基于神经动力学的水下目标观测路径规划

针对水下工程应用中的自治水下机器人目标观测的路径需求问题,提出基于生物启发神经动力学的路径规划方法,在二维栅格地图的基础上,建立二维生物启发神经网络模型,引入来自目标观测任务区域的激励信号和障碍物的抑制信号,任务区域能够全局地吸引机器人,障碍物对机器人具有局部排斥作用,从而使得机器人能够近距离观测目标。仿真结果表明,在未知的动态水下环境中,机器人能够有效规避障碍物,自主规划出目标观测路径和返航路径。     

基于改进A*GBNN算法的AUV路径规划研究

针对现有的离散生物启发神经网络(Glasius bioinspired neural networks, GBNN)算法在未知环境下,存在的路径规划时间长、易陷入局部最优等问题,提出一种结合A*与GBNN模型的改进算法。在GBNN活性值栅格网络中,算法将各栅格的活性值作为A*的代价函数进行运算并使用跳点搜索规则优化,实现未知环境下的实时路径规划。仿真实验结果表明,该算法有效改善了自主水下航行器在未知环境下的寻路效率,可以满足自主水下航行器实时路径规划需求。     

基于PSO-BP神经网络的船体分段任务包工时定额模型

为解决船体分段任务包工时定额的计算过度依赖线性公式而忽略工时定额与工艺参数之间的非线性关系的问题,提高工时定额计算的效率和精确度,将PSO-BP神经网络技术应用到船体分段任务包工时定额中。通过对影响船体分段中间产品额定工时的工艺参数进行分析,建立多输入单输出的PSO-BP神经网络模型,并应用实际数据对PSO-BP神经网络进行训练,测试仿真结果与实际值之间的误差在允许范围内。验证结果表明,采用PSO-BP神经网络建立船体分段任务包工时定额模型,能对任务包作业工时进行准确预测。     

基于神经网络算法的船体结构腐蚀分析及预测

针对船体测厚数据未能被有效利用的问题,提出一种基于神经网络算法的结构腐蚀分析、预测方法,为船舶的健康管理提供评估及决策支持。依据神经网络算法的基本原理和建模方法,研究测厚数据结构、神经网络输入参数的选择、腐蚀状况的分析及预测等关键问题的实现方案,并在此基础上开发船体可视化模型关联测厚结果的展示、分析功能,应用于实船测厚数据并形成有针对性的分析结论、决策建议。采用该方法对某船实际测厚数据进行分析,预测出该船型随船龄的增长腐蚀严重的区域,并在3D模型中展示。     

基于改进RRT算法的无人艇编队路径规划技术

[目的]为了解决无人艇编队在智能航行时全局路径规划与局部自主避碰问题,提出基于改进快速搜索随机树(RRT)算法的无人艇编队路径规划技术。[方法]针对无人艇编队形状稳定问题,在RRT算法扩展环节提出一种非严格保形修正向量与非严格保形控制圆区域,使搜索树有朝着严格保形坐标点生长的趋势;针对突发障碍物与非严格保形规划点碰撞问题,在RRT算法碰撞检测环节提出可调节避碰圆区域与障碍物修正向量,使无人艇安全避碰并最大程度地保持队形稳定。[结果]结果显示,无人艇编队在该算法作用下表现出了良好的保形性能,并能对突发障碍物进行有效的避碰。[结论]该算法效能高、稳定性强、路径规划质量高,在实际工程应用中具有重要的意义。     

融合卡尔曼滤波的VFH避障算法

针对机器人在野外自主作业时遇到的避障问题,提出了卡尔曼滤波算法和VFH算法相结合的新型避障算法.将机器人运动平面划分为一系列具有二值信息的栅格单元,并以机器人为中心将平面分割若干区间,通过获取栅格单元信任度值,计算障碍物栅格的向量值、矢量角以及每个区间的障碍物密度,来构建阈值范围内的安全路径.再融合卡尔曼滤波的预计更新的优点,实现机器人避障的动态路径规划.仿真实验表明:该融合算法解决了在目标点附近转向抖动的问题,摆脱了对周围环境先验认知的依赖,能够准确稳定地实现自主避障.     

