基于改进Glasius仿生神经网络的静态目标搜索方法与装置制造方法及图纸

本发明专利技术提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，属于Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。所述基于改进Glasius仿生神经网络的静态目标搜索方法，采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。它主要用于水下自主航行器的路径规划。器的路径规划。器的路径规划。

【技术实现步骤摘要】
基于改进Glasius仿生神经网络的静态目标搜索方法与装置


[0001]本专利技术涉及Glasius仿生神经网络
，尤其涉及水下自主航行器的路径规划。

技术介绍

[0002]海洋资源蕴藏着无限的可能性，然而其环境却异常复杂和恶劣，这使得对海洋的探索变得极具挑战性。自主水下航行器(Autonomous Underwater Vehicle，AUV)作为一种高度智能化的设备，具有可装载水下装置、良好的水下移动灵活性和经济适用性等特点，无论在军事领域还是民事领域上，均已受到了广泛关注。
[0003]目标搜索是AUV应用的重要领域之一，AUV通过集成各种先进的传感器设备，如声呐、水下相机以及光电设备等，可以对水下环境进行高效、精准的探测和感知。目标搜索本质上是最优路径规划问题。在目标搜索领域中，AUV通常需要在未知的水下环境中，通过最优路径寻找并定位目标物体；因此，高精度和高效率的路径规划，成为了实现AUV水下探测任务的关键。
[0004]现有的路径规划方法，一般是采用生物启发神经网络构建路径规划模型；这种方法可以利用先验信息，提取出高价值区域并忽略低价值区域，将水下栅格地图与生物启发神经网络相联系，通过该神经网络中神经元的活性值分布情况，制定AUV的路径规划模型。其中，所述先验信息，可以通过目标预警信息、信号消失位置、时间或其他因素来获取。
[0005]仿生神经网络(Bio－inspired Neural Network，BNN)，是一种高效而灵活的生物启发神经网络。近年来，所述仿生神经网络已在多智能体路径规划、目标搜索和目标围捕领域得到了广泛应用。然而，采用所述仿生神经网络进行路径规划方法，通常需要大量计算，对硬件设备的计算性能要求较高。为了解决这个问题，Glasius等人基于BNN提出了Glasius仿生神经网络(Glasius Bio－inspired Neural Network，GBNN)。所述GBNN，使用更简单的微分方程计算神经活动，以提高计算效率。
[0006]但是，虽然GBNN具有相对全局的机制，但在复杂情况下，由于神经元刺激信号的时延和衰减不可避免，所述GBNN仍可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想。

