一种水下无人机目标性实时监测方法技术

本发明专利技术属于目标性实时监测技术领域，公开了一种水下无人机目标性实时监测方法：首先将无人机装置放置监测目标环境并初始化，对监测目标的具体位置和转化所需监测的数据，对所监测目标的数据进行概率密度建模，并进一步将所得到的的模型更新在水下无人机的深度学习模型参数上。然后对监测目标位置进行改变进而继续同上一步操作，直至整个监测环境参数完全整合，对已收集到的数据模型进行对比，若对比结果不符合收敛条件，则通过计算得到Mean

【技术实现步骤摘要】
一种水下无人机目标性实时监测方法


[0001]本专利技术属于实时监测
，具体是一种水下无人机目标性实时监 测方法。

技术介绍

[0002]无人机目标性实时监测是指：将水下无人机放置于立体监测环境，对 监测目标进行数据采样，并通过构建模型确立最优解作为监测数据。在水 质检测、实时通信的人机交互等领域有很好的应用前景。
[0003]由于无人机在水中进行探测，无人机运行和实时通讯不稳定性，导致 监测数据不准确等，这给无人机监测提出很大的挑战。
[0004]相关技术中，有学者通过研究传统的相关滤波算法和孪生网络模型， 提出一些端到端、无监督的先进监测算法、模型。相关技术的不足在于， 这些方法对计算资源要求较高，不适合用在无人机实时监测的过程中。
[0005]另外，相关技术中的Mean
‑
Shift算法在监测的过程中，模板的核宽一 种保持不变，当被监测水域极限坐标因水下因素发生改变时，新目标的真 实核宽可能会发生改变。
[0006]因此，迫切需要提供一种一种水下无人机目标性实时监测方法解决一 上技术问题。

