一种基于动平台的尾迹识别与流场探测方法、系统技术方案

本发明专利技术一种基于动平台的尾迹识别与流场探测方法、系统，属于流场探测技术领域；首先选取压力传感器布放位置，通过压力传感器采集水压数据；将不同位置的压力传感器在不同时刻获取的压力值，与对应的圆柱中心距基准点的相对位置，组成不同组数据集，进而构建机器学习的原始数据库；然后采用数据库中的训练集，通过机器学习建立参数预测模型，其输入层为移动平台上某一时刻某一位置的压力值，输出层为圆柱中心相对于移动平台基准点的坐标值即为样本的数据标签；对训练完成的模型进行预测性能测试，达到合适的预测精度；最后利用训练好的机器学习模型对实际目标障碍物进行定位。本发明专利技术解决了现有技术中无法通过识别尾迹来精确预测目标物的问题。测目标物的问题。测目标物的问题。

【技术实现步骤摘要】
一种基于动平台的尾迹识别与流场探测方法、系统


[0001]本专利技术属于流场探测
，具体涉及一种基于动平台的尾迹识别与流场探测方法、系统。

技术介绍

[0002]随着对海洋的探索与开发，水下物体探测技术的发展起到了主要作用。由于海洋环境造成的影响以及目前隐身技术的快速发展，传统的光学探测与声学探测已逐渐满足不了现代生产、科研和军事要求。鱼类和海豹等水生脊椎动物的侧线与胡须等敏感器官可感知来自于其它物体运动产生的水动力尾迹，这使通过识别尾迹来预测目标物的大小、形状和位置等信息的方法逐渐成为研究热点。由于流场的水动力特征与目标物的形状特点、运动参数之间存在复杂的非线性关系。目前利用水动力的流场探测技术存在以下不足：
[0003](1)探测的流场类型多为以偶极子源为主的简单势流流场，对圆柱绕流形成的涡流流场探测研究较少。
[0004](2)传感器阵列多以一维阵列为主，能够运用在动平台上的仿鱼类侧线传感器阵列较少。西安交通大学的胡桥等人专利技术的基于神经网络的水下仿生侧线水压与水流场信息探测方法中，保持传感器载体不动而改变偶极子源相对载体的位置进行探测，没有在传感器载体运动的过程中对神经网络模型的精度进行测试，模型的泛化能力和噪声鲁棒性有待提高。

