CN117591889A - 一种基于神经网络的探测队形优化方法 - Google Patents
一种基于神经网络的探测队形优化方法 Download PDFInfo
- Publication number
- CN117591889A CN117591889A CN202410074832.1A CN202410074832A CN117591889A CN 117591889 A CN117591889 A CN 117591889A CN 202410074832 A CN202410074832 A CN 202410074832A CN 117591889 A CN117591889 A CN 117591889A
- Authority
- CN
- China
- Prior art keywords
- state
- measurement
- photoelectric detection
- representing
- detection devices
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 88
- 241000251555 Tunicata Species 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 241000251557 Ascidiacea Species 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005755 formation reaction Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical class CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于神经网络的探测队形优化方法,属于目标探测技术领域,解决了现有单人手持光电探测设备探测误差较大的问题。本发明技术方案主要包括:S1、构建训练数据集,训练样本包括:多个光电探测设备的位置关系,以及通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值;S2、将训练样本输入神经网络模型进行训练以获得测量误差估计模型;S3、获取多个光电探测设备之间的位置关系并输入测量误差估计模型;S4、根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化;S5、重复步骤S3‑S4直到使得目标状态估计误差小于预设阈值,输出对应的位置关系作为探测队形。
Description
技术领域
本发明属于目标探测技术领域,具体而言涉及一种基于神经网络的探测队形优化方法。
背景技术
光电探测设备采用主动激光成像技术,利用光电设备的“猫眼效应”探测各种直视光学瞄准和观察设备的回波亮点,进而实现对潜伏狙击手、侦察车的快速检测与锁定,在反狙击、维护公共安全、安防重点机构等领域发挥着重要作用。
但相比于大型探测设备,单人手持光电探测设备存在能量减、大气衰减、距离衰减等因素的影响,在敌方主动光学干扰的加持下,其探测精度可能会快速下降甚至丢失目标。而当通过多人各自手持光电探测设备测量进行协同计算可以降低上述外部干扰造成的误差,对此,进一步发现多人进行协同探测时不同的队形造成的误差也是不同的。
本发明的目的在于提供一种面向多个光电探测设备的基于神经网络的探测队形优化方法,以解决现有单人手持光电探测设备探测误差较大的问题。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于神经网络的探测队形优化方法,用以解决现有单人手持光电探测设备探测误差较大的问题。
一种基于神经网络的探测队形优化方法,包括:
S1、构建训练数据集,所述训练数据集中的每个训练样本包括:多个光电探测设备的位置关系,以及通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值;
S2、将所述训练样本输入神经网络模型进行训练以获得测量误差估计模型;
S3、获取多个光电探测设备之间的位置关系并输入所述测量误差估计模型,以获得对应的目标状态估计误差;
S4、根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化;
S5、重复步骤S3-S4直到使得目标状态估计误差小于预设阈值,输出对应的位置关系作为探测队形。
在一些实施例中,步骤S1中,通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值,包括:
S11、通过多个光电探测设备分别获取对于探测目标的状态测量值;
S12、基于多个所述光电探测设备各自的所述状态测量值和噪声因子,通过扩展卡尔曼滤波算法获得探测目标的状态估计值;
S13、通过状态估计值和状态真实值确定目标状态估计误差。
在一些实施例中,光电探测设备包括便携式光电探测设备。
在一些实施例中,所述状态测量值包括探测目标的位置测量值和速度测量值,状态测量值表示为:
X(t)=[x(t),v(t)]T
其中,表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值。
