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！

摘要：本发明公开了基于改进极限学习机（ELM）的水下机器人多普勒计程仪（DVL）测速误差修正方法。目的在于提高水下机器人SINSDVL导航系统的精度和可靠性。本发明将改进的ELM模型运用于DVL速度速度误差修正方法中，整个过程包括：采集水下机器人运动的DVL设备的输出DVL测量数据进行预处理、生成DVL速度修正模型的训练集和测试集、构建改进ELM混合方法的DVL速度预测模型、在GPS信号有效情况下训练ELM模型以及DVL速度预测输出。本发明可以解决由于水下机器人导航系统中惯性测量单元与DVL安装角度不一致，而导致水下机器人水下导航精度下降的问题。

主权项：1.基于改进ELM的水下机器人DVL测速误差修正方法，其特征在于，该方法包括如下步骤：步骤1、采集水下机器人运动的DVL设备的输出DVL测量数据进行预处理；步骤2、将步骤1经过预处理的DVL测量数据组成样本集VDVL，同步采集机器人在GPS信号有效情况下运动载体坐标系下的三维速度信息组成样本集VGPS，将样本集VDVL和样本集VGPS的数据按时间分段分别组合成DVL速度预测模型训练阶段的训练集和模型测试阶段的测试集；步骤3、构建改进ELM混合方法的DVL速度预测模型；步骤4、在GPS信号有效情况下训练步骤3构建的改进ELM混合方法的DVL速度预测模型；步骤5、同步采集惯导、DVL和GPS的速度信息，将步骤2中的测试集输入到步骤4训练好的改进ELM混合方法的DVL速度预测模型中，改进ELM混合方法的DVL速度预测模型输出误差补偿后的DVL速度信息，将其输入到惯导和DVL组合导航系统中，同时将改进ELM混合方法的DVL速度预测模型的定位误差与惯导和GPS组合导航系统的定位误差、原始DVL数据下的惯导和DVL组合导航系统的定位误差进行比对，验证改进ELM混合方法的DVL速度预测模型的准确性；步骤1所述预处理，具体包括：首先基于最小二乘法趋势项建模和肖维涅准则对DVL设备的输出的采样频率为fD的离散DVL的量数据序列VDVLu，其中u＝1,2,3,…,U，U为数据长度，进行野值剔除处理，根据DVL测量数据的趋势特征构建其K阶拟合多项式gu： 其中，u＝1,2,3,…U、k＝0,1,2,…,K，bk为拟合多项式的系数；引入残差平方和函数Ru： 并对残差平方和函数Ru取极小值，并通过对拟合多项式的系数bk取偏导求零，得 计算并展开重组，得： 其中，r＝0,1,2,…,K，r、k分别是用来索引多项式不同阶次的变量；利用矩阵求解法得到拟合多项式系数bk并得到趋势项拟合多项式，因此DVL测量数据的去趋势项为： 其中，u＝1,2,3,…,U；DVL测量数据的残差序列cDVLu为： 其中，为DVL测量数据去趋势项的算式均值，计算公式为： 定义残差序列的绝对值|cDVLu|满足|cDVLu|＞aδ的点数据为可疑数据，即DVL输出的野值，其中a为肖维涅准则系数，其系数拟合公式为：a＝0.2688lnU-20+1.63；δ为DVL数据去趋势项后序列的标准差，其计算公式为：若判定其为野值，则对该点数据进行剔除处理，并将其代为DVL测量数据去趋势项的算式均值至此将DVL数据输出中的野值进行了剔除，即出DVL测量数据预处理完成；步骤2所述DVL速度预测模型的训练集包括：2a.步骤1经过预处理的DVL测量数据组成样本集其中分别为载体坐标系下DVL在x、y、z方向的速度信息；2b.同步采集机器人在GPS信号有效情况下载体坐标系下的三维速度信息组成样本集其中分别为机器人在载体坐标系下x、y、z方向的速度信息；2c.将VDVL、VGPS这两个样本集的数据组合成DVL速度预测模型训练阶段的训练集和模型测试阶段的测试集；步骤3所述构建改进ELM混合方法的DVL速度预测模型，包括如下子步骤：3a.构建单隐含层前馈的算法模型，包括输入层、隐含层和输出层3部分；其中输入层包含3个数据通道，隐含层包含12个数据通道，输出层包含3个数据通道；3b.混合加权激活函数并在之后的实验中确定最优的ELM激活函数gω,V,b： 其中ω和b分别为隐含层参数权值和偏置向量，V为输入；3c.构建改进ELM混合方法的DVL速度预测模型的输出：其中，FVj为与理想输出VGPSj对应的实际输出；β为隐藏层和输出层之间的权重矩阵，wi表示第i个单元与隐含层相互之间的权重向量，wi＝wi1,wi2,…,wiLT；上标T表示矩阵的转置，Ξ为正则化参数平衡原始目标函数与范数惩罚项之间的权衡关系；W是输入矩阵的权重，‖W‖2是输入矩阵的权重的范数；b为偏置向量，b＝b1,b2,...bi,...bLT，L为隐藏层个数，m为输出向量的维数；3d.将步骤3c中的输出简化为FVj＝S＝Hβ，其中，S为改进ELM混合方法的DVL速度预测模型的输出矩阵，等同FVj，H为隐藏层的输出权重矩阵，H＝HW,b＝hijU×L，hij＝gwi，xj，bi，xj为输入向量；3e.计算隐藏层输出权重矩阵H和隐藏层与输出层之间的权重β，即求解式S＝Hβ的极小范数最小二乘解由正交化法求得，当矩阵HHT为非奇异值时，则步骤4所述在GPS信号有效情况下训练改进ELM混合方法的DVL速度预测模型，具体方法是：4a.将步骤2中的训练集输入到步骤3构建的改进ELM混合方法的DVL速度预测模型中进行训练；4b.根据连续的概率分布随机设定输入矩阵的权重W与偏置向量b；4c.计算隐藏层输出权重矩阵H和隐藏层与输出层之间的权重β，即求解式Tj＝Hβ的极小范数最小二乘解由正交化法求得，当矩阵HHT为非奇异值时，则4d.选取均方根误差RMSE作为训练是否结束的判断标准， 4e.若模型误差不满足RMSE要求，判断训练样本是否足够，若训练样本不足，返回步骤1，否则增加隐藏层神经元个数并返回步骤3接着训练改进ELM混合方法的DVL速度预测模型。

全文数据：

权利要求：

百度查询： 河海大学 基于改进ELM的水下机器人DVL测速误差修正方法