CN109711022A - 一种基于深度学习的潜艇抗沉*** - Google Patents
一种基于深度学习的潜艇抗沉*** Download PDFInfo
- Publication number
- CN109711022A CN109711022A CN201811543506.1A CN201811543506A CN109711022A CN 109711022 A CN109711022 A CN 109711022A CN 201811543506 A CN201811543506 A CN 201811543506A CN 109711022 A CN109711022 A CN 109711022A
- Authority
- CN
- China
- Prior art keywords
- submarine
- deep learning
- unit
- state
- high pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学***台、分类单元、深度学***台,采集数据;将采集的数据导入分类单元,将破损后潜艇的状态分为可自救和坐沉;将分类单元中可自救的样本数据进入深度学***台,使其进行在线学习。本发明当潜艇出现非正常运行工况,该***能够在很短的时间内给出高压气吹除方案,调整潜艇的姿态,使其在一定程度上能够正常运行,实现辅助决策的功能。
Description
技术领域
本发明涉及一种潜艇抗沉***,尤其涉及一种基于深度学习的潜艇抗沉***,属于潜艇抗沉领域。
背景技术
21世纪是海洋的世纪,随着陆地资源的任意开发和过度使用,人们不得不将未来的发展重心逐渐向海洋转移。大海的面积占地球表面积近5/7,海洋中蕴含着丰富的生物、矿产等资源,海洋的地位在人类的生存和发展中占据着越来越重要的地位,海洋资源的开发和探索已经上升到海洋资源国家的战略发展高度。根据世界海洋法规定,中国拥有的海洋国土面积是299.7万平方公里,是世界上当之无愧的海洋大国,中国沿海一线有近万个大小岛屿,近年来由于电子计算机技术的高速发展潜艇水下活动的危险性也就不断增加,对抗沉性提出了更高的要求。
潜艇抗沉性是指潜艇抵抗海损事故危害的防沉和抗沉能力,是组成潜艇生命力的重要部分,也是潜艇能够在事故中存活下来的必要条件。在潜艇遭遇紧急情况时,指挥人员的决策能力较正常情况下是有限的,而且潜艇的最佳自救时间很短,如不采取措施,或者采取错误的措施,可能在几十秒甚至几秒内就倾覆。在这种情况下,操作人员根本无暇顾及数值分析结果,最终决策主要取决于自身的经验和主观臆断。
发明内容
本发明的目的是为了帮助潜艇指挥人员在潜艇失事时能够得出最适合的解决方案而提供一种基于深度学习的潜艇抗沉***。
本发明的目的是这样实现的:
一种基于深度学***台、分类单元、深度学习单元、高压气控制单元和在线学习单元;
潜艇仿真试验平台:搭载潜艇仿真试验平台,采集数据;
分类单元:将采集的数据导入分类单元,将破损后潜艇的状态分为可自救和坐沉;
深度学习单元:将分类单元中可自救的样本数据进入深度学习单元,实时分析数据,判断潜艇状态,并向高压气控制单元发出指令;
高压气控制单元:对指定舱室吹除压载水,达到矫正姿态,实现智能抗沉的目的;
在线学***台,使其进行在线学习。
本发明还包括这样一些特征:
1.所述的潜艇仿真实验平台,选定预搭载智能抗沉***的潜艇,固定坐标系E-ξηζ固定随潜艇移动,为随体坐标系,以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴,纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴,然后通过计算机制造潜艇破损情况,然后得出此时最优的解决方案,收集潜艇的横倾角纵倾角θ、所处水深h、破损面积s,破损位置w和进水量v历史信息,作为离线学习样本;
2.所述的分类单元采用多维K近邻算法对数据进行分类,输入训练数据集
通过分类单元输出各个训练样本点所属的类别:可自救或坐沉;
3.所述的深度学习单元,采用长短期记忆网络(LSTM),LSTM单元的状态由输入门,输出门和遗忘门控制,三个门分别控制网络的输入,输出,以及细胞单元的状态;具体是每个时刻LSTM单元接收到输入信息后,每个门将对不同来源的输入进行运算,决定输入信息是否通过;输入门的输入经过非线性函数的变换后,与遗忘门处理的记忆单元状态进行叠加,形成新的记忆单元状态;最终,记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出;其中门单元就是一个使用神经网络和一个按位做乘法的操作,这两个操作合在一起就是一个门单元,门单元中神经网络的权重通过训练过程学习,LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态;
4.所述的高压气控制单元,根据深度学***衡潜艇,达到抗沉的目的;
5.将学***台中,在不同的环境和条件下使用,得出方案,然后根据经验对方案进行调整,最后将其作为在线学习的样本进入分类单元进行分类,然后进入深度学习单元进行学习。
与现有技术相比,本发明的有益效果是:
通过多维K近邻算法对等数据进行分类,剔除没有训练价值(坐沉)的数据,提高了深度学习单元的训练效率,减少了无效数据的干扰,使得最后输出的高压气使用方案更加准确。
通过离线学习可以初步完成深度学习,通过在线学习可以不断优化深度学习单元,离线学习与在线学习相结合,使得潜艇抗沉***更加的符合实际情况,在不同的环境和条件下都能够出色的完成抗沉任务,
