Prediction⋆ | |
CN115015908A (zh) | 基于图神经网络的雷达目标数据关联方法 | |
Liu et al. | A deep neural network based maneuvering-target tracking algorithm | |
CN113989327A (zh) | 一种基于卷积神经网络粒子滤波算法的单uuv目标状态估计方法 | |
CN115164925A (zh) | 一种基于大数据的数字环境构建规划导航方法 | |
Gaiduchenko et al. | Multi-Step Ballistic Vehicle Trajectory Forecasting Using Deep Learning Models | |
Rahman et al. | Aircraft conflict resolution using convolutional neural network on trajectory image | |
Teague et al. | Time series classification of radio signal strength for qualitative estimate of UAV motion | |
CN115128597B (zh) | 基于imm-stekf的非高斯噪声下机动目标跟踪方法 | |
Zhang et al. | Deep learning based localization scheme for uav aided wireless sensor networks | |
Sláma et al. | GNG-based Clustering of Risk-aware Trajectories into Safe Corridors |
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 |