技术实现思路

[0005]要解决的技术问题：
[0006]为了避免现有技术的不足之处，本专利技术提供一种基于动平台的尾迹识别与流场探测方法，是一种基于深度神经网络模型的水压信号识别和流场信息感知从而实现目标障碍物的定位方法。本专利技术将探测水压信号的传感器阵列布置在水下移动的平台上，以利于实现流场信息的实时获取以及神经网络的训练与测试，解决了现有技术中无法通过识别尾迹来精确预测目标物的问题。
[0007]本专利技术的技术方案是：一种基于动平台的尾迹识别与流场探测方法，具体步骤如下：
[0008]步骤1：根据移动平台的壁面压力选取压力传感器布放位置；
[0009]步骤2：通过所述压力传感器采集水压数据；
[0010]步骤3：将不同位置的压力传感器在不同时刻获取的压力值，与对应的圆柱中心距基准点的相对位置，组成不同组数据集，进而构建机器学习的原始数据库；
[0011]步骤4：采用数据库中的训练集，通过机器学习建立参数预测模型，其输入层为移动平台上某一时刻某一位置的压力值，输出层为圆柱中心相对于移动平台基准点的坐标值即为样本的数据标签；
[0012]步骤5：对训练完成的模型进行预测性能测试，达到合适的预测精度；
[0013]步骤6：利用训练好的机器学习模型对实际目标障碍物进行定位。
[0014]本专利技术的进一步技术方案是：所述步骤1中，通过数值模拟的方法，监测圆柱绕流尾迹流场经过移动平台壁面时的压力响应频谱，按照侧线原理，选择移动平台头部与两侧侧线上压力响应较大的11个等距点作为传感器布置的位置。
[0015]本专利技术的进一步技术方案是：所述步骤2中，为保证探测模型的泛化性，测试过程中的水压数据还包括圆柱障碍物与动平台同时以相同或不同方向，且以不同速度或相同速度运动时，在不同时刻和不同相对位置处的压力值。
[0016]本专利技术的进一步技术方案是：所述步骤4中，机器学习模型采用多层感知机神经网络MLP模型，包括输入层、隐含层和输出层；所述隐含层神经元的激活函数选择tansig函数，数学表达式为
[0017][0018]所述输出层的激活函数设置为linear函数即线性函数。
[0019]本专利技术的进一步技术方案是：所述隐含层为单隐含层，隐含层神经元个数设置为40。
[0020]本专利技术的进一步技术方案是：所述步骤4中，在神经网络训练过程中，采用误差逆传播BP算法更新深度神经网络参数值，即将信号从输入层向输出层传播后，将输出层得到的预测值与真实标签的均方误差MSE作为神经网络的损失函数，沿着损失函数的负梯度方向来更新不同神经元连接之间的权值和阈值；再次从输入层开始向输出层重新计算预测值，如此循环往复并不断迭代更新权值和神经元的阈值，以达到损失函数的全局最小化，即可确定整个神经网络模型的最终参数。
[0021]本专利技术的进一步技术方案是：所述步骤4中，训练过程的迭代次数设置为1000步。
[0022]本专利技术的进一步技术方案是：所述步骤5中，选择数据库中不包括在训练集中的剩余数据作为测试集样本，并且利用训练集中得到的特征值的最大值与最小值做归一化处理；将测试集数据输入到MLP网络模型中，得到相应的动平台与圆柱相对位置坐标的归一化预测值，再通过反归一化处理后，即得到其预测值。
[0023]一种基于动平台的尾迹识别与流场探测系统,包括移动平台、压力传感器、圆柱障碍物、离心泵及控制中心；所述移动平台为具有流线型的回转体结构；若干所述压力传感器等间距布置于移动平台两侧压力响应相对较大的位置，以移动平台头部正前方的点位置为基准；
[0024]所述移动平台和圆柱障碍物置于实验水槽内，利用离心泵将水通过两侧管道进行引流来模拟均匀来流；
[0025]通过所述控制中心进行数据采集、计算、及发送控制指令。
[0026]有益效果
[0027]本专利技术的有益效果在于：
[0028]1.本专利技术基于动平台的尾迹识别与流场探测方法，利用侧线压力传感器获取不同时刻与不同位置的水压信号，通过深度神经网络实现圆柱障碍物的位置预测。仅通过流场水动力信息，不会对海洋环境造成其它干扰和影响，提高了流场探测的分辨率和智能化水平。实现了水下障碍物的尾迹识别与定位能力，为民用和军用水下航行器进行水下探测和
目标追踪提供了新思路。
[0029]2.本专利技术将圆柱障碍物绕流后产生的卡门涡街流场作为探测对象，代替了传统的偶极子源流场，提高了流场的复杂程度和模型的泛化能力。
[0030]3.本专利技术采用动平台搭载侧线传感器的方法进行水压信号收集，动平台的流线型结构符合实际工程应用的形式。动平台与目标圆柱的相对运动较为灵活，可获取大量不同时刻与不同相对位置的压力数据，以便建立流场信息数据库，且能够预测到目标圆柱与动平台同时运动时的相对位置，有利于提高神经网络模型的预测精度和泛化能力，且防止欠拟合和过拟合的现象产生。
[0031]4.通过传感器采集数据并建立数据库是为神经网络模型获取训练和测试数据的方法。神经网络采用多层感知机模型，通过自行修改具体结构(输入层、输出层、隐含层神经元个数，隐含层层数)、激活函数、以及通过神经网络不断训练得到的其余参数，其余参数指神经元之间连接的权值和每个神经元的阈值。本专利技术通过所设计得到神经网络模型经大量数据训练过后，再将新的传感器信号输入到其中，即可输出相对应的圆柱的位置信息，且该输出值与其真实值之间的误差很小。并且实现了圆柱障碍物与动平台进行相对运动时对圆柱位置的预测。
附图说明
[0032]图1为神经元结构示意图；
[0033]图2为多层感知机神经网络原理示意图；
[0034]图3为本专利技术基于动平台的尾迹识别与流场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动平台的尾迹识别与流场探测方法，其特征在于具体步骤如下：步骤1：根据移动平台的壁面压力选取压力传感器布放位置；步骤2：通过所述压力传感器采集水压数据；步骤3：将不同位置的压力传感器在不同时刻获取的压力值，与对应的圆柱中心距基准点的相对位置，组成不同组数据集，进而构建机器学习的原始数据库；步骤4：采用数据库中的训练集，通过机器学习建立参数预测模型，其输入层为移动平台上某一时刻某一位置的压力值，输出层为圆柱中心相对于移动平台基准点的坐标值即为样本的数据标签；步骤5：对训练完成的模型进行预测性能测试，达到合适的预测精度；步骤6：利用训练好的机器学习模型对实际目标障碍物进行定位。2.根据权利要求1所述一种基于动平台的尾迹识别与流场探测方法，其特征在于：所述步骤1中，通过数值模拟的方法，监测圆柱绕流尾迹流场经过移动平台壁面时的压力响应频谱，按照侧线原理，选择移动平台头部与两侧侧线上压力响应较大的11个等距点作为传感器布置的位置。3.根据权利要求1所述一种基于动平台的尾迹识别与流场探测方法，其特征在于：所述步骤2中，为保证探测模型的泛化性，测试过程中的水压数据还包括圆柱障碍物与动平台同时以相同或不同方向，且以不同速度或相同速度运动时，在不同时刻和不同相对位置处的压力值。4.根据权利要求1所述一种基于动平台的尾迹识别与流场探测方法，其特征在于：所述步骤4中，机器学习模型采用多层感知机神经网络MLP模型，包括输入层、隐含层和输出层；所述隐含层神经元的激活函数选择tansig函数，数学表达式为所述输出层的激活函数设置为linear函数即线性函数。5.根据权利要求4所述一种基于动平台的尾迹识别与流场探测方法，其特征在于：所述隐含...

【专利技术属性】
技术研发人员：杜鹏，包艺，陈效鹏，胡海豹，谢络，文俊，黄潇，李卓越，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：