[发明专利]基于神经网络的水下仿生侧线水压与水流场信息探测方法

权利要求书

1.基于神经网络的水下仿生侧线水压与水流场信息探测方法，其特征在于，利用MEMS传感器采集水下水压水流信息，针对不同位置的振动源所对应的水压水流数据建立数据库，通过深度神经网络进行深度学习，训练振动源位置辨别模型，最终利用训练好的模型达到辨识不同振动源位置的效果，实现水下机器人的目标识别定位能力，包括以下步骤：

S1、按照鱼类仿生学设计流线型的水下机器人，并确定其侧线位置；

S2、沿步骤S1确定的侧线位置布置MEMS传感器，侧线位于水下机器人轴线两侧对称位置，侧线位置上设置有用于安装MEMS传感器的凹坑，MEMS传感器可同时获取水压压力数据和水流流速数据，输出为双通道的频谱信息，且具有防水性能；

S3、在水下机器人周围不同位置放置振动源，利用步骤S2布置的MEMS传感器获取不同位置振动源所对应的水压和水流数据，不同振动源的不同位置是与水下机器人同一水平面的不同坐标位置，数据库的一种组成方式为：在仿生水下机器人头部前方选择90个不同位置放置振动源，每个位置采集5次水压水流数据，记录不同坐标所对应的水压水流信号，构建450组水压水流数据的数据库；数据库的另一种组成方式为：将水下机器人周围水域划分成36个区域，在每个区域中随机选取10个位置进行水压水流数据采集，同一个区域内的数据试做一组，总共获得36类共360组水压水流数据的数据库，数据库中，随机抽取75％作为深度神经网络的训练数据，15％用于训练时的测试数据，15％用于训练结束后的验证数据；

S4、设计深度神经网络，将步骤S3获取的水压水流数据导入深度神经网络中，训练出具有辨识振动源位置的深度神经网络模型，具体如下：

S401、将步骤S3采集到的水压水流信号频谱数据作为训练样本，确定深度神经网算法的隐层层数；

S402、采用逐层贪婪算法逐层确定每层去噪自动编码器的参数值进行逐层预训练，最后连接一个可以输出坐标值的具有分类功能的输出层，预训练具体如下：

采用去噪自动编码器作为特征提取，在特征提取的过程中将人工噪声融合到数据中，训练第i个去噪自动编码器，使用训练的第i个去噪自动编码器初始化深度神经网算法的第i层隐层层数；

如果i≤N，N为深度神经网络中去噪自动编码器层数，返回重新开始训练第i个去噪自动编码器DAE；

如果i＞N，根据振动源位置确定输出层；

S403、根据样本的位置，采用BP算法进行深度神经网算法参数的微调，确定深度神经网络模型参数；

S404、根据步骤S403确定的参数完成深度神经网算法训练并输出判断结果；

S5、利用步骤S4建立的深度神经网络模型推导出振动源位置。