CN116520861B - 基于改进Glasius仿生神经网络的静态目标搜索方法与装置 - Google Patents
基于改进Glasius仿生神经网络的静态目标搜索方法与装置 Download PDFInfo
- Publication number
- CN116520861B CN116520861B CN202310492834.8A CN202310492834A CN116520861B CN 116520861 B CN116520861 B CN 116520861B CN 202310492834 A CN202310492834 A CN 202310492834A CN 116520861 B CN116520861 B CN 116520861B
- Authority
- CN
- China
- Prior art keywords
- map
- probability map
- probability
- neural network
- information
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000011521 glass Substances 0.000 title claims abstract description 64
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 56
- 230000003068 static effect Effects 0.000 title claims abstract description 52
- 210000002569 neuron Anatomy 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000005096 rolling process Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000000203 mixture Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 230000003592 biomimetic effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，属于Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。所述基于改进Glasius仿生神经网络的静态目标搜索方法，采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。它主要用于水下自主航行器的路径规划。
Description
技术领域
本发明涉及Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。
背景技术
海洋资源蕴藏着无限的可能性，然而其环境却异常复杂和恶劣，这使得对海洋的探索变得极具挑战性。自主水下航行器(Autonomous Underwater Vehicle，AUV)作为一种高度智能化的设备，具有可装载水下装置、良好的水下移动灵活性和经济适用性等特点，无论在军事领域还是民事领域上，均已受到了广泛关注。
目标搜索是AUV应用的重要领域之一，AUV通过集成各种先进的传感器设备，如声呐、水下相机以及光电设备等，可以对水下环境进行高效、精准的探测和感知。目标搜索本质上是最优路径规划问题。在目标搜索领域中，AUV通常需要在未知的水下环境中，通过最优路径寻找并定位目标物体；因此，高精度和高效率的路径规划，成为了实现AUV水下探测任务的关键。
现有的路径规划方法，一般是采用生物启发神经网络构建路径规划模型；这种方法可以利用先验信息，提取出高价值区域并忽略低价值区域，将水下栅格地图与生物启发神经网络相联系，通过该神经网络中神经元的活性值分布情况，制定AUV的路径规划模型。其中，所述先验信息，可以通过目标预警信息、信号消失位置、时间或其他因素来获取。
仿生神经网络(Bio－inspired Neural Network，BNN)，是一种高效而灵活的生物启发神经网络。近年来，所述仿生神经网络已在多智能体路径规划、目标搜索和目标围捕领域得到了广泛应用。然而，采用所述仿生神经网络进行路径规划方法，通常需要大量计算，对硬件设备的计算性能要求较高。为了解决这个问题，Glasius等人基于BNN提出了Glasius仿生神经网络(Glasius Bio－inspired Neural Network，GBNN)。所述GBNN，使用更简单的微分方程计算神经活动，以提高计算效率。
但是，虽然GBNN具有相对全局的机制，但在复杂情况下，由于神经元刺激信号的时延和衰减不可避免，所述GBNN仍可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想。
发明内容
本发明提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。
本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其技术方案如下：
所述方法具体包括：
S1、获取预先采集的先验信息；
S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Mapx×Mapy的栅格地图，作为基础先验目标概率图；
S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Mapx×Mapy；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
S4、采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。
进一步的，提供一个优选实施方式，其技术方案如下：
所述步骤S4具体包括：
S4.1、对上一次迭代计算对应的结合概率图MAPDd-1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；
S4.2、将所述预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAPDd；
S4.3、根据所述先验信息、本次迭代计算对应的结合概率图MAPDd以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；
S4.4、根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；
