一种基于地形信息量的水下智能自适应地形匹配方法

摘要

本发明公开了一种基于地形信息量的水下智能自适应地形匹配方法，其主要目的在于解决水下航行区由于地形信息量不充分或不完整导致地形辅助导航系统的误差增大，以至不能满足航行器长时间精确导航定位需求的问题。本发明的主要步骤包括：航行区内不同地形特征参数值的计算、基于智能方法的地形信息量综合指标计算，基于地形信息量综合指标值的采样时间计算、自适应地形匹配算法。本发明可以有效改善航行区域地形信息量不足引起的匹配误差增大以至不能匹配的问题，以及使用单一地形特征指标会导致对地形信息量的评价不全面的问题，利用智能方法综合考虑各个指标的影响，基于地形信息量自适应调节采样时间增大匹配范围并提高匹配精度。

主权项

一种基于地形信息量的水下智能自适应地形匹配方法，其特征在于，包括如下步骤：步骤S1：适配区内地形特征参数值的计算：通过地形高程数据库给定地形高度样本，设定航行区经度、纬度跨度为m×n网格，其中m、n为大于1的整数，h(i，j)为经度方向网格点i(i＝1，2，......m)及纬度方向网格点j(j＝1，2，......n)的交叉点(i，j)处的高度值，则各地形统计特征参数值的具体计算方法如下：(1)地形粗糙度：r＝(r_λ+r_φ)/2其中r_λ和r_φ分别为经度方向和纬度方向的粗糙度：$r_{\lambda }=\frac{1}{(m-1)n}\underset{i=1}{\overset{m-1}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}|h(i,j)-h(i+1,j)|,r_{\phi }=\frac{1}{m(n-1)}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n-1}{\Sigma }}|h(i,j)-h(i,j+1)|;$(2)地形标准差：$\sigma =\sqrt{\frac{1}{m(n-1)}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{(h(i,j)-\bar{h})}^2}$$\bar{h}=\frac{1}{\mathrm{mn}}\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}h(i,j)$其中为地形高度均值；(3)地形高度熵$H_f=-\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{p}_{\mathrm{ij}}\log p_{\mathrm{ij}}$$p_{\mathrm{ij}}=h(i,j)/\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}h(i,j)$其中p_ij为地形点坐标(i，j)处的归一化高程值；(4)相关系数：R＝(R_λ+R_φ)/2其中R_λ和R_φ分别表示经度方向和纬度方向的相关系数，$R_{\lambda }=\frac{1}{(m-1){\mathrm{n\sigma }}^2}\underset{i=1}{\overset{m-1}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}[h(i,j)-\bar{h}][h(i+1,j)-\bar{h}]$$R_{\phi }=\frac{1}{m(n-1){\sigma }^2}\underset{i=1}{\overset{m-1}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}[h(i,j)-\bar{h}][h(i+1,j)-\bar{h}];$步骤S2：基于步骤S1中对航行区内导航信息量的各种特征值计算结果，建立一个特征向量X，包括上述所有地形特征参数，即X＝[r σ H_f R]，应用模糊控制方法，将该边界不清、不易定量的特征参数定量化，具体地，包括如下步骤：(a)将航行器航行区域等范围划分成L块子航行区，其中L大于1的整数，则航行区m×n网格区变为L个m_l×n_l网格区，且l＝1，2，...，L，对应特征向量X_l＝[r_l σ_l H_fl R_l]，构建4个模糊控制器，分别计算第l个网格区内4个特征参数包含的信息量，并计算不同网格区地形信息量的权值系数；其中，对于计算第l个网格区内地形粗糙度r包含信息量的模糊控制器构造过程如下：模糊控制器的输入变量为r_l，输出为其所包含信息量的权值系数该模糊控制器输入变量r_l的语言值为E_rl，其模糊子集定义为E_rl＝{equal0，less1，equal1}，其中模糊语言变量equal0，less1，equal1分别表示等于0，小于1，等于1；该模糊控制器输出变量的语言值为其模糊子集定义为其中模糊语言变量equal0，less1，equal1分别表示等于0，小于1，等于1；根据地形匹配精度随地形粗糙度的增大而增大这一规律，选择模糊控制规则R_r如下：$\begin{array}{cccc}\mathrm{IF}& E_{\mathrm{rl}}\in \mathrm{equal}0,& \mathrm{then}& U_{w_{r_l}}\in \mathrm{equal}0\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{\mathrm{rl}}\in \mathrm{less}1,& \mathrm{then}& U_{w_{r_l}}\in \mathrm{less}1\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{\mathrm{rl}}\in \mathrm{equal}1,& \mathrm{then}& U_{w_{r_l}}\in \mathrm{equal}1\end{array}$输入变量为r_l的隶属度函数选取正态函数：输出变量的隶属度函数选取正态函数利用模糊合成运算得到模糊控制器的输出模糊量为该模糊量不能直接用于计算，需将模糊量转化为清晰的数字量，采用重心法将其清晰化：$w_{r_l}=\frac{\underset{\min r}{\overset{\max r}{\int }}{u}_{w_{r_l}}\mu \left(w_{r_l}\right){\mathrm{du}}_{w_{r_l}}}{\underset{\min r}{\overset{\max r}{\int }}{u}_{w_{r_l}}{\mathrm{du}}_{w_{r_l}}};$对于计算第l个网格区内地形标准差σ包含信息量的模糊控制器构造过程如下：模糊控制器的输入变量为σ_l，输出为其所包含信息量的权值系数该模糊控制器输入变量σ_l的语言值为其模糊子集定义为其中模糊语言变量equal0，less1，equal1分别表示等于0，小于1，等于1；该模糊控制器输出变量的语言值为其模糊子集定义为其中模糊语言变量equal0，less1，equal1分别表示等于0，小于1，等于1；根据地形匹配精度随地形标准差的增大而增大这一规律，选择模糊控制规则R_σ如下：$\begin{array}{cccc}\mathrm{IF}& E_{{\sigma }_l}\in \mathrm{equal}0,& \mathrm{then}& U_{w_{{\sigma }_l}}\in \mathrm{equal}0\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{{\sigma }_l}\in \mathrm{less}1,& \mathrm{then}& U_{w_{{\sigma }_l}}\in \mathrm{less}1\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{{\sigma }_l}\in \mathrm{equal}1,& \mathrm{then}& U_{w_{{\sigma }_l}}\in \mathrm{equal}1\end{array}$输入变量为σ_l的隶属度函数选取正态函数：输出变量的隶属度函数选取正态函数利用模糊合成运算得到模糊控制器的输出模糊量为该模糊量不能直接用于计算，需将模糊量转化为清晰的数字量，采用重心法将其清晰化：$w_{{\sigma }_l}=\frac{\underset{\min \sigma }{\overset{\max \sigma }{\int }}{u}_{w_{{\sigma }_l}}\mu \left(w_{{\sigma }_l}\right){\mathrm{du}}_{w_{{\sigma }_l}}}{\underset{\min \sigma }{\overset{\max \sigma }{\int }}{u}_{w_{{\sigma }_l}}{\mathrm{du}}_{w_{{\sigma }_l}}};$对于计算第l个网格区内地形高度熵H_f包含信息量的模糊控制器构造过程如下：模糊控制器的输入变量为H_fl，输出为其所包含信息量的权值系数该模糊控制器输入变量H_fl的语言值为其模糊子集定义为其中模糊语言变量equal0，more0，less1，equal1分别表示等于0，大于0，小于1，等于1；该模糊控制器输出变量的语言值为其模糊子集定义为其中模糊语言变量equal0，more0，less1，equal1分别表示等于0，大于0，小于1，等于1；根据地形匹配精度随地形高度熵的增大而减小这一规律，选择模糊控制规则如下：$\begin{array}{cccc}\mathrm{IF}& E_{H_{\mathrm{fl}}}\in \mathrm{equal}0,& \mathrm{then}& U_{w_{H_{\mathrm{fl}}}}\in \mathrm{equal}1\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{H_{\mathrm{fl}}}\in \mathrm{more}0,& \mathrm{then}& U_{w_{H_{\mathrm{fl}}}}\in \mathrm{less}1\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{H_{\mathrm{fl}}}\in \mathrm{less}1,& \mathrm{then}& U_{w_{H_{\mathrm{fl}}}}\in \mathrm{more}0\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{H_{\mathrm{fl}}}\in \mathrm{equal}1,& \mathrm{then}& U_{w_{H_{\mathrm{fl}}}}\in \mathrm{equal}0\end{array}$输入变量为H_fl的隶属度函数选取正态函数：输出变量的隶属度函数选取正态函数利用模糊合成运算得到模糊控制器的输出模糊量为该模糊量不能直接用于计算，需将模糊量转化为清晰的数字量，采用重心法将其清晰化：$w_{H_{\mathrm{fl}}}=\frac{\underset{\min H_f}{\overset{\max H_f}{\int }}{u}_{H_{\mathrm{fl}}}\mu \left(w_{H_{\mathrm{fl}}}\right){\mathrm{du}}_{w_{H_{\mathrm{fl}}}}}{\underset{\min H_f}{\overset{\max H_f}{\int }}{u}_{w_{H_{\mathrm{fl}}}}{\mathrm{du}}_{w_{H_{\mathrm{fl}}}}};$对于计算第l个网格区内地形相关系数R包含信息量的模糊控制器构造过程如下：模糊控制器的输入变量为R_l，输出为其所包含信息量的权值系数该模糊控制器输入变量R_l的语言值为其模糊子集定义为其中模糊语言变量equal0，more0，less1，equal1分别表示等于0，大于0，小于1，等于1；该模糊控制器输出变量的语言值为其模糊子集定义为其中模糊语言变量equal0，more0，less1，equal1分别表示等于0，大于0，小于1，等于1；根据地形匹配精度随地形相关系数值的增大而减小这一规律，选择模糊控制规则R_R如下：$\begin{array}{cccc}\mathrm{IF}& E_{R_l}\in \mathrm{equal}0,& \mathrm{then}& U_{w_{R_l}}\in \mathrm{equal}1\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{R_l}\in \mathrm{more}0,& \mathrm{then}& U_{w_{R_l}}\in \mathrm{less}1\end{array}$$\begin{array}{cccc}\mathrm{IF}& E_{R_l}\in \mathrm{less}1,& \mathrm{then}& U_{w_{R_l}}\in \end{array},\mathrm{more},0$$\begin{array}{cccc}\mathrm{IF}& E_{R_l}\in \mathrm{equal}1,& \mathrm{then}& U_{w_{R_l}}\in \mathrm{equal}0\end{array}$输入变量为R_l的隶属度函数选取正态函数：输出变量的隶属度函数选取正态函数利用模糊合成运算得到模糊控制器的输出模糊量为该模糊量不能直接用于计算，需将模糊量转化为清晰的数字量，采用重心法将其清晰化：$w_{R_l}=\frac{\underset{\min R}{\overset{\max R}{\int }}{u}_{R_l}\mu \left(w_{R_l}\right){\mathrm{du}}_{w_{R_l}}}{\underset{\min R}{\overset{\max R}{\int }}{u}_{w_{R_l}}{\mathrm{du}}_{w_{R_l}}};$(b)根据最大熵原理计算每个特征参量的权值W_r、W_σ、和W_R，即各个特征参量在特征向量集中所占比重：令：${\eta }_{H_f}=\exp \left[\alpha \underset{s=1}{\overset{l}{\Sigma }}\underset{k=1}{\overset{l}{\Sigma }}\right|\frac{\min H_f}{H_{\mathrm{fs}}}-\frac{\min H_f}{H_{\mathrm{fk}}}|/(1-\alpha )-1],{\eta }_R=\exp \left[\alpha \underset{s=1}{\overset{l}{\Sigma }}\underset{k=1}{\overset{l}{\Sigma }}\right|\frac{\min R}{R_s}-\frac{\min R}{R_k}|/(1-\alpha )-1]$则：(c)然后计算表示每个网格区地形信息含量的权系数W_l：$W_l=\left[\begin{array}{cccc}{W}_r& W_{\sigma }& W_{H_f}& W_R\end{array}\right]\left[\begin{array}{c}{w}_{r_l}\\ w_{{\sigma }_l}\\ w_{H_{\mathrm{fl}}}\\ w_{R_l}\end{array}\right]$步骤S3：计算l个网格区的匹配采样时间：根据划分的每个子网格区内地形信息含量的权系数W_l计算采样时间t_l，其中T为常用典型采样时间间隔；步骤S4：水下航行器驶入地形数据库包含区域时，进行自适应地形匹配：在主惯性导航系统INS的导航下航行一段距离，与此同时每隔一个时间段t_l，通过航行器的高程测量装置获得实测高程D_sp，sp＝1，2…10，并获得与此对应的惯导系统指示航迹序列sp＝1，2…10，sp为一次匹配需要的采样点个数；提取高程为实测高程D_sp的等高线C_sp；通过位置序列P_sp向等高线C_sp作垂线得到一个匹配垂足序列Y_sp，通过随机旋转和平移位置序列P_sp逐渐逼近匹配垂足序列Y_sp，获得匹配位置序列P′_sp。