留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

自组织优化分类的AUV地磁导航适配区选取

种洋 柴洪洲 郭云飞 王旭 刘必欣

种洋, 柴洪洲, 郭云飞, 王旭, 刘必欣. 自组织优化分类的AUV地磁导航适配区选取[J]. 武汉大学学报 ( 信息科学版), 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
引用本文: 种洋, 柴洪洲, 郭云飞, 王旭, 刘必欣. 自组织优化分类的AUV地磁导航适配区选取[J]. 武汉大学学报 ( 信息科学版), 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
CHONG Yang, CHAI Hongzhou, GUO Yunfei, WANG Xu, LIU Bixin. Matching Area Selection for AUV Geomagnetic Navigation by Self-organizing Optimization Classification[J]. Geomatics and Information Science of Wuhan University, 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
Citation: CHONG Yang, CHAI Hongzhou, GUO Yunfei, WANG Xu, LIU Bixin. Matching Area Selection for AUV Geomagnetic Navigation by Self-organizing Optimization Classification[J]. Geomatics and Information Science of Wuhan University, 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443

自组织优化分类的AUV地磁导航适配区选取

doi: 10.13203/j.whugis20190443
基金项目: 

国家自然科学基金 41904039

国家自然科学基金 42074014

地理信息工程国家重点实验室开放研究基金 SKLGIE 2017-M-2-6

详细信息

Matching Area Selection for AUV Geomagnetic Navigation by Self-organizing Optimization Classification

Funds: 

The National Natural Science Foundation of China 41904039

The National Natural Science Foundation of China 42074014

the State Key Laboratory of Geo-Information Engineering SKLGIE 2017-M-2-6

More Information
    Author Bio:

    CHONG Yang, PhD, specializes in intelligent multi-mode spatial analysis and geographical information system. E-mail: chongyang_geodesy@outlook.com

    Corresponding author: LIU Bixin, PhD, professor. E-mail: liubixin@gmail.com
  • 摘要: 为确保水下自主航行器(autonomous underwater vehicle, AUV)地磁导航的可靠性及其航迹规划的合理性,提出了一种基于主成分分析(principal component analysis, PCA)和改进反向传播(back-propagation, BP)神经网络结合的候选地磁匹配区自组织优化分类方法。将候选地磁匹配区的分类问题统一在模式识别的框架下,首先,采用PCA对若干地磁图特征参数进行线性变换,获取独立的主成分特征参量;然后,利用遗传算法(genetic algorithm, GA)优化BP神经网络的初始权阈值来提高候选地磁匹配区适配性分类的准确性;最后,借助GA-BP神经网络来构建地磁图特征参数和匹配性能的映射关系,完成地磁适配区的自动识别。仿真实验结果表明,该自组织优化分类方法在地磁导航适配区选取方面具有较高的分类精度和可靠性,为AUV的高精度长航时自主导航提供重要保障。
  • 图  1  候选地磁匹配区划分

    Figure  1.  Division of Candidate Geomagnetic Matching Area

    图  2  PCA主成分方差信息分布图

    Figure  2.  Distribution Map of PCA

    图  3  全局分类正确率随隐层节点数变化曲线

    Figure  3.  Variation Curve of O with the Number of Hidden Layer Nodes

    图  4  候选地磁匹配区的航迹匹配结果

    Figure  4.  Track Matching Results of Candidate Geomagnetic Matching Areas

    图  5  地磁适配区分布

    Figure  5.  Distribution of Geomagnetic Matching Areas

    表  1  不同分类方法性能对比

    Table  1.   Performance Comparison of Different Classification Methods

    分类方法 分类正确率/%
    C1 C2 A O
    Nono 85.92 93.24 89.58 87.86
    PO 94.17 97.30 95.74 94.29
    FS 91.75 95.95 93.85 92.86
    FSPO 96.60 97.30 96.95 96.79
    下载: 导出CSV

    表  2  候选地磁匹配区的分类标签

    Table  2.   Classification Labels of Candidate Geomagnetic Matching Areas

    候选匹配区 匹配概率/% 分类标签
    区域1 62.59 非适配
    区域2 93.25 适配
    区域3 47.86 非适配
    下载: 导出CSV

    表  3  仿真参数设置

    Table  3.   Simulation Parameter Setting

    参数 参数值
    惯性导航初始经度误差/n mile 2
    惯性导航初始纬度误差/n mile 2
    陀螺零偏/(()h-1 0.01
    加表零偏/(ms-2 1×10-5
    AUV匀速运动速度/(nmileh-1 9.7
    AUV偏航角/( 50
    AUV航行时间/h 3.5
    惯性导航初始状态方差/()2 0.001
    地磁图噪声方差/nT2 10
    地磁测量噪声方差/nT2 10
    下载: 导出CSV