通过长短期记忆网络(LSTM),该***可以最大程度上减少数据采集和预处理中的误差对结果的影响,由于在线学习的时间跨度比较长,长短期记忆网络(LSTM)可以记住很长一段时间内的依赖关系,而且该***具有自我学习的功能,随着时间的推移,数据样本的增加,抗沉***可以通过在线学习进行不断的自我学习、自我完善,使其输出结果更加符合实际情况。最终的实现效果相当于一个具有丰富经验而且在潜艇失事时可以冷静、准确的做出判断的指挥员。
本发明提出了一种基于深度学习的潜艇抗沉***,当潜艇出现非正常运行工况,姿态失衡时,该***能够在很短的时间内给出高压气吹除方案,调整潜艇的姿态,使其在一定程度上能够正常运行,实现辅助决策的功能。
附图说明
图1是本发明的整体流程示意图;
图2是本发明的坐标示意图;
图3是本发明LSTM结构示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的目的是为了帮助潜艇指挥人员在潜艇失事时能够得出最适合的解决方案,因而搭载的一种基于深度学习的潜艇抗沉***。
本发明的目的是这样实现的:一种基于深度学习的潜艇抗沉***,由五个部分组成,分别是:
潜艇仿真试验平台,根据潜艇各项参数,搭载潜艇仿真实验平台,用于采集潜艇的横倾角纵倾角θ、所处水深h、破损面积s,破损位置w、进水量v等信息;
分类单元,将潜艇仿真试验平台中数据,导入分类单元对其进行分类,将破损后潜艇的状态分为可自救和坐沉;
深度学习单元,将分类单元中可自救的样本数据进入深度学习单元,实时分析数据,判断潜艇状态,并向高压气控制单元发出指令;
高压气控制单元,根据深度学习单元发送的指令对高压气进行控制,对指定舱室吹除压载水,达到矫正姿态,实现智能抗沉的目的;
在线学***台,使其进行在线学习。
上述技术方案中,所述的潜艇仿真实验平台,选定预搭载智能抗沉***的潜艇,固定坐标系E-ξηζ固定随潜艇移动,为随体坐标系。以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴。纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴。然后通过计算机制造潜艇破损情况,然后得出此时最优的解决方案,收集潜艇的横倾角纵倾角θ、所处水深h、破损面积s,破损位置w、进水量v等历史信息,作为离线学习样本。
上述技术方案中,所述的分类单元采用多维K近邻算法对数据进行分类,输入训练数据集通过分类单元输出各个训练样本点所属的类别(可自救或坐沉)。
上述技术方案中,所述的深度学习单元,采用长短期记忆网络(LSTM),是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,改进了传统的神经网络,解决了传统循环神经网络中存在的因序列过长而无法优化的问题,LTSM在保持传统循环神经网络结构的同时在其中加入了记忆单元,每个LTSM单元中存在一个细胞,被视为是LSTM的记忆单元,用于描述LSTM单元的当前状态;LSTM单元的当前状态由三个控制门控制,三个控制门分别是输入门,输出门和遗忘门,三个门分别控制网络的输入,输出,以及细胞单元的状态;具体是每个时刻LSTM单元接收到输入信息后,每个门将对不同来源的输入进行运算,决定输入信息是否通过;输入门的输入经过非线性函数的变换后,与遗忘门处理的记忆单元状态进行叠加,形成新的记忆单元状态;最终,记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出;其中门单元就是一个使用神经网络和一个按位做乘法的操作,这两个操作合在一起就是一个门单元,门单元中神经网络的权重通过训练过程学习,LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态。
上述技术方案中,所述的高压气控制单元,根据深度学***衡潜艇,达到抗沉的目的。
上述方案中,所述的在线学***台中,在不同的环境和条件下使用,得出方案,然后根据经验对方案进行调整,最后将其作为在线学习的样本进入分类单元进行分类,然后进入深度学习单元进行学习。
本发明所述的一种基于深度学习的潜艇抗沉***,该***采用多维K近邻算法对数据进行分类以及长短期记忆网络(LSTM)对数据进行深度学习,通过对潜艇姿态的分析,判断潜艇是否处于正常工况中,进而调整潜艇的姿态,实现辅助决策的功能。
如图1所示,所述的方法包括如下单元,
潜艇仿真试验平台,根据潜艇各项参数,搭载潜艇仿真实验平台,用于采集潜艇的横倾角纵倾角θ、所处水深h、破损面积s,破损位置w、进水量v等信息;
分类单元,将潜艇仿真试验平台收集的数据,导入分类单元对其进行分类,将破损后潜艇的状态分为可自救和不可自救;
深度学习单元,将分类单元中可自救的样本数据进入深度学习单元,实时分析数据,判断潜艇状态,并向高压气控制单元发出指令;
高压气控制单元,根据深度学习单元发送的指令对高压气进行控制,对指定舱室吹除压载水,达到矫正姿态,实现智能抗沉的目的;
在线学***台,使其进行在线学习。
在本实施例中,潜艇仿真实验平台,选定预搭载智能抗沉***的潜艇,如图2所示,固定坐标系E-ξηζ固定随潜艇移动,为随体坐标系。以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴。纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴。然后通过计算机制造潜艇破损情况,得出此时最优的解决方案,收集潜艇的横倾角纵倾角θ、所处水深h、破损面积s,破损位置w、进水量v等历史信息,作为离线样本。
对样本数据进行预处理,由于样本数据的物理量各不相同,处理方法采用去量纲归一化方法:
其中表示归一化后某一物理量的数值;
