1.基于零值化神经网络的AUV轨迹追踪方法，其特征在于，所述方法包括下列步骤：构建AUV运动学模型，并使用梯度下降方法和性能指标来约束所述AUV运动学模型；

基于所述AUV运动学模型，将AUV轨迹跟踪问题重述为动态二次规划问题；

构建PEZNN模型，所述PEZNN模型表示投影与椭圆零值化神经网络模型；

基于PEZNN模型以及速度、加速度投影函数构建AUV-TTN网络，所述AUV-TTN网络表示AUV路径跟踪神经网络；

利用AUV-TTN网络求解动态二次规划问题，对AUV期望轨迹进行跟踪，对预测轨迹进行不断迭代，最终实现AUV轨迹追踪；

构建AUV运动学模型，具体包括：

在地球局部参考系下，AUV的六自由度表示为：s(t)＝[sx(t)，sy(t)，sz(t)，θx(t)，θy(t)，θz(t)]T令v(t)＝[vx(t)，vy(t)，vz(t)，ωx(t)，ωy(t)，ωz(t)]，从而建立向量v和向量s之间的关系：对公式两边求导，得到AUV运动学模型如下：其中，sx(t)，sy(t)，sz(t)表示AUV的位置坐标，θx(t)表示AUV的偏航，θy(t)表示AUV的俯仰，θz(t)表示AUV的横摇，vx(t)，vy(t)，vz(t)表示AUV在和方向上的线速度，ωx(t)，ωy(t)，ωz(t)表示AUV在和方向上的角速度，s0表示AUV的初始位置和旋转姿态，y(τ)表示参数矩阵，τ表示时间t的换元，符号T表示对矩阵和向量的转置；

使用梯度下降方法和性能指标来约束所述AUV运动学模型，具体包括：建立如下的性能指标来约束冗余自由度造成的AUV漂移现象：基于梯度下降法的设计策略，将上式修改为：考虑到AUV的在加速度水平上的物理极限约束，将上式进一步优化成：其中，spl(t)表示预测轨迹，ζ为反馈增益系数，表示spl(t)的导数；

基于所述AUV运动学模型，将AUV轨迹跟踪问题重述为动态二次规划问题，具体包括：基于ZNN模型，建立AUV运动学模型的误差函数：E1(t)＝spl(t)-sdl(t)将sdl(t)映射到六个自由度，并建立如下的映射关系：其中，

根据ZNN模型的设计思想，迫使误差函数下降到0，并建立下面的演化公式：考虑到水下航行器的物理极限约束并基于上式将AUV轨迹跟踪问题重述为如下动态二次规划问题：其中，sdl表示期望轨迹，表示sdl的导数，ζ与μ均为反馈增益系数，vmin表示AUV六个自由度的最大前进速度，vmax表示AUV六个自由度的最大后退速度，amin表示AUV六个自由度的最大前进加速度，amax表示AUV六个自由度的最大后退加速度；

构建PEZNN模型，具体包括：

定义非凸饱和函数Ph(x)为：

在椭圆方程的基础上设计了如下公式将收敛速度平滑：将投影和椭圆激活函数设计为：

因此，PEZNN模型，可以表示为：

其中，p表示椭圆的长轴长，q表示椭圆的短轴长，λ也表示反馈增益系数，ξ1＞0，ξ2>ξ1＞0，ξ3＜-ξ1＜0；

建立速度和加速度两个投影函数：

其中，ri表示输入向量r中的子元素，vmini表示向量vmin中的子元素，vmaxi表示向量vmax中的子元素，amini表示向量amin中的子元素，amaxi表示向量amax中的子元素，Pv与Pa分别表示速度和加速度投影函数；

基于PEZNN模型以及速度、加速度投影函数构建AUV-TTN网络，具体包括：将AUV路径跟踪问题重新描述为一般的IE-DQP问题如下：其中，x(t)＝v(t)、p(t)＝ζ(spl(t)-s0)、c(t)＝sdl(t)+μ(sdl(t)-spl(t))、W(t)＝I0是6×6的单位矩阵；

用拉格朗日乘子法求解前述问题，建立如下拉格朗日方程：最小化得到：

上式的解可以通过求解如下方程组得到：上式的解可以通过求解方程得到：

f(y(t)，t)＝H(t)y(t)+b(t)＝0建立关于f(t)的误差函数为：

E(f(t))＝H(t)y(t)+b(t)其中：

使用PEZNN模型来强制令前述误差函数下降：其中：

其中H(t)、y(t)、b(t)均表示计算矩阵，表示y(t)的导数，表示(t)的导数；

基于速度和加速度两个投影函数，所构建的AUV-TTN网络为：将其具体拓展为：

其中，η(t)表示受到的干扰。