基于遗传算法优化神经网络的重力地图连续化制备方法

本技术涉及惯性导航，特别是涉及一种基于遗传算法优化神经网络的重力地图连续化制备方法。

背景技术：

1、惯性/重力匹配组合导航，主要目的是使用重力匹配结果，与惯性导航进行组合以提升导航精度。海洋惯性/重力匹配组合导航系统包括以下部分：惯性导航系统，重力异常地图，重力测量系统，重力匹配算法以及组合导航算法。其中，重力仪用于测量参与匹配的标量重力异常信息；重力异常地图需要提前制备并存储在负责重力匹配的计算机中；惯性导航系统通过惯性导航解算提供在重力异常地图中用于提取重力异常的位置信息，以及用于参与组合导航的导航参数信息。对于海洋载体，惯性/重力匹配组合导航的工作流程如下：首先是前期的重力匹配地图制备，通过测绘卫星、测量船、全球重力场高阶球谐模型、测量飞机等方式采集匹配区域内的重力异常信息，在测绘中心完成重力异常地图的制备并装配给载体；当载体进入匹配区域时，根据载体自身的位置信息查询重力异常地图，得到重力异常地图的查询值；同时，重力测量系统获得重力异常信息，并将两组信息输入重力异常匹配算法，得到匹配后的位置估计结果；将匹配结果作为观测值输入组合导航算法，更新惯性导航的导航参数，得到校正后的导航结果。除了位置信息外，速度和姿态也得到了更新，从而实现无源的自主导航。通过以上工作流程可知，惯性/重力匹配组合导航的位置精度与以下四个因素有关：载体自身的初始位置精度、重力异常地图的分辨率和精度、重力测量系统的精度以及惯性/重力匹配组合导航算法的性能。其中，载体自身的初始位置精度与惯性导航系统的性能相关；重力测量系统的精度与重力仪性能相关。以上两种精度影响因素的改善需要较多的资源和较长的时间成本。尽管重力异常地图的分辨率和精度与数据源本身的精度等因素相关，但是通过改进地图制备方法，可以一定程度上提升地图的可靠性，高精度高分辨率的连续重力地图有两个主要用途：第一，在重力辅助惯性导航过程中直接通过位置对重力地图进行提取，以获取可靠的重力扰动矢量信息，对惯性导航系统进行补偿；第二，在重力匹配时提供精度和分辨率足够的重力异常作为背景图，提升地图的可靠性可以提升惯性/重力匹配组合导航精度。

2、然而，常用的地图连续化制备方法包括基于统计模型逼近的插值方法和基于函数模型逼近的拟合方法两类，但是在样本点分布稀疏且不成区域的海洋应用环境下，传统的插值方法和拟合方法效果受到了不同程度的限制从而难以生成精度和分辨率达到要求的重力地图。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高海洋应用环境下中立地图连续制备精度的基于遗传算法优化神经网络的重力地图连续化制备方法。

2、一种基于遗传算法优化神经网络的重力地图连续化制备方法，所述方法包括：

3、获取历史重力地图样本；对历史重力地图样本进行采样，根据bp神经网络对采样后的采样点的水平位置和重力扰动信息进行训练，得到初始重力地图连续化制备模型；

4、根据遗传算法对初始重力地图连续化制备模型进行参数优化，确定遗传算法待优化参数个数并进行对待优化参数进行适应度计算，利用适应度确定初始重力地图连续化制备模型的初始权重和偏置，得到候选重力地图连续化制备模型；

5、对候选重力地图连续化制备模型进行神经网络正向计算，根据计算结果对候选重力地图连续化制备模型进行优化，得到最终重力地图连续化制备模型将待生成重力地图的位置信息输入最终重力地图连续化制备模型中，得到对应的重力扰动矢量并生成重力地图。

6、在其中一个实施例中，根据遗传算法对初始重力地图连续化制备模型进行参数优化，确定遗传算法待优化参数个数并进行对待优化参数进行适应度计算，利用适应度确定初始重力地图连续化制备模型的初始权重和偏置，得到候选重力地图连续化制备模型，包括：

7、将初始重力地图连续化制备模型中随机生成的初始权重和偏置作为遗传算法的初始种群，将种群中所有个体编码为实数参与计算，评估个体对环境变化的适应度，筛选适应度好的个体，适应度差的个体经过选择、交叉以及变异运算后重新计算适应度，迭代到预先设置的迭代次数或阈值条件时，种群停止进化将最大适应度的个体作为初始重力地图连续化制备模型的初始权重和偏置，得到候选重力地图连续化制备模型。

