申请/专利权人：青岛哈尔滨工程大学创新发展中心

申请日：2024-02-19

公开（公告）日：2024-04-30

公开（公告）号：CN117744540B

主分类号：G06F30/28

分类号：G06F30/28;G06F30/27;G06F30/15;G06F30/23;G06T17/20;G06F18/2132;G06F18/2431;G06F18/214;G06F18/21;G06N3/08;G06N5/01;G06F111/10;G06F113/08;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明属于数据处理技术领域，具体公开一种水下无人航行器的水下作业水动力特性趋势预测方法。用于水下无人航行器的水动力特性趋势预测，有效解决当前没有满足实际应用的水动力特性趋势预测方法的问题。本发明通过传感器和测量设备，采集与水动力特性相关的数据，通过线性判别分析对数据进行预处理，建立水下无人航行器的水动力特性的计算流体动力学物理模型。再根据计算出的历史数据构建机器学习模型，从而预测水下无人航行器在不同工作条件下的水动力特性趋势。将建立的预测模型和算法应用到水动力趋势预测系统中。通过实时数据交互，实时预测水下无人航行器的水动力特性趋势，并提供给控制系统进行优化控制和决策。

主权项：1.一种水下无人航行器的水下作业水动力特性趋势预测方法，其特征在于，包括以下步骤：S1、创建AUV的几何模型，对几何模型进行网格划分，利用历史数据进行网格无关性验证；S2、通过AUV上搭载的传感器收集流场特性和运动参数，并输入到质量守恒方程、动量守恒方程和能量守恒方程中，确定初始条件，建立AUV水动力特性的CFD物理模型；使用LDA进行数据预处理，将传感器采集的流场特性和运动参数整理为一个特征矩阵，其中每一行表示一个样本，每一列表示一个特征；为了进行有监督的LDA，需要为每一个样本添加一个类别标签；根据具体问题的需求、样本的特征和不同的水动力条件进行分类标记；对于每个类别，计算其在每个特征上的均值向量，通过计算每个类别样本的特征均值来实现；计算每个类别内样本的散布矩阵，类别内样本的散布矩阵反映了每个类别内样本的离散程度，通过计算每个样本与其类别均值之间的协方差矩阵来获得；计算类别间样本的散布矩阵，类别间样本的散布矩阵反映了不同类别之间样本的分离程度，通过计算不同类别均值之间的协方差矩阵来获得；通过求解广义特征值问题，计算类别内散布矩阵和类别间散布矩阵的特征向量；选择与最大特征值相对应的前个特征向量，其中是降维后的目标维度；将特征矩阵乘以所选择的特征向量矩阵，得到降维后的数据矩阵；这将减少数据的维度，提取出最具有判别性的特征；S3、利用CFD进行流场迭代计算，输出实时的水动力参数计算结果；S4、构建机器学习模型，基于随机森林算法，根据历史数据以及实时计算得到的数据集预测出新的水动力参数；S5、从经步骤S4计算出的数据集中进行有放回抽样，形成多个不同的训练集，对每个训练集构建一个决策树，随机选择特征子集，进行节点划分；S6、重复步骤S5，构建多个决策树，通过将所有决策树的预测值取平均，得到最终的预测值；S7、使用下一时刻作为验证数据评估机器学习模型的性能，并进行调优，使用调优后的机器学习模型对未来的AUV水动力特性进行预测。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心 水下无人航行器的水下作业水动力特性趋势预测方法

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