基于神经网络间接估计的水下航行器动力学黑盒建模方法技术

本发明专利技术涉及一种基于神经网络间接估计的水下航行器动力学黑盒建模方法，包括以下步骤：首先收集参考模型或者真实数据，经过归一化和非线性变换处理，形成数据集；然后，设计双神经网络结构的黑盒模型，计算下一时刻的状态估计值；接着，根据数据集信息和状态估计值的差异，通过设计的算法逐步修正双神经网络结构的黑盒模型参数；最后，通过设计的统计性能指标和趋势性能指标，对黑盒模型的精度和准确性进行评估，筛选符合需求的黑盒模型参数。本发明专利技术所述方法是基于数据驱动实现，不依赖精确的航行器模型参数，对于不同规格的水下航行器建模问题具有较好的自适应性能和较高的逼近精度，同时算法利用水下航行器的特性加快了黑盒模型的训练速度。模型的训练速度。模型的训练速度。

【技术实现步骤摘要】
基于神经网络间接估计的水下航行器动力学黑盒建模方法


[0001]本专利技术涉及一类水下航行器，特别是涉及一类基于神经网络间接估计的水下航行器动力学黑盒建模方法。

技术介绍

[0002]水下航行器的动力学建模问题是利用机理分析或者数值逼近的方式，求解一个描述动力学特性的数学函数，此函数的输入输出特性与原水下航行器一致。具体的说，对于一类时不变非线性系统，其某时刻的系统状态为任意合法值s(t)，输入的控制量为a(t)，下一个时刻的状态为s(t+1)，那么动力学建模就是求解一个逼近函数f(s(t),a(t))尽可能接近s(t+1)。这样的动力学模型可以应用于水下航行器实际航行过程中的状态预报，为机器学习类的控制算法提供训练数据等用途。
[0003]水下航行器的动力学建模方法一般可以分为机理建模方法和黑盒建模方法。
[0004]1.机理建模
[0005]传统的机理建模方法通常是基于AUV的动态模型，因此，大部分研究致力于通过建立更精确的AUV动态模型来提升状态估计的精度。
[0006]线性建模方法的主要思路是搭建数学模型以描述水下航行器动力学建模系统，其难点在于选择合理的表达式，利用线性理论或牛顿
‑
欧拉方程创建的动力学模型都是基于参数化模型的。然而，想要获取精确的水动力参数存在一定复杂度。通过试验或数值计算等方法，完成大量的操纵性模型实验，可以确定水下航行器的动力学模型相关参数。这就势必需要投入大量的时间和资金成本。并且所建立的模型通常也只适用于一些特定的操纵运动，且不具备实时在线修正功能，具有一定的局限性。
[0007]由于AUV的运动模型是非线性的，因此线性的估计方法通常只能工作在很小的范围内。为了解决这一问题，采用非线性的状态估计方法，例如采用基于动态模型的黑盒模型以提升估计性能，通过流体动力学计算获取更为精确的流体动力学因数从而构建性能更优的黑盒模型等方法。但非线性的估计方法仍依赖精确的AUV动态模型，这就大大限制了其在实际情况下的应用。
[0008]2.黑盒建模方法
[0009]黑盒建模方法主要是基于数据驱动的思想，构造一类具备无限逼近性能的通用动力学模型，通过输出输入的参数训练，使得求解的动力学模型与原模型的特性一致。
[0010]人工智能方法的出现，为克服上述困难提供了一种有效途径。为精确描述水下航行器的非线性动力学特性，通过智能算法建立一个同动力学模型等价的非线性映射函数，该非线性函数内的参数不具有物理意义，只是数学意义上的等价关系，这种建模方法即为非线性动力学辨识建模，也即黑盒建模方法。
[0011]该方法的显著优点在于所建立的数学模型仅与系统输入和输出有关，不用考虑模型的真实动力学特性，这就避免了机理建模中的水动力参数的获取，而且可以顾及在机理建模中被忽略的高阶小量，因此，黑盒建模的精度通常较机理建模要高。
[0012]人工神经网络经过多年的发展和应用，被认为是一种更有效的人工智能算法，在非线性动力学辨识建模方面得到了广泛的应用，被认为是一种非常有效的算法，被广泛应用于几乎所有领域。它的一般结构包括输入层、隐含层和输出层3部分，隐含层可设置一个或多个，其中隐含层的不同结构以及所选择的不同激活函数便形成了不同的人工神经网络算法，常用的包括BP(back propagation)神经网络、径向基函数(Radial Basis Function，RBF)神经网络、Hop
‑
field神经网络等。人工神经网络对非线性函数具有良好的拟合能力，为水下航行器的非线性动力学辨识提供了一种有效手段。
[0013]3.基于神经网络的黑箱建模方法
[0014]由于人工神经网络具有良好的非线性映射能力、自学习适应能力和并行信息处理能力，为解决未知不确定非线性系统的辨识问题提供了一条新的思路。人工神经网络对非线性函数具有良好的拟合能力，为水下航行器的非线性动力学辨识提供了一种有效手段。
[0015]采用神经网络方法比较突出的特点：
[0016](1)泛化能力
[0017]对没有训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本时，具备很好的预测能力，即泛化能力；
[0018](2)非线性映射能力
[0019]当对系统较明确，相关参数获取较直接时，则利用数值分析、偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂、系统未知或者系统信息量很少，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化了设计的难度。
[0020]采用神经网络方法对水下航行器进行动力学建模的难点：
[0021](1)水下航行器是一个六自由度的强耦合欠驱动系统，需要学习训练的状态非常庞大，而水下实验的成本较高，原始数据较为珍贵，直接用原始数据进行模型训练是十分困难的；
[0022](2)水下航行器的流体动力学特性受航速影响大，实际航行实验收集所有航速下的航行数据是不现实的。