在一些实施例中,步骤S12中,基于多个所述光电探测设备各自的所述状态测量值和噪声因子,通过扩展卡尔曼滤波算法获得探测目标的状态估计值,包括:
S121、根据牛顿定律确定探测目标的状态微分方程,状态微分方程表示为:
;
其中,表示状态测量值的微分,/>表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值,/>表示噪声因子;
S122、基于状态微分方程获得状态方程;
S123、通过扩展卡尔曼滤波算法根据多个光电探测设备对应的状态方程获得状态估计值。
在一些实施例中,噪声因子为服从均值为零、方差为σ 2的高斯白噪声,高斯白噪声满足的条件包括:
;
其中,表示高斯白噪声,E[•]表示变量的数学期望,q为w(t)协方差的大小,τ为另一时刻;
δ(t-τ)为狄拉克函数,表示为:
。
在一些实施例中,步骤S122中,基于状态微分方程获得状态方程的过程包括:
获取状态微分方程表示为:
;
其中,表示状态测量值的微分,/>表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值,/>表示噪声因子;
记;
对状态微分方程进行离散化,得到其通解表示为:
;
其中,为初始时刻,取/>=kT且t=(k+1)T,其中T为采样间隔,k为滤波步骤,k=1,2,…;
在时间间隔[kT, (k+1)T]内认为噪声w(t)保持不变,则上式通解表示变为:
;
经过积分后得到的状态方程表示为:
;
其中,Φ是从第k步到第k+1步的状态转移矩阵,Γ是对应的噪声矩阵,I是单位矩阵。
在一些实施例中,步骤S4中根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化,包括:
以光电探测设备的数量作为樽海鞘优化算法的搜索空间维度;
以光电探测设备的空间布置关系作为樽海鞘优化算法的设定搜索空间;
通过樽海鞘优化算法迭代至使得目标状态估计误差小于预设阈值时,输出樽海鞘食物位置以作为多个光电探测设备之间的位置分布。
在一些实施例中,通过樽海鞘优化算法迭代至使得目标状态估计误差小于预设阈值,包括:
初始化:设M为樽海鞘种群规模,D为解空间的维度即优化变量的数目,第i个樽海鞘在第j维解空间中的位置可表示为,领导者对应i=1,设m为进化代数,初值为m=1,则整个种群的位置可用一个M×D矩阵表示为:
;
领导者位置更新,表示为:
;
其中,为SSOA最大迭代次数,/>为整个群体迄今在第j维解空间中发现的最优位置,/>限定了樽海鞘在第j维解空间中的位置下限,/>限定了樽海鞘在第j维解空间中的位置上限,r 1和r 2为[0,1]间的随机数;
追随者位置更新:樽海鞘链中的追随者相继连接、彼此影响,整体呈链状惯序前进,其位置变化表示为:
;
令迭代次数m=m+1并返回领导者位置更新步骤,直至m=m max。
本发明实施例至少具有以下有益效果:
本发明通过扩展卡尔曼滤波算法对多个光电探测设备的测量数据进行估算以降低目标状态的估算误差,通过神经网络的训练使得测量误差估计模型能够学习到在不同的队形下由于外部干扰造成的测量误差,避免了每一次都通过复杂的卡尔曼滤波算法进行估计。然后通过樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化以更进一步使得估算误差降低。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种协同光电探测方法流程示意图;
图2为本发明实施例的光电探测设备示意图;
图3为本发明实施例三人编队测量队形示意图;
图4为本发明实施例不同队形的状态估计误差比对图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合、分离、互换和/或重新布置。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。
这里使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
本发明旨在提供一种协同光电探测方法及系统,用以解决现有单人手持光电探测设备探测误差较大的问题。
本发明提供一种协同光电探测方法,如图1所示,包括:
S1、构建训练数据集,所述训练数据集中的每个训练样本包括:多个光电探测设备的位置关系,以及通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值;
S2、将所述训练样本输入神经网络模型进行训练以获得测量误差估计模型;
S3、获取多个光电探测设备之间的位置关系并输入所述测量误差估计模型,以获得对应的目标状态估计误差;
S4、根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化;
S5、重复步骤S3-S4直到使得目标状态估计误差小于预设阈值,输出对应的位置关系作为探测队形。
在一些实施例中,步骤S1中,通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值,包括:
S11、通过多个光电探测设备分别获取对于探测目标的状态测量值;
S12、基于多个所述光电探测设备各自的所述状态测量值和噪声因子,通过扩展卡尔曼滤波算法获得探测目标的状态估计值;
