一種基于人工蜂群算法和平均Hausdorff距離的重力匹配方法
【專利摘要】本發(fā)明公開了一種基于人工蜂群算法和平均Hausdorff距離的重力匹配方法，包括：獲取慣性導(dǎo)航系統(tǒng)輸出的位置信息及重力儀測得的重力異常值；初始化人工蜂群，令引領(lǐng)蜂在慣導(dǎo)系統(tǒng)提供的位置鄰域內(nèi)隨機搜索蜜源；計算適應(yīng)度函數(shù)值并判斷是否更新位置；根據(jù)轉(zhuǎn)移概率判斷跟隨蜂是否跟隨；將多普勒測速儀提供的速度信息作為約束條件，經(jīng)蜂群搜索得到符合條件的位置點對；根據(jù)平均Hausdorff距離對匹配結(jié)果進(jìn)行篩選，利用這一準(zhǔn)則可獲取一個最優(yōu)的匹配結(jié)果。本發(fā)明有效地快速地對最佳匹配位置進(jìn)行搜索，同時避免局部最優(yōu)情況，經(jīng)平均Hausdorff距離篩選，在重力特征顯著的區(qū)域具有較高的匹配率，達(dá)到精確、快速的匹配定位，從而實現(xiàn)重力輔助導(dǎo)航。
【專利說明】—種基于人工蜂群算法和平均Hausdorff距離的重力匹配
方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于重力輔助導(dǎo)航領(lǐng)域，尤其涉及一種基于人工蜂群算法和平均Hausdorff距離的重力匹配方法。
【背景技術(shù)】
[0002]上世紀(jì)80-90年代美國和前蘇聯(lián)便相繼開始了研制戰(zhàn)略水下潛器的無源導(dǎo)航輔助系統(tǒng)。最初的輔助方法是基于圖形匹配，包括與海底地形圖、磁場圖的匹配，但由于需要用聲納測量海底輪廓，導(dǎo)致海底地形匹配的隱蔽性較弱；同時由于磁場變化復(fù)雜目前還難以真正運用到水下潛器導(dǎo)航中，因此重力異常和重力梯度數(shù)據(jù)成為水下潛器導(dǎo)航的主要無源信息資源。重力輔助導(dǎo)航具有精度高、隱蔽性強、自主性強等優(yōu)點，是潛艇等水下航行器理想的水下輔助導(dǎo)航定位手段。
[0003]重力匹配算法是實現(xiàn)重力輔助慣性導(dǎo)航系統(tǒng)的關(guān)鍵技術(shù)之一，經(jīng)典的匹配方法有遞推最優(yōu)估計濾波和相關(guān)值匹配方法兩大類。由于慣導(dǎo)/重力組合濾波模型很難準(zhǔn)確建立，使得遞推最優(yōu)估計濾波方法難以很好地發(fā)揮作用。近幾年，在相關(guān)值匹配方向有較多研究成果，但是，由于匹配算法復(fù)雜度較高或其他缺陷，一般重力匹配算法很難實現(xiàn)精確、快速匹配的效果。

【發(fā)明內(nèi)容】

[0004]本發(fā)明實施例的目的在于提供一種基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，旨在解決一般重力匹配算法的復(fù)雜度高和匹配精度低等缺點。在蜂群算法的基礎(chǔ)上，將外部速度信息作為約束條件，并利用平均HausdorfT距離進(jìn)行篩選，在一定程度上減少誤配的情況。
[0005]本發(fā)明實施例是這樣實現(xiàn)的，一種基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，該方法的步驟包括:
[0006]步驟一、首先引領(lǐng)蜂隨機搜索蜜源，實時獲取慣性導(dǎo)航系統(tǒng)輸出的位置信息(經(jīng)度和緯度)及重力儀測得的重力異常值，其中要考慮重力儀的觀測延遲；
[0007]步驟二、初始化匹配算法參數(shù):人工蜂群數(shù)量,最大循環(huán)次數(shù)，目標(biāo)函數(shù)的參數(shù)(經(jīng)度和緯度)個數(shù)，最大限制次數(shù)Limit值；兩組蜂群同時在相鄰慣導(dǎo)系統(tǒng)指示位置周圍一定鄰域進(jìn)行隨機搜索，并檢查新位置的花蜜量；