基于变分模态时频分布下的水下目标DOA估计研究

在声呐、雷达等设备的目标探测中,声源方位估计是需要解决的关键问题之一。针对水下传感器阵列接收信号的波达方向角(DOA)估计算法中,传统的BP神经网络算法会因网络参数不合理和层数过多导致过拟合的问题,以往通过粒子群算法(PSO)进行优化后,网络仍容易过早结束训练而导致性能不佳。为此,本文提出一种基于变分模态分解结合粒子群算法优化后的BP神经网络算法。首先对目标回波信号进行可变模态分解,对分解得到的各分量进行时频分析后叠加的谱图特征作为经粒子群算法优化后的BP神经网络算法的输入进行训练测试,以此来提高阵元接收目标回波的DOA估计精度。仿真实验结果表明,结合变分模态分解及粒子群算法优化的BP神经网络具有更好的识别效果和泛化能力,提高了DOA的估计精度。     

改进深度学习的无人船目标光视觉跟踪研究

传统无人船目标光视觉跟踪方法面对复杂的海域条件时,容易忽略极小障碍物的特征,导致出现大范围识别或忽视极小障碍物的情况,因此研究基于改进深度学习的无人船目标光视觉跟踪。该方法根据单目视觉测量目标物的位姿,通过提取目标光视觉动态特征,实现改进深度学习算法控制下的目标跟踪任务。与2组传统跟踪方法相比,此次研究的方法能够识别出体积差异量极大的障碍物信息,极大程度上提高了目标光视觉跟踪结果的可靠性。     

基于模糊贴近度的舰船辐射噪声分类

误差反传神经网络在被动声呐目标分类中得到了广泛的应用，但该算法在搜索过程中容易陷入局部最小值，同时使用赢者独活的识别决策策略，导致识别率的下降。针对BP网络的弱点，提出了基于模糊贴近度的舰船辐射噪声分类方法，该方法能够在不对BP网络作大的改动的前提下，解决神经网络陷入局部最小值，同时使用赢者独活决策策略导致误识的弱点。实验结果证明了该方法的有效性。     

BP神经网络在航道网总运量预测中的应用

在对神经网络算法进行分析的基础上,以区域历年货运量值为样本,构造时间序列法的神经网络预测模型,并预测区域航道网总运量。     

奇异值分解在设备振动激励力估算中的应用

设备对船体基座的振动激励力是舰船结构振动、自噪声和辐射噪声的主要来源，而激励力间接估算时常会碰到病态问题，导致病态误差。讨论导纳矩阵求逆时病态问题的易发频率、奇异值分解方法、奇异阈值选取等，并讨论奇异值分解技术降低病态误差的实际算例。实验证明奇异值分解技术解决激励力间接估算时的病态问题有效率达到82％，可以满足工程应用需求。奇异阈值的选取技术还不够完善，在某些频率处取值过小而导致病态误差未能受到控制。从理论、实验两方面证实了应用间接方法估算设备对基座的激励力时，病态问题在基座模态频率处显然比其它频率严重。结论对激励力间接算法工程应用有明确的指导意义。     

无人船舶避碰障碍物智能自动识别方法

传统无人船舶避碰障碍物识别方法,受到方法中识别危险系数判定基数过小的影响,在避碰障碍物识别过程中,无法在有效安全距离下瞬态识别障碍物,造成避碰全局输出准确率与效率降低。为了解决无人船舶识别危险基数过小的问题,提出无人船舶避碰障碍物智能自动识别方法。首先采用智能危险判定算法,对船舶与障碍物之间的距离进行危险系数判定计算;然后根据判定危险系数数据,重构会遇状态模型。通过模型得到算法对障碍物的识别信息;最后通过神经遗传算法,对障碍物分布信息进行避碰数据的识别转换,从而实现优化识别运算场景,提升识别方法识别准确率与输出效率。通过在同一场景下不同识别方法的对比数据表明:提出的识别方法更适合无人船舶的避碰障碍物识别计算,能够有效将障碍物识别准确率控制在97.43%。同时,提升全局输出效率25%以上。     