8、在其中一个实施例中，确定遗传算法待优化参数个数，包括：

9、确定遗传算法待优化参数个数为

10、s＝r*s1+s1*s2+s1+s2

11、其中，r为输入神经元个数，s1为隐含层神经元个数，s2为输出神经元个数。

12、在其中一个实施例中，对候选重力地图连续化制备模型进行神经网络正向计算，根据计算结果对候选重力地图连续化制备模型进行优化，得到最终重力地图连续化制备模型，包括：

13、对候选重力地图连续化制备模型进行神经网络正向计算并根据输出结果计算误差，判断误差是否满足要求或迭代次数是否达到最大，如果是，则将当前网络输出并结束算法；如果否，则反向计算输出层误差和隐含层误差，计算误差梯度，并修正候选重力地图连续化制备模型的初始权重和偏置，使误差梯度为负，再次进行神经网络正向计算，直到满足要求或迭代次数达到最大，得到最终重力地图连续化制备模型。

14、在其中一个实施例中，对候选重力地图连续化制备模型进行神经网络正向计算并根据输出结果计算误差，包括：

15、对候选重力地图连续化制备模型进行神经网络正向计算并根据输出结果计算误差为

16、

17、其中，n为训练样本数量，ri为第i个样本的网络输出结果，ti为第i个样本的期望输出结果。

18、一种基于遗传算法优化神经网络的重力地图连续化制备装置，所述装置包括：

19、初始重力地图连续化制备模型训练模块，用于获取历史重力地图样本；对所述历史重力地图样本进行采样，根据bp神经网络对采样后的采样点的水平位置和重力扰动信息进行训练，得到初始重力地图连续化制备模型；

20、重力地图连续化制备模型优化模块，用于根据遗传算法对所述初始重力地图连续化制备模型进行参数优化，确定遗传算法待优化参数个数并进行对待优化参数进行适应度计算，利用适应度确定初始重力地图连续化制备模型的初始权重和偏置，得到候选重力地图连续化制备模型；

21、重力地图制备模块，用于对所述候选重力地图连续化制备模型进行神经网络正向计算，根据计算结果对所述候选重力地图连续化制备模型进行优化，得到最终重力地图连续化制备模型将待生成重力地图的位置信息输入最终重力地图连续化制备模型中，得到对应的重力扰动矢量并生成重力地图。

22、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

23、获取历史重力地图样本；对历史重力地图样本进行采样，根据bp神经网络对采样后的采样点的水平位置和重力扰动信息进行训练，得到初始重力地图连续化制备模型；

24、根据遗传算法对初始重力地图连续化制备模型进行参数优化，确定遗传算法待优化参数个数并进行对待优化参数进行适应度计算，利用适应度确定初始重力地图连续化制备模型的初始权重和偏置，得到候选重力地图连续化制备模型；

25、对候选重力地图连续化制备模型进行神经网络正向计算，根据计算结果对候选重力地图连续化制备模型进行优化，得到最终重力地图连续化制备模型将待生成重力地图的位置信息输入最终重力地图连续化制备模型中，得到对应的重力扰动矢量并生成重力地图。

26、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

27、获取历史重力地图样本；对历史重力地图样本进行采样，根据bp神经网络对采样后的采样点的水平位置和重力扰动信息进行训练，得到初始重力地图连续化制备模型；

28、根据遗传算法对初始重力地图连续化制备模型进行参数优化，确定遗传算法待优化参数个数并进行对待优化参数进行适应度计算，利用适应度确定初始重力地图连续化制备模型的初始权重和偏置，得到候选重力地图连续化制备模型；

29、对候选重力地图连续化制备模型进行神经网络正向计算，根据计算结果对候选重力地图连续化制备模型进行优化，得到最终重力地图连续化制备模型将待生成重力地图的位置信息输入最终重力地图连续化制备模型中，得到对应的重力扰动矢量并生成重力地图。

30、上述基于遗传算法优化神经网络的重力地图连续化制备方法，本技术通过将重力场地图连续化的任务看作数据拟合任务，将bp神经网络作为重力地图制备的初始模型，可以有效克服数学模型方法中的模型误差，且不受重力场变化剧烈程度的影响，为完成重力地图连续化工作，将采样点的水平位置和重力扰动信息输入bp神经网络进行训练，使用训练得到的初始重力地图连续化制备模型对满足成图分辨率要求的位置的重力扰动矢量信息进行预测，完成所需样本点的构建，可以提升样本训练的精度以及泛化能力，增强地图制作精度，再通过利用遗传算法为bp神经网络提供了全局最优的初始权重和偏置，能有效限制初始重力地图连续化制备模型陷入局部最优的情况，提高重力地图连续化制备模型的精度，进而提高海洋应用环境下中立地图连续制备精度。