    表  4  绝对匹配误差统计值

    Table  4.   Statistics of Absolute Matching Errors

    名称 区域
    编号
    误差/n mile
    最大值 最小值 平均值 均方误差
    纬向 1 2.335 4 0.005 6 1.816 2 1.625 5
    2 2.424 6 0.001 7 0.916 1 0.455 2
    3 7.377 1 0.006 8 5.027 8 4.483 4
    经向 1 4.827 9 0.010 4 2.684 0 2.160 6
    2 2.037 6 0.007 8 0.990 4 0.606 0
    3 5.230 7 0.009 2 3.846 9 3.777 2
    下载: 导出CSV
  • [1] Zheng H, Wang H B, Wu L, et al. Simulation Research on Gravity-Geomagnetism Combined Aided Underwater Navigation[J]. Journal of Navigation, 2013, 66(1): 83-98 doi:  10.1017/S0373463312000343
    [2] Wang L H, Yu L, Qiao N, et al. Analysis and Simulation of Geomagnetic Map Suitability Based on Vague Set[J]. Journal of Navigation, 2016, 69 (5): 1114-1124 doi:  10.1017/S0373463316000199
    [3] Wang P, Hu X P, Wu M P, et al. Route Planning of Geomagnetic Aided Navigation for Vehicle Under Matching Suitability Constraints[J]. Applied Mechanics and Materials, 2014, 454: 39-42
    [4] Cui R X, Li Y, Yan W S. Mutual InformationBased Multi-AUV Path Planning for Scalar Field Sampling Using Multidimensional RRT*[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2016, 46(7): 993-1004 doi:  10.1109/TSMC.2015.2500027
    [5] Paull L, Saeedi S, Seto M, et al. AUV Navigation and Localization: A Review[J]. IEEE Journal of Oceanic Engineering, 2014, 39(1): 131-149 doi:  10.1109/JOE.2013.2278891
    [6] Cao X, Zhu D, Yang S X. Multi-AUV Target Searching Under Ocean Current Based on PPSO and Velocity Synthesis Algorithm[J]. Underwater Technology, 2015, 33(1): 31-39 doi:  10.3723/ut.33.031
    [7] 沈林成, 卜彦龙, 徐昕, 等. 景象匹配辅助组合导航中景象区域适配性研究进展[J]. 航空学报, 2010, 31 (3): 553-563 https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201003022.htm

    Shen Lincheng, Bu Yanlong, Xu Xin, et al. Research on Matching-Area Suitability for Scene Matching Aided Navigation[J]. Acta Aeronautica et Astronautica Sinica, 2010, 31(3): 553-563 https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201003022.htm
    [8] Zitová B, Flusser J. Image Registration Methods: A Survey[J]. Image and Vision Computing, 2003, 21(11): 977-1000 doi:  10.1016/S0262-8856(03)00137-9
    [9] Goldenberg F. Geomagnetic Navigation Beyond the Magnetic Compass[C]//IEEE/ION Position, Location, and Navigation Symposium, Coronado, CA, USA, 2006
    [10] 周贤高, 李士心, 杨建林, 等. 地磁匹配导航中的特征区域选取[J]. 中国惯性技术学报, 2008, 16(6): 694-698 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGXJ200806013.htm

    Zhou Xiangao, Li Shixin, Yang Jianlin, et al. Selective Criteria of Characteristic Area on Geomagnetic Map[J]. Journal of Chinese Inertial Technology, 2008, 16(6): 694-698 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGXJ200806013.htm
    [11] 刘玉霞, 周军, 葛致磊. 基于投影寻踪的地磁匹配区选取方法[J]. 宇航学报, 2010, 31(12): 2677-2682 doi:  10.3873/j.issn.1000-1328.2010.12.009

    Liu Yuxia, Zhou Jun, Ge Zhilei. A Projecting Pursuit-Based Selection Method for Matching Region in Geomagnetism Navigation[J]. Journal of Astronautics, 2010, 31(12): 2677-2682 doi:  10.3873/j.issn.1000-1328.2010.12.009
    [12] 赵建虎, 王胜平, 王爱学. 基于地磁共生矩阵的水下地磁导航适配区选择[J]. 武汉大学学报·信息科学版, 2011, 36(4): 446-449 http://ch.whu.edu.cn/article/id/521

    Zhao Jianhu, Wang Shengping, Wang Aixue. Study on the Selection of the Geomagnetic Adaptable Matching Area Based on the Geomagnetic Co-occurrence Matrix[J]. Geomatics and Information Science of Wuhan University, 2011, 36(4): 446-449 http://ch.whu.edu.cn/article/id/521
    [13] 张凯, 赵建虎, 王锲. 基于支持向量机的水下地形匹配导航中适配区划分方法研究[J]. 大地测量与地球动力学, 2013, 33(6): 72-77 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201306017.htm

    Zhang Kai, Zhao Jianhu, Wang Qie. Study on Recognition and Classification of Appropriate Matching Area for Underwater Navigation Based on SVM[J]. Journal of Geodesy and Geodynamics, 2013, 33 (6): 72-77 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201306017.htm
    [14] 肖晶, 齐晓慧, 段修生, 等: 自组织优化分类的AUV地磁导航适配区选取等. 基于并行卷积神经网络的地磁导航方向适配性分析[J]. 中国惯性技术学报, 2017, 25(3): 349-355 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGXJ201703013.htm

    Xiao Jing, Qi Xiaohui, Duan Xiusheng, et al. Direction Navigability Analysis for Geomagnetic Navigation Based on Parallel Convolutional Neural Networks[J]. Journal of Chinese Inertial Technology, 2017, 25(3): 349-355 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGXJ201703013.htm
    [15] 李钊伟, 郑伟, 房静, 等. 基于新型主成分加权平均归一化法优选水下重力匹配导航适配区[J]. 地球物理学报, 2019, 62(9): 3269-3278 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201909006.htm