xi表示某一物理量的数值;
max表示某一物理量的数值中的最大值;
min表示某一物理量的数值中的最小值。
即每一个变量与变量最小值之差除以该变量取值的全距,标准化后各变量的取值范围限于[0,1]。
将预处理后的数据传输到分类单元,分类单元采用多维K近邻算法对数据进行分类,输入训练数据集输出各个训练样本点所属的子类y or n(可自救或坐沉)。
点与点之间的距离采用欧式距离公式,即:
然后对其进行加权处理,得到最终的距离L。
K值的选取过小会降低分类精度,过大会降低分类效果,K值的设定采用交叉检验的方式,(以k=1为基准)。
再运用K近邻算法模型进行分类,分为y or n(可自救或不可自救)。
将可自救的样本数据传输到深度学习单元,采用长短期记忆网络(LSTM)对数据进行训练学习。
如图3所示,每个LSTM记忆单元含有3个控制门,分别是输入门it,输出门ot和遗忘门ft。如图所示,LSTM在时刻t的输入数据为xt,输出值为ht,ct为记忆状态。具体计算公式如下:
输入门it的计算:
输出门主要决定当前输入数据有多少输入到记忆单元中,由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定。输出门it的计算公式是:
it=σ(Wi*[ht-1,xt]+bi)
Wi为t时刻输入门it的权值矩阵,bi为偏置量,σ采用Sigmoid函数。
输出门ot的计算:
输出门主要是用来控制记忆单元状态值有多少需要输出,由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定,输出门ot的计算公式为
ot=σ(Wo*[ht-1,xt]+bo)
Wo为t时刻输入门ot的权值矩阵,bo为偏置量,σ采用Sigmoid函数。
遗忘门ft的计算:
遗忘门主要取决于从记忆单元状态中遗忘多少信息,由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定。遗忘门ft的计算公式是:
ft=σ(Wf*[ht-1,xt]+bf)
Wf为t时刻遗忘门ft的权值矩阵,bf为偏置量,σ采用Sigmoid函数。
记忆单元的候选状态状态的计算:
由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定,记忆单元的候选状态的计算公式为:
Wc为t时刻候选状态的权值矩阵,bc为偏置量
记忆单元状态值ct的更新计算:
记忆单元通过输入门it和遗忘门ft对自身状态ct-1和当前候选记忆状态值进行调节来更新记忆单元状态,记忆单元状态值ct的更新计算公式为
隐藏层输出值ht计算:
隐藏层输出值由t时刻输出值ot和记忆单元状态值ct共同决定。隐藏层输出值ht的计算公式是:
ht=ot*tanh(ct)
将学***台中,在不同的环境和条件下使用,得出方案,然后根据经验对方案进行调整,最后将其作为在线学习的样本进入分类单元进行分类,然后进入深度学习单元进行学习,一直重复这个过程,使其在使用中不断学习,不断改进。
综上所述:本发明涉及一种基于深度学***台,根据潜艇各项参数,搭载潜艇仿真实验平台,用于采集潜艇的横倾角、纵倾角、所处水深h、破损面积s,破损位置w、进水量v等信息;分类单元,将潜艇仿真试验平台中数据,导入分类单元对其进行分类,将破损后潜艇的状态分为可自救和坐沉;深度学***台,使其进行在线学习。本发明不仅适用于潜艇在紧急情况下的快速决策,还适用于各类水下机器人。
Claims (10)
1.一种基于深度学***台、分类单元、深度学习单元、高压气控制单元和在线学习单元;
潜艇仿真试验平台:搭载潜艇仿真试验平台,采集数据;
分类单元:将采集的数据导入分类单元,将破损后潜艇的状态分为可自救和坐沉;
深度学习单元:将分类单元中可自救的样本数据进入深度学习单元,实时分析数据,判断潜艇状态,并向高压气控制单元发出指令;
高压气控制单元:对指定舱室吹除压载水,达到矫正姿态,实现智能抗沉的目的;
在线学***台,使其进行在线学习。
2.根据权利要求1所述的基于深度学***台,选定预搭载智能抗沉***的潜艇,固定坐标系E-ξηζ固定随潜艇移动,为随体坐标系,以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴,纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴,然后通过计算机制造潜艇破损情况,然后得出此时最优的解决方案,收集潜艇的横倾角纵倾角θ、所处水深h、破损面积s,破损位置w和进水量v历史信息,作为离线学习样本。
3.根据权利要求1或2所述的基于深度学习的潜艇抗沉***,其特征是,所述的分类单元采用多维K近邻算法对数据进行分类,输入训练数据集
通过分类单元输出各个训练样本点所属的类别:可自救或坐沉。
4.根据权利要求1或2所述的基于深度学习的潜艇抗沉***,其特征是,所述的深度学习单元,采用长短期记忆网络(LSTM),LSTM单元的状态由输入门,输出门和遗忘门控制,三个门分别控制网络的输入,输出,以及细胞单元的状态;具体是每个时刻LSTM单元接收到输入信息后,每个门将对不同来源的输入进行运算,决定输入信息是否通过;输入门的输入经过非线性函数的变换后,与遗忘门处理的记忆单元状态进行叠加,形成新的记忆单元状态;最终,记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出;其中门单元就是一个使用神经网络和一个按位做乘法的操作,这两个操作合在一起就是一个门单元,门单元中神经网络的权重通过训练过程学习,LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态。
