CN118500392B - 基于改进elm的水下机器人dvl测速误差修正方法 - Google Patents
基于改进elm的水下机器人dvl测速误差修正方法 Download PDFInfo
- Publication number
- CN118500392B CN118500392B CN202410971782.7A CN202410971782A CN118500392B CN 118500392 B CN118500392 B CN 118500392B CN 202410971782 A CN202410971782 A CN 202410971782A CN 118500392 B CN118500392 B CN 118500392B
- Authority
- CN
- China
- Prior art keywords
- dvl
- output
- elm
- data
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005259 measurement Methods 0.000 title claims abstract description 36
- 238000012937 correction Methods 0.000 title abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 238000009434 installation Methods 0.000 abstract description 3
- 230000007423 decrease Effects 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了基于改进极限学习机（ELM）的水下机器人多普勒计程仪（DVL）测速误差修正方法。目的在于提高水下机器人SINS/DVL导航系统的精度和可靠性。本发明将改进的ELM模型运用于DVL速度速度误差修正方法中，整个过程包括：采集水下机器人运动的DVL设备的输出DVL测量数据进行预处理、生成DVL速度修正模型的训练集和测试集、构建改进ELM混合方法的DVL速度预测模型、在GPS信号有效情况下训练ELM模型以及DVL速度预测输出。本发明可以解决由于水下机器人导航系统中惯性测量单元与DVL安装角度不一致，而导致水下机器人水下导航精度下降的问题。
Description
技术领域
本发明属于水下机器人导航定位技术领域，具体涉及一种基于改进ELM的水下机器人DVL测速误差修正方法。
背景技术
海洋资源丰富，开发海洋资源具有巨大潜力，但考虑到海洋环境的特殊性和复杂性，其探索和开发面临一系列挑战。传统的人工探索开发海洋资源成本高昂且存在较大的危险。因此，人们研发了自主水下机器人，通过对水下机器人的控制可以帮助我们实现对海洋资源的开发。因为它们能够在深海环境中工作，并且可以进行长时间的探测和监测，不仅能够大幅降低成本，还能减少人员暴露在危险环境中的风险。
水下机器人的导航定位对于其安全和任务执行至关重要。惯导和DVL（DopplerVelocity Log）是常用的水下导航定位技术，但它们的准确性受到安装误差角的影响。这些误差可能来自于设备安装不准确或者水下环境的变化，如水下地形、水流等。针对环境变化对安装角估计技术的影响，也需要考虑在设计导航系统时增加对环境变化的适应性和鲁棒性。这可能涉及到动态校准方法的研究，以及对传感器数据进行实时处理和调整以适应不同的水下环境条件。
发明内容
针对上述存在问题，本发明提出基于改进ELM的水下机器人DVL测速误差修正方法，首先对采集水下机器人导航系统中的DVL速度信息进行异常值检测和剔除取代，这里本发明提出一种基于最小二乘法趋势项建模和肖维涅准则的异常值检测和剔除方法；其次，将速度信息生成DVL速度修正模型的训练集，同时，本发明基于混合加权激活函数构建了一种基于改进的ELM的DVL速度预测模型并在GPS信号有效情况下对该模型进行训练；最后，基于上述方法搭建了DVL速度修正模型，并完成了准确速度信息输出功能。
上述的目的通过以下技术方案实现：
基于改进ELM的水下机器人DVL测速误差修正方法，该方法包括如下步骤：
步骤1、采集水下机器人运动的DVL设备的输出DVL测量数据进行预处理；
步骤2、将步骤1经过预处理的DVL测量数据组成样本集，同步采集机器人在