    Li Zhaowei, Zheng Wei, Fang Jing, et al. Optimizing Suitability Area of Underwater Gravity Matching Navigation Based on a New Principal Component Weighted Average Normalization Method[J]. Chinese Journal of Geophysics, 2019, 62(9): 3269-3278 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201909006.htm
    [16] 种洋. 水下地磁辅助惯性导航关键技术研究[D]. 郑州: 信息工程大学, 2017

    Chong Yang. Research on the Key Technologies of Underwater Geomagnetism Aided Inertial Navigation[D]. Zhengzhou: Information Engineering University, 2017
    [17] 胡小平. 水下地磁导航技术[M]. 北京: 国防工业出版社, 2013

    Hu Xiaoping. Technologies on Underwater Geomagnetic Field Navigation[M]. Beijing: National Defense Industry Press, 2013
    [18] 张凯, 赵建虎, 施闯, 等. BP神经网络用于水下地形适配区划分的方法研究[J]. 武汉大学学报·信息科学版, 2013, 38(1): 56-59 http://ch.whu.edu.cn/article/id/6072

    Zhang Kai, Zhao Jianhu, Shi Chuang, et al. Study on Classification of Matching Area of Underwater Topography Based on BP Neural Network[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1): 56-59 http://ch.whu.edu.cn/article/id/6072
    [19] Wang P, Hu X P, Wu M P. Matching Suitability Analysis for Geomagnetic Aided Navigation Based on an Intelligent Classification Method[J]. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2014, 228 (2): 271-283 doi:  10.1177/0954410012470906
    [20] Sun G D, Qin L A, Hou Z H, et al. Feasibility Analysis for Acquiring Visibility Based on LiDAR Signal Using Genetic Algorithm-Optimized Back Propagation Algorithm[J]. Chinese Physics B, 2019, 28(2): 283-287
    [21] 王晨阳. PCA和GA-BP结合的地磁导航适配区选择方法[J]. 电光与控制, 2018, 25 (6): 110-114 doi:  10.3969/j.issn.1671-637X.2018.06.024

    Wang Chenyang. Geomagnetic Navigation Matching Area Selection Based on PCA and GA-BP Neural Network[J]. Electronics Optics & Control, 2018, 25 (6): 110-114 doi:  10.3969/j.issn.1671-637X.2018.06.024
    [22] 王鹏, 曹聚亮, 胡小平. 水下地磁导航适配性研究[M]. 北京: 国防工业出版社, 2017

    Wang Peng, Cao Juliang, Hu Xiaoping. Research on Matching Suitability for Underwater Geomagnetic Navigation[M]. Beijing: National Defense Industry Press, 2017
    [23] Meyer B, Chulliat A, Saltus R. Derivation and Error Analysis of the Earth Magnetic Anomaly Grid at 2 Arc-Minute Resolution Version 3 (EMAG2 v3) [J]. Geochemistry Geophysics Geosystems, 2017, 18 (12): 4522-4537 doi:  10.1002/2017GC007280
  • [1] 王鹏新, 陈弛, 张悦, 张树誉, 刘峻明.  利用双变量同化与PCA-Copula法的冬小麦单产估测 . 武汉大学学报 ( 信息科学版), 2022, 47(8): 1201-1212. doi: 10.13203/j.whugis20220038
    [2] 陈宇伦, 陈丹妮, 李熙.  利用城市公共摄像头分析夜间灯光变化规律 . 武汉大学学报 ( 信息科学版), 2022, 47(8): 1318-1327. doi: 10.13203/j.whugis20220235
    [3] 王勇, 任栋, 刘严萍, 李江波.  融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究 . 武汉大学学报 ( 信息科学版), 2019, 44(8): 1198-1204. doi: 10.13203/j.whugis20170340
    [4] 赵祥鸿, 暴景阳, 欧阳永忠, 黄贤源, 黄辰虎, 陆秀平.  利用BP神经网络剔除多波束测深数据粗差 . 武汉大学学报 ( 信息科学版), 2019, 44(4): 518-524. doi: 10.13203/j.whugis20160336
    [5] 佃袁勇, 杨光, 方圣辉.  傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类 . 武汉大学学报 ( 信息科学版), 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
    [6] 苟娇娇, 罗明良, 王飞.  影响黄土高原集水面积阈值的地形因子主成分分析 . 武汉大学学报 ( 信息科学版), 2017, 42(5): 704-710. doi: 10.13203/j.whugis20140783
    [7] 李冲, 李建成, 黄瑞金, 谭理.  考虑欧拉矢量的BP神经网络模型建立区域地壳运动速率场 . 武汉大学学报 ( 信息科学版), 2014, 39(3): 362-366. doi: 10.13203/j.whugis20120046
    [8] 田晶, 何遒, 周梦杰.  运用主成分分析识别道路网中的网格模式 . 武汉大学学报 ( 信息科学版), 2013, 38(5): 604-607.
    [9] 张凯, 赵建虎, 施闯, 张海涛.  BP神经网络用于水下地形适配区划分的方法研究 . 武汉大学学报 ( 信息科学版), 2013, 38(1): 56-59.
    [10] 陈炳文, 王文伟, 秦前清.  利用主成分背景抑制的红外目标检测 . 武汉大学学报 ( 信息科学版), 2012, 37(8): 925-928.
    [11] 聂建亮, 高为广, 张双成.  利用BP神经网络的动态精密单点定位故障诊断算法 . 武汉大学学报 ( 信息科学版), 2010, 35(3): 283-285.
    [12] 王殊伟, 李斐, 柯宝贵, 王文睿.  基于BP神经网络算法的GPS水准高程转换 . 武汉大学学报 ( 信息科学版), 2009, 34(10): 1190-1193.
    [13] 宋雷, 方剑, 周旭华, 黄腾.  Bayesian正则化BP神经网络拟合两类似大地水准面 . 武汉大学学报 ( 信息科学版), 2009, 34(5): 552-555.
    [14] 高为广, 杨元喜, 张双成.  顾及动力学模型误差影响的GPS/INS组合导航自适应滤波算法 . 武汉大学学报 ( 信息科学版), 2008, 33(2): 191-194.
    [15] 焦利民, 刘耀林, 任周桥.  基于自组织神经网络的空间点群聚类及其应用分析 . 武汉大学学报 ( 信息科学版), 2008, 33(2): 168-171.
    [16] 文汉江, 章传银.  由ERS-2和TOPEX卫星测高数据推算的海面高异常的主成分分析 . 武汉大学学报 ( 信息科学版), 2006, 31(3): 221-223.
    [17] 王建梅, 覃文忠.  基于L-M算法的BP神经网络分类器 . 武汉大学学报 ( 信息科学版), 2005, 30(10): 928-931.
    [18] 邵黎霞, 何宗宜, 艾自兴, 宋晓东.  基于BP神经网络的河系自动综合研究 . 武汉大学学报 ( 信息科学版), 2004, 29(6): 555-557.
    [19] 贾永红, 李德仁.  多源遥感影像像素级融合分类与决策级分类融合法的研究 . 武汉大学学报 ( 信息科学版), 2001, 26(5): 430-434.
    [20] 郭仁忠, 张克权.  Q型聚类分析中变量相关性的处理方法分析 . 武汉大学学报 ( 信息科学版), 1987, 12(3): 64-78.
  • 加载中
图(5) / 表(4)
计量
  • 文章访问数:  270
  • HTML全文浏览量:  85
  • PDF下载量:  28
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-26
  • 刊出日期:  2022-05-05

