一种基于SGRU神经网络的UUV集群行为识别技术制造技术

本发明专利技术提供一种基于SGRU神经网络的UUV集群行为识别技术。本发明专利技术具体步骤为数据预处理阶段，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；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；模型预测阶段，获取当前软件失效数据并进行数据预处理过程，然后输入所获得的SGRU预测模型进行UUV集群行为识别的预测，得到预测结果。本发明专利技术克服传统GRU神经网络结构过于复杂，泛化能力差的问题，并且应用SGRU建立精确高效的UUV集群行为识别模型，解决传统方法无法准确识别UUV集群行为的问题。

【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：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。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；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。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步骤：步骤2.1.将预处理后的数据按照集群行为序列的时间顺序分为两组,奇数顺序的一组作为训练数据集、偶数顺序的一组作为验证数据集；步骤2.2.设定深度SGRU神经网络训练参数，预设输入层神经元个数为6和输出层神经元个数为1，设定其隐含层的神经元个数为N，隐含层共3层，其中N＝1，2，3，...Nmax，Nmax为预设值，根据具体情况做出相应改变；步骤2.3.依次在N的每个取值所对应的SGRU神经网络结构上，利用训练集数据迭代训练神经网络中的权重以及偏置等参数，同时利用验证集对每次训练后的网络模型，采取经验评估，并更新、保存N的每个取值下性能最优的SGRU神经网络，最终选取综合性能最优的SGRU神经网络结构作为训练完成的预测模型。步骤2.3的具体步骤为：步骤2.3.1.进行外循环初始化，设定N＝1；设置误差值；步骤2.3.2.进行内循环初始化，设定迭代次数＝1，设定当前最小误差为无穷大，设定最大迭代次数；步骤2.3.3.基于结构风险最小化原理，用训练集进行SGRU神经网络的训练；步骤2.3.4.将验证集数据输入步骤2.3.3训练好的改进的SGRU神经网络，利用经验风险函数进行验证误差的计算；步骤2.3.5.若验证误差大于或等于当前最小误差，则直接迭代次数+1，若验证误差小于当前最小误差，则将验证误差的值赋值给当前最小误差，则把当前SGRU神经网络看做最优网络，同时更新并存储最优网络的参数和验证集误差，进行下列判定：若验证误差小于设定误差，则读取SGRU神经网络的参数，并执行步骤A238；若验证误差大于或等于设定误差，则迭代次数加1；步骤2.3.6.若迭代次数小于或等于最大迭代次数，则执行步骤2.3.3；若迭代次数大于最大迭代次数则N＝N+1，然后进行如下判断，若N＞Nmax则执行步骤A237；若N≤Nmax则执行步骤2.3.2；步骤2.3.7.比较各个N取值时，其对应网络的验证误差，选取验证误差最小作为最优网络，并获取所对应的SGRU神经网络的参数；步骤2.3.8.据步骤2.3.7获得的SGRU神经网络参数，确定SGRU神经网络结构的UUV集群行为识别的预测模型。步骤3的具体步骤为：步骤3.1.获取UUV集群最近一次行为状态数据Dt，以及最近一次时间以前的行为状态数据Dt-1，Dt-2，...，Dt-N；步骤3.2.利用步骤A1中方法，对Dt，Dt-1，Dt-2，...，Dt-N进行数据的预处理；步骤3.3.将经过预处理过的Dt，Dt-1，Dt-2，...，Dt-N数据输入到步骤A2所获得的SGRU预测模型中，获取预测结果进行反归一化后，得到下一次UUV集群的行为状态，其中反归一化公式为本专利技术的有益效果在于：本专利技术克服传统GRU神经网络结构过于复杂，泛化能力差的问题，并且应用SGRU建立精确高效的UUV集群行为识别模型，解决传统方法无法准确识别UUV集群行为的问题。附图说明图1为基于SGRU神经网络的UUV集群行为识别模型框图。图2为标准GRU神经网络结构图。图3为SGRU神经网络结构图。图4为SGRU神经网络训练流程示意图。具体实施方式下面结合附本文档来自技高网...

【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