S4.5、根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；
如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；
如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束。
进一步的，提供一个优选实施方式，其技术方案如下：
所述先验信息具体如下：
所述先验信息包含N个数据点；其中，第i个数据点Si表示为：
Si＝{si，βi，λi}，i∈[1，N]，N为大于1的正整数；
其中，si为位置信息、βi为事件置信度、λi为分布范围；
每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点Si相关联的二维高斯分布函数G(si,λi)表示为：
其中，
βi∈[0,1]；
式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；
根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：
针对第i个数据点Si，从与其对应的所述二维高斯分布函数G(si,λi)中，提取Hi个样本；所述Hi表示为：
Hi＝βiHmax；
其中，Hmax是βi＝1时所提取样本的数量；
则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：
进一步的，提供一个优选实施方式，其技术方案如下：
所述基础先验目标概率图表示如下：
其中，
σ＝(σx,σy)；
式中，p代表所述基础先验目标概率图；sh表示样本位置，所述σ表示标准差；和/>表示H个样本的标准差；IQRx和IQRy表示H个样本在两个坐标轴上的四分位数间距。
进一步的，提供一个优选实施方式，其技术方案如下：
所述步骤S3具体包括：
S3.1、对贝叶斯高斯混合矩阵进行参数初始化；所述贝叶斯高斯混合矩阵的参数包括聚类数量k和参数向量θ；
所述参数向量θ表示为：
θ＝[πμ∑]；
其中，π表示聚类的权重系数，μ表示聚类的均值向量，∑表示聚类的协方差矩阵；
S3.2、采用期望最大化算法对所述贝叶斯高斯混合矩阵的参数进行更新，具体地：
S3.2.1、根据所述先验信息，计算第i个数据点xi属于第j个聚类的后验概率γij，表示为：
其中，N(xi|μj,Σj)表示第i个数据点xi在第j个聚类中服从的高斯分布；表示所有聚类的加权高斯分布之和；
S3.2.2、更新所述参数向量θ；具体地，根据所述后验概率γij，对第j个聚类的参数向量θj的更新过程，表示为如下：
式中，
其中，Nj表示属于第j个聚类的数据点个数；
S3.2.3、根据所述参数向量θ更新后的贝叶斯高斯混合矩阵，更新所述聚类数量k；具体地：
计算所述聚类数量k的当前值所对应的贝叶斯信息准则值，并根据所述贝叶斯信息准则值选择最优聚类数量k*，所述最优聚类数量k*表示为：
k*＝argmink{BIC(k)}；
其中，BIC(k)表示所述聚类数量k的当前值计算得到的贝叶斯信息准则值；所述最优聚类数量k*，是使所述BIC(k)值最小的聚类数量；
所述BIC(k)表示为：
其中，是似然函数的最大值，/>是模型的参数估计值，N是数据点数量；
将所述最优聚类数量k*，作为所述聚类数量k更新后的值；
S3.2.4、判断是否继续更新所述贝叶斯高斯混合矩阵的参数，具体地：
如果所述聚类数量k更新后的值小于预设的最大聚类数量，且根据所述聚类数量k更新后的值计算的贝叶斯信息准则值下降的速率超过预设的阈值，那么就增加聚类数量，并返回执行步骤S3.2.1；
否则，所述贝叶斯高斯混合矩阵的参数更新完成；
S3.3、根据所述先验信息以及所述参数更新完成的贝叶斯高斯混合矩阵，获得基于贝叶斯高斯混合矩阵的先验目标概率图。
进一步的，提供一个优选实施方式，其技术方案如下：
所述步骤S4.1具体包括：
S4.1.1、采用改进Glasius仿生神经网络，对所述上一次迭代计算对应的结合概率图MAPDd-1进行池化，获得池化概率图；具体地：
使用最大池化对所述上一次迭代计算对应的结合概率图MAPDd-1进行下采样，其中池化窗口的尺寸为Wpool×Wpool，步幅Spool＝Wpool，获得一个尺寸为[Mapx/Spool]×[Mapy/Spool]的池化概率图，其中[·]表示取整函数；
S4.1.2、根据概率峰值区域和自主水下航行器初始位置，使用莱默平均值算法计算所述池化概率图需要进行卷积的次数，即卷积次数m，表示为：
其中，qi表示当前位置到第i个概率峰值区域中心的欧式距离，wi表示当前时刻第i个概率峰值区域中所有栅格概率之和，p为莱默平均数的参数；
所述概率峰值区域，根据所述上一次迭代计算对应的结合概率图MAPDd-1获得；
所述自主水下航行器初始位置，根据所述先验信息获得；
S4.1.3、采用所述改进Glasius仿生神经网络的卷积核，对所述池化概率图进行m次的卷积，得到卷积概率图；
所述卷积核的定义如下：
其中，τab为神经元a和神经元b之间的连接权重，|χa-χb|是两个神经元之间的欧氏距离，δ是一个大于0的常数，R表示所述改进Glasius仿生神经网络接受范围的半径；
S4.1.4、通过双三次插值法对所述卷积概率图进行上采样，获得一个尺寸为Mapx×Mapy的概率图，即为预处理后的结合概率图MAPDd-1 *。
进一步的，提供一个优选实施方式，其技术方案如下：
所述步骤S4.2具体包括：
所述基础先验目标概率图，表示为一个Mapx×Mapy的概率矩阵A；
所述预处理后的结合概率图MAPDd-1 *，表示为一个Mapx×Mapy的概率矩阵BDd-1 *；
所述本次迭代计算对应的结合概率图MAPDd，表示为一个Mapx×Mapy的概率矩阵BDd；
则所述基础先验目标概率图与所述预处理后的结合概率图MAPDd-1 *的结合，表示为：
BDd＝A+BDd-1 *。
进一步的，提供一个优选实施方式，其技术方案如下：
所述步骤S4.3具体包括：
S4.1、根据所述所述自主水下航行器初始位置，以及过去每一次迭代计算获得的所有对应航点，获取自主水下航行器当前状态；
S4.2、根据所述本次迭代计算对应的结合概率图MAPDd，计算以所述自主水下航行器当前状态为出发点，在一个时间窗口T内所能获得的最优折扣收益，作为所述自主水下航行器当前状态的价值，表示如下：
其中，代表自主水下航行器在一个时间窗口T内经过的航点坐标，ε代表折扣因子，/>代表从z状态出发第l步探索第Pz+l-1栅格所获得的收益，代表Pz+i-1的邻域集合，/>代表/>的航向角；
S4.3、对所述自主水下航行器当前状态的价值进行整数优化，获得本次迭代计算对应的航点z*，表示为；