自组织优化分类的AUV地磁导航适配区选取

doi: 10.13203/j.whugis20190443
    基金项目:

    国家自然科学基金 41904039

    国家自然科学基金 42074014

    地理信息工程国家重点实验室开放研究基金 SKLGIE 2017-M-2-6

    作者简介:

    种洋,博士,主要从事智能化多模空间分析和地理信息系统方面的研究。chongyang_geodesy@outlook.com

    通讯作者: 刘必欣,博士,研究员。liubixin@gmail.com
  • 中图分类号: P228

摘要: 为确保水下自主航行器(autonomous underwater vehicle, AUV)地磁导航的可靠性及其航迹规划的合理性,提出了一种基于主成分分析(principal component analysis, PCA)和改进反向传播(back-propagation, BP)神经网络结合的候选地磁匹配区自组织优化分类方法。将候选地磁匹配区的分类问题统一在模式识别的框架下,首先,采用PCA对若干地磁图特征参数进行线性变换,获取独立的主成分特征参量;然后,利用遗传算法(genetic algorithm, GA)优化BP神经网络的初始权阈值来提高候选地磁匹配区适配性分类的准确性;最后,借助GA-BP神经网络来构建地磁图特征参数和匹配性能的映射关系,完成地磁适配区的自动识别。仿真实验结果表明,该自组织优化分类方法在地磁导航适配区选取方面具有较高的分类精度和可靠性,为AUV的高精度长航时自主导航提供重要保障。

English Abstract

种洋, 柴洪洲, 郭云飞, 王旭, 刘必欣. 自组织优化分类的AUV地磁导航适配区选取[J]. 武汉大学学报 ( 信息科学版), 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
引用本文: 种洋, 柴洪洲, 郭云飞, 王旭, 刘必欣. 自组织优化分类的AUV地磁导航适配区选取[J]. 武汉大学学报 ( 信息科学版), 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
CHONG Yang, CHAI Hongzhou, GUO Yunfei, WANG Xu, LIU Bixin. Matching Area Selection for AUV Geomagnetic Navigation by Self-organizing Optimization Classification[J]. Geomatics and Information Science of Wuhan University, 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
Citation: CHONG Yang, CHAI Hongzhou, GUO Yunfei, WANG Xu, LIU Bixin. Matching Area Selection for AUV Geomagnetic Navigation by Self-organizing Optimization Classification[J]. Geomatics and Information Science of Wuhan University, 2022, 47(5): 722-730. doi: 10.13203/j.whugis20190443
  • 随着海洋资源的开发和无人武器系统在海洋的广泛应用,水下自主航行器(auton‍omous underwater vehicle,AUV)的智能控制和高精度长航时自主导航如何实现得到了世界海洋大国的广泛重视。复杂多变的海洋环境会对AUV的航行造成巨大干扰,水下高精度长航时自主导航成为AUV发展的主要瓶颈[1-2]。由于深海导航的特殊性,AUV水下导航多以惯性导航系统(inertial navigation system,INS)为主,辅以地磁、重力等多种地球物理传感器构成的组合导航系统。地磁场包含地磁总强度、分向强度、磁倾角和磁偏角等多种地磁特征分量,具有丰富的地磁匹配特征信息,综合惯性信息和地磁特征信息可定期校正INS的累积误差,进而实现AUV的高精度长航时自主导航。水下地磁辅助导航的关键技术主要包括高精度地磁图的获取,地磁匹配算法优化设计,地磁图适配性分析技术及多传感器组合导航技术等[3-4]。地磁图适配性反映的是地磁匹配过程中地磁特征信息描述地理位置的性能指标,本文基于已有地磁基准图,研究AUV水下导航地磁适配区的智能选取,为实现其最优航迹规划提供重要参考[5-6]