5.根据权利要求3所述的基于深度学习的潜艇抗沉***,其特征是,所述的深度学习单元,采用长短期记忆网络(LSTM),LSTM单元的状态由输入门,输出门和遗忘门控制,三个门分别控制网络的输入,输出,以及细胞单元的状态;具体是每个时刻LSTM单元接收到输入信息后,每个门将对不同来源的输入进行运算,决定输入信息是否通过;输入门的输入经过非线性函数的变换后,与遗忘门处理的记忆单元状态进行叠加,形成新的记忆单元状态;最终,记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出;其中门单元就是一个使用神经网络和一个按位做乘法的操作,这两个操作合在一起就是一个门单元,门单元中神经网络的权重通过训练过程学习,LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态。
6.根据权利要求1或2所述的基于深度学***衡潜艇,达到抗沉的目的。
7.根据权利要求3所述的基于深度学***衡潜艇,达到抗沉的目的。
8.根据权利要求4所述的基于深度学***衡潜艇,达到抗沉的目的。
9.根据权利要求5所述的基于深度学***衡潜艇,达到抗沉的目的。
10.根据权利要求1或2所述的基于深度学***台中,在不同的环境和条件下使用,得出方案,然后根据经验对方案进行调整,最后将其作为在线学习的样本进入分类单元进行分类,然后进入深度学习单元进行学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811543506.1A CN109711022B (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习的潜艇抗沉*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811543506.1A CN109711022B (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习的潜艇抗沉*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711022A true CN109711022A (zh) | 2019-05-03 |
CN109711022B CN109711022B (zh) | 2022-11-18 |
Family
ID=66256655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811543506.1A Active CN109711022B (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习的潜艇抗沉*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711022B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973061A (zh) * | 2022-04-24 | 2022-08-30 | 哈尔滨工程大学 | 基于深度学习方法的辅助抗沉决策模型生成方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104925237A (zh) * | 2015-06-17 | 2015-09-23 | 中国人民解放军海军工程大学 | 一种基于舰船倾斜原因分类的船体扶正方法 |
CN105279495A (zh) * | 2015-10-23 | 2016-01-27 | 天津大学 | 一种基于深度学习和文本总结的视频描述方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN106911669A (zh) * | 2017-01-10 | 2017-06-30 | 浙江工商大学 | 一种基于深度学习的ddos检测方法 |
CN107273782A (zh) * | 2016-04-08 | 2017-10-20 | 微软技术许可有限责任公司 | 使用递归神经网络的在线动作检测 |
CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
US20180157963A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | Vehicle classification using a recurrent neural network (rnn) |
CN108761377A (zh) * | 2018-05-28 | 2018-11-06 | 国网福建省电力有限公司电力科学研究院 | 一种基于长短时记忆模型的电能计量装置异常检测方法 |
CN109001722A (zh) * | 2018-05-30 | 2018-12-14 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
-
2018
- 2018-12-17 CN CN201811543506.1A patent/CN109711022B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104925237A (zh) * | 2015-06-17 | 2015-09-23 | 中国人民解放军海军工程大学 | 一种基于舰船倾斜原因分类的船体扶正方法 |