技术实现思路

[0007]本专利技术提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。
[0008]本专利技术所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其技术方案如下：
[0009]所述方法具体包括：
[0010]S1、获取预先采集的先验信息；
[0011]S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Map
x
×
Map
y
的栅格地图，作为基础先验目标概率图；
[0012]S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Map
x
×
Map
y
；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；
[0013]S4、采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。
[0014]进一步的，提供一个优选实施方式，其技术方案如下：
[0015]所述步骤S4具体包括：
[0016]S4.1、对上一次迭代计算对应的结合概率图MAP
Dd
‑1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAP
Dd
‑
1*
，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；
[0017]S4.2、将所述预处理后的上一次迭代计算对应的结合概率图MAP
Dd
‑
1*
，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAP
Dd
；
[0018]S4.3、根据所述先验信息、本次迭代计算对应的结合概率图MAP
Dd
以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；
[0019]S4.4、根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；
[0020]S4.5、根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；
[0021]如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；
[0022]如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束。
[0023]进一步的，提供一个优选实施方式，其技术方案如下：
[0024]所述先验信息具体如下：
[0025]所述先验信息包含N个数据点；其中，第i个数据点S
i
表示为：
[0026]S
i
＝{s
i
,β
i
,λ
i
}，i∈[1,N]，N为大于1的正整数；
[0027]其中，s
i
为位置信息、β
i
为事件置信度、λ
i
为分布范围；
[0028]每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点S
i
相关联的二维高斯分布函数G(s
i
,λ
i
)表示为：
[0029][0030]其中，
[0031][0032]β
i
∈[0,1]；
[0033][0034]式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；
[0035]根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：
[0036]针对第i个数据点S
i
，从与其对应的所述二维高斯分布函数G(s
i
,λ
i
)中，提取H
i
个样本；所述H
i
表示为：
[0037]H
i
＝β
i
H
max
；
[0038]其中，H
max
是β
i
＝1时所提取样本的数量；
[0039]则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：
[0040][0041]进一步的，提供一个优选实施方式，其技术方案如下：
[0042]所述基础先验目标概本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述方法具体包括：S1、获取预先采集的先验信息；S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Map
x
×
Map
y
的栅格地图，作为基础先验目标概率图；S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Map
x
×
Map
y
；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP0；S4、采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。2.根据权利要求1所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S4具体包括：S4.1、对上一次迭代计算对应的结合概率图MAP
Dd
‑1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAP
Dd
‑
1*
，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；S4.2、将所述预处理后的上一次迭代计算对应的结合概率图MAP
Dd
‑
1*
，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAP
Dd
；S4.3、根据所述先验信息、本次迭代计算对应的结合概率图MAP
Dd
以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；S4.4、根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；S4.5、根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束。3.根据权利要求2所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述先验信息具体如下：所述先验信息包含N个数据点；其中，第i个数据点S
i
表示为：S
i
＝{s
i
，β
i
，λ
i
}，i∈[1，N]，N为大于1的正整数；其中，s
i
为位置信息、β
i
为事件置信度、λ
i
为分布范围；每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点S
i
相关联的二维高斯分布函数G(s
i
，λ
i
)表示为：其中，β
i
∈[0，1]；
式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：针对第i个数据点S
i
，从与其对应的所述二维高斯分布函数G(s
i
，λ
i
)中，提取H
i
个样本；所述H
i
表示为：H
i
＝β
i
H
max
；其中，H
max
是β
i
＝1时所提取样本的数量；则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：4.根据权利要求3所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述基础先验目标概率图表示如下：其中，σ＝(σ
x
，σ
y
)；)；式中，p代表所述基础先验目标概率图；s
h
表示样本位置，所述σ表示标准差；和表示H个样本的标准差；IQR
x
和IQR
y
表示H个样本在两个坐标轴上的四分位数间距。5.根据权利要求4所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S3具体包括：S3.1、对贝叶斯高斯混合矩阵进行参数初始化；所述贝叶斯高斯混合矩阵的参数包括聚类数量k和参数向量θ；所述参数向量θ表示为：θ＝[π μ ∑]；其中，π表示聚类的权重系数，μ表示聚类的均值向量，∑表示聚类的协方差矩阵；S3.2、采用期望最大化算法对所述贝叶斯高斯混合矩阵的参数进行更新，具体地：S3.2.1、根据所述先验信息，计算第i个数据点x
i
属于第j个聚类的后验概率γ
ij
，表示为：其中，N(x
i
|μ
j
，∑
j
)表示第i个数据点x
i
在第j个聚类中服从的高斯分布；表示所有聚类的加权高斯分布之和；S3.2.2、更新所述参数向量θ；具体地，根据所述后验概率γ
ij
，对第j个聚类的参数向量θ
j
的更新过程，表示为如下：
式中，其中，N
j
表示属于第j个聚类的数据点个数；S3.2.3、根据所述参数向量θ更新后的贝叶斯高斯混合矩阵，更新所述聚类数量k；具体地：计算所述聚类数量k的当前值所对应的贝叶斯信息准则值，并根据所述贝叶斯信息准则值选择最佳聚类数量k
*
，所述最优聚类数量k
*
表示为：k
*
＝argmin
k
{BIC(k)}；其中，BIC(k)表示所述聚类数量k的当前值计算得到的贝叶斯信息准则值；所述最优聚类数量k
*
，是使所述BIC(k)值最小的聚类数量；所述BIC(k)表示为：其中，是似然函数的最大值，是模型的参数估计值，N是数据点数量；将所述最优聚类数量k
*
，作为所述聚类数量k更新后的值；S3.2.4、判断是否继续更新所述贝叶斯高斯混合矩阵的参数，具体地：如果所述聚类数量k更新后...

【专利技术属性】
技术研发人员：李一兵，马立男，黄雨杰，周亚楠，孙骞，叶方，田园，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：