    在适配区选取方面[7],Zitová等[8]在景象匹配的研究中发现,实现景象匹配前必须选取出适合匹配算法的景象区域;Goldenberg[9]提出采用相关半径、相关函数等参数可有效估计地磁场的可用性,并指出地磁场的可用性与所选择的区域密切相关;周贤高等[10]将粗糙度、熵等作为地磁图特征参数,通过对各个特征参数分别设定阈值来选取适配区,满足所有阈值条件即可被判定为地磁适配区,使地磁图适配性得到较为全面的参数评价。基于熵和投影追踪理论,刘玉霞等[11]融合多种地磁特征参数给出区域适配性的综合评价指数,进而实现地磁适配区的综合选取;赵建虎等[12]通过构建地磁灰度共生矩阵来选取地磁适配区,采用熵、地磁对比度等特征参数确定地磁适配区对应的截止阈值,结果表明,共生矩阵特征参数在不同候选匹配区的选取结果和误配性能与实际地磁匹配效果保持一致。这些研究从信息论、统计学等角度对地磁适配性进行了梳理,取得一定进展。但上述地磁特征参数的提取容易引入跟适配性相关性弱甚至无关的特征参数,导致磁场特征难以全面表达,同时也会增加计算的复杂度。

    基因表达式编程、BP(back propagation)神经网络及支持向量机等人工智能分类器的引入,极大地减小了人为因素的干扰,这些分类器在地磁适配性分析方面得到广泛应用。张凯等[13]提出利用支持向量机构建地形匹配算法与特征信息、量测噪声之间的对应关系,实现水下地形适配区的准确划分;肖晶等[14]基于并行卷积神经网络自动获取地磁场不同角度的方向适配性特征,通过构建评价分析模型来提高地磁方向适配性预测的准确率;李钊伟等[15]将新型主成分加权平均归一化法作为匹配区适配性的依据,通过总体特征指标实现适配区的划分,进而有效提高水下潜行器导航的匹配精度和稳定性。但基于传统人工智能分类器的适配性分析无法对地磁特征提取和综合评价进行独立分析,并受限于分类器有限的计算单元和基本参数设置,计算效率也有待提高。

    综上,在选取恰当分类器进行地磁特征选取的同时,还需要优化选取合适的分类器参数。因此,本文提出了一种基于主成分分析(principal component analysis,PCA)和改进BP神经网络相结合的候选地磁匹配区自组织优化分类方法。提出的自组织优化分类方法能够从特征选取和参数优化两个角度来提高候选地磁匹配区的分类正确率,实现候选地磁匹配区的自动识别,智能选取出性能较好的地磁适配区。仿真实验结果表明,该自组织优化分类方法能有效提高地磁适配区域划分的精度和可靠性。基于航行任务的先验知识,可以在AUV允许航行范围内优先选择若干地磁适配区规划航迹,为实现AUV的高精度长航时自主导航提供重要保障。

    • 水下地磁辅助导航系统采用地磁标准差、粗糙度、相关系数、坡度标准差和地磁信息熵等参数作为评价候选地磁匹配区适配性能的度量。不同参数反映了候选地磁匹配区不同方面的性能,能够反映地磁图的离散程度、局部起伏状态、光滑程度等固有属性[16]。地磁图通常是用一系列的离散点来描述地磁场在空间中的变化特征。

      设某地磁场区域的经纬度跨度为M×N网格(M为纬度跨度,N为经度跨度),f(i,j)为网格点坐标(i,j)处的地磁异常值。从宏观起伏特征(地磁费歇信息量、地磁标准差、累加梯度均值)、微观破碎特征(地磁信息熵、粗糙度、坡度标准差)及自相似特征(相关系数)等7种地磁图特征参数的定义如下[17]

      1)地磁标准差(σ)。σ描述的是候选匹配区地磁场的整体起伏变化,其数值越大,相应地磁特征就越明显。计算公式为:

      σ=1MN-1i=1Mj=1Nfi,j-f¯2

      式中,f¯=1MNi=1Mj=1Nfi,j表示候选匹配区地磁异常的均值。

      2)地磁粗糙度(r)r描述的是候选匹配区地磁场的平均光滑程度,其数值越大,表示该候选匹配区的地磁信息量越丰富。计算公式为:

      r=rx+ry2rx=1M(N-1)i=1Mj=1N-1f(i,j)-f(i,j+1)2ry=1(M-1)Ni=1M-1j=1Nf(i,j)-f(i+1),j2

      式中,rx表示该区域x方向粗糙度;ry表示该区域y方向粗糙度。。

      3)地磁相关系数(ρ)。ρ表示地磁数据之间的相关程度,其数值越小,表明该区域地磁信息越丰富。计算公式为:

