本发明属于水下环境探索技术领域，具体涉及一种基于深度神经网络的水下仿生侧线水压与水流场信息感知系统的检测方法。
背景技术：
近年来，随着各国对海洋领域的不断重视，针对海洋的研究开发以及国防的水上安全建设受到国内外学者的高度重视，其中，水下机器人一种新型的海洋工程装备，在军事及海洋探测、水下调查等方面得到广泛应用。而在这些应用领域中。水下目标的识别定位是其工作的基础和保障，因此一种新型有效的水下信息感知系统亟待开发。
鱼类和两栖动物在水下通过侧线来感知水下各种环境情况，因此通过仿生原理，利用侧线系统进行水下水压水流的感知有重要意义，而目前对侧线管的类神经丘仿生传感器系统的研究较少，该类型的产品也寥寥无几。
技术实现要素：
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度神经网络的水下仿生侧线水压与水流场信息感知从而探测振动源位置的方法，通过深度学习的方式识别水下振动源位置。
本发明采用以下技术方案：
基于神经网络的水下仿生侧线水压与水流场信息探测方法，利用mems传感器采集水下水压水流信息，针对不同位置的振动源所对应的水压水流数据建立数据库，通过深度神经网络进行深度学习，训练振动源位置辨别模型，最终利用训练好的模型达到辨识不同振动源位置的效果，实现水下机器人的目标识别定位能力。
具体的，包括以下步骤：
s1、按照鱼类仿生学设计流线型的水下机器人，并确定其侧线位置；
s2、沿步骤s1确定的侧线位置布置mems传感器；
s3、在水下机器人周围不同位置放置振动源，利用步骤s2布置的mems传感器获取不同位置振动源所对应的水压和水流数据；
s4、设计深度神经网络，将步骤s3获取的水压水流数据导入深度神经网络中，训练出具有辨识振动源位置的深度神经网络模型；
s5、利用步骤s4建立的深度神经网络模型推导出振动源位置。
进一步的，步骤s2中，侧线位于水下机器人轴线两侧对称位置，侧线位置上设置有用于安装mems传感器的凹坑。
进一步的，mems传感器可同时获取水压压力数据和水流流速数据，输出为双通道的频谱信息，且具有防水性能。
进一步的，步骤s3中，不同振动源的不同位置是与水下机器人同一水平面的不同坐标位置。
进一步的，数据库的一种组成方式为：在仿生水下机器人头部前方选择90个不同位置放置振动源，每个位置采集5次水压水流数据，记录不同坐标所对应的水压水流信号，构建450组水压水流数据的数据库。
进一步的，数据库的另一种组成方式为：将水下机器人周围水域划分成36个区域，在每个区域中随机选取10个位置进行水压水流数据采集，同一个区域内的数据试做一组，总共获得36类共360组水压水流数据的数据库。
进一步的，数据库中，随机抽取75％作为深度神经网络的训练数据，15％用于训练时的测试数据，15％用于训练结束后的验证数据。
具体的，步骤s4具体如下：
s401、将步骤s3采集到的水压水流信号频谱数据作为训练样本，确定深度神经网算法的隐层层数；
s402、采用逐层贪婪算法逐层确定每层去噪自动编码器的参数值进行逐层预训练，最后连接一个可以输出坐标值的具有分类功能的输出层；
s403、根据样本的位置，采用bp算法进行深度神经网算法参数的微调，确定深度神经网络模型参数；
s404、根据步骤s403确定的参数完成深度神经网算法训练并输出判断结果。
进一步的，步骤s402中预训练具体如下：
采用去噪自动编码器作为特征提取，在特征提取的过程中将人工噪声融合到数据中，训练第i个去噪自动编码器，使用训练的第i个去噪自动编码器初始化深度神经网算法的第i层隐层层数；
如果i≤n，n为深度神经网络中去噪自动编码器层数，返回重新开始训练第i个去噪自动编码器dae；
如果i＞n，根据振动源位置确定输出层。
与现有技术相比，本发明至少具有以下有益效果：
本发明基于神经网络的水下仿生侧线水压与水流场信息探测方法，利用一系列水压水流复合mems传感器组成人工侧线系统进行数据采集，针对不同位置的振动源所对应的水压水流数据建立数据库，仅通过水下机器人侧线所感知到的水压和水流信息，不依靠其他特殊条件，提高了水下目标识别的效率和智能化，通过深度神经网络进行深度学习，训练振动源位置辨别模型，最终利用训练好的模型达到辨识不同振动源位置的效果，实现水下机器人的目标识别定位能力，为民用和军民水下机器人进行海洋探测提供一种新的思路和途径。
进一步的，侧线位于水下机器人轴线两侧对称位置，提高了侧线系统目标定位的精度和范围；mems传感器可同时获取水压压力数据和水流流速数据并输出为双通道的频谱信息，利用水压和水流两种数据进行预测振动源目标位置，更进一步提高预测精度。
进一步的，数据库中振动源的不同位置与水下机器人位于同一水平面，使得数据库中的数据与被测振动体具有同一高度位置信息，通过神经网络进行预测时可以减少学习强度。
进一步的，数据库的一种组成方式为在仿生水下机器人头部前方选择90个不同位置放置振动源构建450组水压水流数据，通过大样本对神经网络进行训练测试，能够提高预测精度，并且防止过拟合和欠拟合现象的发生。
进一步的，数据库的另一种组成方式为将水下机器人周围水域划分成36个区域获得36类共360组水压水流数据，通过大样本对神经网络进行训练测试，能够提高预测精度，并且防止过拟合和欠拟合现象的发生。
进一步的，数据库随机抽取75％作为深度神经网络的训练数据，15％用于训练时的测试数据，15％用于训练结束后的验证数据，用大量数据(75％)进行测试，将防止欠拟合现象产生，同时在训练深度神经网络的同时用15％数据进行测试，将防止过拟合现象的产生，最后用验证数据(15％)进行验证，将检验并保证深度神经网络的最终预测输出精度。
