基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法技术

本发明专利技术属于计算机模拟仿真评估领域，具体的涉及基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，包括：设定多种工况下的输入参数，对水下航行器均衡潜浮模型的数学模型进行试验；当所述潜浮模型达到设定状态时，记录各项输入输出参数作为一个样本集；利用神经网络算法对所述样本集进行数值分析，得到所述数学模型与理想值之间的误差系数；若所述误差系数在规定范围内，则用所述误差系数来评估所述潜浮模型。本发明专利技术可以评估水下航行器均衡潜浮模型的准确性。

Simulation and evaluation method of underwater vehicle equilibrium diving model based on neural network algorithm

The invention belongs to the field of computer simulation evaluation, including specific assessment methods for submersible equilibrium model simulation of neural network navigation algorithm based on the underwater: setting the input parameters under various conditions, the mathematical model of the vehicle equilibrium model of underwater diving test; when the submersible model reaches the set state when recording the input and output parameters as a sample set; using neural network algorithm for the numerical analysis of the sample set, get the error coefficient between the mathematical model and the ideal value; if the error coefficient in the specified range, use the error coefficient to evaluate the submersible model. The present invention can evaluate the accuracy of an underwater vehicle balanced diving model.

【技术实现步骤摘要】
基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法
本专利技术属于计算机模拟仿真评估领域，具体的涉及基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法。
技术介绍
近年来，水下航行器无论是在民用还是在军用上，都扮演着重要的角色。作为国防工业中的重要组成部分，其操纵控制技术发展迅速。水下航行器的操纵由原来分散布置的四个系统协同合作的控制方式发展为集所有控制装置于一体的“操纵控制系统”的控制方式。均衡潜浮是水下航行器操纵控制技术的重要组成部分，其又可以细分为浮力均衡和纵倾均衡。随着水下航行器操纵控制技术的迅速发展，纵倾均衡分系统的控制精度也越来越高。但是由于水下航行器构造复杂，水下航行器上设备较多，海上环境多变，试验耗费大量人力物力，对于水下航行器控制技术的试验验证比较困难。三维仿真模拟验证方法可以有效的进行模型模拟，而且可以通过可视化的方法给试验人员更直观的呈现试验效果。但是对水下航行器建成的均衡潜伏模型并没有相关评估方法，不知所建的水下航行器均衡潜伏模型的准确性，所以对水下航行器控制技术的试验验证也没有相关有效方法。
技术实现思路
本专利技术要解决的技术问题在于，克服现有技术的不足，提供基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其可以评估水下航行器均衡潜浮模型的准确性。本专利技术所涉及的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，包括以下步骤：设定多种工况下的输入参数，对水下航行器均衡潜浮模型的数学模型进行试验；当所述潜浮模型达到设定状态时，记录各项输入输出参数作为一个样本集；利用神经网络算法对所述样本集进行数值分析，得到所述数学模型与理想值之间的误差系数；若所述误差系数在规定范围内，则用所述误差系数来评估所述潜浮模型。进一步地，若所述误差系数超出规定范围，则改变输入参数，将改变后的输入参数代入所述数学模型重新进行试验：当所述潜浮模型达到设定状态时，记录改变后的输入输出参数作为一个新的样本集；利用神经网络算法对所述新的样本集进行数值分析，得到所述数学模型与理想值之间的新的误差系数；利用加权算法对所述新的误差系数进行校正，得到校正后的误差系数；利用所述校正后的误差系数来评估所述潜浮模型。更进一步地，所述数值分析，具体包括：设有样本集：(Xm，ym)，m＝1～M；求最佳参数δa，使得风险函数Remp(δ)达到最小值；将δa和最小值Remp作为权向量和阈值参数，计算得到所述误差系数。再进一步地，所述Remp(δ)表达式为：还进一步地，所述求最佳参数δa，使得风险函数Remp(δ)达到最小值，包括：加入最陡降算法和迭代算法；根据所述最陡降算法和迭代算法得到δa和最小值Remp。又进一步地，所述加入最陡降算法和迭代算法的计算公式为：δ(k+1)＝δ(k)+Δδ(k)(2)优选地，所述根据所述最陡降算法和迭代算法得到最佳参数δa和最小值Remp，具体包括：令a取较小值，使得||Δδ(k)||＜＜1，则有：Remp(δ(k+1))＝Remp(δ(k))+ΔRemp(δ(k))(4)由公式(4)可知，Remp(δ(k))随着k的增加而下降，所述δ(k)趋向于Remp(δ)的一个局部极小点；取所述局部极小点对应的Remp(δ)为最佳参数δa。优选地，将δa和最小值Remp作为权向量和阈值参数，计算得到所述误差系数，具体包括：将δa和最小值Remp作为权向量和阈值参数，代入下列公式：公式(5)和公式(6)中，表示第1层的第i个输出值，即为误差系数；Xl-1表示第1-1层的输出值；表示第1层的第i个输入值。优选地，在本专利技术中，利用神经网络算法对不同工况下的输入参数数值分析，从而求出水下航行器均衡潜浮模型的数学模型与理想值之间的误差系数，通过误差系数来评价水下航行器均衡潜浮模型。因此，提供了一种进行水下航行器控制技术的试验验证的渠道。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例方法的框架图；图2是本专利技术实施例的方法流程图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。如图1和图2所示，在专利技术所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法之前，首先要建立水下航行器均衡潜浮模型的数学模型；均衡潜浮模型主要是指艏艉之间移水的变化规律，受压力等多种因素的干扰，数学模型比较复杂。此处使用的为减压器后的压力为0.579Mpa，且纵倾角在0°～35°范围内的数学模型，具体如下：均衡潜浮艏向艉移水的数学模型：WS(t)＝WS(t-Δt)+WS(Δt)均衡潜浮艉向艏移水的数学模型：t代表移水时间，单位：s；Δt代表移水时间步长，单位：s；WS(Δt)代表Δt时间内的移水量，单位：m3；WS(t)代表t时刻的移水量，单位：m3；α1代表Δt时间内的起始纵倾角，单位：°；α2代表Δt时间内末端纵倾角，单位：°。对水下航行器搭建三维可视化场景；利用三维建模工具建立水下航行器各主要部件的三维模型。将模型导入场景编辑引擎中，依据模型算法调整各部件参数，建立完整的水下航行器虚拟场景。将上述数学模型转化为场景脚本，绑定到场景中的模型上，在场景中进行模拟试验。本专利技术所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，包括以下步骤：101、设定多种工况下的输入参数，对水下航行器均衡潜浮模型的数学模型进行试验；102、当所述潜浮模型达到设定状态时，记录各项输入输出参数作为一个样本集；103、利用神经网络算法对所述样本集进行数值分析，得到所述数学模型与理想值之间的误差系数；104、若所述误差系数在规定范围内，则用所述误差系数来评估所述潜浮模型。201、若所述误差系数超出规定范围，则改变输入参数，将改变后的输入参数代入所述数学模型重新进行试验；202、当所述潜浮模型达到设定状态时，记录改变后的输入输出参数作为一个新的样本集；203、利用神经网络算法对所述新的样本集进行数值分析，得到所述数学模型与理想值之间的新的误差系数；204、利用加权算法对所述新的误差系数进行校正，得到校正后的误差系数；205、利用所述校正后的误差系数来评估所述潜浮模型。所述数值分析，具体包括：设有样本集：(Xm，ym)，m＝1～M；求最佳参数δa，使得风险函数Remp(δ)达到最小值；将δa和最小值Remp作为权向量和阈值参数，计算得到所述误差系数。所述Remp(δ)表达式为：所述求最佳参数δa，使得风险函数Remp(δ)达到最小值，包括：加入最陡降算法和迭代算法；根据所述最陡降算法和迭代算法得到δa和最小值Remp。所述加入最陡降算法和迭代算法的计算公式为：δ(k+1)＝δ(k)+Δδ(k)(2)所述根据所述最陡降算法和迭代算法得到最佳参数δa和最小值Remp，具体包括：令a取较小值，使得||Δδ(k)||＜＜1，则有：Remp(δ(k+1))＝Remp(δ(k))+ΔRemp(δ(k))(4)由公式(4)可知，Remp(δ(k))随着k的增加而下降，所述δ(k)趋向于Remp(δ)的一个局部极小点；取所述局部极小点对应的Remp(δ)为最佳参数δa。将δa和最小值Remp作为权向量和阈值参数，计算得到所述误差系数，具体包括：将δa和最小值Remp作为权向量和本文档来自技高网...

