首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于改进DBN-BP神经网络的水下滑翔机运动参数回归模型 

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:西北工业大学

摘要:本发明涉及一种基于改进DBN‑BP神经网络的水下滑翔机运动参数回归模型,实现根据路径段信息、洋流信息、地形信息和水下滑翔机模型快速准确地输出水下滑翔机在此路径段最优的运动参数。首先,构建水下滑翔机运动参数回归模型的训练集与测试集;其次,设计了优化DBN‑BP神经网络的决策变量和编码方式;最后,利用演化算法优化DBN‑BP的隐藏层数及对应的节点数,获得水下滑翔机运动参数回归模型。该方法实现了DBN‑BP网络结构优化问题,提高了水下滑翔机运动参数回归模型的准确率。

主权项:1.一种基于改进DBN-BP神经网络的水下滑翔机运动参数回归模型,其特征在于:水下滑翔机运动参数回归模型的目标是使水下滑翔机在一个路径段中的能耗最低或滑翔时间最短,回归模型的输出运动参数变量为水下滑翔机的俯仰角和下潜深度;回归模型的建立步骤如下:步骤1:构建目标函数与输出运动参数变量之间的表达式,以水下滑翔机运动参数回归模型的目标为确定水下滑翔机在一个路径段中的能耗最低时对应的俯仰角和下潜深度,则:建立水下滑翔机的能耗模型即水下滑翔机滑翔一个剖面的能耗E:E=Et+Eh+Em式中,Et表示水下滑翔机滑翔一个剖面与滑翔时间相关的能耗,Eh表示水下滑翔机滑翔一个剖面与浮力调节系统相关的能耗,Em表示水下滑翔机滑翔一个剖面与俯仰角调节系统相关的能耗;建立目标函数与俯仰角和下潜深度之间的表达式: 式中,f表示能耗目标函数,即一个路径段中的能耗,K表示水下滑翔从起点到目标点所需的滑翔剖面数量,h表示水下滑翔机下潜深度,θ为水下滑翔机的俯仰角,V表示水下滑翔机的滑翔速度,Pt表示与滑翔时间相关的平均功率,B为水下滑翔机的净浮力,ρ为海水密度,g为重力加速度,PC为液压泵的流量,qp为液压泵的功率,Pm为滑块移动的电功率,vm为滑块移动的速度,M为水下滑翔机的质量,m为滑块的质量,h为稳心高;步骤2:构建水下滑翔机运动参数回归模型的训练集与测试集:输入数据为随机生成水下滑翔机的起点和目标点,表达式为: 式中,Lengthpath表示水下滑翔机自起点至目标点的路径段长度,Dirpath表示水下滑翔机自起点至目标点的路径段方向,Depthmin表示水下滑翔机自起点至目标点穿过地形区域的最小值,表示在滑翔路径段上均匀采样的第i个路径点处的洋流的大小,表示在滑翔路径段上均匀采样的第i个路径点处的洋流的方向;利用演化算法对输入数据的表达式进行优化获得最优的输出数据为:{pitch,depth}式中,pitch表示回归模型输出的俯仰角参数,depth表示回归模型输出的下潜深度参数;步骤3:建立优化DBN-BP网络模型的编码方式,设置DBN和BP的隐藏层数的取值范围均为[1,m],其中m为正整数;每一个隐藏层的节点数的取值范围为[a,b],其中a和b均为正整数;优化模型的编码方式表达式: 式中,HDBN表示DBN的隐藏层数,HBP表示BP的隐藏层数,表示DBN中第i个隐藏层的节点数;表示BP中第i个隐藏层的节点数;步骤4:建立优化DBN-BP网络模型的适应度函数,为运动参数回归值与实际最优运动参数值的均方根误差,表达式: 式中,J表示优化DBN-BP网络模型的适应度函数,K表示测试集的测试样本数,表示利用DBN-BP网络模型得到的第j个测试样本的俯仰角回归值,Pitchj表示第j个测试样本的最优俯仰角参数值,表示利用DBN-BP网络模型得到的第j个测试样本的下潜深度回归值,depthj表示第j个测试样本的最优下潜深度参数值;步骤5:利用演化算法优化DBN-BP网络的隐藏层数及对应的节点数,具体为利用演化算法优化适应度函数J,获得最优的表达式即优化模型的编码方式表达式: 步骤6:根据步骤5中的最优表达式,建立DBN-BP网络模型,然后利用步骤2构建的水下滑翔机运动参数回归模型的训练集与测试集,对DBN-BP网络模型进行训练和测试,得到水下滑翔机运动参数回归模型,能够输出任意路径段的最优运动参数。

全文数据:

权利要求:

百度查询: 西北工业大学 一种基于改进DBN-BP神经网络的水下滑翔机运动参数回归模型

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。