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】
本专利技术涉及水下无人航行器及数据预测,特别是涉及一种基于注意力机制网络的auv速度预测方法。
技术介绍
1、随着相关技术的发展,能够用在auv上导航传感器越来越多,不同的导航传感器的加入,给auv的导航精度带来了极大的提升。当auv在复杂未知的海洋环境中作业的时候,很容易出现传感器失效的问题。当auv在靠近海底航行时,会通过多普勒测速仪(dopplervelocity log,dvl)向海底发送多波束信号,来给auv提供较为精确的速度量测信息。
2、但dvl工作的过程中对周围环境的依赖性比较强,当出现以下情况时dvl可能会失效:1)当航行器遭遇到一些未知的物质或者尚未被探索的区域时,dvl发出的信号可能无法被返回接收;2)auv的工作区域可能会出现dvl信号无法触底的现象,超出了自身的量测范围;3)auv航行过程中遇到鱼群等未知情况,会导致dvl返回的数据频率波动较大,计算结果不准确。以上这些情况都有可能导致dvl失去自身的功能,降低导航定位的精准度,影响auv的正常航行。当遇到类似dvl这种传感器失效的情况时,传统的解决方案是继续沿用上一时刻传感器的数据或弃用失效的传感器,等传感器恢复后重新使用。但是目前的多源导航融合算法很难对传感器进行实时增删,继续沿用上一时刻的数据会导致导航误差逐渐增大。
3、因此,亟需一种基于注意力机制网络的auv速度预测方法,解决水下无人航行器在水下工作的过程中dvl失效的问题。
技术实现思路
1、本专利技术的目的是提供一种基于
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于注意力机制网络的auv速度预测方法,包括:
4、获取水下无人航行器的运行数据;
5、将所述运行数据输入预设的速度预测模型中,输出所述水下无人航行器的预测速度,其中,所述速度预测模型基于训练集训练获得,所述训练集包括dvl有效时的输入数据及其对应的速度数据,所述速度预测模型采用transformer模型结合attention注意力机制构建。
6、进一步地,基于所述训练集训练所述速度预测模型之前,还包括对所述训练集中的数据进行预处理,所述预处理过程包括:
7、检查所述训练集中数据的连续性和完整性,并对所述数据中的缺失数据、无效数据以及水下无人航行器的静止数据进行删除处理;
8、基于进行删除处理后的训练集进行相关性分析,分别计算各变量与速度的相关性系数,并进行由高到底的排序,提取排序前n的变量,构建新的训练集;
9、对所述新的训练集进行归一化处理,完成所述训练集的预处理。
10、进一步地,所述速度预测模型包括:transformer模块、全连接层,所述transformer模块用于对输入的数据进行处理;所述全连接层用于对经过transformer模块处理后的数据进行维度转换。
11、进一步地,所述transformer模块包括:依次连接的多头自注意力层、第一add&norm层、前馈连接层、第二add&norm层,所述多头自注意力层的前后和所述第一add&norm层、第二add&norm层的前后添加跳跃连接。
12、进一步地,所述多头自注意力层采用self-attention机制,所述self-attention机制通过将attention自注意力机制插入到所述多头自注意力层的输出层与隐藏层之间,进行加权计算,再将加权计算的结果传递到softmax层实现。
13、进一步地,所述水下无人航行器的运行数据包括:所述水下无人航行器运行时的各变量的特征向量及位置编码信息。
14、进一步地,所述位置编码信息的计算方法为:
15、
16、
17、其中,dmodel为位置编码信息的维度,pos为时间步,i为输入的位置编码信息的维度编号。
18、本专利技术的有益效果为:
19、本专利技术改进了attention自注意力机制,提出了self-attention自注意力机制,能够更全面的考虑变量值与目标值之间的关系,提高模型的预测精确度;
20、本专利技术简化了transformer模型,能够更加快速的对数据进行训练,减少复杂度;
21、本专利技术可实现dvl输出速度信息的功能,在dvl失效时能够替代其功能。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制网络的AUV速度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于注意力机制网络的AUV速度预测方法,其特征在于,基于所述训练集训练所述速度预测模型之前,还包括对所述训练集中的数据进行预处理,所述预处理过程包括:
3.根据权利要求1所述的基于注意力机制网络的AUV速度预测方法,其特征在于,所述速度预测模型包括:Transformer模块、全连接层,所述Transformer模块用于对输入的数据进行处理;所述全连接层用于对经过所述Transformer模块处理后的数据进行维度转换。
4.根据权利要求3所述的基于注意力机制网络的AUV速度预测方法,其特征在于,所述Transformer模块包括:依次连接的多头自注意力层、第一Add&Norm层、前馈连接层、第二Add&Norm层,所述多头自注意力层的前后和所述第一Add&Norm层、第二Add&Norm层的前后添加跳跃连接。
5.根据权利要求4所述的基于注意力机制网络的AUV速度预测方法,其特征在于,所述多头自注意力层采用Se
6.根据权利要求1所述的基于注意力机制网络的AUV速度预测方法,其特征在于,所述水下无人航行器的运行数据包括:所述水下无人航行器运行时的各变量的特征向量及位置编码信息。
7.根据权利要求6所述的基于注意力机制网络的AUV速度预测方法,其特征在于,所述位置编码信息的计算方法为:
...【技术特征摘要】
1.一种基于注意力机制网络的auv速度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于注意力机制网络的auv速度预测方法,其特征在于,基于所述训练集训练所述速度预测模型之前,还包括对所述训练集中的数据进行预处理,所述预处理过程包括:
3.根据权利要求1所述的基于注意力机制网络的auv速度预测方法,其特征在于,所述速度预测模型包括:transformer模块、全连接层,所述transformer模块用于对输入的数据进行处理;所述全连接层用于对经过所述transformer模块处理后的数据进行维度转换。
4.根据权利要求3所述的基于注意力机制网络的auv速度预测方法,其特征在于,所述transformer模块包括:依次连接的多头自注意力层、第一add&norm层、前馈连接层、第二add&nor...
【专利技术属性】
技术研发人员:杜雪,胡现波,管凤旭,张宏瀚,郑岩,苏宇,夏庚磊,吴奇阳,
申请(专利权)人:哈尔滨工程大学,
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。