S13、通过状态估计值和状态真实值确定目标状态估计误差。
本发明实施例通过扩展卡尔曼滤波算法对多个光电探测设备的测量数据进行估算以降低目标状态的估算误差,通过对多个光电探测设备间不同的位置关系下通过扩展卡尔曼滤波算法得到的估算误差构建训练样本,换句话说,训练样本的内容为位置关系,标签为估算的测量误差。
应当理解的是,多个光电探测设备间不同的位置关系包括相同数量的光电探测设备的各种不同的位置关系,也包括不同数量的光电探测设备的不同的位置关系,本发明的构思在于通过神经网络提取位置关系的特征对于测量估算误差的影响,进而在后续进行队形调整时,免去了在每次进行位置优化后需要进行复杂的扩展卡尔曼滤波算法的问题。
通过神经网络的训练使得测量误差估计模型能够学习到在不同的队形下由于外部干扰造成的测量误差,避免了每一次都通过复杂的卡尔曼滤波算法进行估计。然后通过樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化以更进一步使得估算误差降低。
在一些实施例中,光电探测设备包括便携式光电探测设备。
如图2所示,光电探测设备获取状态测量值的包括:
以光电探测设备为本体建立坐标系(oxbybzb),坐标原点位于光电探测设备的质心处,oxb指向光电探测设备正前方,亦或为光电探测设备的探测方向,oyb指向光电探测设备水平放置时的正上方,oyb将随光电探测设备的摆放角度不同而变化,ozb与oxb和oyb构成右手坐标系。
光电探测设备对目标的测量量包括如图2所示的高低角γ、方位角η和距离R。第i个光电探测设备对目标的测量值记为ci:
。
在一些实施例中,所述状态测量值包括探测目标的位置测量值和速度测量值,状态测量值表示为:
X(t)=[x(t),v(t)]T
其中,表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值。应当理解的是,位置测量值x(t)也即上述的测量值ci,速度测量值v(t)即为x(t)对时间t的求导,也可以是高低角γ、方位角η和距离R各自对时间t求导的组合。对于静止目标则有v(t)=0。
在一些实施例中,步骤S12中,基于多个所述光电探测设备各自的所述状态测量值和噪声因子,通过扩展卡尔曼滤波算法获得探测目标的状态估计值,包括:
S121、根据牛顿定律确定探测目标的状态微分方程,状态微分方程表示为:
;
其中,表示状态测量值的微分,/>表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值,/>表示噪声因子;
S122、基于状态微分方程获得状态方程;
S123、通过扩展卡尔曼滤波算法根据多个光电探测设备对应的状态方程获得状态估计值。
在一些实施例中,噪声因子为服从均值为零、方差为σ 2的高斯白噪声,高斯白噪声满足的条件包括:
;
其中,表示高斯白噪声,E[•]表示变量的数学期望,q为w(t)协方差的大小,τ为另一时刻;
δ(t-τ)为狄拉克函数,表示为:
。
在一些实施例中,步骤S122中,基于状态微分方程获得状态方程的过程包括:
获取状态微分方程表示为:
;
其中,表示状态测量值的微分,/>表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值,/>表示噪声因子;
记;
对状态微分方程进行离散化,得到其通解表示为:
;
其中,为初始时刻。取/>=kT且t=(k+1)T,其中T为采样间隔,k为滤波步骤,k=1,2,…。
在时间间隔[kT, (k+1)T]内认为噪声w(t)保持不变,则上式通解表示变为:
;
经过积分后得到的状态方程表示为:
(8);
其中,Φ是从第k步到第k+1步的状态转移矩阵,Γ是对应的噪声矩阵,I是单位矩阵。
结合测量值表达式ci,可将关于x(t)和v(t)的最终状态方程(8)拓展至γ(t),η(t),R(t)以及γ′(t),η′(t),R′(t),其中上标“′”表示对时间的导数。
进一步的,基于多个光电探测设备的测量信息,采用扩展卡尔曼滤波算法估计目标的运动状态,包括位置和移动速度。
进一步的,可以对分析多人不同队形站位对目标探测精度的影响,提出一种基于樽海鞘优化的多人队形站位自主规划算法。
考虑到实际应用中多人协同探测任务的复杂性,难以针对上述优化问题快速产生可靠的优化初值。为此,采用一种无依托初值的启发式智能优化算法,即樽海鞘优化算法(Salp Swarm Optimization Algorithm, SSOA)。SSOA是一种新型智能算法,模拟樽海鞘群在觅食过程中的链式移动行为。樽海鞘群在觅食时串在一起形成樽海鞘链,带头的领导者负责全局搜索,尾随的追随者在跟随领导者移动的同时还会进行局部探索。
在以下描述中以三人为例进行说明。考虑3人手持光电探测设备对一辆匀速移动的目标进行探测。3人队形如图3所示,图中a为队长,编队设计变量为角度A和距离L12,L13,显然,当A=180°时3人为一字型编队,90°<A<180°时3人为钝角三角形编队,A<90°时3人为锐角三角形编队,A=90°时3人为直角三角形编队。如图3,经初步分析发现,3人之间的距离越大,测量精度最高,这是因为更大的基线长度能够获得更好的观测度。然而,受到光电探测设备探测距离、通讯等约束的作用,角度A和距离L12,L13不可能无限大,由此衍生出了对A,L12,L13,L23的有约束优化问题。
