申请/专利权人：哈尔滨工程大学;青岛哈尔滨工程大学创新发展中心

申请日：2019-08-07

公开（公告）日：2024-01-26

公开（公告）号：CN111008549B

主分类号：G06F18/21

分类号：G06F18/21;G06F18/214;G06N3/006;G01C25/00

优先权：

专利状态码：有效-授权

法律状态：2024.01.26#授权;2023.06.16#专利申请权的转移;2020.05.08#实质审查的生效;2020.04.14#公开

摘要：基于样本熵和IFOA‑GRNN的UUV平台DVL信号失真重构方法，本发明涉及DVL信号失真重构方法。本发明的目的是为了解决现有多普勒计程仪DVL一旦出现故障将严重影响UUV的正常航行以至于偏离规划航线、速度失控甚至撞毁、沉底的问题。过程为：一、得到训练好的IFOA‑GRNN模型；二、在UUV航行过程中，实时计算DVL输出信号的样本熵；三、当样本熵SE小于设定阈值时，DVL为信号失真状态，获取DVL信号失真下的UUV航行数据；否则，获取DVL正常工作状态下的UUV航行数据；四、得到UUV的估计航速；五、得到海流信息；六、根据海流信息修正估计航速，得到修正航速。本发明用于DVL信号失真重构领域。

