一種基于海洋環境信息的自主式水下潛器航跡預測方法
【專利摘要】本發明公開了一種基于海洋環境信息的自主式水下潛器航跡預測方法。實時采集AUV當前的航跡數據，將AUV當前的航跡數據輸入到AUV航跡預測模型進行預測，得到AUV的預測航跡。AUV航跡預測模型進行預測的建立過程為：形成AUV航跡預測模型的訓練樣本；對輸入數據主成分分析，得到簡化的輸入數據；確定計算參數，建立BP神經網絡的AUV航跡預測模型；對得到的簡化的輸入數據進行BP神經網絡訓練，得到AUV航跡預測模型各層的權值和閾值。本發明將實測的AUV位置數據與海洋環境數據共同作為航跡預測模型的輸入，使數據更加完善，從而提高航跡預測精度。
【專利說明】一種基于海洋環境信息的自主式水下潛器航跡預測方法
【技術領域】
[0001] 本發明屬于自主式水下潛器航跡預測領域，尤其涉及一種基于海洋環境信息的自 主式水下潛器航跡預測方法。
【背景技術】
[0002] 自主式水下潛器（Autonomous Underwater Vehicle，簡稱AUV)是完成各種水下智 能作業任務的重要工具，面對海洋開發事業的迅速發展和世界軍事的迫切需求，AUV得到了 長足的發展與廣泛的應用。由于海洋環境復雜，為了使AUV在受到突發因素干擾時具備躲 避有害物的能力，就需要其能夠掌握當前航行態勢、預知航行軌跡，而解決該問題最有效的 方法就是進行航跡的預測。
[0003] 航跡預測最早應用于航空領域，根據飛機狀態、飛行員和管制員的意圖、氣象信息 以及飛行器性能的計算機模型來對飛機的未來運動狀態做出預測。在民用航空飛機領域， 多應用飛行器建模的方式對航跡的預測。融合飛行器性能模型，大氣環境模型，航路模型與 飛行器狀態后建立航跡預測數學模型對航跡進行預測。直升機航跡預測由于數據點較少， 且不同個體受力情況差異較大，建立數學模型的方法不具有廣泛的應用價值。直升機航跡 預測多應用卡爾曼濾波、灰色預測模型方式。隨著航運的大力發展，船舶航跡預測也得到了 充分重視。船舶航跡預測方法可以分為兩大類：建立船舶動力學模型，進行航跡模擬；基于 BP神經網絡、支持向量機等估計算法的無參數方法，Simsir等提出基于人工神經網絡的船 舶航跡預測，譚偉等提出神經網絡結合遺傳算法用于航跡預測，王艷鋒等提出基于支持向 量機算法的橋區水域失控船舶的航跡預測。
【發明內容】
[0004] 本發明的目的是提供一種利用BP神經網絡進行航跡預測，具有高預測精度的基 于海洋環境信息的自主式水下潛器航跡預測方法。
[0005] 本發明一種基于海洋環境信息的自主式水下潛器航跡預測方法，實時采集AUV當 前的航跡數據，航跡數據包括AUV的經度、緯度、深度、航速和航向，以及潮流、潮汐和海流 數據，將AUV當前的航跡數據輸入到AUV航跡預測模型進行預測，得到AUV的預測航跡；所 述的AUV航跡預測模型進行預測的建立過程為：
[0006] 步驟一：形成AUV航跡預測模型的訓練樣本，訓練樣本中的輸入數據為先驗的AUV 的經度、緯度、深度、航速和航向，以及潮流、潮汐和海流數據，輸出數據為先驗的AUV的經 度、緯度和深度數據；
[0007] 步驟二：對輸入數據主成分分析，得到簡化的輸入數據；
[0008] 步驟三：確定計算參數，建立BP神經網絡的AUV航跡預測模型；
[0009] 步驟四：對得到的簡化的輸入數據進行BP神經網絡訓練，得到AUV航跡預測模型 各層的權值和閾值。
[0010] 本發明一種基于海洋環境信息的自主式水下潛器航跡預測方法還可以包括： toon] 1、輸入數據對應的每個樣本點包括的信息為：
[0012]
【權利要求】
1. 一種基于海洋環境信息的自主式水下潛器航跡預測方法，其特征在于：實時采集 AUV當前的航跡數據，航跡數據包括AUV的經度、緯度、深度、航速和航向，以及潮流、潮汐和 海流數據，將AUV當前的航跡數據輸入到AUV航跡預測模型進行預測，得到AUV的預測航 跡；所述的AUV航跡預測模型進行預測的建立過程為： 步驟一：形成AUV航跡預測模型的訓練樣本，訓練樣本中的輸入數據為先驗的AUV的經 度、緯度、深度、航速和航向，以及潮流、潮汐和海流數據，輸出數據為先驗的AUV的經度、緯 度和深度數據； 步驟二：對輸入數據主成分分析，得到簡化的輸入數據； 步驟三：確定計算參數，建立BP神經網絡的AUV航跡預測模型； 步驟四：對得到的簡化的輸入數據進行BP神經網絡訓練，得到AUV航跡預測模型各層 的權值和閾值。