进一步的，利用设计的深度神经网络训练出具有辨识振动源位置的深度神经网络模型，将信息采集、特征提取、目标位置预测输出等步骤一体化，在保证精度的情况下简化水下目标识别的信息处理流程。
进一步的，深度神经网络的训练过程分为对多层去噪自动编码机的无监督预训练和最终预测输出的有监督微调两个步骤，能够减少对数据库数据进行标签制作的繁琐过程，同时能够减少神经网络的训练时间。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明基于深度神经网络的水下仿生侧线水压与水流场信息检测方法流程示意图；
图2为本发明侧线水压水流传感器系统布置结构示意图；
图3为本发明深度神经网络采用数据训练流程的结构示意图；
图4为本发明数据库中不同振动源位置结构示意图；
图5为本发明数据库中另一种不同振动源位置结构示意图；
图6为本发明扩展应用结构示意图。
具体实施方式
本发明提供了一种基于深度神经网络的水下仿生侧线水压与水流场信息感知系统的检测方法，利用mems传感器采集水下水压水流信息，针对不同位置的振动源所对应的水压水流数据建立数据库，通过深度神经网络进行深度学习，训练振动源位置辨别模型，最终利用训练好的模型达到辨识不同振动源位置的效果，实现水下机器人的目标识别定位能力。
请参阅图1，本发明一种基于深度神经网络的水下仿生侧线水压与水流场信息感知系统的检测方法，包括以下步骤：
s1、按照鱼类仿生学设计流线型的水下机器人，并确定其侧线位置；
采用仿生鱼类流线型结构设计侧线形状的水压水流传感器的布置，可以更为真实的采集水下水流信息。
s2、沿所述侧线进行传感器布置；
通过在流线型的侧线结构上布置mems传感器，来模拟鱼类和两栖动物在水下的感知系统，mems传感器可同时获取水压压力数据和水流流速数据，输出为双通道的频谱信息；其次，所用mems传感器具有防水性能，可在暴露在水下直接测量；
侧线位于水下机器人轴线两侧对称位置；侧线上设置有用于安装水压水流传感器的凹坑，如图2所示。
所布置的传感器个数越多，则获取的水压水流数据越精确，但是传感器过于密集则会导致传感器之间对水压水流数据进行干扰。
本实施例中传感器的布置个数及间隔以传感器之间数据不相互干扰为准。
s3、在水下机器人周围不同位置放置振动源，利用所述水压水流传感器获取不同位置振动源所对应的水压和水流数据；
不同振动源的不同位置指与水下机器人同一水平面的不同坐标位置，为了建立振动源不同位置的水压水流数据库，需要将振动源放置于不同位置，每个位置采集5次水压水流数据，在仿生水下机器人头部前方选择90个不同位置，如图4所示，记录不同坐标所对应的水压水流信号，构建450组数据的数据库。
另一种建立振动源不同位置的水压水流数据库的方式如图5所示，将水下机器人周围水域划分成36个区域，在每个区域中随机选取10个位置进行水压水流数据采集，同一个区域内的数据试做一组，总共获得36类共360组数据的数据库。
数据库中，随机抽取75％作为深度神经网络的训练数据，15％用于训练时的测试数据，15％用于训练结束后的验证数据。
s4、设计深度神经网络，将所述水压水流数据导入所述深度神经网络中，训练出具有辨识振动源位置的深度神经网络模型；
请参阅图3，通过步骤s3所采集到的水压、水流信号频谱数据是在良好实验水槽环境下所进行的，而实际复杂海洋情况下具有很多不可控因素，各种海洋物振动源的干扰噪声会产生大量的无用特征，基于深度学习通过模拟大脑的学习过程，构建深层次的模型来学习数据中隐含的特征，从而刻画数据丰富的内在信息，最终提升识别精度；
将水压、水流信号频谱作为训练样本，确定深度神经网算法(dnn)的隐层层数，深度神经网络的训练包括预训练和微调两部分，预训练采用逐层贪婪算法逐层确定每层去噪自动编码器的参数值，最后连接输出层；
深度神经网络采用去噪自动编码器(dae)作为特征提取，在特征提取的过程中将人工噪声融合到数据中，提高神经网络在特征提取方面的鲁棒性，训练第i个dae，使用训练的第i个dae初始化深度神经网算法(dnn)的第i层隐层层数，n为去噪自动编码器的层数，如果i≤n，返回重新开始训练第i个去噪自动编码器dae，如果i＞n，根据振动源位置确定输出层；
采用bp算法进行整体网络参数的微调，确定深度神经网络模型参数，完成深度神经网算法(dnn)训练并输出判断结果。
bp算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法。
s5、利用所述深度神经网络模型，即可从水压水流信息推导出振动源位置。
完成深度神经网络的训练之后，将水下机器人所采集的水压水流数据，将侧线系统上各个传感器所测得的水压水流信息作为深度神经网络模型的输入，通过神经网络多层去噪自动编码器的特征提取和最终输出层的坐标输出，即可完成水下振动源的定位识别。
请参阅图6，通过将深度神经网络的输出层信息由二维变为三维，即原本的二位平面坐标信息变为图中所示三维信息(l，φ，θ)，其中l表示振动源到机器鱼的距离，θ表示线段l在xy平面的投影与y轴的夹角，φ表示线段l和xy平面的夹角。同时修改深度神经网络模型并扩大数据库的数据量，即将数据库中坐标点的选取也由二维平面扩展至三维空间，可应用于探测三维空间内的振动源位置。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。