CN105279495A (zh) * | 2015-10-23 | 2016-01-27 | 天津大学 | 一种基于深度学习和文本总结的视频描述方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN107273782A (zh) * | 2016-04-08 | 2017-10-20 | 微软技术许可有限责任公司 | 使用递归神经网络的在线动作检测 |
US20180157963A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | Vehicle classification using a recurrent neural network (rnn) |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN106911669A (zh) * | 2017-01-10 | 2017-06-30 | 浙江工商大学 | 一种基于深度学习的ddos检测方法 |
CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
CN108761377A (zh) * | 2018-05-28 | 2018-11-06 | 国网福建省电力有限公司电力科学研究院 | 一种基于长短时记忆模型的电能计量装置异常检测方法 |
CN109001722A (zh) * | 2018-05-30 | 2018-12-14 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
Non-Patent Citations (3)
Title |
---|
丁玉涛: ""潜艇操纵运动仿真及抗沉性研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王国栋等: ""基于LSTM的舰船运动姿态短期预测"", 《舰船科学技术》 * |
高志强等: "《深度学习 从入门到实战》", 30 June 2018, 中国铁道出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973061A (zh) * | 2022-04-24 | 2022-08-30 | 哈尔滨工程大学 | 基于深度学习方法的辅助抗沉决策模型生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109711022B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214107A (zh) | 一种船舶航行行为在线预测方法 | |
CN110322510A (zh) | 一种利用轮廓信息的6d位姿估计方法 | |
CN108762281A (zh) | 一种基于记忆关联强化学习的嵌入式实时水下机器人智能决策方法 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN107150347A (zh) | 基于人机协作的机器人感知与理解方法 | |
CN108647583A (zh) | 一种基于多目标学习的人脸识别算法训练方法 | |
CN108334677A (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
CN110472738A (zh) | 一种基于深度强化学习的无人艇实时避障算法 | |
CN106778796A (zh) | 基于混合式协同训练的人体动作识别方法及*** | |
CN110000781B (zh) | 基于发育网络的移动机器人运动方向预先决策方法 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
CN109784201A (zh) | 基于四维风险评估的auv动态避障方法 | |
CN110488611A (zh) | 一种仿生机器鱼运动控制方法、控制器及仿生机器鱼 | |
CN106096911A (zh) | 一种基于角色的有人/无人协同指挥控制***及其方法 | |
Castellano et al. | An empirical risk functional to improve learning in a neuro-fuzzy classifier | |
CN106499656A (zh) | 一种风扇风速智能控制方法 | |
CN109828467A (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
CN111582395A (zh) | 一种基于卷积神经网络的产品质量分类*** | |
CN109711022A (zh) | 一种基于深度学习的潜艇抗沉*** | |
CN111506855A (zh) | 利用tlbo算法优化深度置信网络模型在海洋数据预测中的应用 | |
CN113200086A (zh) | 一种智能车转向控制***及其控制方法 | |
Li et al. | Maritime buoyage inspection system based on an unmanned aerial vehicle and active disturbance rejection control | |
CN109615063B (zh) | 一种基于bp神经网络的潜艇抗沉辅助决策*** | |
CN108734116B (zh) | 一种基于变速学习深度自编码网络的人脸识别方法 | |
CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |