欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025102958155
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于HAM-BiTL组合网络模型的AUV操纵运动预报方法,其特征在于,包括以下步骤:

步骤1:模型构建;

分别构建双向时间卷积网络、通道注意力机制、双向长短期记忆网络以及多头自注意力机制;

步骤2:数据准备和处理;

收集AUV在不同工况下的典型操纵运动仿真实验数据作为数据集,以此构建数据集,用于开展网络模型的训练与验证工作,并采用最大值归一化方法对数据进行归一化处理;

步骤3:HAM-BiTL组合网络模型的具体实现;

所提出的HAM-BiTL组合网络模型是由步骤1中的双向时间卷积网络、通道注意力机制、双向长短期记忆网络、多头自注意力机制依次级联实现;输入的多维时间序列由具有指定采样宽度的滑动窗口的样本组成,BiTCN被设计为将多维AUV运动样本块转换为一维特征向量;通过通道注意力机制将BiTCN提取的时序空间特征分配权重,随后利用BiLSTM经过自注意力机制处理后的特征中捕获正向和反向的时间特征;最后,多头自注意力机制自适应地为当前窗口内的时空特征数据分配时变权重;

所述步骤2包括以下步骤:

步骤2.1:数据准备;

基于AUV Remus 100的数学模型开展仿真实验并获得数据集;通过对AUV进行不同工况下的垂直面梯形运动实验、水平面Z型运动实验和螺旋回转下潜实验,收集其典型操纵运动在这些工况下的仿真实验数据,以此构建数据集,用于后续网络模型的训练与验证;同时针对上述三种典型操纵运动,预设不同的航行速度,并将其与设定的打舵指令一一匹配,通过组合形成多样化的实验工况,从而得到不同的数据集;同时还设置了独立于训练集工况的实验工况数据集作为测试集,用于验证算法的实际效果;

步骤2.2:数据处理;

在获得符合要求的数据集后,对多工况下的实验数据进行预处理,即对数据进行归一化或标准化处理;这里采用最大值归一化方法,其计算原理如下式(6)所示:其中,yn,t是第n个特征中,第t个时间步的初始数据;是第n个特征中绝对值最大的数据,是第n个特征中,第t个时间步的通过最大值归一化的数据;通过这样的归一化方式,使每个特征向量的所有时间步对应的数据,都归一化到[-1,1]范围内,保证数据原有的分布特征,同时消除量纲的影响;

在分别完成对垂直面梯形运动、水平面Z型运动和螺旋回转下潜实验数据的预处理后,依照训练多步预报网络模型的数据格式要求,对数据集实施进一步的处理;通过使用滑动窗口法,按照既定步长持续更新输入至网络模型内用于训练或验证的信息;对滑动窗口的关键参数加以设定,其中涵盖训练输入数据的时间步长和每次更新输入数据时的输入步长;

AUV操纵运动预报采用的是一个多输入多输出的预报模型;其中,式(7)中的Xt|t-(kim-1)作为模型训练和预报输入,是一个具备空间维度和时间维度的二维变量;式(8)中的ut|t-(kim-1)为外部输入变量,它与Xt|t-(kim-1)一同作为模型训练和预报的输入数据;在t时刻窗口范围内的Xt|t-(kim-1)与ut|t-(kim-1)数据作为输入,经过训练好的网络模型处理后,可预报到下一时刻的状态量如式所示;

ut|t-(kim-1)=[udelta,t-(kim-1) udelta,t-(kim-2) … udelta,t-(kim-n) … udelta,t]T     (8)其中,Xt|t-(kim-1)表示由当前时刻t至历史时刻t-(kim-1),共计kim步的运动状态构成的输入数据;xfeature,t-(kim-n)表示在历史时刻t-(kim-n)时,所有特征运动状态的向量;xf,t-(kim-n)表示历史时刻t-(kim-n),第f个特征运动状态的值;ut|t-(kim-1)表示由当前时刻t至历史时刻t-(kim-1),共计kim步的外部指令的向量;udelta,t-(kim-n)表示历史时刻t-(kim-n)外部指令的值;表示将共计kim步的运动数据Xt|t-(kim-1)与共计kim步的外部指令的向量ut|t-(kim-1)输入到预报器中,得到的t+1时刻的预报结果n∈(1,2,3,...,kim);