      ρ=ρx+ρy2ρx=1M(N-1)σ2×i=1Mj=1N-1f(i,j)-f¯×[f(i,j+1)-f¯]ρy=1(M-1)Nσ2×i=1M-1j=1Nf(i,j)-f¯×[f(i+1,j)-f¯]

      式中,ρx表示该区域x方向的相关系数;ρy表示该区域y方向的相关系数。

      4)地磁坡度标准差(Sσ)Sσ描述的是候选匹配区地磁坡度的整体情况。计算公式为:

      Sσ=1(M-2)(N-2)-1i=2M-1j=2N-1(S(i,j)-S¯)2

      式中,S(i,j)表示地磁坡度值;S¯表示地磁坡度均值。

      5)地磁信息熵(H)。H描述的是候选匹配区的平均信息量,H值越小,代表地磁场特征越独特。计算公式为:

      H=-i=1Mj=1Np(i,j)×log2p(i,j)

      式中,p(i,j)=f(i,j)i=1Mj=1Nf(i,j)。当对数的底数取2时,熵的单位为bit。

      6)地磁费歇信息量(Fisher information content,FIC)FIC可度量地磁场所包含的信息量,其值越大,表明地磁信息越丰富。计算公式为:

      FIC=1MNi=1Mj=1Nh(i,j)2

      式中,h(i,j)表示在地磁场区域网格点(i,j)处的梯度向量。

      7)累加梯度均值(T)。累加梯度代表地磁场的复杂度,其均值描述的是地磁图单位面积的地磁变化。计算公式为:

      T=1MNi=1Mj=1NTx(i,j)2+Ty(i,j)2

      式中,Tx(i,j)表示网格点(i,j)处东向的梯度值;Ty(i,j)表示网格点(i,j)处北向的梯度值。

    • §1.1介绍的7个地磁图特征参数分别从不同角度刻画了地磁图的特征,但参数间会存在共线性问题,进而使所得结果具有较高的预报方差和病态。同时,相关特征参数会增加输入维数,计算量也会大幅提高[18]。因此,需要借助降维的思想进行地磁图特征参数的筛选,将原有的多个特征参数进行线性变换,得到少数几个新的无关联变量来近似描述原有特征信息,称为PCA方法。

      设候选地磁匹配区的个数为m,特征参数个数为n,具体流程为:

      1)特征参数的同趋势化处理。地磁图特征参数既包含如粗糙度、地磁标准差等高优指标,又包含如相关系数、信息熵等低优指标。为确保主成分具有相同的趋势性,需要采用取负法进行同趋势化处理,即x'ij=-xijxij表示低优指标。处理后的评价矩阵表示为X'=x'ijm×n(i=1, 2m;j=1, 2n)

      2)特征参数的标准化处理。各特征参数的量纲存在不一致现象,容易导致奇异数据的出现,并且标准化处理后仍能保持原始数据的基本特征。计算公式为:

      zij=x'ij-x¯jσj

      式中,x¯j=1mi=1mx'ij表示第j个特征参数的均值;σj=1m-1i=1m(x'ij-x¯j)2表示第j个特征参数的标准差。处理后的评价矩阵表示为Z=zijm×n(i=1, 2m;j=1, 2n)

      3)标准化评价值相关矩阵R。计算公式为:

      R=rkjn×n(k,j=1, 2n)

      式中,rkj=rjkrjj=1,且rkj=1mi=1mzikzij

      4)R的特征值、特征向量和方差贡献率的求解。求解得到的特征根λg按从大到小的顺序排序,其表征各主成分在综合评价中的作用大小,同时求得特征向量Lg。方差贡献率为每个主成分表征原评价指标变量的信息量,表示为:

      αg=λgg=1nλg

      通过累计贡献率α(k)可以确定k的值,这里判定准则为α(k)=g=1kαg99%

      5)主成分个数确定。计算结果矩阵T=ZLL表示特征矩阵,Ti表示第i个主成分,这里取前k ‍个主成分。

    • BP神经网络是一种非线性不确定性数学模型,通过不断修改网络的权值和阈值使得均方误差最小,最终实现数据的高精度拟合或分类。但BP算法采用的是梯度下降法,初始权值的选取不同会导致网络发散或陷入局部极值点。遗传算法(genetic algorithm,GA)作为一种随机搜索算法,在搜索过程中并不需要借助梯度信息,而是将网络的权值和阈值作为种群个体仿照基因编码,经过选择、交叉和变异等遗传操作迭代进化得到种群最优个体,解码最优个体获得BP神经网络的近似最优解。这种利用GA对BP神经网络进行优化的模型称为GA-BP神经网络模型[19-21]

    • GA的参数设置为:最大进化代数为100,种群规模为50,优良子辈个数为2,交叉概率为0.6,变异概率为0.001。

      选取分类正确率(Ci)、平均正确率(A)及全局分类正确率(O)作为评估指标[22],分别表示为:

      Ci=NP=ωiR=ωiNR=ωi,i=1, 2A=12i=12NP=ωiR=ωiNR=ωiO=i=12NP=ωiR=ωii=12NR=ωi

      式中,NR=ωi表示真实类别为ωi的样本数;N(P=ωiR=ωi)表示真实类别为ωi的样本中被实际正确筛选出的样本个数i=1, 2Ci表示单类分类正确率,表征分类模型对单一类别的分类性能;A表示平均正确率,表征单一分类性能的平均度量;O表示全局分类正确率,表征分类模型的整体分类性能。

