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！

申请/专利权人：东南大学

摘要：一种用于水下集群UUV协同导航定位的水声通信误差补偿方法，包括如下步骤：建立多输入多输出的动态神经网络的拓扑结构；设计神经元个数增长‑衰减机制；考虑动态模糊神经网络的参数训练方法。以满足预测阶段实现水声测距信道传播时延和测距误差预测的精确性。本发明结合模糊逻辑理论，将先验专家知识、系统信息融入神经网络构建输入输出关系，同时引入动态网络结构机制在神经网络训练过程中对神经元节点进行自适应调整，保证模糊神经网络结构的紧凑，设计出实时、自学习、自组织、自适应的水声测距信道传播时延和测距误差的新型神经网络预测模型，以达到进一步提高多UUV协同导航定位精度和可靠性的目的。

主权项：1.一种用于水下集群UUV协同导航定位的水声通信误差补偿方法，包括如下步骤，其特征在于：S1：依据集群UUV协同导航整体架构中捷联惯性导航系统和水声通信系统的特点，引入模糊逻辑理论，结合先验专家知识、系统信息建立多输入多输出的T-S动态模糊神经网络的拓扑结构；所述步骤S1具体包括如下步骤：S1-1：考虑协同导航特点及多误差源耦合关系，设计动态模糊神经网络的多输入多输出变量由于水下声速与温度、盐度以及随水深变化的垂直剖面有着重要关系，且水声测距误差主要由声速误差、前后时刻载体运动状态、传感器测量误差所引起，其中载体运动状态包括UUV位置信息、UUV速度信息、UUV姿态信息，其中传感器测量误差包括陀螺计零偏误差和加计零偏误差；因此综合考虑协同导航特点及多误差源耦合关系，选取协同导航系统中的UUV载体运动状态、传感器测量误差以及温深盐信息作为动态模糊神经网络的输入变量，选取水声传播时延、水声测距误差作为目标期望输出变量；S1-2：建立动态模糊神经网络的拓扑结构；所述的动态模糊神经网络的第一层为输入层，根据S1-1可知，是输入节点的语言变量，包括UUV位置信息P、UUV速度信息V、UUV姿态信息A、角速度零偏误差信息εb、加速度零偏误差信息温度信息Temp、盐度信息S、深度信息H，其维度r固定；所述的动态模糊神经网络的第二层为隶属函数层，选取高斯隶属函数描述输入节点语言变量与模糊集合的隶属关系，其维度u非固定：所述的动态模糊神经网络的第三层为模糊层，对前一层的语言变量进行模糊化，该层节点数反映了模糊规则数量，其维度u非固定，神经元输出为模糊规则T范数；所述的动态模糊神经网络的第四层为归一化层，其节点数与模糊层节点数相等；所述的动态模糊神经网络的第五层为去模糊输出层y＝[y1,y2]T＝[ΔT,ΔP]T，该层神经元的输出是上一层所有输入信号的加权，其维度m固定，通过网络第五层输出的ΔT、ΔP作为水声信道传播时延和测距误差的实时预测量；S2：针对神经网络结构冗余、计算耗时长且容易产生网络过拟合现象，设计神经元个数增长-衰减机制，形成自学习、自组织、自适应的网络节点，保证动态网络结构的紧凑和计算耗时；所述步骤S2具体包括如下步骤：S2-1：神经元个数增长机制；所述的神经元个数增长机制以动态模糊神经网络泛化能力作为判断条件，动态模糊神经网络的泛化能力取决于网络输出误差和模糊规则完备性；A.网络输出误差；eepoch＝||tepoch-yepoch||epoch＝1,2..,k其中，eepoch代表网络输出误差，yepoch代表网络实际输出，tepoch代表期望目标输出，epoch代表训练次数，若网络输出误差大于一定阈值，则表明现网络预测精度过低，对于非线性系统的逼近程度不够，称为条件A；B.模糊规则完备性；对于模糊系统而言，特定范围内的系统输入能在模糊集中找到至少一条模糊规则使其匹配，且模糊规则T范数即匹配度不小于根据实际情况设定的匹配阈值τ，若匹配度小于阈值，则表明现有模糊集中的模糊规则无法包含该范围内的系统输入；模糊规则T范数为： 其中，cij、σij分别代表xi的第j个RBF神经元的高斯隶属函数中心和宽度，r是语言变量总数，u是模糊规则总数，Md表示系统输入与模糊规则之间的马氏距离；则模糊规则完备性表达为：特定范围内的系统输入与模糊集中的所有模糊规则之间的马氏距离，至少有一个小于一定阈值；否则，不满足模糊规则完备性，称为条件B；S2-2：神经元个数衰减机制；所述的神经元个数衰减机制以神经元竞争力Pj，即对动态模糊神经网络的输出贡献度，作为判断条件，所述的神经元衰减机制判断条件如下： 其中，为模糊集总信息量矩阵，第j列Ij表示与模糊规则j相关的信息量，TI为竞争力阈值；通过所述的神经元个数增长-衰减机制，在训练阶段能够根据具体环境和问题，自适应的动态调整网络结构；S3：考虑训练阶段动态模糊神经网络的参数训练方法，以满足预测阶段实现水声测距信道传播时延和测距误差预测的精确性，提高集群UUV协同导航定位精度和可靠性；所述步骤S3具体包括如下步骤：采用非线性估计方法能够在保证非线性拟合精度和数值稳定性的基础上，避免传统梯度下降训练法收敛时间慢、容易使网络陷入局部最优的情况，随着训练样本的迭代，不断对模糊层神经元的宽度σij以及归一化层的连接权实常数矩阵W进行最优估计，使得网络输出逐步逼近期望目标输出，对于动态模糊神经网络的参数训练过程而言，模糊层神经元的宽度σij以及归一化层的连接权实常数矩阵W，相当于非线性离散系统的系统状态量xk，目标期望输出tepoch相当于量测值yk；最后进入到预测阶段，利用UUV载体运动状态、传感器测量误差以及温深盐信息作为动态模糊神经网络输入能够实时地预测和精度补偿水声信道传播时延和测距误差。

全文数据：

权利要求：

百度查询： 东南大学 一种用于水下集群UUV协同导航定位的水声通信误差补偿方法