【技术保护点】
一种基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其特征在于，包括以下步骤：设定多种工况下的输入参数，对水下航行器均衡潜浮模型的数学模型进行试验；当所述潜浮模型达到设定状态时，记录各项输入输出参数作为一个样本集；利用神经网络算法对所述样本集进行数值分析，得到所述数学模型与理想值之间的误差系数；若所述误差系数在规定范围内，则用所述误差系数来评估所述潜浮模型。

【技术特征摘要】
1.一种基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其特征在于，包括以下步骤：设定多种工况下的输入参数，对水下航行器均衡潜浮模型的数学模型进行试验；当所述潜浮模型达到设定状态时，记录各项输入输出参数作为一个样本集；利用神经网络算法对所述样本集进行数值分析，得到所述数学模型与理想值之间的误差系数；若所述误差系数在规定范围内，则用所述误差系数来评估所述潜浮模型。2.根据权利要求1所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其特征在于，若所述误差系数超出规定范围，则改变输入参数，将改变后的输入参数代入所述数学模型重新进行试验；当所述潜浮模型达到设定状态时，记录改变后的输入输出参数作为一个新的样本集；利用神经网络算法对所述新的样本集进行数值分析，得到所述数学模型与理想值之间的新的误差系数；利用加权算法对所述新的误差系数进行校正，得到校正后的误差系数；利用所述校正后的误差系数来评估所述潜浮模型。3.根据权利要求2所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其特征在于，所述数值分析，具体包括：设有样本集：(Xm，ym)，m＝1～M；求最佳参数δa，使得风险函数Remp(δ)达到最小值；将δa和最小值Remp作为权向量和阈值参数，计算得到所述误差系数。4.根据权利要求3所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其特征在于，所述Remp(δ)表达式为：5.根据权利要求4所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法，其特征在于，所述求最佳参数δa，...

【专利技术属性】
技术研发人员：赵东明，柳欣，杨田田，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42