      借助特定地磁图特征参数和适配性标签,通过对GA-BP神经网络训练,得到两者的网络映射。将候选地磁匹配区的地磁图特征参数作为输入量,经过神经网络分类获取对应的适配性标签,实现地磁适配区的智能选取。

      神经网络构建和训练过程如下:

      1)将某一特定水下区域作为候选地磁匹配区进行研究,计算得到该区域的若干个地磁图特征参数,借助PCA提取出新的独立特征参数。

      2)利用地磁滤波匹配算法,本文选用无迹卡尔曼滤波(unscent‍ed Kalman filtering,UKF)算法在任务区域开展地磁匹配定位实验,选取匹配概率Pr[22]作为衡量适配性指标。将1或0设置为适配标签,结合精度要求,当Pr0.7时,类别ω1标定为1;当Pr<0.7时,类别ω2标定为0。

      3)将前两步中的独立特征参数及其对应的适配标签作为BP神经网络训练样本的输入向量,通过GA优化BP神经网络参数,经过多次迭代计算和样本训练,获取可靠稳定的神经网络。

      4)将待研究区域的地磁图划分成若干子区域,重复步骤1)获得若干独立特征参数,并将其输入到训练好的神经网络中,实现对整个研究区域地磁适配性的识别和分类。

    • 2017年5月,美国国家地球物理数据中心利用卫星、船载、航空和地面磁测数据发布的全球地磁异常格网数据(Earth magnetic anomaly grid at 2 arc-minute resolution, version 3, EMAG2 v3)模型,相较于EMAG2(2009)有重大更新。该模型分辨率仍为2′,重点针对船载和航空磁测数据进行更新,新推出了海洋区域的海平面格网数据产品,并利用克里格算法进行海洋稀疏航线地磁异常格网的插值改进,极大提高了全球海洋区域的地磁异常格网模型精度[23]。因此,EMAG2 v3模型能够为AUV水下高精度长航时自主导航提供良好的背景场条件,更有利于仿真验证与分析。本文选取EMAG2 v3模型区域范围为125ºE~135ºE、25ºN~35ºN的中国东海部分海域,利用该部分海域的地磁异常信息展开研究和仿真实验分析。

      将上述海域等分成400块格网作为样本,每个样本的格子尺寸为15×15,如图 1所示。分别计算各子区地磁图特征参数,利用PCA将若干原始地磁图特征参数转化为新的主成分特征参量;通过对GA-BP神经网络训练,实现对各子区的类别划分,给出地磁适配区/非适配区标签。从400 ‍块子区中随机选取120块区域作为训练样本,剩下280块区域作为测试样本,进行自组织优化分类方法性能评估实验。

      图  1  候选地磁匹配区划分

      Figure 1.  Division of Candidate Geomagnetic Matching Area

    • 借助PCA依次提取各子区的7个地磁图特征参数,按照特征属性的同趋势化处理、标准化处理、相关矩阵及其方差贡献率等的求解和综合评价等步骤进行主成分分析,求得每个主成分对应的贡献率和累积贡献率如图 2所示。

      图  2  PCA主成分方差信息分布图

      Figure 2.  Distribution Map of PCA

      图 2可得,前4维主成分包含原始数据99%的方差信息,后3维主成分为冗余信息。稳健起见,选取前5维主成分作为独立输入向量开展后续神经网络训练。

    • 由于输入向量维数降低,使得BP神经网络训练中的神经元个数减少,训练效率也相应得到提高。神经元个数的确定与网络的性能息息相关,需要确定最佳网络神经元的个数。目前该问题并没有统一的解决方案,通常由经验公式或者试算来确定。通过BP神经网络训练来确定最佳神经元个数即隐层节点数,如图 3所示。

      图  3  全局分类正确率随隐层节点数变化曲线

      Figure 3.  Variation Curve of O with the Number of Hidden Layer Nodes

      图 3可得,隐层节点数为7时,全局分类正确率最高,因此这里神经元个数确定为7。

    • 利用本文提出的基于PCA和GA-BP神经网络结合的候选地磁匹配区自组织优化分类方法,从特征选取(feature selection,FS)和参数优化(parameter optimization,PO)两个角度来提高候选地磁匹配区的分类正确率。划分成4种分类方法:(1)无特征选取,无参数优化(Nono);(2)无特征选取,利用GA优化BP神经网络(PO);(3)利用PCA特征选取,无参数优化(FS);(4)利用PCA特征选取,利用GA优化BP神经网络(FSPO)。不同分类方法的性能如表 1所示。

      表 1  不同分类方法性能对比

      Table 1.  Performance Comparison of Different Classification Methods

      分类方法 分类正确率/%
      C1 C2 A O
      Nono 85.92 93.24 89.58 87.86
      PO 94.17 97.30 95.74 94.29
      FS 91.75 95.95 93.85 92.86
      FSPO 96.60 97.30 96.95 96.79