GPS信号有效情况下运动载体坐标系下的三维速度信息组成样本集，将样本集和
样本集的数据按时间分段分别组合成DVL速度预测模型训练阶段的训练集和模型测试
阶段的测试集；
步骤3、构建改进ELM混合方法的DVL速度预测模型；
步骤4、在GPS信号有效情况下训练步骤3构建的改进ELM混合方法的DVL速度预测模型；
步骤5、同步采集惯导、DVL和GPS的速度信息，将步骤2中的测试集输入到步骤4训练好的改进ELM混合方法的DVL速度预测模型中，模型输出误差补偿后的DVL速度信息，将其输入到惯导和DVL组合导航系统中，同时将该模型的定位误差与惯导和GPS组合导航系统的定位误差、原始DVL数据下的惯导和DVL组合导航系统的定位误差进行比对，验证ELM模型的准确性。
进一步地，步骤1所述对数据进行预处理，具体包括：
首先基于最小二乘法趋势项建模和肖维涅准则对DVL设备的输出的采样频率为的离散DVL的量数据序列，其中，U为数据长度，进行野值剔除处
理，根据DVL测量数据的趋势特征构建其K阶拟合多项式：
，
其中，为拟合多项式的系数；
引入残差平方和函数：
，
并对残差平方和函数取极小值，并通过对拟合多项式的系数取偏导求零，
得
，
计算并展开重组，得：
，
其中，分别是用来索引多项式不同阶次的变量；
利用矩阵求解法得到拟合多项式系数并得到趋势项拟合多项式，因此DVL测量
数据的去趋势项为：
，
DVL测量数据的残差序列为：
，
其中，为DVL测量数据去趋势项的算式均值，计算公式为：
，
定义残差序列的绝对值满足的点数据为可疑数据，即DVL输
出的野值，其中为肖维涅准则系数，其系数拟合公式为：；为
DVL数据去趋势项后序列的标准差，其计算公式为：；
若判定其为野值，则对该点数据进行剔除处理，并将其代为DVL测量数据去趋势项
的算式均值，至此将DVL数据输出中的野值进行了剔除，即出DVL测量数
据预处理完成。
进一步地，步骤2所述DVL速度预测模型的训练集包括：
2a.步骤1经过预处理的DVL测量数据组成样本集，其中分别为载体坐标系下DVL在x、y、z方向的速度信息；
2b.同步采集机器人在GPS信号有效情况下载体坐标系下的三维速度信息组成样
本集，其中分别为机器人在载体坐标系下
x、y、z方向的速度信息；
2c.将、这两个样本集的数据组合成DVL速度预测模型训练阶段的训练集
和模型测试阶段的测试集。
进一步地，步骤3所述构建改进ELM混合方法的DVL速度预测模型，包括如下子步骤：
3a.构建单隐含层前馈的算法模型，包括输入层、隐含层和输出层3部分；其中输入层包含3个数据通道，隐含层包含12个数据通道，输出层包含3个数据通道；
3b. 混合加权激活函数并在之后的实验中确定最优的ELM激活函数：
，
其中和分别为隐含层参数权值和偏置向量，V为输入；
3c.构建ELM模型的输出：，
其中，为与理想输出对应的实际输出；为隐藏层和输出层之间的权重
矩阵，；表示第i个单元与隐含层相互之间的权重向量，；上标T表示矩阵的转置，表示与的内积；为正则化参数平衡
原始目标函数与范数惩罚项之间的权衡关系； 是输入矩阵的权重，是输入矩阵的
权重的范数；为偏置向量，，L为隐藏层个数，m为输出向量的维数；
3d.将步骤3c中的输出简化为，
其中，为模型的输出矩阵，等同，；为隐藏层
的输出权重矩阵，，，为输入向量；
3e. 计算隐藏层输出权重矩阵和隐藏层与输出层之间的权重，即求解式的极小范数最小二乘解：，由正交化法求得，当矩阵为
非奇异值时，则。
进一步地，步骤4所述在GPS信号有效情况下训练ELM模型，具体方法是：
4a.将步骤2中的训练集输入到步骤3构建的改进ELM混合方法的DVL速度预测模型中进行训练；
4b.根据连续的概率分布随机设定输入矩阵的权重与偏置向量；
4c.计算隐藏层输出权重矩阵和隐藏层与输出层之间的权重，即求解式
的极小范数最小二乘解：，由正交化法求得，当矩阵为非奇异
值时，则；
4d.选取均方根误差RMSE作为训练是否结束的判断标准，，为理想输出；
4e.若模型误差不满足RMSE要求，判断训练样本是否足够，若训练样本不足，返回步骤1，否则增加隐藏层神经元个数并返回步骤3接着训练模型。
本发明相比现有技术的有益效果是：
（1）本发明相对于现有技术，提出了一种基于最小二乘法趋势项建模和肖维涅准则的异常值检测和剔除方法，进一步提升了DVL速度信息的准确性和可靠性；
（2）本发明相对于现有技术，采用了极限学习机（ELM）来提高DVL速度信息的精度，同时本发明基于混合加权激活函数对现有ELM模型进行了改进，进一步提升了DVL速度修正的效率和准确性。