连续干扰下船舶障碍物自动识别技术

针对传统识别技术依靠人工完成而导致识别精准度低的问题,提出了连续干扰下船舶障碍物自动识别技术研究。使用激光雷达设备获取实时采集图像数据,并对其处理,根据处理流程,分析船舶障碍物几何特征。使用自适应滤波滤除图像中噪点,分割目标亮度区域和背景噪声区域,滤除背景噪声,构建自适应滤波模型。在分割自适应滤波图像基础上,将信息转换为数据形式,使用栅格化处理方式,将网格划分为有障碍点网格和无障碍点网格,由此设计识别流程。引入障碍物不确定速度障碍区域,设计避障方案。通过实验结果可知,该技术与实际信号幅度最大误差为0.05 dB,可忽略不计,且最高识别精准度为0.97,具有精准识别效果。     

基于改进决策树的港口物流船舶运输路径优化研究

常规方法下优化的运输路径虽能完成运输任务,但效率过慢,且总成本较高,导致港口物流的运输效益不理想,为此提出并设计了一种基于改进决策树的港口物流运输路径优化方法。在给定运输起点和终点的前提下,建立路径优化决策集,通过改进决策树算法,确定每条运输路线上的权重值及特征向量,将权重值引入决策树,利用改进决策树算法对决策集进行求解,实现船舶运输路径的优化。仿真实验结果表明,基于改进决策树的运输路径能够有效提高船舶的运输效率,具备良好的适应性。     

基于BP神经网络的航空故障诊断

BP神经网络在故障诊断中发挥着越来越重要的作用。基于航空设备的参数匹配问题,提出了一种对输入值进行相关性处理的方法,然后利用BPNN有自适应Lr的梯度下降算法的进行训练。仿真结果证明该模型训练速度快且有效。     

卷积神经网络的舰船图像快速无损压缩算法

使用传统方法压缩图像存在分辨率低的情况,导致压缩效果较差。为了改善该问题,提出卷积神经网络的舰船图像快速无损压缩算法。在卷积层、池化层和全连接层支持下,训练卷积神经网络图像。构建算法框架,获取输入图像特征图,改善图像质量。利用基于块特征图重构图像获取均方误差,由此设计具体压缩流程,在误差支持下调整压缩后图像分辨率。由实验结果可知,该算法垂直方向和水平方向像素点数量与压缩前一致,具有良好压缩效果,图像分辨率与原始清晰图像一致。     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

基于可视图法的水面无人艇路径规划设计

为了解决水面无人艇全局路径规划问题,提出一种基于可视图的A*算法。该算法使用启发式搜索的方式,克服了传统可视图法灵活性差的问题,可以减少规划时间,提高规划效率。通过在平面障碍物环境下的仿真运算,验证了该算法的可行性。     

多旋翼无人机航迹规划算法

无人机（UAV）能实现航迹跟踪、定位、遥控、航拍、数据传输等功能，其中航迹规划是实现所有功能的前提条件。结合多旋翼无人机在恒速飞行条件下的最大转弯半径，设计一种在一定曲率约束范围内的航迹规划算法，采用Dubins曲线和B样条曲线，分别对局部障碍物和区域障碍物进行分类避障规划，实现障碍物下不规则作业区域的航迹规划，并通过仿真试验验证了算法的可行性。     

基于改进RRT~*算法的无人艇全局避障规划

在水面无人艇全局避障规划领域,RRT~*算法及其改进方法规划的路径长度过长、转折过多,并且规划路径紧靠障碍物,不利于水面无人艇的安全行驶。针对此问题,本文提出一种新的基于线段定理和RRT~*算法(Line segment theorem-RRT~*)的LT-RRT~*算法。该算法对环境地图进行预处理,标示出障碍物周围危险区域,为无人艇与障碍物之间留出安全距离。再根据终点采样概率选取采样点,改善RRT~*算法由于全局采样引起的路径不稳定性。最后根据线段定理重新选取新节点和附近节点的父节点,跳过中间节点连接树节点,减少路径折点,最终生成相对平滑的避障路径。在相同环境下,将改进算法与现有算法避障规划效果进行比较分析,结果表明了LTRRT~*算法的有效性。