基于复杂网络构建的自主式水下航行器航行数据分析方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109766946A(43)申请公布日2019.05.17(21)申请号201910028697.6(22)申请日2019.01.11(71)申请人中国海洋大学地址266100山东省青岛市崂山区松岭路238号(72)发明人冯晨郑旭李腾跃程伦何波李光亮(74)专利代理机构成都时誉知识产权代理事务所(普通合伙)51250代理人陈千(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书9页附图10页(54)发明名称基于复杂网络构建的自主式水下航行器航行数据分析方法(57)摘要本申请实施例提供一种基于复杂网络构建的自主式水下航行器航行数据分析方法，以自主式水下航行器现场所采集和保存的航姿数据为基础，采用密度峰值聚类算法消除冗余波动，同时保留大部分关键数据转折点，实现航行数据优化和去噪的目标；通过构建加权复杂网络，使用拓扑统计来分析数据的波动模式并描述航行状态，以调整自主式水下航行器朝着有意义的作业航向前进，即在整个航行过程中航姿数据始终与航行模式间存在关联关系，以此提升自主式水下航行器高度自主性和海洋长航程调查任务实施的质量与效率。CN109766946ACN109766946A权利要求书1/2页1.一种基于复杂网络构建的自主式水下航行器航行数据分析方法，其特征在于，包括如下步骤：对所述水下航行器采集到的航姿数据进行映射与密度峰值聚类结合的预处理；构建有向加权复杂网络；对所述有向加权复杂网络进行分析，以确定所述水下航行器的航向。2.根据权利要求1所述的数据分析方法，其特征在于，所述航姿数据为航向角时间序列；所述映射与密度峰值聚类结合的预处理包括：映射：将长度为n的航向角时间序列{f1,f2,…,fn}转化为若干个长度为3的第二时间序列{fi-1,fi,fi+1}，n＞3，根据映射规则将所述第二时间序列映射到二维平面内；聚类：基于密度峰值聚类算法对所述二维平面内的点进行聚类；复原：根据复原函数重新将所述二维平面的点转化为时间序列。3.根据权利要求2所述的数据分析方法，其特征在于，所述构建有向加权复杂网络具体为：对于所述复原后的时间序列，定义H表示所述复原后的时间序列中两个相邻的点之间变化模式Si为增大，M表示所述复原后的时间序列中两个相邻的点之间变化模式Si为不变，L表示所述复原后的时间序列中两个相邻的点之间变化模式Si为减小，即：定义滑动窗口l，将所述滑动窗口内l个符号构成的短模式组作为所述复杂网络的节点，所述短模式组之间的转换构成所述复杂网络的连边，所述连边的权重ω为两个模式组之间的转化次数，构建有向加权复杂网络。4.根据权利要求3所述的数据分析方法，其特征在于，在所述构建有向加权复杂网络之后，还包括：确定滑动窗口长度l，具体为：定义节点强度：节点强度式中，nsi为节点i的强度，ωij为节点i和节点j之间的权重，N为节点i到节点j之间的节点集合；选取节点强度最高的t个节点作为关键节点，t为正整数；选取可以明显观察到所述关键节点的滑动窗口长度l。5.根据权利要求4所述的数据分析方法，其特征在于，所述对所述有向加权复杂网络进行分析，确定所述水下航行器的航向，即：通过拓扑统计和/或社团划分对所述有向加权复杂网络进行分析，反映出航向角时间序列的波动模式，进而确定所述水下航行器的航向。6.根据权利要求4所述的数据分析方法，其特征在于，所述通过拓扑统计对所述有向加权复杂网络进行分析，即：对关键节点强度比例，关键节点自转换概率以及平均最短路径进行综合分析，其中，所述关键节点强度比例反映了时间序列中的关键波动模式，是一个节点强度与整个复杂网络中所有节点强度之和的比例；所述关键节点的自转换概率反映了相同模式之间的转换规律，其中，节点i和节点j之2CN109766946A权利要求书2/2页间的转换率为当i＝j时，prij表示节点i的自转换概率；所述平均最短路径反映了不同模式之间的转换规律，其中，平均最短路径为：式中，lij为节点i到节点j的最短路径，ωmn为节点m到n边的权重，N为节点i到节点j之间的节点集合，avg(ωN)为权重平均值。3CN109766946A说明书1/9页基于复杂网络构建的自主式水下航行器航行数据分析方法技术领域[0001]本申请涉及水下航行数据处理、理解及应用技术领域，尤其涉及一种基于复杂网络构建的自主式水下航行器航行数据分析方法。背景技术[0002]基于数据驱动的自主式水下航行器(AutonomousUnderwatervehicle,AUV)航行数据分析方法是研究自主式水下航行器在使用水下空间在线观测数据(如AHRS航姿参考传感器数据)，运用密度峰值聚类算法、加权复杂网络等先进技术手段，建立不同水深条件下AUV航姿观测数据的全