一种基于海洋环境信息的自主式水下潜器航迹预测方法
【专利摘要】本发明公开了一种基于海洋环境信息的自主式水下潜器航迹预测方法。实时采集AUV当前的航迹数据，将AUV当前的航迹数据输入到AUV航迹预测模型进行预测，得到AUV的预测航迹。AUV航迹预测模型进行预测的建立过程为：形成AUV航迹预测模型的训练样本；对输入数据主成分分析，得到简化的输入数据；确定计算参数，建立BP神经网络的AUV航迹预测模型；对得到的简化的输入数据进行BP神经网络训练，得到AUV航迹预测模型各层的权值和阈值。本发明将实测的AUV位置数据与海洋环境数据共同作为航迹预测模型的输入，使数据更加完善，从而提高航迹预测精度。
【专利说明】一种基于海洋环境信息的自主式水下潜器航迹预测方法
【技术领域】
[0001] 本发明属于自主式水下潜器航迹预测领域，尤其涉及一种基于海洋环境信息的自 主式水下潜器航迹预测方法。
【背景技术】
[0002] 自主式水下潜器（Autonomous Underwater Vehicle，简称AUV)是完成各种水下智 能作业任务的重要工具，面对海洋开发事业的迅速发展和世界军事的迫切需求，AUV得到了 长足的发展与广泛的应用。由于海洋环境复杂，为了使AUV在受到突发因素干扰时具备躲 避有害物的能力，就需要其能够掌握当前航行态势、预知航行轨迹，而解决该问题最有效的 方法就是进行航迹的预测。
[0003] 航迹预测最早应用于航空领域，根据飞机状态、飞行员和管制员的意图、气象信息 以及飞行器性能的计算机模型来对飞机的未来运动状态做出预测。在民用航空飞机领域， 多应用飞行器建模的方式对航迹的预测。融合飞行器性能模型，大气环境模型，航路模型与 飞行器状态后建立航迹预测数学模型对航迹进行预测。直升机航迹预测由于数据点较少， 且不同个体受力情况差异较大，建立数学模型的方法不具有广泛的应用价值。直升机航迹 预测多应用卡尔曼滤波、灰色预测模型方式。随着航运的大力发展，船舶航迹预测也得到了 充分重视。船舶航迹预测方法可以分为两大类：建立船舶动力学模型，进行航迹模拟；基于 BP神经网络、支持向量机等估计算法的无参数方法，Simsir等提出基于人工神经网络的船 舶航迹预测，谭伟等提出神经网络结合遗传算法用于航迹预测，王艳锋等提出基于支持向 量机算法的桥区水域失控船舶的航迹预测。
【发明内容】
[0004] 本发明的目的是提供一种利用BP神经网络进行航迹预测，具有高预测精度的基 于海洋环境信息的自主式水下潜器航迹预测方法。
[0005] 本发明一种基于海洋环境信息的自主式水下潜器航迹预测方法，实时采集AUV当 前的航迹数据，航迹数据包括AUV的经度、纬度、深度、航速和航向，以及潮流、潮汐和海流 数据，将AUV当前的航迹数据输入到AUV航迹预测模型进行预测，得到AUV的预测航迹；所 述的AUV航迹预测模型进行预测的建立过程为：
[0006] 步骤一：形成AUV航迹预测模型的训练样本，训练样本中的输入数据为先验的AUV 的经度、纬度、深度、航速和航向，以及潮流、潮汐和海流数据，输出数据为先验的AUV的经 度、纬度和深度数据；
[0007] 步骤二：对输入数据主成分分析，得到简化的输入数据；
[0008] 步骤三：确定计算参数，建立BP神经网络的AUV航迹预测模型；
[0009] 步骤四：对得到的简化的输入数据进行BP神经网络训练，得到AUV航迹预测模型 各层的权值和阈值。
[0010] 本发明一种基于海洋环境信息的自主式水下潜器航迹预测方法还可以包括： toon] 1、输入数据对应的每个样本点包括的信息为：
[0012]
【权利要求】
1. 一种基于海洋环境信息的自主式水下潜器航迹预测方法，其特征在于：实时采集 AUV当前的航迹数据，航迹数据包括AUV的经度、纬度、深度、航速和航向，以及潮流、潮汐和 海流数据，将AUV当前的航迹数据输入到AUV航迹预测模型进行预测，得到AUV的预测航 迹；所述的AUV航迹预测模型进行预测的建立过程为： 步骤一：形成AUV航迹预测模型的训练样本，训练样本中的输入数据为先验的AUV的经 度、纬度、深度、航速和航向，以及潮流、潮汐和海流数据，输出数据为先验的AUV的经度、纬 度和深度数据； 步骤二：对输入数据主成分分析，得到简化的输入数据； 步骤三：确定计算参数，建立BP神经网络的AUV航迹预测模型； 步骤四：对得到的简化的输入数据进行BP神经网络训练，得到AUV航迹预测模型各层 的权值和阈值。