技术实现思路

[0007]本专利技术需要解决的技术问题是：提出一种水下无人机目标性实时监测 方法，该方法能自适应核宽大小，并且在周围监测目标数据发生大幅度变 化导致监测数据容易出现误差时，通过预测重新确定最优解。
[0008]为实现上述技术效果，本专利技术提供一种水下无人机目标性实时监测方 法，包括如下步骤：
[0009]步骤1
[0010]系统初始化：在第一次采集时，读取待监测目标水域，通过两次二维 化立体环境框取XY值并求最优解大小作为核窗的宽度h0，对监测目标数据 进行概率密度建模，其中，C是归一化常 数，(x
i
)
i＝1,...,N
是第i点的目标位置，Epanechnikov核轮廓函数为k(x)，克 罗内克函数表示为δ，其作用是判断处于位置x
i
的监测数值是否属于特征空 间中的第u个bin，函数b的作用是将x
i
位置处的最优解与该最优解在量化的 特征空间中所属的bin值对应起来，计算目标周围邻域的背景直方图将 预先在水下无人机上的深度学习模型用Xavier方法初始化参数。
[0011]步骤2
[0012]步骤21.出于对监测数据可信度与准确度的考虑，在监测位置建立候 选目标模型，
[0013]其中y表示候选目标的中心位 置；
[0014]步骤22.计算目标与候选之间背景比率权重ρ作为两 个向量之间的Bhattacharyya系数的样本估计的衡量，也就是衡量原模型 和候选目标模型的相似程度，如果不符合收敛条件，则通过计算得到 Mean
‑
Shift向量其中，W
i
表示 权重，
[0015][0016]是所选用的核函数，轮廓函数为g(x)，并 将目标监测数据提升或降低到新的数据，以此为基础开始下一次迭代，直 到符合收敛条件为止，以此可以得到监测目标数据最优解；
[0017]及对应的尺度
[0018][0019]如果|log(r)|＞θ
s
，其中θ
s
＝0.1，进行尺度估计检测，
[0020][～,r
back
]＝MS(q,image
t
‑1,y
t
,rh
t
‑1)
[0021]如果|log(r*r
back
)|＞θ
c
，θ
c
＝0.1，h
t
＝(1
‑
α
‑
β)h
t
‑1+αh0+βrh
t
‑1，其中，
[0022]β＝0.1，γ＝0.3，c1＝0.1，
[0023]否则，h
t
＝(1
‑
γ)h
t
‑1+γrh
t
‑1，γ＝0.3；
[0024]步骤3
[0025]如果在限定迭代次数内始终无法满足收敛条件，则上一坐标水域中目 标物体的位置周围采样一定数量，一定范围内坐标、尺度为h
t
‑1的极限坐标 值，输入神经网络模型，取其中最高置信度的监测数据作为监测目标数据， 重复步骤22过程，计算新的数据最优解及对应尺度。
[0026]步骤4
[0027]重复步骤2和步骤3直到极限坐标值接近整体立体水域。
[0028]相比与其它技术，本专利技术一种水下无人机目标性实时监测方法，适用 于无人机水质监测，实时通信的场景，能自适应调整核宽大小，并解决监 测目标数据大幅度变化的目标数据失真问题，增加监测数据的可信度与准 确性。
附图说明
[0029]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅 是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性 劳动的前提下，还可以根据这些附图获得其它的附图，
[0030]其中：
[0031]图1为本专利技术一种水下无人机目标性实时监测方法的流程示意图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进 行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例， 而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没 有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的 范围。
[0033]请参附图1，一种水下无人机目标性实时监测方法，包括如下过程：
[0034](1)放置无人机于监测环境
[0035](2)监测目标区域初始化
[0036](3)初始化水下无人机上的深度学习模型
[0037](4)计算监测目标概率密度模型
[0038](5)将立体化监测环境二维化
[0039](6)得到最优值
[0040](7)计算候选概率密度模型，再计算监测目标与候选的背景比率权重， 再利用Mean
‑
Shift向量计算出下一监测数据与对应尺度，再进行尺度一致 性估计。
[0041]若迭代次数大于20，则通过神经网络预测数据最优解，若迭代次数不 是大于20，则从重复上述过程(6)及过程(6)以下的过程，直至迭代结 束。
[0042]具体步骤如下：
[0043]一种水下无人机目标性实时监测方法，包括如下步骤：
[0044]步骤1
[0045]在第一次采集时，读取待监测目标水域，通过两次二维化立体环境框 取XY值并求最优解大小作为核窗的宽度h0，对监测目标数据进行概率密度 建模，其中，C是归一化常数，(x
i
)
i＝1,...,N
是 第i点的目标位置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下无人机目标性实时监测方法，其特征为，包括如下步骤：步骤1系统初始化：将水下无人机放置监测环境，确定监测目标具体位置坐标，通过两次二维化立体环境框取XY值并求最优解大小作为核窗的宽度h0，对监测目标数据进行概率密度建模，其中，C是归一化常数,(x
i
)
i＝1,...,N
是一立体区域第i点的目标位置监测的最优解，确定K(x)为Epanechnikov核轮廓函数，克罗内克函数为δ，其作用是判断处于位置x
i
的监测数值是否属于特征空间中的第u个bin，函数b的作用是将x
i
位置处的最优解与该最优解在量化的特征空间中所属的bin值对应起来，计算目标周围邻域的背景直方图bg，将预先在水下无人机上的深度学习模型用Xavier方法初始化参数，步骤2步骤21.出于对监测数据可信度与准确度的考虑，在监测位置建立候选目标模型，其中y表示监测目标数据的候选值；步骤22.计算原最优解与候选值之间背景比率权重ρ作为两个向量之间的Bhattacharyya系数的样本估计的衡量，也就是衡量原模型和候选目标模型的相似程度，如果不符合收敛条件，则通过计算得到Mean
‑
Shift向量其中，W
i
表示权重，表示权重，是所选用的核函数，轮廓函数为g(x)，并将监测目标监测值进行调整，以此为基础开始下一次数据监测和更新，直到符合收敛条件为止，以此可以得到该监测坐标监测数据的最终值；及对应的尺...

【专利技术属性】
技术研发人员：张晓彤，陈丽娟，刘旭宇，修学杰，
申请(专利权)人：桂林航天工业学院，
类型：发明
国别省市：