[发明专利]一种基于深度学习的AUV光学引导与测向方法

权利要求书

1.一种基于深度学习的AUV光学引导与测向方法，其特征在于，包括：

S1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；

S2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；

S3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的斜角和方位角信息，并计算出AUV与回坞口的相对位置其具体包括：

将n个光强数值通过深度学习进行预测，判断当前接收器与激光源之间的斜角及方位角信息，从而计算出AUV与回坞口的相对位置，包括：

神经网络的输入定义为AUV上n个接收器接收的光强数值，最终输出为激光源与AUV的倾斜角及方位角；训练与测试数据的获取通过蒙特卡洛仿真模拟光子的水下传播，蒙特卡洛仿真对单个光子的散射及传播过程进行模拟，通过积分得到整个光束在某一位置的光强大小，包括：

步骤S3.1、初始化单个光子的位置信息，激光源为坐标轴原点，定义光子的初始坐标、方向余弦、初始权重及初始步长；

步骤S3.2、光子在传播过程中由于与其他粒子碰撞，发生散射现象；

碰撞后的步长：光子两次散射之间的步长可通过自由步长与剩余步长计算，其中自由步长是通过抽样得到的光子自由程，剩余步长指光子上一次碰撞遇到边界后仍未走完的步长；通过光子当前的方向余弦与步长可计算光子的当前坐标；

碰撞后的权重：光子每次碰撞后，权重根据海水的散射比不断减小；

碰撞后的方向：光子的方向可通过散射角与方位角进行描述，其中方位角满足在(0,2π)范围内的均匀分布，散射角β为：

其中，g为散射因子，ξ是一个在[0,1]区间内均匀分布的随机变量；

步骤S3.3、激光源与AUV的距离可看作累积步长，根据棱镜的位置得到到达每个棱镜范围的光子数量，从而计算该棱镜对应的接收器所接收到的光强；

S4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。

2.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于：所述回坞口安装可在导流罩张角Φ范围内朝向任意方向发射激光束的激光发射装置，AUV前端紧贴设置接收装置；所述接收装置包括n个棱镜和用于获取棱镜光强的光强接收器；n个所述棱镜呈环形贴合分布于AUV前端。

3.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于，基于蒙特卡洛仿真，构建AUV的光强-位置数据库，针对参数的不同取值，获得若干种组合，对每种组合进行若干次仿真，得到一个数据量几十万以上的训练集。

4.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于，所述深度学习采用二阶学习，包括：

第一级深度学习用于判断方位角区域；

第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值。

5.根据权利要求4所述的基于深度学习的AUV光学引导与测向方法，其特征在于，第一级深度学习用于判断方位角区域，包括：

根据AUV前端的n个棱镜呈环状排列，当AUV与激光源呈现不同的方位角时，光强的大小具有对称性的特点，将方位角划分为n个区域，每个区域对应的夹角为360/n°，当方位角落入同一区域时看作一类；故采用DNN网络进行分类确定方位角所在的区域，DNN网络架构由输入层、隐藏层、输出层和softmax函数组成，输入维度为N即棱镜数目，隐藏层分为两层，每层的节点数s为：

s＝log2N

隐藏层后连结softmax函数用来指定N个类别，其中，类别即方位角所在的区域。

6.根据权利要求5所述的基于深度学习的AUV光学引导与测向方法，其特征在于，第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值，包括：

BP神经网络的输入为n个棱镜对应的接收器获取的光强大小，输出为激光源与AUV的斜角及相对方位角，并结合第一级深度学习判别的方位角区域共同确定方位角的具体数值。

7.根据权利要求6所述的基于深度学习的AUV光学引导与测向方法，其特征在于，引入四层BP神经网络结构，包括输入层、双隐含层及输出层；采用多次实验，根据训练结果获取BP神经网络的双隐含层最佳节点数目；

根据变学习率的改进BP算法是指在修正权值时，梯度方向为整体下降速度最快方向，故分别修正输入层与隐含层之间的学习率以及隐含层与输出层之间的学习率，包括：

初始化网络，为权值矩阵赋随机值，初始化各层间的学习率为0到1的随机数，根据给定的训练精度E_min，通过学习率调整权值矩阵w_ij：

得到权值变化矩阵如下，并对权值进行调整：

W(n+1)＝W(n)+ΔW(n)

判断调整后的权值矩阵W(n+1)性能是否优于上一个权值矩阵W(n)，根据新的权值矩阵计算神经网络的误差E(n+1)，若误差减小，即E(n+1)≤E(n)，则保留调整后的权值，并将学习率η修改为η＝2η，继续沿W(n)上负梯度方向搜索直到找不到使误差E(n+1)减小的点为止；

若误差增加，即E(n+1)E(n)，则保留原有权值矩阵，将学习率η修改为η＝0.5η，并沿W(n)上负梯度方向搜索，并计算新的权值矩阵W(n+1)，直到新权值矩阵对应的网络误差E(n+1)≤E(n)为止；

保留此时的E(n+1)及权值W(n+1)、学习率η，沿负梯度方向将新权值矩阵通过梯度下降法进行搜索，直到新点的误差满足目标值或迭代次数超出限制为止。