设优化变量为u,优化指标为使目标状态估计误差Jε最小,则优化模型表示为:
;
其中,角度A以及距离L12,L13,L23如图3所示,并且A,L12,L13,L23满足三角形几何关系:
。
在一些实施例中,步骤S4中根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化,包括:
以光电探测设备的数量作为樽海鞘优化算法的搜索空间维度;
以光电探测设备的空间布置关系作为樽海鞘优化算法的设定搜索空间;
通过樽海鞘优化算法迭代至使得目标状态估计误差小于预设阈值时,输出樽海鞘食物位置以作为多个光电探测设备之间的位置分布。
在一些实施例中,通过樽海鞘优化算法迭代至使得目标状态估计误差小于预设阈值,包括:
初始化:设M为樽海鞘种群规模,D为解空间的维度即优化变量的数目。第i个樽海鞘在第j维解空间中的位置可表示为,领导者对应i=1。设m为进化代数,初值为m=1,则整个种群的位置可用一个M×D矩阵表示为:
领导者位置更新,表示为:
其中,为SSOA最大迭代次数。/>为整个群体迄今在第j维解空间中发现的最优位置,/>限定了樽海鞘在第j维解空间中的位置下限,/>限定了樽海鞘在第j维解空间中的位置上限,r 1和r 2为[0,1]间的随机数;
追随者位置更新:樽海鞘链中的追随者相继连接、彼此影响,整体呈链状惯序前进,其位置变化表示为:
令迭代次数m=m+1并返回领导者位置更新步骤,直至m=m max。
得到最终结果,如图4所示,为不同队形的位置估计误差比对图,图中示出了不同夹角A的队形下的位置估计误差和速度估计误差结果对比;
专业人员应该还可以进一步意识到,模块的运行属于现有技术的协议或者程序即可实现,不依托于新的计算机程序本身。结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于神经网络的探测队形优化方法,其特征在于,包括:
S1、构建训练数据集,所述训练数据集中的每个训练样本包括:多个光电探测设备的位置关系,以及通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值;
S2、将所述训练样本输入神经网络模型进行训练以获得测量误差估计模型;
S3、获取多个光电探测设备之间的位置关系并输入所述测量误差估计模型,以获得对应的目标状态估计误差;
S4、根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化;
S5、重复步骤S3-S4直到使得目标状态估计误差小于预设阈值,输出对应的位置关系作为探测队形。
2.根据权利要求1所述的基于神经网络的探测队形优化方法,其特征在于:步骤S1中,通过多个光电探测设备的状态测量值基于扩展卡尔曼滤波算法获得的目标状态估计误差值,包括:
S11、通过多个光电探测设备分别获取对于探测目标的状态测量值;
S12、基于多个所述光电探测设备各自的所述状态测量值和噪声因子,通过扩展卡尔曼滤波算法获得探测目标的状态估计值;
S13、通过状态估计值和状态真实值确定目标状态估计误差。
3.根据权利要求1所述的基于神经网络的探测队形优化方法,其特征在于:光电探测设备包括便携式光电探测设备。
4.根据权利要求2所述的基于神经网络的探测队形优化方法,其特征在于:所述状态测量值包括探测目标的位置测量值和速度测量值,状态测量值表示为:
X(t)=[x(t),v(t)]T
其中,表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值。
5.根据权利要求4所述的基于神经网络的探测队形优化方法,其特征在于:步骤S12中,基于多个所述光电探测设备各自的所述状态测量值和噪声因子,通过扩展卡尔曼滤波算法获得探测目标的状态估计值,包括:
S121、根据牛顿定律确定探测目标的状态微分方程,状态微分方程表示为:
;
其中,表示状态测量值的微分,/>表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值,/>表示噪声因子;
S122、基于状态微分方程获得状态方程;
S123、通过扩展卡尔曼滤波算法根据多个光电探测设备对应的状态方程获得状态估计值。
6.根据权利要求5所述的基于神经网络的探测队形优化方法,其特征在于:噪声因子为服从均值为零、方差为σ 2的高斯白噪声,高斯白噪声满足的条件包括:
;
其中,表示高斯白噪声,E[•]表示变量的数学期望,q为w(t)协方差的大小,τ为另一时刻;
δ(t-τ)为狄拉克函数,表示为:
。
7.根据权利要求5所述的基于神经网络的探测队形优化方法,其特征在于:步骤S122中,基于状态微分方程获得状态方程的过程包括:
获取状态微分方程表示为:
;
其中,表示状态测量值的微分,/>表示状态测量值,x(t)表示位置测量值,v(t)表示速度测量值,/>表示噪声因子;
记;
对状态微分方程进行离散化,得到其通解表示为:
;
其中,为初始时刻,取/>=kT且t=(k+1)T,其中T为采样间隔,k为滤波步骤,k=1, 2,…;
在时间间隔[kT, (k+1)T]内认为噪声w(t)保持不变,则上式通解表示变为:
;
经过积分后得到的状态方程表示为:
;
其中,Φ是从第k步到第k+1步的状态转移矩阵,Γ是对应的噪声矩阵,I是单位矩阵。
