[发明专利]基于改进Glasius仿生神经网络的静态目标搜索方法与装置

说明书

本发明提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，属于Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。所述基于改进Glasius仿生神经网络的静态目标搜索方法，采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAPsubgt;0/subgt;，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。它主要用于水下自主航行器的路径规划。

技术领域

本发明涉及Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。

背景技术

海洋资源蕴藏着无限的可能性，然而其环境却异常复杂和恶劣，这使得对海洋的探索变得极具挑战性。自主水下航行器(Autonomous Underwater Vehicle，AUV)作为一种高度智能化的设备，具有可装载水下装置、良好的水下移动灵活性和经济适用性等特点，无论在军事领域还是民事领域上，均已受到了广泛关注。

目标搜索是AUV应用的重要领域之一，AUV通过集成各种先进的传感器设备，如声呐、水下相机以及光电设备等，可以对水下环境进行高效、精准的探测和感知。目标搜索本质上是最优路径规划问题。在目标搜索领域中，AUV通常需要在未知的水下环境中，通过最优路径寻找并定位目标物体；因此，高精度和高效率的路径规划，成为了实现AUV水下探测任务的关键。

现有的路径规划方法，一般是采用生物启发神经网络构建路径规划模型；这种方法可以利用先验信息，提取出高价值区域并忽略低价值区域，将水下栅格地图与生物启发神经网络相联系，通过该神经网络中神经元的活性值分布情况，制定AUV的路径规划模型。其中，所述先验信息，可以通过目标预警信息、信号消失位置、时间或其他因素来获取。

仿生神经网络(Bio－inspired Neural Network，BNN)，是一种高效而灵活的生物启发神经网络。近年来，所述仿生神经网络已在多智能体路径规划、目标搜索和目标围捕领域得到了广泛应用。然而，采用所述仿生神经网络进行路径规划方法，通常需要大量计算，对硬件设备的计算性能要求较高。为了解决这个问题，Glasius等人基于BNN提出了Glasius仿生神经网络(Glasius Bio－inspired Neural Network，GBNN)。所述GBNN，使用更简单的微分方程计算神经活动，以提高计算效率。

但是，虽然GBNN具有相对全局的机制，但在复杂情况下，由于神经元刺激信号的时延和衰减不可避免，所述GBNN仍可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想。

发明内容

本发明提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。

本发明所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其技术方案如下：

所述方法具体包括：

S1、获取预先采集的先验信息；

S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Map_x×Map_y的栅格地图，作为基础先验目标概率图；

S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Map_x×Map_y；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP₀；