你的位置：论文发表 >> 论文下载 >> 计算机论文 >> 计算机理论 >> 详细内容在线投稿

基于BP 神经网络的航迹预测方法研究

浏览159次时间：2015年1月23日 15:59

杨淳黑龙江生物科技职业学院哈尔滨 150001

【文章摘要】

本文针对AUV 航迹预测的实际应用需求，建立了基于BP 神经网络的航迹预测模型，并应用海洋水文要素数据及数据处理后的AUV 位置信息作为样本数据，对预测模型进行仿真实验。最后，利用航及预测模型实现了对AUV 航迹的准确预测。

【关键词】

AUV ；航迹预测；BP 神经网络；海洋环境

自主式水下潜器（Autonomous Underwater Vehicle，简称AUV）是未来海洋探测和开发，以及完成各种水下智能作业任务的重要工具。由于海洋环境复杂，在受到不确定突发因素干扰时，能否规避风险正常安全航行，成为AUV 能否向远程、深海和多功能方向发展的重要因素。

AUV 体积较小，受到海洋环境影响十分明显，并且海洋环境非常复杂，水下运载器航行时会遇到很多突发事件。本文利用BP 神经网络算法，应用AUV 运行信息及海洋水文要素数据统计信息对航迹进行预测，从而实现AUV 对风险的躲避。

1 海洋环境对AUV 航迹影响分析

1.1 海洋环境要素介绍

AUV 体积较小，受到海洋环境影响十分明显，其中对AUV 航迹影响最大的是海洋物理环境中的海流、潮流和潮汐三类要素。海流与潮流主要影响航迹中的经度与纬度，潮汐影响深度。

1.2 海洋再分析数据

为了提高预测精度，将对AUV 航迹影响较大的海流、潮汐、潮流等海洋环境要素数据作为预测模型的输入量。为了使预测模型具有可行性，本课题采用的海洋环境数据均为海洋再分析数据。海洋再分析是基于海洋动力模式，利用数据同化技术，将历史上获得的多源海洋观测数据同化到模式中。

2 BP 神经网络改进及预测模型建立

2.1 神经网络原理模型及算法

误差反向传播神经网络即BP 网络，是目前应用最为广泛、发展最为成熟的一种人工神经网络，该算法是由两部分组成，即信息的正向传递与误差的反向传播。典型的BP 神经网络是一种具有三层或三层以上结构的无反馈、层内无互连接结构的前向网络。

2.2 BP 神经网络算法改进

本课题需要对多变量的时间序列做预测，引入多变量使预测获得更全面的先验知识，但也引入了冗余信息，导致模型训练时间变长。因此，利用主成分分析法对BP 神经网络进行改进。主成分分析是一种基础统计分析方法，其利用降维的思想，通过研究原始指标相关矩阵内部关系，从中选取几个综合指标并重新组合利用少量指标来反映原始指标的信息。本课题采用主成分分析法处理多变量时间序列，减少BP 神经网络的节点个数，达到加快模型训练速度的目的。

2.3 AUV 航迹预测模型

预测模型将海洋环境要素添加到预测先验数据中，作为BP 神经网络的输入项。然后，将输入数据进行主成分分析，取出主成分数据作为神经网络输入。这样即保证了数据信息的完善，也缩短了预测时间。具体模型如图1 所示。

图1 预测模型示意图

3 预测模型仿真及结果分析

本课题选用MatlabR2008a 进行神经网络仿真，应用SPSS19.0 进行主成分分析，且采用位置数据为AUV 下潜真实数据，海洋环境数据为海洋环境再分析数据。

为了直观的检验BP 神经网络预测模型精度，将AUV 在水下三维空间的运动分解为水平运动和垂直运动。垂直平面误差可由深度差直接表示，水平面误差将经度和纬度误差值换算成球面距离差值。半径为R 的球面上两点间的最短距离可以根据地球表面任意两点的经纬度计算。计算公式如下：

式中、为A 点经纬度，、为B 点经纬度。L 为两点间距离。预测结果根据上式可以计算出预测航迹在水平面和垂直面的误差距离。具体如表1 所示。

表1 AUV 航迹预测误差表

由表1 可以看出，应用海洋环境模型预测的AUV 航迹在水平面与垂直面的误差均值分别为2.0437m 和0.656m，预测的精度比较高，有良好的预测效果，并且前五个点的预测性能更优。本实验所用AUV 水下运行速度在1~3m/s 区间，传感器返回位置信息间隔为20s，10 个数据点的预测时间为200s，可以预测直线距离约为600m。因此，可以说应用海洋环境模型能够有效的预测航迹，进而依据预测位置和声纳探测的障碍物位置作出航路调整。