技术实现思路

[0023]本专利技术的目的在于，克服由于水下航行器系统模型是强耦合非线性系统，为了提高水下航行器控制器的估计精度，但针对水下航行器系统训练需要经验数据庞大的问题，本专利技术拟采用具有无限逼近能力的神经网络进行这一黑盒模型的回归训练。
[0024]为了在尽量少的数据需求下训练得到高精度的神经网络黑盒模型，本专利技术将水下航行器的一些较为明确的机理特性和神经网络技术结合，建立水下航行器的动力学模型，同时能够根据航行过程的历史经验数据，实现实时在线的模型参数微调，为航行过程提供准确的状态预报，从而提供一种基于神经网络间接估计的水下航行器动力学黑盒建模方法。
[0025]为解决上述技术问题，本专利技术的技术方案提供了一种基于神经网络间接估计的水下航行器动力学黑盒建模方法，所述建模方法包括以下步骤：
[0026]首先，数据收集与预处理：收集水下航行器AUV的参考模型或者真实数据，经过归
一化和非线性变换处理，计算历史状态信息，形成数据集；
[0027]其次，黑盒模型结构设计：根据水下航行器特性设计双神经网络结构的黑盒模型，所述黑盒模型的输入为航行器的当前状态s(t)和控制量a(t)，输出为未来的状态变化量Δs(t)，通过Δs(t)和s(t)计算下一时刻的状态估计值
[0028]接着，黑盒模型回归训练：根据数据集信息和状态估计值的差异，通过设计的算法逐步修正双神经网络结构的黑盒模型的参数；
[0029]最后，黑盒模型性能评估与筛选：通过设计的统计性能指标和趋势性能指标，对黑盒模型的精度和准确性进行评估，筛选符合需求的黑盒模型参数；
[0030]所述建模方法在对黑盒模型进行回归训练时，具体包括以下步骤：
[0031](1)初始化数据集为训练集和测试集，初始化神经网络权值；
[0032](2)从训练集随机采样一批数据，对数据进行归一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络间接估计的水下航行器动力学黑盒建模方法，所述建模方法包括以下步骤：首先，数据收集与预处理：收集水下航行器AUV的参考模型或者真实数据，经过归一化和非线性变换处理，计算历史状态信息，形成数据集；其次，黑盒模型结构设计：根据水下航行器特性设计双神经网络结构的黑盒模型，所述黑盒模型的输入为航行器的当前状态s(t)和控制量a(t)，输出为未来的状态变化量Δs(t)，通过Δs(t)和s(t)计算下一时刻的状态估计值接着，黑盒模型回归训练：根据数据集信息和状态估计值的差异，通过设计的算法逐步修正双神经网络结构的黑盒模型的参数；最后，黑盒模型性能评估与筛选：通过设计的统计性能指标和趋势性能指标，对黑盒模型的精度和准确性进行评估，筛选符合需求的黑盒模型参数；所述建模方法在对黑盒模型进行回归训练时，具体包括以下步骤：(1)初始化数据集为训练集和测试集，初始化神经网络权值；(2)从训练集随机采样一批数据，对数据进行归一化和非线性变换处理；(3)进行神经网络的前向计算，得到状态变化量；(4)计算黑盒模型的状态估计值；(5)计算状态估计值与训练集数据的偏差；(6)进行神经网络的偏差的反向传播计算，修正神经网络的参数；(7)重复步骤(2)
