[发明专利]一种基于小波聚类的UUV巡岸轮廓构建方法

说明书

本发明提供一种基于小波聚类的UUV巡岸轮廓构建方法，针对UUV的未知环境探测与同步巡岸控制中的环境轮廓构建问题，提出了一种改进的基于小波聚类的轮廓构建方法。该算法对原始障碍点数据进行局部小波聚类给出UUV在当前位置下视域内的孤立点备选集R和各个类的集合C_i，并通过全局聚类决策制订的一系列聚类策略对孤立点和类数据进行处理，使孤立点被剔除，得到了海岸轮廓的障碍点集，再通过该障碍点集利用Alpha‑Shapes的方法得出具体的海岸轮廓。本文模拟UUV巡岸过程中采集障碍点并加入噪声数据，将其作为原始数据进行仿真，算法快速准确地给出了海岸轮廓，证明了算法的有效性和可行性。

技术领域

本发明涉及一种基于小波聚类的UUV巡岸轮廓构建方法，属于UUV未知环境探测领域。

背景技术

未知环境探测与同步巡岸控制问题(Simultaneous Detection and Patrolling,SDAP)是UUV探测未知环境中的重要应用，是指UUV利用声呐等传感器获得数据并完成环境轮廓的构建任务，同步地实现UUV巡岸控制。由于声纳数据是UUV自主决策的唯一依据，其准确性对UUV的航行安全及任务执行结果有着直接影响。但在UUV航行过程中，受声纳自身特点及环境干扰等因素的限制，声纳数据具有准确性差、可靠程度低等特点，导致声纳数据呈现弱观测的特点，如何能让UUV充分地观测环境，成为SDAP问题的关键。检测孤立点可以采用2种方案：将孤立点和正常数据进行分类或者进行聚类。分类过程需要先验知识的支持，必须利用训练样本进行建模，再根据模型对探测数据进行分类。聚类则是将包含数据的不同模式以非监督的方式划分到不同簇类，使簇内部对象彼此之间的相似度尽可能地大，不同簇类对象的相似度尽可能小，对于未知的轮廓构建问题，一般采用聚类算法。

聚类算法需要根据数据的积聚规则选取，对于SDAP问题中UUV侧扫声呐收集的数据，主要有如下几个特点：1、数据量大、数据需要多次聚类，UUV在巡岸过程中声呐不断检测到新的障碍点，每次更新后都需要再次聚类。2、聚类数据重复，每个控制节拍得到障碍物位置信息，都要在UUV视域内聚类，每次聚类都有大量与上次重复的数据。3、障碍物单一，SDAP问题是在UUV巡岸过程中提出的，因此障碍物多为海岸的轮廓线，这可以作为判断噪声的辅助手段。

针对巡岸轮廓构建中的数据特点，选择小波聚类作为聚类方法。小波聚类算法是一种基于网格和密度的聚类算法，具有以下优点：1、对数据对象的输入先后顺序不敏感、聚类的结果不受噪声影响、不需要关于类数量的先验知识、聚类速度非常快、能对大型数据集进行聚类；2、小波聚类算法是一种基于小波分析的网格聚类算法，所以它能够在不同精度上发现任意形状的类；3、小波聚类在特征空间上应用小波变换会产生多个分解层次，对每个分解层次能产生不同精度的簇集，而每次分解时应用的低通滤波器可以移除噪声，因此小波聚类能在聚类的同时除去噪声。因此小波聚类被广泛地应用在大数据集和高维度数据集的处理中。

本文提出应用于SDAP问题的改进的小波聚类算法。该算法在局部利用小波聚类对UUV视域内数据进行聚类，在整体上利用全局聚类决策对UUV巡岸数据聚类结果判断得到环境轮廓的簇，再用Alpha-Shapes算法画三角网，给出环境轮廓。

发明内容

本发明的目的是为了提供一种基于小波聚类的UUV巡岸轮廓构建方法，实现了除去UUV声呐数据中的噪声点的同时，把UUV巡岸路径中的障碍点聚类，将不同的障碍物区分开来，再根据所得的已知类构建出不规则的环境轮廓。参考输出的轮廓，UUV可以规划巡岸路径，完成探测未知环境的任务。

本发明的目的是这样实现的：步骤一：根据港口卫星图建立环境模型，建立UUV路径跟踪模型；

步骤二：根据环境模型规划UUV路径，设计UUV路径跟踪控制器并跟踪此路径，在跟踪的过程中通过声呐作用于环境模型得到原始数据，原始数据包括声纳数据和噪声数据；