基于OS‑ELM算法的无人船环境调节方法技术

本发明专利技术属于无人船人工智能领域，具体的说是基于OS‑ELM算法的无人船环境调节方法，包括以下步骤：构建无人船的实验环境，采集无人船航行数据；根据无人船航行数据，行成样本集；采用OS‑ELM算法对所述样本集进行处理，得到无人船内环境和外环境的耦合关系；根据所述耦合关系和无人船在实际航行中所采集的数据进行匹配，来调节在实际航行中无人船的内环境和外环境。本发明专利技术其既可以同时研究无人船航行时的内环境和外环境，又可以在样本有限的情况下完成运算，且学习速度快、运算精度高。

【技术实现步骤摘要】
基于OS-ELM算法的无人船环境调节方法
本专利技术属于无人船人工智能领域，具体的说是基于OS-ELM算法的无人船环境调节方法。
技术介绍
近年来，人工智能技术在各领域中的应用越来越多，但是受应用需求及技术水平的限制，国内无人船的研究进展比较缓慢，大多数无人船都作为无人遥控航行器开发的，控制方式也大多是遥控方式。因此有必要设计一种能准确识别海洋环境、周围目标和能准确判断无人艇航行状态、运动姿态的无人船环境感知系统，辅助无人船进行自主决策，由遥控式发展为智能式。现如今的大多数环境感知方法只是针对外部环境展开研究，然而在实际应用中并非总是如此，感知外部环境的同时还需要时刻关注船体自身的动态性能，航行姿态等内环境，内外环境有机结合才能提高船体稳定性和识别准确度。但是内外部环境感知传感器接收的数据量很大且需快速处理，但相关的大数据处理技术的研究有待深入。目前已有少部分文献对无人船数据处理算法进行研究，但是处理的数据大部分是单一结论，且大多数算法采用了增加节点数量，提高成本来实现，如基于惯导系统的航行状态感知方法、基于小波分析法的MEMS陀螺去噪研究等。但是如果控制成本，减少节点数量时，运算量会增加，且计算误差会增大，无人船的稳定性得不到保证。
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，提供一种基于OS-ELM算法的无人船环境调节方法，其既可以同时研究无人船航行时的内环境和外环境，又可以在样本有限的情况下完成运算，且学习速度快、运算精度高。本专利技术所涉及的一种基于OS-ELM算法的无人船环境调节方法，包括以下步骤：构建无人船的实验环境，采集无人船航行数据；根据无人船航行数据，行成样本集；采用OS-ELM算法对所述样本集进行处理，得到无人船内环境和外环境的耦合关系；根据所述耦合关系和无人船在实际航行中所采集的数据进行匹配，来调节在实际航行中无人船的内环境和外环境。进一步地，所述构建无人船的实验环境，具体包括：在无人船上安装内部环境传感器和外部环境传感器；所述外部环境传感器与外部环境上位机连接；所述内部环境传感器通过实验现场总线与内部环境上位机连接；所述内部环境上位机和外部环境上位机分别与服务器相连。更进一步地，所述采用OS-ELM算法对所述样本集进行处理，具体包括：所述样本集被传送至服务器；随机取m％的样本集中样本完成OS-ELM算法的初始阶段，得到单层前馈神经网络的输出权重矩阵β的表达式，所述m％小于50％；随机取(1-m％)的样本集，结合单层前馈神经网络的输出权重β矩阵的递推公式，完成OS-ELM算法的学习阶段，得到完善后的单层前馈神经网络的输出权重矩阵β。再进一步地，所述随机取m％的样本集中样本完成OS-ELM算法的初始阶段，具体包括：设定网络隐节点数L；随机取出所述样本集N(x，t)中m％的样本N’(xj，tj)，j＝1、2……n，其中n>>L；随机取隐节点输入权值ai和阀值bi，i＝1、2……L；求出隐含层输出函数G(ai,bi,x)，从而得到神经网络的隐含层输出矩阵H0；求出等价输入变量r，从而得到神经网络的输出矩阵R。还进一步地，所述求出隐含层输出函数G(ai,bi,x)，从而得到神经网络的隐含层输出矩阵H0，具体包括：所述隐含层输出函数G(ai,bi,x)的计算公式为：G(ai,bi,x)＝g(ai·x+bi)(1)公式(1)中，其中g为激活函数，采用Sigmoid函数求得；ai·x代表隐节点输入权值向量ai和样本向量x的内积；所述隐节点输入权值ai和阀值bi的取值在[-1，1]之间；所述神经网络的隐含层输出矩阵H0的计算公式为：公式(2)中，g11……gmn代表隐含层输出函数G(ai,bi,x)的不同取值。又进一步地，所述求出等价输入变量r，从而得到网络的输出矩阵R，具体包括：所述等价输入变量r的计算公式为：r＝t(3)所述神经网络的输出矩阵R的计算公式为：公式(4)中，r1…rN0为等价输入变量r的不同值。优选地，所述单层前馈神经网络的输出权重矩阵β的表达式为：H0β＝R(5)进而得到如下公式：优选地，所述随机取(1-m％)的样本集，结合单层前馈神经网络的输出权重β矩阵的递推公式，完成OS-ELM算法的学习阶段，具体包括：随机取出所述样本集N(x，t)中除去样本N’(xj，tj)的其余样本；将所述其余样本用于更新隐含层输出矩阵H0和神经网络的输出矩阵R；结合单层前馈神经网络的输出权重β矩阵的递推公式，直至所述其余样本全部取值完毕。优选地，所述递推公式求解过程为：公式(9)中，可以由Woodbury公式得到：设即可得到求解β的递推公式：优选地，所述无人船内环境和外环境的耦合关系为：公式(12)中其中,xi为无人船实际航行中的外环境数据，ti为无人船实际航行中内环境数据，βi为输出权值矩阵。本专利技术的有益效果在于：①首次采用OS-ELM算法应用于实时处理环境感知测量数据，具有信息处理速度快，性能稳定的优点。②将无人船外部环境变量与内部环境变量进行结合处理，深度分析两者数据间的关系，使无人船对环境的适应能力更强，动态性能更好。③利用OS-ELM算法学习速度快、泛化性能优良的特点，可以经过多重样本训练后，即可利用其强大的学习能力，对后续环境变量进行预测，可大大提高系统的稳定性和智能性。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的流程图。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所示，本专利技术所述的基于OS-ELM算法的无人船环境调节方法，包括以下步骤：101、构建无人船的实验环境，采集无人船航行数据。在无人船上安装内部环境传感器和外部环境传感器；所述外部环境传感器与外部环境上位机连接；所述内部环境传感器通过实验现场总线与内部环境上位机连接；所述内部环境上位机和外部环境上位机分别与服务器相连。102、根据无人船航行数据，行成样本集。103、采用OS-ELM算法对所述样本集进行处理，得到无人船内环境和外环境的耦合关系；所述样本集被传送至服务器。随机取m％的样本集中样本完成OS-ELM算法的初始阶段，得到单层前馈神经网络的输出权重矩阵β的表达式，所述m％小于50％。设定网络隐节点数L；随机取出所述样本集N(x，t)中m％的样本N’(xj，tj)，j＝1、2……n，其中n>>L；随机取隐节点输入权值ai和阀值bi，i＝1、2……L；求出隐含层输出函数G(ai,bi,x)，从而得到神经网络的隐含层输出矩阵H0；求出等价输入变量r，从而得到神经网络的输出矩阵R。所述求出隐含层输出函数G(ai,bi,x)，从而得到神经网络的隐含层输出矩阵H0，具体包括：所述隐含层输出函数G(ai,bi,x)的计算公式为：G(ai,bi,x)＝g(ai·x+bi)(1)公式(1)中，其中g为激活函数，采用Sigmoid函数求得；ai·x代表隐节点输入权值向量ai和样本向量x的内积；所述隐节点输入权值ai和阀值bi的取值在[-1，1]之间；所述神经网络的隐含层输出矩阵H0的计算公式为：公式(2)中，g11……gmn代表隐含层输出函数G(ai,bi,x)的不同取值。所述等价输入变量r的计算公本文档来自技高网...