附图说明
图1为本发明的基于改进ELM的水下机器人DVL速度误差修正方法流程图；
图2为采用本发明方法的DVL三个方向的速度预测曲线图；
图3为采用本发明方法修正后的DVL速度误差曲线图。
具体实施方式
如图1所示，本发明的基于改进ELM的水下机器人DVL测速误差修正方法，包括如下步骤：
步骤1、数据预处理：
为防止因为水下机器人运动时DVL的异常情况出现异常值影响整体模型的效果，在进行模型构建训练前对采集水下机器人运动的DVL设备的输出DVL测量数据中的异常点进行剔除替代，保证模型的精确度。
采集水下机器人运动的DVL设备的输出DVL测量数据进行预处理，基于最小二乘法
趋势项建模和肖维涅准则对采样频率为的离散DVL数据序列进
行野值剔除处理，（其中U为数据长度）。首先，根据DVL数据的趋势特征构建其K阶拟合多项
式：
，
其中，为拟合多项式的系数；
引入残差平方和函数：
，
并对残差平方和函数取极小值，并通过对拟合多项式的系数取偏导求零，
得
，
计算并展开重组，得：
，
其中，分别是用来索引多项式不同阶次的变量；
利用矩阵求解法得到拟合多项式系数并得到趋势项拟合多项式，因此DVL测量
数据的去趋势项为：
，
DVL测量数据的残差序列为：
，
其中，为DVL测量数据去趋势项的算式均值，计算公式为：
，
定义残差序列的绝对值满足的点数据为可疑数据，即DVL输
出的野值，其中为肖维涅准则系数，其系数拟合公式为：；为
DVL数据去趋势项后序列的标准差，其计算公式为：；
若判定其为野值，则对该点数据进行剔除处理，并将其代为DVL测量数据去趋势项
的算式均值，至此将DVL数据输出中的野值进行了剔除，即出DVL测量数
据预处理完成，为后面DVL速度训练模型的构建做准备。
步骤2、生成DVL速度预测模型训练阶段的训练集和模型测试阶段的测试集：
2a.步骤1经过预处理的DVL测量数据组成样本集，其中分别为载体坐标系下DVL在x、y、z方向的速度信息；
2b.同步采集机器人在GPS信号有效情况下载体坐标系下的三维速度信息组成样
本集，其中分别为机器人在载体坐标系下
x、y、z方向的速度信息；
2c.将、这两个样本集的数据组合成DVL速度预测模型训练阶段的训练集
和模型测试阶段的测试集。
步骤3、构建改进ELM混合方法的DVL速度预测模型：
3a.构建单隐含层前馈的算法模型，包括输入层、隐含层和输出层3部分；其中输入层包含3个数据通道，隐含层包含12个数据通道，输出层包含3个数据通道；
3b. 混合加权激活函数并在之后的实验中确定最优的ELM激活函数：
，
其中和分别为隐含层参数权值和偏置向量，V为输入；
3c.构建ELM模型的输出：，
其中，为与理想输出对应的实际输出；为隐藏层和输出层之间的权重
矩阵，；表示第i个单元与隐含层相互之间的权重向量，；上标T表示矩阵的转置，表示与的内积；为正则化参数平衡
原始目标函数与范数惩罚项之间的权衡关系； 是输入矩阵的权重，是输入矩阵的
权重的范数；为偏置向量，，L为隐藏层个数，m为输出向量的维数；
3d.将步骤3c中的输出简化为，
其中，为模型的输出矩阵，等同，；为隐藏层
的输出权重矩阵，，，为输入向量；
3e. 计算隐藏层输出权重矩阵和隐藏层与输出层之间的权重，即求解式的极小范数最小二乘解：，由正交化法求得，当矩阵为
非奇异值时，则。
步骤4、在GPS信号有效情况下训练ELM模型：
4a.将步骤2中的训练集输入到步骤3构建的改进ELM混合方法的DVL速度预测模型中进行训练；
4b.根据连续的概率分布随机设定输入矩阵的权重与偏置向量；
4c.计算隐藏层输出权重矩阵和隐藏层与输出层之间的权重，即求解式
的极小范数最小二乘解：，由正交化法求得，当矩阵为非奇
异值时，则；
4d.选取均方根误差RMSE作为训练是否结束的判断标准，，为理想输出；
4e.若模型误差不满足RMSE要求，判断训练样本是否足够，若训练样本不足，返回步骤1，否则增加隐藏层神经元个数并返回步骤3接着训练模型。
步骤5、DVL速度误差模型测试：
同步采集惯导、DVL和GPS的速度信息，将步骤2中的测试集输入到训练好的ELM模型中，模型输出进行误差补偿后的DVL速度信息，并将其输入到惯导和DVL组合导航系统中，同时将其定位误差与惯导和GPS组合导航系统的定位误差、原始DVL数据下的惯导和DVL组合导航系统的定位误差进行比对，验证ELM模型的准确性。
实验验证：
