System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及海洋环境监测,尤其是涉及一种基于深度神经网络的海上浮标动态稳定方法及系统。
技术介绍
1、21世纪,人类大规模地开发和利用海洋,使得海洋在国家经济、军事、政治、外交和科技等方面的地位更加重要,维护国家主权和建设海洋生态文明的地位也更加突出。海洋环境监测对于合理开发和利用海洋至关重要。海洋监测是海洋油气开发、海洋灾害预测和海洋水文监测的前提条件和核心内容。浮标是最常用的海洋监测技术,通常用于获取水文、气象和海洋环境参数。随着海洋观测浮标技术的逐渐成熟,目前的浮标已经向小型化、智能化和多功能化发展。海洋观测浮标已经从最初的标体结构和系泊选型向浮标内部仪器的精细化、集成化和模块化发展。大量的传感器部署在浮标上。浮标姿态的稳定性直接影响传感器的准确定位和部署。稳定的姿态可以确保传感器位于所需位置上,避免由于不稳定的姿态导致数据偏差或无法获取某些参数。因此,研究浮标姿态稳定性有助于优化传感器的布置并提高数据采集的准确性和可靠性。
2、而目前的动力浮标,有通过对动力浮标的数学模型进行简化,并将纵倾自由度和水平面的其它三个自由度作解耦处理,建立出洋流和海浪的干扰模型,使用经典pid控制算法设计动力浮标的纵倾控制器的方案。该方案中无法对参数进行自适应调整,不同的系统和环境需要不同的pid参数,针对非线性问题,典pid控制器的适应性相对较差,无法提供理想的控制性能。
3、也包括使用模糊pid控制策略,通过模糊pid控制算法将模糊控制和经典pid结合到一起,基于模糊规则确定pid控制器的控制参数的方案,一定程度上解
技术实现思路
1、为了解决上述技术问题,本申请提供一种基于深度神经网络的海上浮标动态稳定方法,包括:
2、s1、获取以对应时间步下pid控制器计算获取的控制信号为目标值的历史海上浮标数据作为训练样本数据,所述海上浮标数据包括以平台倾斜角、位置和姿态、风速和海浪高度特征数据为时间步输入的多源时间序列数据;
3、s2、基于所述训练样本数据和反向传播算法对预先定义的gru神经网络模型进行训练,所述预先定义的gru神经网络通过加权融合计算预测的平台位置及姿态和实际平台位置及姿态之间误差的主损失函数,以及计算pid控制器的控制信号和实际控制信号之间误差的辅助损失函数得到综合损失函数;
4、s3、获取当前海上浮标数据,结合预设的欧拉角设定点和当前海上浮标数据包括的平台倾斜角、位置和姿态,以及初始的比例增益、积分增益和微分增益参数,通过pid控制器进行初始控制信号的计算;
5、s4、将当前海上浮标数据和所述初始控制信号输入训练后的gru神经网络模型,对所述初始的比例增益、积分增益和微分增益参数进行更新,基于更新后的参数,通过pid控制器进行当前控制信号的计算;
6、s5、基于所述当前控制信号控制对应的平台执行机构以实现对平台姿态的调整。
7、在一些具体的实施例中,步骤s1所述海上浮标数据基于预设的倾斜传感器和风速传感器获取,并根据获取的数据进行归一化处理以得到多源时间序列数据。
8、在一些具体的实施例中,步骤s2所述预先定义的gru神经网络包括更新门和重置门,其中,更新门和重置门的计算公式如下:
9、zt=σ(wzxt+uzht-1+bz)
10、rt=σ(wrxt+urht-1+br)
11、
12、
13、其中,xt表示当前时刻海上浮标数据,ht-1表示gru神经网络在上一时刻的隐状态输出,wz、uz和bz分别表示更新门的权重矩阵、输入矩阵和偏置项,wr、ur和br分别表示重置门的权重矩阵、输入矩阵和偏置项,zt表示更新门的输出,rt表示重置门的输出,表示候选隐状态,ht表示当前时刻的隐状态。gru网络能够学习如何从海上浮标数据中提取有用的特征和信息,其门控机制赋予一定的记忆能力,有助于处理长期依赖关系。
14、在一些具体的实施例中,步骤s2所述反向传播算法包括adam优化算法用于更新所述更新门的权重矩阵、输入矩阵和偏置项参数。通过反向传播算法更新模型参数,使得模型在新数据上的表现更好。
15、在一些具体的实施例中,步骤s2所述主损失函数和辅助损失函数的计算公式如下:
16、
17、其中,表示第i个样本gru网络预测的输出即预测位置、姿态或pid控制器的控制信号,表示第i个样本的目标真实值即实际位置、姿态或pid控制器的控制信号,n表示训练样本数据数量。综合损失函数由主损失函数和辅助损失函数组成,通过设置权重来平衡两者的贡献,使得模型在位置和姿态控制任务和辅助任务上拥有更好的性能。
18、在一些具体的实施例中,步骤s2还包括基于与所述训练样本数据相同的验证集数据对训练后的gru神经网络模型进行评估和验证。通过验证集确保模型在未见过的数据上具有良好的泛化能力和控制性能。
19、在一些具体的实施例中,步骤s3所述pid控制器进行初始控制信号的计算公式如下:
20、τ=kp*(θr-ω(t))+ki∫(θr-ω(t))dt+kdd(θr-ω(t))/dt
21、其中,θr表示预先定义的欧拉角设定点,ω(t)表示倾斜传感器测量值,kp表示比例增益,ki表示积分增益,kd表示微分增益。
22、根据本专利技术的第二方面,提出了一种基于深度神经网络的海上浮标动态稳定系统,该系统包括:
23、训练样本获取模块,被配置用于获取以对应时间步下pid控制器计算获取的控制信号为目标值的历史海上浮标数据作为训练样本数据,所述海上浮标数据包括以平台倾斜角、位置和姿态、风速和海浪高度特征数据为时间步输入的多源时间序列数据;
24、模型训练模块,被配置用于基于所述训练样本数据和反向传播算法对预先定义的gru神经网络模型进行训练,所述预先定义的gru神经网络通过加权融合计算预测的平台位置及姿态和实际平台位置及姿态之间误差的主损失函数,以及计算pid控制器的控制信号和实际控制信号之间误差的辅助损失函数得到综合损失函数;
25、pid计算模块,被配置用于获取当前海上浮标数据,结合预设的欧拉角设定点和当前海上浮标数据包括的平台倾斜角、位置和姿态,以及初始的比例增益、积分增益和微分增益参数,通过pid控制器进行初始控制信号的计算;
26、参数调节模块,被配置用于将当前海上浮标数据和所述初始控制信号输入训练后的gru神经网络模型,对所述初始的比例增益、积分增益和微分增益参数进行更新,基于更新后的参数,通过pid控制器进行当前控制信号的计算;<本文档来自技高网...
【技术保护点】
1.一种基于深度神经网络的海上浮标动态稳定方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤S1所述海上浮标数据基于预设的倾斜传感器和风速传感器获取,并根据获取的数据进行归一化处理以得到多源时间序列数据。
3.根据权利要求1所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤S2所述预先定义的GRU神经网络包括更新门和重置门,其中,更新门和重置门的计算公式如下:
4.根据权利要求3所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤S2所述反向传播算法包括Adam优化算法用于更新所述更新门的权重矩阵、输入矩阵和偏置项参数。
5.根据权利要求1所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤S2所述主损失函数和辅助损失函数的计算公式如下:
6.根据权利要求3所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤S2还包括基于与所述训练样本数据相同的验证集数据对训练后的GRU神经网络模型进
7.根据权利要求1所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤S3所述PID控制器进行初始控制信号的计算公式如下:
8.一种基于深度神经网络的海上浮标动态稳定系统,其特征在于,该系统包括:
9.一种电子设备,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的方法。
...【技术特征摘要】
1.一种基于深度神经网络的海上浮标动态稳定方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤s1所述海上浮标数据基于预设的倾斜传感器和风速传感器获取,并根据获取的数据进行归一化处理以得到多源时间序列数据。
3.根据权利要求1所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤s2所述预先定义的gru神经网络包括更新门和重置门,其中,更新门和重置门的计算公式如下:
4.根据权利要求3所述的一种基于深度神经网络控制的海上浮标动态稳定方法,其特征在于,步骤s2所述反向传播算法包括adam优化算法用于更新所述更新门的权重矩阵、输入矩阵和偏置项参数。
5.根据权利要求1所述的一种基于深...
【专利技术属性】
技术研发人员:王尚湋,董帝渤,郭乔影,邹为彬,施自力,
申请(专利权)人:福建理工大学,
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。