【技术实现步骤摘要】
一种基于SGRU神经网络的UUV集群行为识别技术
本专利技术属于深度学习领域,具体涉及一种基于SGRU神经网络的UUV集群行为识别技术。
技术介绍
水下无人航行器(UnmannedUnderwaterVehicle,UUV),是以潜艇和水面舰艇为载体,具有长时间续航能力,并可回收的小型智能武器装备,用途广泛,被称为海军的“力量倍增器”。现代海军作战地形复杂,海域广阔,对潜航器集群的侦查能力带来更多的挑战。UUV作为在复杂海洋环境中工作的高智能化、无人系统,良好的环境感知能力是其必须要具备的关键技能。而集群行为识别能力是反制敌方无人潜航器集群的基础,也是UUV感知外部环境信息的重要手段之一。目前,UUV集群性行为识别技术多数以循环神经网络为基础,传统循环神经网络结构通常难以训练。现有UUV集群行为识别研究甚少,领域处于相对空白。而门控循环神经网络(GatedRecurrentUnit,GRU)作为近年来取得重大突破的网络模型,将遗忘门和输入门合成了一个单一的更新门,同样还混合了细胞状态和隐藏状态,以缓解梯度消失问题,最终使其比其原型LSTM模型更要简单。GRU在模式识别领域,如图像识别、文字识别及语音识别等方面已经广泛使用且性能优异,亦可扩展到集群行为识别领域。
技术实现思路
本专利技术的目的在于提供一种能简化模型复杂度,提高系统泛化能力的改进的GRU神经网络,并应用SGRU神经网路建立欠驱动UUV集群行为识别模型,应用该模型可以精确识别欠驱动UUV集群行为的方法。本专利技术的目的是这样实现的:一种基于SGRU神经网络的UUV集群行为识别技术,具体的实现步骤如下 ...
【技术保护点】
1.一种基于SGRU神经网络的UUV集群行为识别技术,其特征在于,具体的实现步骤如下:步骤1.数据预处理阶段,对UUV集群行为数据集进行数据清洗,包括处理数据不平衡问题、缺失值问题;步骤2.模型训练阶段,利用数据预处理后的数据集训练SGRU神经网络,建立UUV集群行为识别模型;步骤3.模型预测阶段,获取当前软件失效数据并采用步骤1同样的方法进行数据预处理过程,然后输入步骤2所获得的SGRU预测模型进行UUV集群行为识别的预测,得到预测结果。
【技术特征摘要】
1.一种基于SGRU神经网络的UUV集群行为识别技术,其特征在于,具体的实现步骤如下:步骤1.数据预处理阶段,对UUV集群行为数据集进行数据清洗,包括处理数据不平衡问题、缺失值问题;步骤2.模型训练阶段,利用数据预处理后的数据集训练SGRU神经网络,建立UUV集群行为识别模型;步骤3.模型预测阶段,获取当前软件失效数据并采用步骤1同样的方法进行数据预处理过程,然后输入步骤2所获得的SGRU预测模型进行UUV集群行为识别的预测,得到预测结果。2.根据权利要求1所述的一种基于SGRU神经网络的UUV集群行为识别技术,其特征在于,步骤1包括以下步骤:步骤1.1.处理数据不平衡问题,首先分析正负样本比例,其次根据数据集大小采用不同的采样方法处理,若数据量较充足,采取欠采样的方法,减少样本数据较多的类的数量来平衡数据集,若数据量较少,采取过采样的方法,增加数量较少的类的数量来平衡数据集;步骤1.2.处理缺失值,分析缺失值占比,根据缺失值的占比采取不同方式处理,若特征缺失值占比高,删除该特征,若占比适中,则将缺失值作为一个新类别,原特征替换为类别特征,若占比较低,则采用均值或中位数的方式替换。3.根据权利要求1所述的一种基于SGRU神经网络的UUV集群行为识别技术,其特征在于:步骤2所述的SGRU神经网络由输入层、输出层、隐含层组成,隐含层由SGRU神经元构成,SGRU神经网络的输入数据为经过数据预处理后的的t时刻的集群行为数据,输入数据为预测的下一刻集群行为;设输入UUV集群行为序列为(x1,x2,…,xt),则在t时刻更新门、重置门、标准SGRU单元输出计算公式如下所示:rt=σ(Wr*[ht-1,xt])zt=σ(Wz*[ht-1*rt,xt])nt=tanh(W*[rt*ht-1,xt])ht=(1-zt)*ht-1+zt*ntyt=σ(Wo*ht)其中zt表示t时刻更新门的输出;Wt表示输入集群行为数据和h(t-1)与rt乘积之间的权重;rt表示t时刻重置门的输出;Wr表示输入和h(t-1)之间的权重;其中h(t-1)表示t-1时刻标准GRU单元输出;xt表示t时刻的输入的UUV集群行为数据;nt表示t时刻用tanh层来创建的一个新的候选值向量,并将其加入到当前状态中;W表示更新门的输出zt和输入之间的权重;yt表示t时刻SGRU神经网络的输出,即预测结果,Wo表示ht的权重;σ为sigmoid激活函数,sigmoid与tanh为两种神经网络常用的神经元激活函数。4.根据权利要求1所述的一种基于SGRU神经网络的UUV集群行为识别技术,其特征在于:步骤2所述的训练SGRU神经网络的目标是使得网络的预测输出yt和实际的输出相等,定义网络的损失函数为通过梯度下降法最小化损失函数L训练出SGRU网络中的权值和偏置,得到预测模型,具体的训练过程包括以下...
【专利技术属性】
技术研发人员:王磊,王鑫,任龙,张玲玲,关智允,徐东,孟宇龙,张子迎,李贤,宫思远,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。