为验证本发明方法的有效性，设计了实验验证。实验设备包括：GPS设备、DVL设备、导航计算机、IMU设备等。导航计算机负责采集GPS、DVL和IMU信息；本发明所提算法在导航计算机中运行。图2 给出了采用本发明方法的DVL三个方向的速度预测曲线图；图3 给出了采用本发明方法修正后的DVL速度误差曲线图。从图2可以看出本发明能够在DVL信号失效情况下预测其输出，从图3可以看出，其预测速度精度相对较高，能够很好地修正DVL速度误差。
Claims (1)
1.基于改进ELM的水下机器人DVL测速误差修正方法，其特征在于，该方法包括如下步骤：
步骤1、采集水下机器人运动的DVL设备的输出DVL测量数据进行预处理；
步骤2、将步骤1经过预处理的DVL测量数据组成样本集VDVL，同步采集机器人在GPS信号有效情况下运动载体坐标系下的三维速度信息组成样本集VGPS，将样本集VDVL和样本集VGPS的数据按时间分段分别组合成DVL速度预测模型训练阶段的训练集和模型测试阶段的测试集；
步骤3、构建改进ELM混合方法的DVL速度预测模型；
步骤4、在GPS信号有效情况下训练步骤3构建的改进ELM混合方法的DVL速度预测模型；
步骤5、同步采集惯导、DVL和GPS的速度信息，将步骤2中的测试集输入到步骤4训练好的改进ELM混合方法的DVL速度预测模型中，改进ELM混合方法的DVL速度预测模型输出误差补偿后的DVL速度信息，将其输入到惯导和DVL组合导航系统中，同时将改进ELM混合方法的DVL速度预测模型的定位误差与惯导和GPS组合导航系统的定位误差、原始DVL数据下的惯导和DVL组合导航系统的定位误差进行比对，验证改进ELM混合方法的DVL速度预测模型的准确性；
步骤1所述预处理，具体包括：
首先基于最小二乘法趋势项建模和肖维涅准则对DVL设备的输出的采样频率为fD的离散DVL的量数据序列VDVL(u)，其中u＝1,2,3,…,U，U为数据长度，进行野值剔除处理，根据DVL测量数据的趋势特征构建其K阶拟合多项式g(u)：
其中，u＝1,2,3,…U、k＝0,1,2,…,K，bk为拟合多项式的系数；
引入残差平方和函数R(u)：
并对残差平方和函数R(u)取极小值，并通过对拟合多项式的系数bk取偏导求零，得
计算并展开重组，得：
其中，r＝0,1,2,…,K，r、k分别是用来索引多项式不同阶次的变量；
利用矩阵求解法得到拟合多项式系数bk并得到趋势项拟合多项式，因此DVL测量数据的去趋势项为：
其中，u＝1,2,3,…,U；
DVL测量数据的残差序列cDVL(u)为：
其中，为DVL测量数据去趋势项的算式均值，计算公式为：
定义残差序列的绝对值|cDVL(u)|满足|cDVL(u)|＞aδ的点数据为可疑数据，即DVL输出的野值，其中a为肖维涅准则系数，其系数拟合公式为：a＝0.2688ln(U-20)+1.63；δ为DVL数据去趋势项后序列的标准差，其计算公式为：
若判定其为野值，则对该点数据进行剔除处理，并将其代为DVL测量数据去趋势项的算式均值至此将DVL数据输出中的野值进行了剔除，即出DVL测量数据预处理完成；
步骤2所述DVL速度预测模型的训练集包括：
2a.步骤1经过预处理的DVL测量数据组成样本集其中分别为载体坐标系下DVL在x、y、z方向的速度信息；
2b.同步采集机器人在GPS信号有效情况下载体坐标系下的三维速度信息组成样本集其中分别为机器人在载体坐标系下x、y、z方向的速度信息；
2c.将VDVL、VGPS这两个样本集的数据组合成DVL速度预测模型训练阶段的训练集和模型测试阶段的测试集；
步骤3所述构建改进ELM混合方法的DVL速度预测模型，包括如下子步骤：
3a.构建单隐含层前馈的算法模型，包括输入层、隐含层和输出层3部分；其中输入层包含3个数据通道，隐含层包含12个数据通道，输出层包含3个数据通道；
3b.混合加权激活函数并在之后的实验中确定最优的ELM激活函数g(ω,V,b)：
其中ω和b分别为隐含层参数权值和偏置向量，V为输入；
3c.构建改进ELM混合方法的DVL速度预测模型的输出：
其中，F(Vj)为与理想输出VGPSj对应的实际输出；β为隐藏层和输出层之间的权重矩阵，wi表示第i个单元与隐含层相互之间的权重向量，wi＝(wi1,wi2,…,wiL)T；上标T表示矩阵的转置，Ξ为正则化参数平衡原始目标函数与范数惩罚项之间的权衡关系；W是输入矩阵的权重，‖W‖2是输入矩阵的权重的范数；b为偏置向量，b＝(b1,b2,...bi,...bL)T，L为隐藏层个数，m为输出向量的维数；