8.根据权利要求1所述的基于神经网络的探测队形优化方法,其特征在于:步骤S4中根据樽海鞘优化算法对多个光电探测设备之间的位置关系进行迭代优化,包括:
以光电探测设备的数量作为樽海鞘优化算法的搜索空间维度;
以光电探测设备的空间布置关系作为樽海鞘优化算法的设定搜索空间;
通过樽海鞘优化算法迭代至使得目标状态估计误差小于预设阈值时,输出樽海鞘食物位置以作为多个光电探测设备之间的位置分布。
9.根据权利要求8所述的基于神经网络的探测队形优化方法,其特征在于:通过樽海鞘优化算法迭代至使得目标状态估计误差小于预设阈值,包括:
初始化:设M为樽海鞘种群规模,D为解空间的维度即优化变量的数目,第i个樽海鞘在第j维解空间中的位置可表示为,领导者对应i=1,设m为进化代数,初值为m=1,则整个种群的位置可用一个M×D矩阵表示为:
;
领导者位置更新,表示为:
;
其中,为SSOA最大迭代次数,/>为整个群体迄今在第j维解空间中发现的最优位置,/>限定了樽海鞘在第j维解空间中的位置下限, />限定了樽海鞘在第j维解空间中的位置上限,r 1和r 2为[0,1]间的随机数;
追随者位置更新:樽海鞘链中的追随者相继连接、彼此影响,整体呈链状惯序前进,其位置变化表示为:
;
令迭代次数m=m+1并返回领导者位置更新步骤,直至m=m max。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074832.1A CN117591889B (zh) | 2024-01-18 | 2024-01-18 | 一种基于神经网络的探测队形优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074832.1A CN117591889B (zh) | 2024-01-18 | 2024-01-18 | 一种基于神经网络的探测队形优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117591889A true CN117591889A (zh) | 2024-02-23 |
CN117591889B CN117591889B (zh) | 2024-04-26 |
Family
ID=89920497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410074832.1A Active CN117591889B (zh) | 2024-01-18 | 2024-01-18 | 一种基于神经网络的探测队形优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591889B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110024399A (ko) * | 2009-09-02 | 2011-03-09 | 성균관대학교산학협력단 | 확장형 칼만필터를 이용한 헤테로다인 레이저 간섭계 오차 보정 장치 |
CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
CN114548350A (zh) * | 2022-02-28 | 2022-05-27 | 上海电机学院 | 一种基于樽海鞘群和bp神经网络的电力负荷预测方法 |
CN115472291A (zh) * | 2022-09-13 | 2022-12-13 | 郑州大学第一附属医院 | 基于改进樽海鞘优化bp神经网络的食管鳞癌生存预测方法 |
US20230059515A1 (en) * | 2020-07-28 | 2023-02-23 | Nanjing University Of Aeronautics And Astronautics | Radar target detection method based on estimation before detection |
-
2024
- 2024-01-18 CN CN202410074832.1A patent/CN117591889B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110024399A (ko) * | 2009-09-02 | 2011-03-09 | 성균관대학교산학협력단 | 확장형 칼만필터를 이용한 헤테로다인 레이저 간섭계 오차 보정 장치 |
CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
US20230059515A1 (en) * | 2020-07-28 | 2023-02-23 | Nanjing University Of Aeronautics And Astronautics | Radar target detection method based on estimation before detection |
CN114548350A (zh) * | 2022-02-28 | 2022-05-27 | 上海电机学院 | 一种基于樽海鞘群和bp神经网络的电力负荷预测方法 |