按照式(7)-(9)的步骤依次将滑动窗口根据当前时刻向下移动,实现网络模型的训练;然后,按照式(7)-(9)的计算步骤,将测试集数据输入已训练好的模型,随后采用改进的滑动窗口数据迭代方式进行多步预报;首先将式(9)得到的估计值作为新的数据纳入到下一步的滑动窗口范围内,用以替代未来时刻未知的运动状态数据,并与当前时刻t至历史时刻t-(kim-2)的数据共同构成新的预报器的输入数据从而在当前时刻t实现t+2时刻的预报;更新后的数据如式(10)所示,然后按照此步骤对式(11)和(12)交替执行,借助改进的滑动窗口法得以在t时刻对未来t+dim时刻的dim多步预报;特别说明的是,在网络训练阶段,采用传统的滑动窗口法,而在预报器实际投入应用时,则采用改进的滑动窗口法实现多步预报;

其中,为多步预报的输入状态向量,为多步预报的第m个估计值,其中,m∈(1,2,3,...,dim)。

2.根据权利要求1所述的基于HAM-BiTL组合网络模型的AUV操纵运动预报方法,其特征在于,所述步骤1包括以下具体步骤:步骤1.1:双向长短期记忆网络的特征提取;

LSTM共有三种门结构,分别是遗忘门、输入门和输出门,遗忘门、输入门、输出门的计算过程如式(1)、式(2)和式(3)所示;

ft=σ(Wf·[ht-1,xt]+bf)     (1)

其中,σ表示sigmoid函数,ft表示遗忘门,Wf表示遗忘门的权重矩阵,ht-1表示上一时间步的隐藏状态,xt表示当前时间步的输入,bf表示遗忘门的偏置项,it表示输入门,Wi表示输入门的权重矩阵,bi表示输入门的偏置项,表示候选细胞状态,tanh表示双曲正切函数,Wc表示候选细胞状态计算的权重矩阵,bC表示候选细胞状态的偏置项,Ct表示细胞状态,ot表示输出门,Wo表示输出门的权重矩阵,bo表示输出门的偏置项,ht表示当前时间步的隐藏状态;

采用的BiLSTM网络除了包含基本的LSTM结构外,结合了前向和后向的信息流,来提取序列的时间特征;在每个时间步中,BiLSTM网络将采用式(1)-(3)计算并更新信息流;

步骤1.2:卷积神经网络的特征提取;

通过双向链接TCN得到BiTCN来捕捉前后方向的隐藏特征,以更好地获得序列的长时间依赖性,从而提取多元位姿数据的空间特征并保障网络预报的因果性;

步骤1.3:注意力机制的特征提取;

通道注意力机制通过动态加权多变量特征,能够有效捕捉关键信息,增强模型对长期依赖和非线性关系的建模能力,同时提升鲁棒性和预报精度;

采用多头自注意力机制,通过并行运行多个独立的注意力机制,全面捕捉输入序列在不同子空间的注意力分布,从而充分挖掘序列中潜在的多种特征之间的关联;在多头自注意力机制的运行过程中,输入序列首先会经由三个不同的线性变换层,分别得到Query、Key和Value;Q表示与任务相关的查询向量,K表示键向量,V表示值向量用(K,V)代表键值对;键值对利用向量K计算注意力分布,利用向量V来计算聚合信息,Q、K和V的值由式(4)计算得出;对于每个注意力头,均会执行一次缩放点积注意力运算,该运算过程如式(5)所示:其中,WQ,WK,WV分别表示Q、K和V是通过训练得到的权重矩阵;X表示输入序列;dk表示向量的维度,并使用来缩放权重。

3.根据权利要求2所述的基于HAM-BiTL组合网络模型的AUV操纵运动预报方法,其特征在于,采用均方根误差RMSE、均方误差MSE和平均绝对误差MAE作为预报性能的评价指标;RMSE、MSE和MAE的指标计算通过式(13)-(15)实现,根据数据特点,为了对比传统网络与HAM-BiTL组合神经网络的性能,提出了一项对比网络预报性能的评价指标即准确性提升率AIR作为评价指标,该指标用式(16)表示;

其中,xi表示真实值,表示预报值,N代表测试集的样本数量;MAEnew代表所提出的网络的平均绝对误差,MAEold代表传统网络的平均绝对误差,AIR代表所提出的网络相较于用于比较的网络的准确性提升率,当AIR≥0时代表所提出的网络准确率提升,当AIR<0时代表准确率下降。