3d.将步骤3c中的输出简化为F(Vj)＝S＝Hβ，其中，S为改进ELM混合方法的DVL速度预测模型的输出矩阵，等同F(Vj)，H为隐藏层的输出权重矩阵，H＝H(W,b)＝(hij)U×L，hij＝g(wi，xj，bi)，xj为输入向量；
3e.计算隐藏层输出权重矩阵H和隐藏层与输出层之间的权重β，即求解式S＝Hβ的极小范数最小二乘解由正交化法求得，当矩阵HHT为非奇异值时，则
步骤4所述在GPS信号有效情况下训练改进ELM混合方法的DVL速度预测模型，具体方法是：
4a.将步骤2中的训练集输入到步骤3构建的改进ELM混合方法的DVL速度预测模型中进行训练；
4b.根据连续的概率分布随机设定输入矩阵的权重W与偏置向量b；
4c.计算隐藏层输出权重矩阵H和隐藏层与输出层之间的权重β，即求解式Tj＝Hβ的极小范数最小二乘解由正交化法求得，当矩阵HHT为非奇异值时，则
4d.选取均方根误差RMSE作为训练是否结束的判断标准，
4e.若模型误差不满足RMSE要求，判断训练样本是否足够，若训练样本不足，返回步骤1，否则增加隐藏层神经元个数并返回步骤3接着训练改进ELM混合方法的DVL速度预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410971782.7A CN118500392B (zh) | 2024-07-19 | 2024-07-19 | 基于改进elm的水下机器人dvl测速误差修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410971782.7A CN118500392B (zh) | 2024-07-19 | 2024-07-19 | 基于改进elm的水下机器人dvl测速误差修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118500392A CN118500392A (zh) | 2024-08-16 |
| CN118500392B true CN118500392B (zh) | 2024-09-24 |
Family
ID=92236985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410971782.7A Active CN118500392B (zh) | 2024-07-19 | 2024-07-19 | 基于改进elm的水下机器人dvl测速误差修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118500392B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
| CN109634308A (zh) * | 2019-01-16 | 2019-04-16 | 中国海洋大学 | 基于动力学的速度模型辅助水下智能导航方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2334199C1 (ru) * | 2007-03-19 | 2008-09-20 | Закрытое акционерное общество "Лазекс" | Инерциально-спутниковая навигационная система с комбинированным использованием спутниковых данных |
| CN113847915B (zh) * | 2021-09-24 | 2023-12-19 | 中国人民解放军战略支援部队信息工程大学 | 一种捷联惯导/多普勒组合导航系统的导航方法 |
| CN114440878B (zh) * | 2022-01-27 | 2023-08-15 | 湖南大学无锡智能控制研究院 | 一种sins和dvl组合导航方法、设备与系统 |
| CN116338655A (zh) * | 2023-02-22 | 2023-06-27 | 河海大学 | 一种基于dmd-lstm模型的dvl速度误差标定方法 |
| CN117994584A (zh) * | 2024-02-07 | 2024-05-07 | 北京理工大学 | 一种基于olqr算法训练的极限学习机图像分类方法 |
-
2024