CN115472291A (zh) * | 2022-09-13 | 2022-12-13 | 郑州大学第一附属医院 | 基于改进樽海鞘优化bp神经网络的食管鳞癌生存预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117591889B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep reinforcement learning (DRL): Another perspective for unsupervised wireless localization | |
Li et al. | Energy-based collaborative source localization using acoustic microsensor array | |
Aulinas et al. | The SLAM problem: a survey | |
Fawcett | Effect of course maneuvers on bearings-only range estimation | |
CN104820993B (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
CN110333720A (zh) | 一种基于粒子滤波的slam优化方法 | |
CN110514567B (zh) | 基于信息熵的气体源搜索方法 | |
Masmitja et al. | Range-only single-beacon tracking of underwater targets from an autonomous vehicle: From theory to practice | |
CN111610492A (zh) | 一种多声传感器阵列智能感知方法及系统 | |
CN110334674A (zh) | 一种平面自由体轨迹识别跟踪及预测方法 | |
Shi et al. | An adaptive grid search algorithm for fitting spherical target of terrestrial LiDAR | |
Santos et al. | Applying deep neural networks to improve uav navigation in satellite-less environments | |
Vrba et al. | On onboard lidar-based flying object detection | |
CN117591889B (zh) | 一种基于神经网络的探测队形优化方法 | |
CN109556598A (zh) | 一种基于超声波传感器阵列的自主建图与导航定位方法 | |
Xu et al. | Optimal topology design of multi-target AUVs for 3D cooperative localization formation based on angle of arrival measurement | |
CN113204909A (zh) | 基于地基观测光度信号的卫星几何特征与姿态估计方法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
Moreno et al. | Optimal sensor placement for underwater target positioning with noisy range measurements | |
Wilts et al. | Enhanced state estimation based on particle filter and sensor data with non-gaussian and multimodal noise | |
Duan et al. | A low‐drift and real‐time localisation and mapping method for handheld hemispherical view LiDAR‐IMU integration system | |
Hu et al. | A modified particle filter for simultaneous robot localization and landmark tracking in an indoor environment | |
Tsyganov et al. | Adaptive eetimation of a moving object trajectory using sequential hypothesis testing | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
Alves et al. | A Navigation Algorithm for Under-the-Ice Robotic Operations |
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 |