其中，Na代表自主水下航行器当前状态可选择的下一个航点的集合；
S4.4、根据所述本次迭代计算对应的航点z*，进行探测，获得探测信息；
S4.5、根据所述探测信息，更新所述基础先验目标概率图；具体地：
在所述基础先验目标概率图中，所述航点z*在探测前的目标存在概率值为Az*，则在探测后所述航点z*的目标存在概率值更新为其中，gs∈(0,1]，gs为观测概率。
本发明还提出了基于改进Glasius仿生神经网络的静态目标搜索装置，其技术方案如下：
所述装置具体包括：
信息采集模块，用于获取预先采集的先验信息；
基础概率图处理模块，用于利用帕森窗理论，根据所述先验信息，建立一个尺寸为Mapx×Mapy的栅格地图，作为基础先验目标概率图；
矩阵概率图处理模块，用于根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Mapx×Mapy；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
搜索任务模块，用于采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图Map0，进行迭代计算以执行静态目标搜索任务。
本发明还提出了一种电子设备，其技术方案如下：
一种电子设备，包括：处理器和存储器，所述存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行权利要求1－8任意一项权利要求所述的方法。
本发明有以下有益效果：
1、本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法通过引入贝叶斯高斯混合矩阵对概率地图进行聚类，从而提取出概率峰值区域；所述贝叶斯高斯混合矩阵，不依赖人工对于集群数目的判断，能够为不必要的集群赋予等于或接近于0的权重，即自动消除不必要的集群，从而实现更好的聚类效果。
2、本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法通过采用结合概率图能够为AUV提供更准确的环境信息，使得AUV更快地找到最优路径，提高搜索效率。
3、本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法采用所述改进的Glasius仿生神经网络，通过最大池化和多次卷积，提升了神经网络中全局信息的传播速度，有效降低时延和衰减对GBNN的影响，能更好地掌控全局信息。
4、本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法通过所述时域滚动优化过程，相较于传统GBNN中只通过使用贪心策略选取下一个航点的方法，能够得出质量更高的路径。
本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法与装置，适用于水下自主航行器的路径规划。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的较佳的实施例中，卷积核的示意图；
图2为本发明的较佳的实施例中，基于改进Glasius仿生神经网络的静态目标搜索方法的流程图；
图3为本发明的较佳的实施例中，通过传统帕森窗理论建立的目标概率图；
图4(a)为本发明的较佳的实施例中，BGM聚类中心选取图；
图4(b)为本发明的较佳的实施例中，基于BGM建立的目标概率图；
图5(a)为本发明的较佳的实施例中，基于现有Glasius仿生神经网络的静态目标搜索方法的AUV搜索路径图；
图5(b)为本发明的较佳的实施例中，基于改进Glasius仿生神经网络的静态目标搜索方法的AUV搜索路径图；
图6为本发明的较佳的实施例中，分别采用基于现有和改进Glasius仿生神经网络的静态目标搜索方法的累计检测奖励曲线对比图。
具体实施方式
为使本发明的技术方案及优点表述更清楚，下面将结合附图对本发明实施例中的具体实施方式作进一步地详细、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施方式一、结合图1－6说明本实施方式，本实施方式提供基于改进Glasius仿生神经网络的静态目标搜索方法，具体实施内容如下：
所述方法具体包括：
S1、获取预先采集的先验信息；
S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Mapx×Mapy的栅格地图，作为基础先验目标概率图；
S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Mapx×Mapy；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
S4、采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。
本实施方式中，所述先验信息，即所述自主水下航行器通过自身所集成的传感器设备对水下环境进行采集得到的异常数据点。其中，所述自主水下航行器，英文名称为“Autonomous Underwater Vehicle”，简称AUV。
本实施方式中，在GBNN的基础上，通过引入贝叶斯高斯混合矩阵(BayesianGaussian Mixture Matrix，BGM)对概率地图进行聚类，从而提取出概率峰值区域。所述贝叶斯高斯混合矩阵，英文名称为“Bayesian Gaussian Mixture Matrix”，简称BGM。所述BGM不依赖人工对于集群数目的判断，能够为不必要的集群赋予等于或接近于0的权重，即自动消除不必要的集群，从而实现更好的聚类效果。
本实施方式中，结合概率图能够为AUV提供更准确的环境信息，使得AUV更快地找到最优路径，提高搜索效率。
本实施方式中，在传统的Glasius仿生神经网络(Glasius Bio-inspired NeuralNetwork，GBNN)中，由于神经元刺激信号传播存在不可避免的时延和衰减，不利于GBNN对于全局信息的掌控。本实施方式所改进的Glasius仿生神经网络，通过最大池化和多次卷积提升了网络中全局信息的传播速度，有效降低时延和衰减对GBNN的影响，能更好地掌控全局信息。
本实施方式中，所述时域滚动优化过程，相较于传统GBNN中只通过使用贪心策略选取下一个航点的方法，能够得出质量更高的路径。
实施方式二、结合图1-6说明本实施方式，本实施方式是对实施方式一所述的基于改进Glasius仿生神经网络的静态目标搜索方法中步骤S4的进一步限定，具体实施内容如下：
所述步骤S4具体包括：
S4.1、对上一次迭代计算对应的结合概率图MAPDd-1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；