- 2024-07-19 CN CN202410971782.7A patent/CN118500392B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
| CN109634308A (zh) * | 2019-01-16 | 2019-04-16 | 中国海洋大学 | 基于动力学的速度模型辅助水下智能导航方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118500392A (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798491B (zh) | 一种基于Elman神经网络的机动目标跟踪方法 | |
| CN111985093A (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
| CN113191087B (zh) | 联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法 | |
| CN107451392B (zh) | 一种含有多个相关退化过程的剩余寿命预测方法 | |
| CN110850371B (zh) | 一种基于Green函数修正的高分辨率声源定位方法 | |
| CN108489498A (zh) | 一种基于最大互相关熵无迹粒子滤波的auv协同导航方法 | |
| Kaloop et al. | Multi input–single output models identification of tower bridge movements using GPS monitoring system | |
| CN101221238A (zh) | 基于高斯均值移动配准的动态偏差估计方法 | |
| CN103940433A (zh) | 一种基于改进的自适应平方根ukf算法的卫星姿态确定方法 | |
| CN107633256A (zh) | 一种多源测距下联合目标定位与传感器配准方法 | |
| CN107688554A (zh) | 基于自适应傅里叶分解的频域辨识方法 | |
| Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
| Xie et al. | Estimating the probability density function of remaining useful life for wiener degradation process with uncertain parameters | |
| CN114925615A (zh) | 一种放射性泄漏源定位方法和系统 | |
| CN115451803B (zh) | 基于gnss与测量机器人融合的水闸实时监测预警方法 | |
| CN111551897B (zh) | 传感器位置误差下基于加权多维标度和多项式求根的tdoa定位方法 | |
| Jwo et al. | Critical remarks on the linearised and extended Kalman filters with geodetic navigation examples | |
| CN118500392B (zh) | 基于改进elm的水下机器人dvl测速误差修正方法 | |
| CN113204909B (zh) | 基于地基观测光度信号的卫星几何特征与姿态估计方法 | |
| Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
| CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
| CN111444475B (zh) | 一种应用在飞行测试数据分析的容错ckf滤波融合方法 | |
| CN116338655A (zh) | 一种基于dmd-lstm模型的dvl速度误差标定方法 | |
| CN116834977A (zh) | 一种卫星轨道数据的范围控制方法 | |
| CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 |
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 |