2. 根據權利要求1所述的一種基于海洋環境信息的自主式水下潛器航跡預測方法，其 特征在于：輸入數據對應的每個樣本點包括的信息為：
其中，Hour,Min,Sec分別為樣本點的時間，即時、分、秒，Lon,Lat,Depth分別為樣本 點的經度、緯度和深度，Course，Speed分別為樣本點的自主式水下潛器的航向和航速， Course_OC，Speed_OC分別為樣本點海流的流向和流速，Course_TI，Speed_TI分別為樣本 點潮流的流向和流速，Tide分別為該樣本點的潮汐高度， 輸出數據的每個樣本點包括： <Hour,Min,Sec,Lon,Lat,Depth> 其中，Hour,Min,Sec分別為輸出樣本點的時間，即時、分、秒；Lon,Lat,Depth分別為輸 入樣本點的自主式水下潛器的經度、緯度和深度。
3. 根據權利要求1所述的一種基于海洋環境信息的自主式水下潛器航跡預測方法，其 特征在于：所述的對輸入數據主成分分析，得到簡化的輸入數據的過程為： (1) 建立原始數據矩陣 輸入數據為經度、緯度、深度、AUV航速、AUV航向、海流流速與流向、潮流流速與流向和 潮汐這10類200樣本點數據，根據輸入數據格式，建立輸入數據原始矩陣，矩陣如下：
其中i= 1-10,j= 1-200,Xij是樣本數據點的數據值； (2) 對原始數據矩陣進行標準化處理； 輸入的10類數據進行標準化處理的標準化數據Zu為：
其中￥是平均僧
\是標準差
(3) 根據標準化處理后的數據計算相關系數矩陣和矩陣特征值相關系數矩陣R為：
其中rjm,n= 1，2,…，10)是Xm與Xn的相關系數，且!_ = !"，
根據相關系數矩陣得到特征值h(i= 1，2,…，10)，其中對應每個特征值的單位特征 向量為：
其中，P= 10 ; (4) 根據特征值計算主成分貢獻率和累計貢獻率，得到簡化的輸入數據； 第i個主成分Fi(i= 1，3,…，10)的貢獻率為
前k個主成分的累計貢獻率為
選擇前k個指標變量作為k個主成分來代替原來的10類數據，即
4.根據權利要求1所述的一種基于海洋環境信息的自主式水下潛器航跡預測方法，其 特征在于：所述的BP神經網絡的自主式水下潛器航跡預測模型中選擇Sigmoid函數作為 BP神經網絡的轉移函數，隱含層的層數為1層，隱含層節點數1為：
其中，m為輸入層節點數，n為輸出層節點數，a為0?10間任意常數， BP神經網絡的初始學習率選擇在0. 01?0. 1之間，選擇最大迭代次數為1000,原始模 型精度要求為0.00001。
5.根據權利要求1所述的一種基于海洋環境信息的自主式水下潛器航跡預測方法，其 特征在于：所述的對得到的簡化的輸入數據進行BP神經網絡訓練的過程為： a:初始化輸入層與隱含層間權值Wij,隱含層與輸出層間權值Vjk ; b:輸入學習樣本,學習樣本為經過主成分分析后的簡化的輸入數據Xi的三類數據； c:根據學習樣本計算BP神經網絡實際輸出， 隱含層各神經元輸出比：
輸出層各神經元輸出yk:
d:計算輸出誤差，將誤差反傳，修改權值； 輸出誤差ek :ek=tk-yk 其中，tk為期望輸出，yk為網絡實際輸出， 將誤差反傳，得到修改后的輸入層與隱含層間權值Awij,隱含層與輸出層間權值Avjk
其中，n為學習率； e:判斷輸出誤差ek是否滿足允許范圍，如果滿足，則保存修改后的權值，學習成功，進 行步驟g;如果不滿足，重復步驟b?e，并且訓練次數加1 ; f:判斷訓練次數是否超過最大訓練次數，如果超過，則學習失敗，進行步驟g;如果不 超過，重復步驟b?f; g:學習過程結束。
【文檔編號】G06N3/08GK104268625SQ201410525535
【公開日】2015年1月7日 申請日期:2014年10月9日 優先權日:2014年10月9日
【發明者】劉廠, 楊淳, 趙玉新, 高峰, 劉利強, 韓桂軍, 李威 申請人:哈爾濱工程大學