S4.2、将所述预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAPDd；
S4.3、根据所述先验信息、本次迭代计算对应的结合概率图MAPDd以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；
S4.4、根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；
S4.5、根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；
如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；
如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束。
本实施方式中，在传统的Glasius仿生神经网络(Glasius Bio-inspired NeuralNetwork，GBNN)中，由于神经元刺激信号传播存在不可避免的时延和衰减，不利于GBNN对于全局信息的掌控。本实施方式所改进的Glasius仿生神经网络，通过最大池化和多次卷积提升了网络中全局信息的传播速度，有效降低时延和衰减对GBNN的影响，能更好地掌控全局信息。
实施方式三、结合图1－6说明本实施方式，本实施方式是对实施方式二所述的基于改进Glasius仿生神经网络的静态目标搜索方法中所述先验信息的进一步限定，具体实施内容如下：
所述先验信息包含N个数据点；其中，第i个数据点Si表示为：
Si＝{si,βi,λi}，i∈[1,N]，N为大于1的正整数；
其中，si为位置信息、βi为事件置信度、λi为分布范围；
每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点Si相关联的二维高斯分布函数G(si,λi)表示为：
其中，
βi∈[0,1]；
式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；
根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：
针对第i个数据点Si，从与其对应的所述二维高斯分布函数G(si,λi)中，提取Hi个样本；所述Hi表示为：
Hi＝βiHmax；
其中，Hmax是βi＝1时所提取样本的数量；
则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：
实施方式四、结合图1－6说明本实施方式，本实施方式是对实施方式三所述的基于改进Glasius仿生神经网络的静态目标搜索方法中所述基础先验目标概率图的进一步限定，具体实施内容如下：
所述基础先验目标概率图表示如下：
其中，
σ＝(σx,σy)；
式中，p代表所述基础先验目标概率图；sh表示样本位置，所述σ表示标准差；和/>表示H个样本的标准差；IQRx和IQRy表示H个样本在两个坐标轴上的四分位数间距。
实施方式五、结合图1－6说明本实施方式，本实施方式是对实施方式四所述的基于改进Glasius仿生神经网络的静态目标搜索方法中步骤S3的进一步限定，具体实施内容如下：
所述步骤S3具体包括：
S3.1、对贝叶斯高斯混合矩阵进行参数初始化；所述贝叶斯高斯混合矩阵的参数包括聚类数量k和参数向量θ；
所述参数向量θ表示为：
θ＝[πμ∑]；
其中，π表示聚类的权重系数，μ表示聚类的均值向量，∑表示聚类的协方差矩阵；
S3.2、采用期望最大化算法对所述贝叶斯高斯混合矩阵的参数进行更新，具体地：
S3.2.1、根据所述先验信息，计算第i个数据点xi属于第j个聚类的后验概率γij，表示为：
其中，N(xi|μj,Σj)表示第i个数据点xi在第j个聚类中服从的高斯分布；表示所有聚类的加权高斯分布之和；
S3.2.2、更新所述参数向量θ；具体地，根据所述后验概率γij，对第j个聚类的参数向量θj的更新过程，表示为如下：
式中，
其中，Nj表示属于第j个聚类的数据点个数；
S3.2.3、根据所述参数向量θ更新后的贝叶斯高斯混合矩阵，更新所述聚类数量k；具体地：
计算所述聚类数量k的当前值所对应的贝叶斯信息准则值，并根据所述贝叶斯信息准则值选择最优聚类数量k*，所述最优聚类数量k*表示为：
k*＝argmink{BIC(k)}；
其中，BIC(k)表示所述聚类数量k的当前值计算得到的贝叶斯信息准则值；所述最优聚类数量k*，是使所述BIC(k)值最小的聚类数量；
所述BIC(k)表示为：
其中，是似然函数的最大值，/>是模型的参数估计值，N是数据点数量；
将所述最优聚类数量k*，作为所述聚类数量k更新后的值；
S3.2.4、判断是否继续更新所述贝叶斯高斯混合矩阵的参数，具体地：
如果所述聚类数量k更新后的值小于预设的最大聚类数量，且根据所述聚类数量k更新后的值计算的贝叶斯信息准则值下降的速率超过预设的阈值，那么就增加聚类数量，并返回执行步骤S3.2.1；
否则，所述贝叶斯高斯混合矩阵的参数更新完成；
S3.3、根据所述先验信息以及所述参数更新完成的贝叶斯高斯混合矩阵，获得基于贝叶斯高斯混合矩阵的先验目标概率图。
本实施方式中，所述BIC值，中文全称“贝叶斯信息准则值”，英文全称“BayesianInformation Criterion”。
本实施方式中，期望最大化算法，英文名称为“Expectation－MaximizationAlgorithm”，简称EM。
本实施方式中，所述是所有聚类的加权高斯分布之和，用来归一化，确保每个数据点都被分到一个聚类中。
实施方式六、结合图1－6说明本实施方式，本实施方式是对实施方式五所述的基于改进Glasius仿生神经网络的静态目标搜索方法中步骤S4.1的进一步限定，具体实施内容如下：
所述步骤S4.1具体包括：
S4.1.1、采用改进Glasius仿生神经网络，对所述上一次迭代计算对应的结合概率图MAPDd-1进行池化，获得池化概率图；具体地：
使用最大池化对所述上一次迭代计算对应的结合概率图MAPDd-1进行下采样，其中池化窗口的尺寸为Wpool×Wpool，步幅Spool＝Wpool，获得一个尺寸为[Mapx/Spool]×[Mapy/Spool]的池化概率图，其中[·]表示取整函数；
S4.1.2、根据概率峰值区域和自主水下航行器初始位置，使用莱默平均值算法计算所述池化概率图需要进行卷积的次数，即卷积次数m，表示为：
其中，qi表示当前位置到第i个概率峰值区域中心的欧式距离，wi表示当前时刻第i个概率峰值区域中所有栅格概率之和，p为莱默平均数的参数；