【技术保护点】
一种基于OS‑ELM算法的无人船环境调节方法，其特征在于，包括以下步骤：构建无人船的实验环境，采集无人船航行数据；根据无人船航行数据，行成样本集；采用OS‑ELM算法对所述样本集进行处理，得到无人船内环境和外环境的耦合关系；根据所述耦合关系和无人船在实际航行中所采集的数据进行匹配，来调节在实际航行中无人船的内环境和外环境。

【技术特征摘要】
1.一种基于OS-ELM算法的无人船环境调节方法，其特征在于，包括以下步骤：构建无人船的实验环境，采集无人船航行数据；根据无人船航行数据，行成样本集；采用OS-ELM算法对所述样本集进行处理，得到无人船内环境和外环境的耦合关系；根据所述耦合关系和无人船在实际航行中所采集的数据进行匹配，来调节在实际航行中无人船的内环境和外环境。2.根据权利要求1所述的基于OS-ELM算法的无人船环境调节方法，其特征在于，所述构建无人船的实验环境，具体包括：在无人船上安装内部环境传感器和外部环境传感器；所述外部环境传感器与外部环境上位机连接；所述内部环境传感器通过实验现场总线与内部环境上位机连接；所述内部环境上位机和外部环境上位机分别与服务器相连。3.根据权利要求1所述的基于OS-ELM算法的无人船环境调节方法，其特征在于，所述采用OS-ELM算法对所述样本集进行处理，具体包括：所述样本集被传送至服务器；随机取m％的样本集中样本完成OS-ELM算法的初始阶段，得到单层前馈神经网络的输出权重矩阵β的表达式，所述m％小于50％；随机取(1-m％)的样本集，结合单层前馈神经网络的输出权重β矩阵的递推公式，完成OS-ELM算法的学习阶段，得到完善后的单层前馈神经网络的输出权重矩阵β。4.根据权利要求3所述的基于OS-ELM算法的无人船环境调节方法，其特征在于，所述随机取m％的样本集中样本完成OS-ELM算法的初始阶段，具体包括：设定网络隐节点数L；随机取出所述样本集N(x，t)中m％的样本N’(xj，tj)，j＝1、2……n，其中n>>L；随机取隐节点输入权值ai和阀值bi，i＝1、2……L；求出隐含层输出函数G(ai,bi,x)，从而得到神经网络的隐含层输出矩阵H0；求出等价输入变量r，从而得到神经网络的输出矩阵R。5.根据权利要求4所述的基于OS-ELM算法的无人船环境调节方法，其特征在于，所述求出隐含层输出函数G(ai,bi,x)，从而得到神经网络的隐含层输出矩阵H0，具体包括：所述隐含层输出函数G(ai,bi,x)的计算公式为：G(ai,bi,x)＝g(ai·x+bi)(1)公式(1)中，其中g为激活函数，采用Sigmoid函数求得；ai·x代表隐节点输入权值向量ai和样本向量x的内积；所述隐节点输入权值ai和阀值bi的取值在[-1，1]之间；所述神经网络的隐含层输出矩阵H0的计算公式为：公式(2)中，g11……gmn代表隐含层输出函数G(ai,bi,x)的不同取值。6.根据权利要求5所述的基于OS-ELM算法的无人船环境调节方法，其特征在...

【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