[发明专利]基于OS‑ELM算法的无人船环境调节方法

说明书

技术领域

本发明属于无人船人工智能领域，具体的说是基于OS-ELM算法的无人船环境调节方法。

背景技术

近年来，人工智能技术在各领域中的应用越来越多，但是受应用需求及技术水平的限制，国内无人船的研究进展比较缓慢，大多数无人船都作为无人遥控航行器开发的，控制方式也大多是遥控方式。因此有必要设计一种能准确识别海洋环境、周围目标和能准确判断无人艇航行状态、运动姿态的无人船环境感知系统，辅助无人船进行自主决策，由遥控式发展为智能式。

现如今的大多数环境感知方法只是针对外部环境展开研究，然而在实际应用中并非总是如此，感知外部环境的同时还需要时刻关注船体自身的动态性能，航行姿态等内环境，内外环境有机结合才能提高船体稳定性和识别准确度。

但是内外部环境感知传感器接收的数据量很大且需快速处理，但相关的大数据处理技术的研究有待深入。目前已有少部分文献对无人船数据处理算法进行研究，但是处理的数据大部分是单一结论，且大多数算法采用了增加节点数量，提高成本来实现，如基于惯导系统的航行状态感知方法、基于小波分析法的MEMS陀螺去噪研究等。但是如果控制成本，减少节点数量时，运算量会增加，且计算误差会增大，无人船的稳定性得不到保证。

发明内容

本发明要解决的技术问题在于，克服现有技术的不足，提供一种基于OS-ELM算法的无人船环境调节方法，其既可以同时研究无人船航行时的内环境和外环境，又可以在样本有限的情况下完成运算，且学习速度快、运算精度高。

本发明所涉及的一种基于OS-ELM算法的无人船环境调节方法，包括以下步骤：构建无人船的实验环境，采集无人船航行数据；根据无人船航行数据，行成样本集；采用OS-ELM算法对所述样本集进行处理，得到无人船内环境和外环境的耦合关系；根据所述耦合关系和无人船在实际航行中所采集的数据进行匹配，来调节在实际航行中无人船的内环境和外环境。

进一步地，所述构建无人船的实验环境，具体包括：在无人船上安装内部环境传感器和外部环境传感器；所述外部环境传感器与外部环境上位机连接；所述内部环境传感器通过实验现场总线与内部环境上位机连接；所述内部环境上位机和外部环境上位机分别与服务器相连。

更进一步地，所述采用OS-ELM算法对所述样本集进行处理，具体包括：所述样本集被传送至服务器；随机取m％的样本集中样本完成OS-ELM算法的初始阶段，得到单层前馈神经网络的输出权重矩阵β的表达式，所述m％小于50％；随机取(1-m％)的样本集，结合单层前馈神经网络的输出权重β矩阵的递推公式，完成OS-ELM算法的学习阶段，得到完善后的单层前馈神经网络的输出权重矩阵β。

再进一步地，所述随机取m％的样本集中样本完成OS-ELM算法的初始阶段，具体包括：设定网络隐节点数L；随机取出所述样本集N(x，t)中m％的样本N’(x_j，t_j)，j＝1、2……n，其中n>>L；随机取隐节点输入权值a_i和阀值b_i，i＝1、2……L；求出隐含层输出函数G(a_i,b_i,x)，从而得到神经网络的隐含层输出矩阵H₀；求出等价输入变量r，从而得到神经网络的输出矩阵R。

还进一步地，所述求出隐含层输出函数G(a_i,b_i,x)，从而得到神经网络的隐含层输出矩阵H₀，具体包括：

所述隐含层输出函数G(a_i,b_i,x)的计算公式为：

G(a_i,b_i,x)＝g(a_i·x+b_i)(1)

公式(1)中，其中g为激活函数，采用Sigmoid函数求得；a_i·x代表隐节点输入权值向量a_i和样本向量x的内积；所述隐节点输入权值a_i和阀值b_i的取值在[-1，1]之间；

所述神经网络的隐含层输出矩阵H₀的计算公式为：

公式(2)中，g₁₁……g_mn代表隐含层输出函数G(a_i,b_i,x)的不同取值。

又进一步地，所述求出等价输入变量r，从而得到网络的输出矩阵R，具体包括：