所述概率峰值区域，根据所述上一次迭代计算对应的结合概率图MAPDd-1获得；
所述自主水下航行器初始位置，根据所述先验信息获得；
S4.1.3、采用所述改进Glasius仿生神经网络的卷积核，对所述池化概率图进行m次的卷积，得到卷积概率图；
所述卷积核的定义如下：
其中，τab为神经元a和神经元b之间的连接权重，|χa-χb|是两个神经元之间的欧氏距离，δ是一个大于0的常数，R表示所述改进Glasius仿生神经网络接受范围的半径；
S4.1.4、通过双三次插值法对所述卷积概率图进行上采样，获得一个尺寸为Mapx×Mapy的概率图，即为预处理后的结合概率图MAPDd-1 *。
实施方式七、结合图1－6说明本实施方式，本实施方式是对实施方式六所述的基于改进Glasius仿生神经网络的静态目标搜索方法中所述步骤S4.2的进一步限定，具体实施内容如下：
所述步骤S4.2具体包括：
所述基础先验目标概率图，表示为一个Mapx×Mapy的概率矩阵A；
所述预处理后的结合概率图MAPDd-1 *，表示为一个Mapx×Mapy的概率矩阵BDd-1 *；
所述本次迭代计算对应的结合概率图MAPDd，表示为一个Mapx×Mapy的概率矩阵BDd；
则所述基础先验目标概率图与所述预处理后的结合概率图MAPDd-1 *的结合，表示为：
BDd＝A+BDd-1 *。
实施方式八、结合图1－6说明本实施方式，本实施方式是对实施方式七所述的基于改进Glasius仿生神经网络的静态目标搜索方法中所述步骤S4.3的进一步限定，具体实施内容如下：
S4.1、根据所述所述自主水下航行器初始位置，以及过去每一次迭代计算获得的所有对应航点，获取自主水下航行器当前状态；
S4.2、根据所述本次迭代计算对应的结合概率图MAPDd，计算以所述自主水下航行器当前状态为出发点，在一个时间窗口T内所能获得的最优折扣收益，作为所述自主水下航行器当前状态的价值，表示如下：
其中，代表自主水下航行器在一个时间窗口T内经过的航点坐标，ε代表折扣因子，/>代表从z状态出发第l步探索第Pz+l-1栅格所获得的收益，代表Pz+i-1的邻域集合，/>代表/>的航向角；
S4.3、对所述自主水下航行器当前状态的价值进行整数优化，获得本次迭代计算对应的航点z*，表示为；
其中，Na代表自主水下航行器当前状态可选择的下一个航点的集合；
S4.4、根据所述本次迭代计算对应的航点z*，进行探测，获得探测信息；
S4.5、根据所述探测信息，更新所述基础先验目标概率图；具体地：
在所述基础先验目标概率图中，所述航点z*在探测前的目标存在概率值为Az*，则在探测后所述航点z*的目标存在概率值更新为其中，gs∈(0,1]，gs为观测概率。
本实施方式中，AUV能够获取到外界的全部信息，并且能够对未来的情况进行合理的预测。那么，AUV在航行过程中对下一航点的选择过程，相当于一个状态完全可观的马尔可夫奖励过程。在这一情况下，AUV可以通过一个时间范围内奖励的逐步累加，确定下一个航点的价值。
本实施方式中，AUV到达Z＊后进行地图探测，然后判断是否满足任务停止条件。
实施方式九、结合图1－6说明本实施方式，本实施方式提供基于改进Glasius仿生神经网络的静态目标搜索装置，具体实施内容如下：
所述装置具体包括：
信息采集模块，用于获取预先采集的先验信息；
基础概率图处理模块，用于利用帕森窗理论，根据所述先验信息，建立一个尺寸为Mapx×Mapy的栅格地图，作为基础先验目标概率图；
矩阵概率图处理模块，用于根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Mapx×Mapy；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
搜索任务模块，用于采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算以执行静态目标搜索任务。
本实施方式中，基于改进Glasius仿生神经网络的静态目标搜索装置，用来实现实施方式一所述基于改进Glasius仿生神经网络的静态目标搜索方法。
在更进一步的实施方式中，搜索任务模块，具体包括：
子模块一，用于对上一次迭代计算对应的结合概率图MAPDd-1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；
子模块二，用于将所述预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAPDd；
子模块三，用于根据所述先验信息、本次迭代计算对应的结合概率图MAPDd以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；
子模块四，用于根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；
子模块五，用于根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；具体地：
如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则继续执行所述静态目标搜索任务；
如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束。
以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了突出本发明提供的技术方案的优点和有益之处，不过以上所述的几个具体实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则范围内的，对本发明的合理更改和改进、实施方式的合理组合和等同替换等，均应当包含在本发明的保护范围之内。
Claims (8)
1.基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述方法具体包括：
S1、获取预先采集的先验信息；
S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Mapx×Mapy的栅格地图，作为基础先验目标概率图；
S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Mapx×Mapy；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
S4、采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务；
所述步骤S4具体包括：
S4.1、对上一次迭代计算对应的结合概率图MAPDd-1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；
