【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。