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

本发明属于水下滑翔机任务规划，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。

背景技术：

1、水下滑翔机在海水中的滑翔路径由许多“锯齿状”的滑翔剖面组成。并且这些滑翔剖面的形状可由俯仰角和下潜深度等运动参数控制。水下滑翔机的这些运动参数对其速度和能耗有重要影响。因此，运动参数的选择对水下滑翔机的导航控制、任务决策至关重要。

2、基于水下滑翔机的动力学模型、运动学模型和能耗模型等，同时结合洋流和地形等环境因素，可利用差分进化算法、粒子群算法、遗传算法等演化算法精确计算出水下滑翔机最优的运动参数。然而，每次执行不同的任务需重新计算最优的运动参数，容易造成计算资源浪费同时降低决策效率。因此，本文提出一种水下滑翔机运动参数回归模型，可快速准确的输出水下滑翔机最优运动参数。

3、传统的深度置信网络(deep belief network，dbn)-反向传播(backpropagation，bp)神经网络(dbn-bp)的训练过程如下：首先，利用dbn对原始数据进行特征提取，得到高质量的特征表示。然后，将dbn提取的数据输入到bp神经网络中进行学习。最后，获得训练好的dbn-bp神经网络。然而上述训练过程未对dbn-bp网络结构进行优化，很难根据经验确定dbn-bp网络结构中最佳的隐藏层数和节点数。因此，本文提出一种改进的dbn-bp网络模型，设计了优化dbn-bp网络模型的编码方式，并利用演化算法实现dbn-bp网络结构优化。该方法解决了dbn-bp网络结构优化问题，提高水下滑翔机运动参数回归模型的准确率。

技术实现思路

1、要解决的技术问题

2、为了避免现有技术的不足之处，本发明提出一种基于改进dbn-bp神经网络的水下滑翔机运动参数回归模型，快速准确地输出水下滑翔机最优运动参数。

3、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，利用演化算法优化dbn-bp网络的隐藏层数及对应的节点数；最后，获得水下滑翔机运动参数回归模型。

4、技术方案

5、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：

6、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：

7、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：

8、e＝et+eh+em

9、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；

10、建立目标函数与俯仰角和下潜深度之间的表达式：

11、

12、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；

13、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：

14、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：

15、

16、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；

17、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：

18、{pitch,depth}

19、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；

20、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；

21、优化模型的编码方式表达式：

22、

23、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；

24、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：

25、

26、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；

27、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：

28、

29、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。

30、所述水下滑翔机滑翔一个剖面与滑翔时间相关的能耗et的表达式：

31、

32、式中，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。

33、所述水下滑翔机滑翔一个剖面浮力调节系统的能耗eh的表达式：

34、

35、式中，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。

36、所述水下滑翔机滑翔一个剖面姿态调节系统的能耗em的表达式：

37、

38、式中，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，θ为水下滑翔机的俯仰角。

39、所述步骤2和步骤5的演化算法包括差分进化算法、粒子群算法或遗传算法。

40、一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如所述数据迁移方法的步骤。

41、一种计算机程序产品，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现所述的方法。

42、一种可读存储介质，其特征在于，所述可读存储介质上存储有所述的计算机程序，所述计算机程序被处理器执行时实现如所述数据迁移方法的步骤。

43、有益效果

44、本发明提出的一种基于改进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。

45、由于采用了本发明提出的一种基于改进dbn-bp神经网络的水下滑翔机运动参数回归模型，带来了如下有益效果：

46、1、由于建立了路径段上的能耗目标函数与输出运动参数变量之间的表达式，本发明能够利用演化算法获得任意路径段上的最优运动参数。根据大量随机生成的路径段信息，本发明可以构建水下滑翔机运动参数回归模型的数据集，为回归模型的训练与验证提供支撑。

47、2、由于提出了一种改进dbn-bp神经网络的方法，解决了确定dbn和bp神经网络结构优化问题，可以确定它们最佳的隐藏层数和每一隐藏层对应的最佳节点数。基于最优的dbn-bp神经网络，本发明可以显著提高运动参数回归模型的准确率。

48、3、由于提出了一种水下滑翔机运动参数回归模型，本发明能够根据训练好的水下滑翔机运动参数回归模型快速输出任意路径段的最优运动参数。因此，本发明具有广泛的应用前景，能够为水下滑翔机快速决策、路径规划、运动规划和运动控制等提供参数指导。