主权项：1.基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法，其特征在于：所述方法具体过程为：步骤一、获取DVL正常工作下的UUV航行历史数据，将DVL正常工作下的UUV航行历史数据归一化处理，作为IFOA-GRNN的训练样本，并利用训练样本对IFOA-GRNN训练，得到训练好的IFOA-GRNN模型；所述DVL为多普勒计程仪；IFOA为改进果蝇优化算法；GRNN为广义回归神经网络；步骤二、在UUV航行过程中，实时计算DVL输出信号的样本熵；步骤三、当样本熵SE小于设定阈值时，DVL为信号失真状态，获取DVL信号失真下的UUV航行数据；当样本熵SE大于等于设定阈值时，DVL为正常工作状态，获取DVL正常工作状态下的UUV航行数据；步骤四、将DVL信号失真状态下的UUV航行数据输入IFOA-GRNN，得到UUV的估计航速；步骤五、利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息；步骤六、根据海流信息修正估计航速，得到修正航速；所述步骤一中获取DVL正常工作下的UUV航行历史数据，将DVL正常工作下的UUV航行历史数据归一化处理，作为IFOA-GRNN的训练样本，并利用训练样本对IFOA-GRNN训练，得到训练好的IFOA-GRNN模型；所述DVL为多普勒计程仪；IFOA为改进果蝇优化算法；GRNN为广义回归神经网络；具体过程为：步骤一一、获取DVL正常工作下的UUV航行历史数据，UUV航行历史数据包括左主推转速反馈n1、右主推转速反馈n2、左主推电流反馈I1、右主推电流反馈I2、垂直舵舵角反馈δ1、水平舵舵角反馈δ2、UUV航速u和UUV橫移速度v；步骤一二、将DVL正常工作下的UUV航行历史数据归一化处理，作为IFOA-GRNN的训练样本；步骤一三、利用训练样本对IFOA-GRNN训练，得到训练好的IFOA-GRNN模型，即得到IFOA-GRNN的参数；所述步骤一二中IFOA-GRNN的输入量包括：1左主推转速反馈n1；2右主推转速反馈n2；3左主推电流反馈I1；4右主推电流反馈I2；5垂直舵舵角反馈δ1；6水平舵舵角反馈δ2；IFOA-GRNN的输出量包括：1UUV航速u；2UUV橫移速度v；所述步骤一三中利用训练样本对IFOA-GRNN训练，得到训练好的IFOA-GRNN模型，即得到IFOA-GRNN的参数；具体过程为：1、初始化A、B和C三类果蝇的种群规模：初始化A类果蝇种群数、B类果蝇种群数和C类果蝇种群数分别取值为SizepopA、SizepopB、SizepopC，三类果蝇的随机初始位置为X0、Y0，迭代的最大次数为MaxGen；2、A类果蝇个体利用嗅觉觅食搜索，赋予A类果蝇搜索方向随机以及搜索距离，如式1所示， 式中Yin表示A类果蝇i在第n次迭代过程中的位置，R为A类果蝇搜索半径，Rand∈[-1,1]为随机数；Yin-1表示A类果蝇i在第n-1次迭代过程中的位置；3、B类果蝇跟随A类果蝇觅食搜索，如式2、3、4所示， 式中为B类果蝇j在第n次迭代过程中的味道浓度，p为B类果蝇j所在A类果蝇组的A类果蝇索引，q为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇索引，j≠q；为B类果蝇j在第n-1次迭代过程中的味道浓度，为A类果蝇p在第n-1次迭代过程中的味道浓度，ε为避免分母为零的极小值，F1为B类果蝇j所在A类果蝇组的A类果蝇影响参数，F2为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇的影响参数，为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇q在第n-1次迭代过程中的味道浓度；为B类果蝇j在第n次迭代过程中的位置，为B类果蝇j在第n-1次迭代过程中的位置，为A类果蝇p在第n次迭代过程中的位置，为B类果蝇j所在组之外的其他味道浓度优于B类果蝇j的A、B类果蝇q在第n-1次迭代过程中的位置；4、C类果蝇则围绕B类果蝇觅食搜索，如式5所示， 式中η为C类果蝇k对所属B类果蝇的跟随系数；为C类果蝇k在第n次迭代过程中的位置，为C类果蝇k在第n-1次迭代过程中的位置；5计算A、B、C三类果蝇各自与原点的距离Dt，以及各自的味道浓度判定值Sm，如式6、7， Sm＝1Dt7式中Xn、Yn为A、B或C类果蝇在第n次迭代过程中的位置；Dt为A、B或C类果蝇与原点的距离；Sm为A、B或C类果蝇的味道浓度判定值；6、将三类果蝇各自的味道浓度判定值Sm带入均方根误差判定函数，计算三类果蝇各自的味道浓度值Smelln；7、找出A、B、C三类果蝇群体中味道浓度值最优的个体并记录最佳味道浓度值bestSmelln和相应位置；8、A类果蝇飞向最佳味道浓度值对应的位置处开始觅食搜索，迭代次数加1，返回步骤2，直至迭代次数达到迭代的最大次数MaxGen，执行9；9A、B、C三类果蝇群体中味道浓度值最优值对应的味道浓度判定值即为IFOA-GRNN的参数；所述步骤二中在UUV航行过程中，实时计算DVL输出信号的样本熵；具体过程为：步骤二一、对给定的DVL输出的UUV速度信号序列U＝{u1u2…uN}进行m维的相空间重构，如式8所示， 式中m＜N，N为信号序列uN的个数，U′1、U′2、为m维相空间重构后的DVL信号序列，m为重构维数，为DVL信号序列重构个数，uN为单个DVL输出信号序列；步骤二二、计算向量U′a与U′b中对应元素的最大差的绝对值，定义U′a与U′b的最大差的绝对值为da,b，如式9所示， 式中ua+h为U′a序列中的第h个信号序列，ub+h为U′b序列中的第h个信号序列；步骤二三、给定大于零的相似容限参数r，统计da,br的个数，记为Ea，将Ea与U′a向量的个数N-m的比值记为如式10所示， 步骤二四、计算N-m+1个的平均值，如式11所示 步骤二五、对给定的DVL输出的UUV速度信号U＝{u1u2…uN}进行m+1维的相空间重构，得到一组新的U′a向量，并重复步骤二二～步骤二四，计算获得步骤二六、DVL输出UUV速度信号的样本熵SE如式12所示： 所述步骤五中利用DVL正常工作状态下的UUV航速以及估计航速解算得到海流信息，如式13所示，VewE＝REB-1VebB-VwbB13式中，VebB为UUV在运动坐标系下相对大地的速度；VewE为海流在固定坐标系下相对于大地的速度；VwbB为UUV在运动坐标系下相对于海流的速度；REB为运动坐标系与固定坐标系之间的转换矩阵；所述步骤六中根据海流信息修正估计航速，得到修正航速，如式14所示，VebB＝REBVewE+V′wbB14式中，V′wbB为DVL信号失真状态下的UUV估计航速；VebB为修正航速；将修正航速替换DVL的失真信号，保障UUV航行过程中的导航与航位推算的正常进行。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学;青岛哈尔滨工程大学创新发展中心 基于样本熵和IFOA-GRNN的UUV平台DVL信号失真重构方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD