买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种基于HAM-BiTL组合网络模型的AUV操纵运动预报方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120257469B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510295815.5，技术领域涉及：G06F30/15；该发明授权一种基于HAM-BiTL组合网络模型的AUV操纵运动预报方法是由王红波;王嘉玮;赵恒超;张毅;王岩;杨澍设计研发完成，并于2025-03-13向国家知识产权局提交的专利申请。

本一种基于HAM-BiTL组合网络模型的AUV操纵运动预报方法在说明书摘要公布了：本发明适用于自主水下航行器技术领域，提出了一种基于HAM‑BiTL组合网络模型的AUV操纵运动预报方法。该方法将双向时间卷积、双向长短期记忆网络和混合注意力机制相结合，所构建的模型被命名为HAM‑BiTL组合网络模型。通过结合滑动窗口法及其改进形式，对AUV操纵运动多元状态预报模型进行训练与验证。双向时间卷积确保了网络预报的因果性，能有效提取多元位姿数据的空间特征；双向长短期记忆网络则有效提取了序列时间特征，保证了时序数据的前后关联。混合注意力机制能够在样本数据中合理分配权重，从而实现对多种工况下AUV操纵运动多元位姿数据的多步预报。经三种典型操纵运动场景的实验验证，HAM‑BiTL组合网络模型展现出了优异的预报性能。

本发明授权一种基于HAM-BiTL组合网络模型的AUV操纵运动预报方法在权利要求书中公布了：1.一种基于HAM-BiTL组合网络模型的AUV操纵运动预报方法，其特征在于，包括以下步骤： 步骤1：模型构建； 分别构建双向时间卷积网络、通道注意力机制、双向长短期记忆网络以及多头自注意力机制； 步骤2：数据准备和处理； 收集AUV在不同工况下的典型操纵运动仿真实验数据作为数据集，以此构建数据集，用于开展网络模型的训练与验证工作，并采用最大值归一化方法对数据进行归一化处理； 步骤3：HAM-BiTL组合网络模型的具体实现； 所提出的HAM-BiTL组合网络模型是由步骤1中的双向时间卷积网络、通道注意力机制、双向长短期记忆网络、多头自注意力机制依次级联实现；输入的多维时间序列由具有指定采样宽度的滑动窗口的样本组成，BiTCN被设计为将多维AUV运动样本块转换为一维特征向量；通过通道注意力机制将BiTCN提取的时序空间特征分配权重，随后利用BiLSTM经过自注意力机制处理后的特征中捕获正向和反向的时间特征；最后，多头自注意力机制自适应地为当前窗口内的时空特征数据分配时变权重； 所述步骤2包括以下步骤： 步骤2.1：数据准备； 基于AUVRemus100的数学模型开展仿真实验并获得数据集；通过对AUV进行不同工况下的垂直面梯形运动实验、水平面Z型运动实验和螺旋回转下潜实验，收集其典型操纵运动在这些工况下的仿真实验数据，以此构建数据集，用于后续网络模型的训练与验证；同时针对上述三种典型操纵运动，预设不同的航行速度，并将其与设定的打舵指令一一匹配，通过组合形成多样化的实验工况，从而得到不同的数据集；同时还设置了独立于训练集工况的实验工况数据集作为测试集，用于验证算法的实际效果； 步骤2.2：数据处理； 在获得符合要求的数据集后，对多工况下的实验数据进行预处理，即对数据进行归一化或标准化处理；这里采用最大值归一化方法，其计算原理如下式6所示： 其中，yn,t是第n个特征中，第t个时间步的初始数据；是第n个特征中绝对值最大的数据，是第n个特征中，第t个时间步的通过最大值归一化的数据；通过这样的归一化方式，使每个特征向量的所有时间步对应的数据，都归一化到[-1,1]范围内，保证数据原有的分布特征，同时消除量纲的影响； 在分别完成对垂直面梯形运动、水平面Z型运动和螺旋回转下潜实验数据的预处理后，依照训练多步预报网络模型的数据格式要求，对数据集实施进一步的处理；通过使用滑动窗口法，按照既定步长持续更新输入至网络模型内用于训练或验证的信息；对滑动窗口的关键参数加以设定，其中涵盖训练输入数据的时间步长和每次更新输入数据时的输入步长； AUV操纵运动预报采用的是一个多输入多输出的预报模型；其中，式7中的Xt|t-kim-1作为模型训练和预报输入，是一个具备空间维度和时间维度的二维变量；式8中的ut|t-kim-1为外部输入变量，它与Xt|t-kim-1一同作为模型训练和预报的输入数据；在t时刻窗口范围内的Xt|t-kim-1与ut|t-kim-1数据作为输入，经过训练好的网络模型处理后，可预报到下一时刻的状态量如式所示； ut|t-kim-1＝[udelta,t-kim-1udelta,t-kim-2…udelta,t-kim-n…udelta,t]T8 其中，Xt|t-kim-1表示由当前时刻t至历史时刻t-kim-1，共计kim步的运动状态构成的输入数据；xfeature,t-kim-n表示在历史时刻t-kim-n时，所有特征运动状态的向量；xf,t-kim-n表示历史时刻t-kim-n，第f个特征运动状态的值；ut|t-kim-1表示由当前时刻t至历史时刻t-kim-1，共计kim步的外部指令的向量；udelta,t-kim-n表示历史时刻t-kim-n外部指令的值；表示将共计kim步的运动数据Xt|t-kim-1与共计kim步的外部指令的向量ut|t-kim-1输入到预报器中，得到的t+1时刻的预报结果n∈1,2,3,...,kim； 按照式7-9的步骤依次将滑动窗口根据当前时刻向下移动，实现网络模型的训练；然后，按照式7-9的计算步骤，将测试集数据输入已训练好的模型，随后采用改进的滑动窗口数据迭代方式进行多步预报；首先将式9得到的估计值作为新的数据纳入到下一步的滑动窗口范围内，用以替代未来时刻未知的运动状态数据，并与当前时刻t至历史时刻t-kim-2的数据共同构成新的预报器的输入数据从而在当前时刻t实现t+2时刻的预报；更新后的数据如式10所示，然后按照此步骤对式11和12交替执行，借助改进的滑动窗口法得以在t时刻对未来t+dim时刻的dim多步预报；特别说明的是，在网络训练阶段，采用传统的滑动窗口法，而在预报器实际投入应用时，则采用改进的滑动窗口法实现多步预报； 其中，为多步预报的输入状态向量，为多步预报的第m个估计值，其中，m∈1,2,3,...,dim。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。