S4.2、将所述预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAPDd；
S4.3、根据所述先验信息、本次迭代计算对应的结合概率图MAPDd以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；
S4.4、根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；
S4.5、根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；
如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；
如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束；
所述先验信息具体如下：
所述先验信息包含N个数据点；其中，第i个数据点Si表示为：
Si＝{si，βi，λi}，i∈[1，N]，N为大于1的正整数；
其中，si为位置信息、βi为事件置信度、λi为分布范围；
每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点Si相关联的二维高斯分布函数G(si，λi)表示为：
其中，
βi∈[0，1]；
式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；
根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：
针对第i个数据点Si，从与其对应的所述二维高斯分布函数G(si，λi)中，提取Hi个样本；所述Hi表示为：
Hi＝βiHmax；
其中，Hmax是βi＝1时所提取样本的数量；
则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：
2.根据权利要求1所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述基础先验目标概率图表示如下：
其中，
σ＝(σx，σy)；
式中，p代表所述基础先验目标概率图；sh表示样本位置，所述σ表示标准差；和表示H个样本的标准差；IQRx和IQRy表示H个样本在两个坐标轴上的四分位数间距。
3.根据权利要求2所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S3具体包括：
S3.1、对贝叶斯高斯混合矩阵进行参数初始化；所述贝叶斯高斯混合矩阵的参数包括聚类数量k和参数向量θ；
所述参数向量θ表示为：
θ＝[π μ ∑]；
其中，π表示聚类的权重系数，μ表示聚类的均值向量，∑表示聚类的协方差矩阵；
S3.2、采用期望最大化算法对所述贝叶斯高斯混合矩阵的参数进行更新，具体地：
S3.2.1、根据所述先验信息，计算第i个数据点xi属于第j个聚类的后验概率γij，表示为：
其中，N(xi|μj，∑j)表示第i个数据点xi在第j个聚类中服从的高斯分布；表示所有聚类的加权高斯分布之和；
S3.2.2、更新所述参数向量θ；具体地，根据所述后验概率γij，对第j个聚类的参数向量θj的更新过程，表示为如下：
式中，
其中，Nj表示属于第j个聚类的数据点个数；
S3.2.3、根据所述参数向量θ更新后的贝叶斯高斯混合矩阵，更新所述聚类数量k；具体地：
计算所述聚类数量k的当前值所对应的贝叶斯信息准则值，并根据所述贝叶斯信息准则值选择最优聚类数量k*，所述最优聚类数量k*表示为：
k*＝argmink{BIC(k)}；
其中，BIC(k)表示所述聚类数量k的当前值计算得到的贝叶斯信息准则值；所述最优聚类数量k*，是使所述BIC(k)值最小的聚类数量；
所述BIC(k)表示为：
其中，是似然函数的最大值，/>是模型的参数估计值，N是数据点数量；
将所述最优聚类数量k*，作为所述聚类数量k更新后的值；
S3.2.4、判断是否继续更新所述贝叶斯高斯混合矩阵的参数，具体地：
如果所述聚类数量k更新后的值小于预设的最大聚类数量，且根据所述聚类数量k更新后的值计算的贝叶斯信息准则值下降的速率超过预设的阈值，那么就增加聚类数量，并返回执行步骤S3.2.1；
否则，所述贝叶斯高斯混合矩阵的参数更新完成；
S3.3、根据所述先验信息以及所述参数更新完成的贝叶斯高斯混合矩阵，获得基于贝叶斯高斯混合矩阵的先验目标概率图。
4.根据权利要求3所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S4.1具体包括：
S4.1.1、采用改进Glasius仿生神经网络，对所述上一次迭代计算对应的结合概率图MAPDd-1进行池化，获得池化概率图；具体地：
使用最大池化对所述上一次迭代计算对应的结合概率图MAPDd-1进行下采样，其中池化窗口的尺寸为Wpool×Wpool，步幅Spool＝Wpool，获得一个尺寸为[Mapx/Spool]×[Mapy/Spool]的池化概率图，其中[·]表示取整函数；
S4.1.2、根据概率峰值区域和自主水下航行器初始位置，使用莱默平均值算法计算所述池化概率图需要进行卷积的次数，即卷积次数m，表示为：
其中，qi表示当前位置到第i个概率峰值区域中心的欧式距离，wi表示当前时刻第i个概率峰值区域中所有栅格概率之和，p为莱默平均数的参数；
所述概率峰值区域，根据所述上一次迭代计算对应的结合概率图MAPDd-1获得；
所述自主水下航行器初始位置，根据所述先验信息获得；
S4.1.3、采用所述改进Glasius仿生神经网络的卷积核，对所述池化概率图进行m次的卷积，得到卷积概率图；
所述卷积核的定义如下：
其中，τab为神经元a和神经元b之间的连接权重，|χa-χb|是两个神经元之间的欧氏距离，δ是一个大于0的常数，R表示所述改进Glasius仿生神经网络接受范围的半径；
S4.1.4、通过双三次插值法对所述卷积概率图进行上采样，获得一个尺寸为Mapx×Mapy的概率图，即为预处理后的结合概率图MAPDd-1 *。
5.根据权利要求4所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S4.2具体包括：
所述基础先验目标概率图，表示为一个Mapx×Mapy的概率矩阵A；
所述预处理后的结合概率图MAPDd-1 *，表示为一个Mapx×Mapy的概率矩阵BDd-1 *；
所述本次迭代计算对应的结合概率图MAPDd，表示为一个Mapx×Mapy的概率矩阵BDd；
则所述基础先验目标概率图与所述预处理后的结合概率图MAPDd-1 *的结合，表示为：