‑
(6)直到偏差小于设置的阈值；(8)根据设计的统计性能指标和趋势性能指标，在测试集中评估训练的黑盒模型的性能，当评估结果不符合需求时，回到步骤(1)；当评估结果符合需求时，输出模型。2.根据权利要求1所述的基于神经网络间接估计的水下航行器动力学黑盒建模方法，其特征在于，所述AUV的参考模型或实际模型，表示为以下方程的形式：s(t+1)＝f(s(t)，a(t))该方程在输入某一时刻t的状态s(t)和控制量a(t)时，输出下一时刻的状态s(t+1)，其中，AUV的状态主要包括以下各项：其中，[x0，y0，z0]代表AUV的浮心相对于惯性坐标系的位置；其姿态角，即横滚角俯仰角θ以及偏航角ψ，表征载体坐标系与惯性坐标系的旋转关系；[v
x
，v
y
，v
z
]和[ω
x
，ω
y
，ω
z
]分别是AUV在载体坐标系的三轴线速度和角速度；惯性坐标系固结于空间中的指定位置，以北向、天向、东向为正方向，载体坐标系固结于AUV的浮心O
b
，以AUV的轴向、上方向、右侧向为正方向；所受控制量a(t)＝[δ
e
(t)，δ
r
(t)，δ
d
(t)，T]，其中δ
e
，δ
r
，δ
d
分别是水平舵角，垂直舵角和差动舵角，T是AUV所受的额定推力。3.根据权利要求1所述的基于神经网络间接估计的水下航行器动力学黑盒建模方法，其特征在于，所述建模方法建立的黑盒模型在计算下一时刻的状态估计值时，通过神经网络估计的状态增量Δs(t)间接估计此时，对下一时刻的状态的估计值表示为4.根据权利要求1所述的基于神经网络间接估计的水下航行器动力学黑盒建模方法，
其特征在于，所述建模方法在训练过程中，对输入特征中的控制量a(t)进行非线性变换得到非线性控制量a
′
，即a
′
＝a(t)v2，其中v2＝||[v
x
，v
y
，v
z
]||2。5.根据权利要求1所述的基于神经网络间接估计的水下航行器动力学黑盒建模方法，其特征在于，所述建模方法在训练过程中，对神经网络的输入和输出数据同时进行了归一化处理。6.根据权利要求1所述的基于神经网络间接估计的水下航行器动力学黑盒建模方法，其特征在于，所述建模方法构建具有姿态网络和速度网络双网络结构的估计器，其姿态网络和速度网络的计算公式为：z1＝f
tanh
((W
(0)
)
T
[s，a])z2＝f
Relu
((W
(1)
)
T
z1)z3＝f
Relu
((W
(2)
)
T
z2)z＝f
tanh
((W
(3)
)
T
z3)其中，z是神经网络输出层输出...

【专利技术属性】
技术研发人员：林晓波，朱晓萌，郝程鹏，侯朝焕，蔡昊鹏，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：