      表 1可得,Nono方法的O相较于其他3种方法是最低的,根本原因在于选取的7个地磁特征参数包含较多的相关信息,造成地磁特征信息的冗余,并且BP神经网络参数没有根据实际情况设置,导致分类结果并不理想。同Nono方法对比,PO和FS方法分别将O提高了6.43%和5%,表明无论从特征选取角度还是参数优化角度,两种方法均能有效改善分类性能。本文提出的FSPO方法分类性能表现最好,其在完成独立特征选取的前提下,同时通过GA来优化神经网络参数,使得O达到96.79%,将分类错误率维持在较低水平,提高了候选地磁匹配区的分类精度。

      从测试样本中随机选取3个候选地磁匹配区进行匹配验证分析,并计算相应区域的匹配概率,按照自组织优化分类方法的一般步骤进行适配区分类,结果如表 2所示。

      表 2  候选地磁匹配区的分类标签

      Table 2.  Classification Labels of Candidate Geomagnetic Matching Areas

      候选匹配区 匹配概率/% 分类标签
      区域1 62.59 非适配
      区域2 93.25 适配
      区域3 47.86 非适配

      表 2可知,基于GA-BP神经网络得到的分类结果与相应区域的匹配概率具有良好的一致性,即分类标签为地磁适配区的区域2实际也具有较好的适配性能,分类标签为地磁非适配区的区域1和区域3的实际适配性能则一般。上述方法给出的结果可信,可将区域2选作地磁适配区。

      为进一步验证该自组织优化分类方法所得结果的正确性和可靠性,采用基于地磁异常的UKF滤波算法对上述随机选取的3个区域进行仿真实验,惯导航迹仿真参数设置如表 3所示。航迹仿真中AUV的运动状态可以描述为:匀加速运动→匀速运动→转弯→匀速状态。起始点分别选定在相应子区域的左下角点位置。航迹匹配结果如图 4所示,候选地磁匹配区沿经度和纬度方向的绝对匹配误差统计如表 4所示。

      表 3  仿真参数设置

      Table 3.  Simulation Parameter Setting

      参数 参数值
      惯性导航初始经度误差/n mile 2
      惯性导航初始纬度误差/n mile 2
      陀螺零偏/(()h-1 0.01
      加表零偏/(ms-2 1×10-5
      AUV匀速运动速度/(nmileh-1 9.7
      AUV偏航角/( 50
      AUV航行时间/h 3.5
      惯性导航初始状态方差/()2 0.001
      地磁图噪声方差/nT2 10
      地磁测量噪声方差/nT2 10

      图  4  候选地磁匹配区的航迹匹配结果

      Figure 4.  Track Matching Results of Candidate Geomagnetic Matching Areas

      表 4  绝对匹配误差统计值

      Table 4.  Statistics of Absolute Matching Errors

      名称 区域
      编号
      误差/n mile
      最大值 最小值 平均值 均方误差
      纬向 1 2.335 4 0.005 6 1.816 2 1.625 5
      2 2.424 6 0.001 7 0.916 1 0.455 2
      3 7.377 1 0.006 8 5.027 8 4.483 4
      经向 1 4.827 9 0.010 4 2.684 0 2.160 6
      2 2.037 6 0.007 8 0.990 4 0.606 0
      3 5.230 7 0.009 2 3.846 9 3.777 2

      综合图 4航迹匹配结果及表 4经纬度方向绝对匹配误差统计,区域2作为地磁适配区具有良好的匹配效果,匹配航迹最接近真实航迹,其经纬度方向的绝对匹配误差也是最小的;而区域‍1和区域‍3作为地磁非适配区出现误匹配现象,相较于区域1,区域3的匹配航迹漂移更为严重。这进一步验证了匹配概率、适配性能及分类标签具有很好的一致性,同时验证了上述方法分类结果的可靠性。

      将各子区域经过PCA获取的独立特征参数输入到训练好的神经网络中,输出得到整个区域的适配性标签。图 5为中国东海部分海域的地磁适配区栅格化选取结果。

      图  5  地磁适配区分布

      Figure 5.  Distribution of Geomagnetic Matching Areas

      图 5中,空白区域表示地磁适配区,阴影区域表示地磁非适配区。统计可得,该区域地磁适配区的数量为283个,地磁非适配区为117个。图 5给出的分类结果可为AUV航迹规划问题提供支持,即在航迹规划前,基于所赋予航行任务的先验知识,可以在AUV允许航行范围内优先选择若干地磁适配区,这为AUV的高精度长航时自主导航提供重要保障。

    • 本文围绕地磁场适配性分析问题,首先,利用PCA选出独立的地磁特征参量;然后,在此基础上利用GA从参数优化角度对BP神经网络的分类性能进行优化;最后,设计了一种基于自组织优化分类的地磁适配区选取方法,实现整个研究区域候选地磁匹配区的自动识别和分类。在上述仿真条件下,经验证,该自组织优化分类方法具有较高的分类精度和可靠性,约束AUV尽可能经过地磁适配区能够有效提高其导航定位精度,能够为AUV完成特定的水下任务提供重要保障。

      本文主要贡献如下:(1)利用PCA进行候选地磁匹配区的特征选择,保证了神经网络训练输入参量的独立性,避免了神经网络结果存在较高的预报方差和病态,同时降维也减小了网络计算量。(2)将GA应用到BP神经网络初始的权阈值优化,解决了BP神经网络极易陷入局部极小值的问题,加快了网络的收敛速度,最终得到BP神经网络的近似最优解。

参考文献 (23)

目录

    /

    返回文章
    返回