BDa＝A+BDa-1 *。
6.根据权利要求5所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S4.3具体包括：
S4.1、根据所述所述自主水下航行器初始位置，以及过去每一次迭代计算获得的所有对应航点，获取自主水下航行器当前状态；
S4.2、根据所述本次迭代计算对应的结合概率图MAPDd，计算以所述自主水下航行器当前状态为出发点，在一个时间窗口T内所能获得的最优折扣收益，作为所述自主水下航行器当前状态的价值，表示如下：
其中，代表自主水下航行器在一个时间窗口T内经过的航点坐标，ε代表折扣因子，/>代表从z状态出发第l步探索第Pz+l-1栅格所获得的收益，/>代表Pz+i-1的邻域集合，/>代表/>的航向角；
S4.3、对所述自主水下航行器当前状态的价值进行整数优化，获得本次迭代计算对应的航点z*，表示为；
其中，Na代表自主水下航行器当前状态可选择的下一个航点的集合；
S4.4、根据所述本次迭代计算对应的航点z*，进行探测，获得探测信息；
S4.5、根据所述探测信息，更新所述基础先验目标概率图；具体地：
在所述基础先验目标概率图中，所述航点z*在探测前的目标存在概率值为则在探测后所述航点z*的目标存在概率值更新为/>其中，gs∈(0，1]，gs为观测概率。
7.基于改进Glasius仿生神经网络的静态目标搜索装置，其特征在于，所述装置具体包括：
信息采集模块，用于获取预先采集的先验信息；
基础概率图处理模块，用于利用帕森窗理论，根据所述先验信息，建立一个尺寸为Mapx×Mapy的栅格地图，作为基础先验目标概率图；
矩阵概率图处理模块，用于根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Mapx×Mapy；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
搜索任务模块，用于采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算以执行静态目标搜索任务。
所述矩阵概率图处理模块包括预处理子模块、概率图结合子模块、航点获取子模块、奖励计算子模块以及结束判断子模块：
所述预处理子模块，用于对上一次迭代计算对应的结合概率图MAPDd-1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；
所述概率图结合子模块，用于将所述预处理后的上一次迭代计算对应的结合概率图MAPDd-1 *，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAPDd；
所述航点获取子模块，用于根据所述先验信息、本次迭代计算对应的结合概率图MAPDd以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；
所述奖励计算子模块、用于根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；
所述结束判断子模块，用于根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；
如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；
如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束；
所述先验信息具体如下：
所述先验信息包含N个数据点；其中，第i个数据点Si表示为：
Si＝{si，βi，λi}，i∈[1，N]，N为大于1的正整数；
其中，si为位置信息、βi为事件置信度、λi为分布范围；
每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点Si相关联的二维高斯分布函数G(si，λi)表示为：
其中，
βi∈[0，1]；
式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；
根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：
针对第i个数据点Si，从与其对应的所述二维高斯分布函数G(si，λi)中，提取Hi个样本；所述Hi表示为：
Hi＝βiHmax；
其中，Hmax是βi＝1时所提取样本的数量；
则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：
8.一种电子设备，包括：处理器和存储器，其特征在于，所述存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任意一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310492834.8A CN116520861B (zh) | 2023-05-04 | 2023-05-04 | 基于改进Glasius仿生神经网络的静态目标搜索方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310492834.8A CN116520861B (zh) | 2023-05-04 | 2023-05-04 | 基于改进Glasius仿生神经网络的静态目标搜索方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520861A CN116520861A (zh) | 2023-08-01 |
| CN116520861B true CN116520861B (zh) | 2024-04-12 |
Family
ID=87393678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310492834.8A Active CN116520861B (zh) | 2023-05-04 | 2023-05-04 | 基于改进Glasius仿生神经网络的静态目标搜索方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520861B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108594834A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种面向未知环境下多auv自适应目标搜索和避障方法 |
| CN111337931A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
| CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
| CN113238232A (zh) * | 2021-05-06 | 2021-08-10 | 中国海洋大学 | 面向海洋静态目标的自主水下航行器系统目标搜索方法 |
| CN115809609A (zh) * | 2023-02-06 | 2023-03-17 | 吉林大学 | 一种多水下自主航行器目标搜索方法及其系统 |
-
2023
- 2023-05-04 CN CN202310492834.8A patent/CN116520861B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108594834A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种面向未知环境下多auv自适应目标搜索和避障方法 |
| CN111337931A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
| CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
| CN113238232A (zh) * | 2021-05-06 | 2021-08-10 | 中国海洋大学 | 面向海洋静态目标的自主水下航行器系统目标搜索方法 |
| CN115809609A (zh) * | 2023-02-06 | 2023-03-17 | 吉林大学 | 一种多水下自主航行器目标搜索方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520861A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190537B (zh) | 一种基于掩码感知深度强化学习的多人物姿态估计方法 | |
| CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
| CN111368769B (zh) | 基于改进锚点框生成模型的船舶多目标检测方法 | |
| CN112132042A (zh) | 基于对抗域适应的sar图像目标检测方法 | |
| CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
| CN109859209B (zh) | 遥感影像分割方法、装置及存储介质、服务器 | |
| WO2009082586A1 (en) | Online sparse matrix gaussian process regression and visual applications | |
| CN112115916A (zh) | 域适应Faster R-CNN半监督SAR检测方法 | |
| CN111008991B (zh) | 一种背景感知的相关滤波目标跟踪方法 | |
| Vo et al. | An implementation of the multi-sensor generalized labeled multi-Bernoulli filter via Gibbs sampling | |
| CN113705655B (zh) | 三维点云全自动分类方法及深度神经网络模型 | |
| CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
| CN113848550A (zh) | 地基雷达自适应阈值永久散射体识别方法、装置及存储介质 | |
| Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
| CN115187786A (zh) | 一种基于旋转的CenterNet2目标检测方法 | |
| CN113033356B (zh) | 一种尺度自适应的长期相关性目标跟踪方法 | |
| CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
| CN116520861B (zh) | 基于改进Glasius仿生神经网络的静态目标搜索方法与装置 | |
| CN111681266A (zh) | 船舶跟踪方法、系统、设备及存储介质 | |
| 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 | |
| US20220391692A1 (en) | Semantic understanding of dynamic imagery using brain emulation neural networks | |
| Zhuangzhuang et al. | Adaptive learning rate CNN for SAR ATR | |
| CN113483769A (zh) | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 | |
| CN113239895A (zh) | 基于注意力机制的胶囊网络的sar图像变化检测方法 | |
| Ranjbar et al. | Scene novelty prediction from unsupervised discriminative feature learning |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Yibing Inventor after: Wang Yabo Inventor after: Ma Linan Inventor after: Huang Yujie Inventor after: Zhou Yanan Inventor after: Sun Jian Inventor after: Ye Fang Inventor after: Tian Yuan Inventor after: Dong Qianhui Inventor after: Xu Cai Inventor before: Li Yibing Inventor before: Ma Linan Inventor before: Huang Yujie Inventor before: Zhou Yanan Inventor before: Sun Jian Inventor before: Ye Fang Inventor before: Tian Yuan |