2. 根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法，其 特征在于：输入数据对应的每个样本点包括的信息为：
其中，Hour,Min,Sec分别为样本点的时间，即时、分、秒，Lon,Lat,Depth分别为样本 点的经度、纬度和深度，Course，Speed分别为样本点的自主式水下潜器的航向和航速， Course_OC，Speed_OC分别为样本点海流的流向和流速，Course_TI，Speed_TI分别为样本 点潮流的流向和流速，Tide分别为该样本点的潮汐高度， 输出数据的每个样本点包括： <Hour,Min,Sec,Lon,Lat,Depth> 其中，Hour,Min,Sec分别为输出样本点的时间，即时、分、秒；Lon,Lat,Depth分别为输 入样本点的自主式水下潜器的经度、纬度和深度。
3. 根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法，其 特征在于：所述的对输入数据主成分分析，得到简化的输入数据的过程为： (1) 建立原始数据矩阵 输入数据为经度、纬度、深度、AUV航速、AUV航向、海流流速与流向、潮流流速与流向和 潮汐这10类200样本点数据，根据输入数据格式，建立输入数据原始矩阵，矩阵如下：
其中i= 1-10,j= 1-200,Xij是样本数据点的数据值； (2) 对原始数据矩阵进行标准化处理； 输入的10类数据进行标准化处理的标准化数据Zu为：
其中￥是平均僧
\是标准差
(3) 根据标准化处理后的数据计算相关系数矩阵和矩阵特征值相关系数矩阵R为：
其中rjm,n= 1，2,…，10)是Xm与Xn的相关系数，且!_ = !"，
根据相关系数矩阵得到特征值h(i= 1，2,…，10)，其中对应每个特征值的单位特征 向量为：
其中，P= 10 ; (4) 根据特征值计算主成分贡献率和累计贡献率，得到简化的输入数据； 第i个主成分Fi(i= 1，3,…，10)的贡献率为
前k个主成分的累计贡献率为
选择前k个指标变量作为k个主成分来代替原来的10类数据，即
4.根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法，其 特征在于：所述的BP神经网络的自主式水下潜器航迹预测模型中选择Sigmoid函数作为 BP神经网络的转移函数，隐含层的层数为1层，隐含层节点数1为：
其中，m为输入层节点数，n为输出层节点数，a为0?10间任意常数， BP神经网络的初始学习率选择在0. 01?0. 1之间，选择最大迭代次数为1000,原始模 型精度要求为0.00001。
5.根据权利要求1所述的一种基于海洋环境信息的自主式水下潜器航迹预测方法，其 特征在于：所述的对得到的简化的输入数据进行BP神经网络训练的过程为： a:初始化输入层与隐含层间权值Wij,隐含层与输出层间权值Vjk ; b:输入学习样本,学习样本为经过主成分分析后的简化的输入数据Xi的三类数据； c:根据学习样本计算BP神经网络实际输出， 隐含层各神经元输出比：
输出层各神经元输出yk:
d:计算输出误差，将误差反传，修改权值； 输出误差ek :ek=tk-yk 其中，tk为期望输出，yk为网络实际输出， 将误差反传，得到修改后的输入层与隐含层间权值Awij,隐含层与输出层间权值Avjk
其中，n为学习率； e:判断输出误差ek是否满足允许范围，如果满足，则保存修改后的权值，学习成功，进 行步骤g;如果不满足，重复步骤b?e，并且训练次数加1 ; f:判断训练次数是否超过最大训练次数，如果超过，则学习失败，进行步骤g;如果不 超过，重复步骤b?f; g:学习过程结束。
【文档编号】G06N3/08GK104268625SQ201410525535
【公开日】2015年1月7日 申请日期:2014年10月9日 优先权日:2014年10月9日
【发明者】刘厂, 杨淳, 赵玉新, 高峰, 刘利强, 韩桂军, 李威 申请人:哈尔滨工程大学