[0008]步驟三、根據(jù)搜索到的蜜源計算適應(yīng)度函數(shù)值，并根據(jù)得到的適應(yīng)度函數(shù)值判斷是否更新蜜源位置:若搜索蜜源位置的適應(yīng)度函數(shù)值小于當(dāng)前位置，更新當(dāng)前采蜜蜂所在蜜源位置，令循環(huán)次數(shù)Cycle = 0，并繼續(xù)計算轉(zhuǎn)移概率；否則不更新蜜源位置，令Cycle =Cycle+1，記錄引領(lǐng)蜂停同一位置的循環(huán)次數(shù)，并返回使引領(lǐng)蜂重新隨機搜索蜜源；
[0009]步驟四、根據(jù)計算得到的轉(zhuǎn)移概率計算跟隨蜂選擇跟蹤引領(lǐng)蜂的概率Pi,并判斷跟隨蜂是否跟隨；若判斷結(jié)果為不跟隨，則需要返回使引領(lǐng)蜂重新隨機搜索蜜源，同時在蜜源附近搜索，記錄較優(yōu)蜜源位置，更新Cycle的值；若判斷結(jié)果為跟隨，則可以重新搜索至循環(huán)結(jié)束；
[0010]步驟五、如果經(jīng)過一定次數(shù)迭代后，得到的最優(yōu)解沒有改進(jìn)，為了避免局部最優(yōu)解，要舍去該位置對應(yīng)的解，同時由偵察蜂代替引領(lǐng)蜂產(chǎn)生一個新的位置；
[0011]步驟六、根據(jù)重力異常數(shù)據(jù)庫和由INS慣導(dǎo)提供的位置信息計算匹配點對與待匹配點對的重力異常；
[0012]步驟七、將重力儀提供的重力異常和由多普勒測速儀提供的外界速度信息及由INS慣導(dǎo)提供的位置信息作為約束條件進(jìn)行判斷，然后經(jīng)蜂群搜索得到符合條件的位置點對；
[0013]步驟八、根據(jù)平均HausdorfT距離對匹配結(jié)果進(jìn)行篩選，利用這一準(zhǔn)則可獲取一個最佳的匹配結(jié)果；
[0014]步驟九、根據(jù)得到的最佳匹配位置對，將每個指示位置的兩次匹配結(jié)果取均值，于是，得到各個指示位置的最佳匹配結(jié)果，從而實現(xiàn)了重力輔助導(dǎo)航。
[0015]進(jìn)一步，在步驟一中，由于重力儀一般工作在強阻尼模式，因此，重力儀輸出的重力變化會有一個滯后的過程，這與實時導(dǎo)航匹配相矛盾，需要進(jìn)行滯后時間補償。
[0016]考慮到重力儀受厄特弗斯效應(yīng)作用，當(dāng)載體作較大機動運動或者航向變化劇烈時，重力儀觀測值會有明顯變化，根據(jù)慣導(dǎo)系統(tǒng)信息得到的厄特弗斯修正值與重力儀的觀測值之間會有一定時間延遲，考慮此延遲時間后，慣導(dǎo)系統(tǒng)信息與重力儀數(shù)據(jù)可以實現(xiàn)同
止/J/ o
[0017]進(jìn)一步，在步驟三中， 適應(yīng)度函數(shù)值按下式計算:
【權(quán)利要求】
1.一種基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其特征在于，該方法的步驟包括: 步驟一、首先引領(lǐng)蜂隨機搜索蜜源，實時獲取慣性導(dǎo)航系統(tǒng)輸出的位置信息及重力儀測得的重力異常值，其中要考慮重力儀的觀測延遲； 步驟二、初始化匹配算法參數(shù):人工蜂群數(shù)量，最大循環(huán)次數(shù)，目標(biāo)函數(shù)的參數(shù)個數(shù)，最大限制次數(shù)Limit值；兩組蜂群同時在相鄰慣導(dǎo)系統(tǒng)指示位置周圍一定鄰域進(jìn)行隨機搜索，并檢查新位置的花蜜量； 步驟三、根據(jù)搜索到的蜜源計算適應(yīng)度函數(shù)值，并根據(jù)得到的適應(yīng)度函數(shù)值判斷是否更新蜜源位置:若搜索蜜源位置的適應(yīng)度函數(shù)值小于當(dāng)前位置，更新當(dāng)前采蜜蜂所在蜜源位置，令循環(huán)次數(shù)Cycle = 0,并繼續(xù)計算轉(zhuǎn)移概率；否則不更新蜜源位置，令Cycle =Cycle+1，記錄引領(lǐng)蜂停同一位置的循環(huán)次數(shù)，并返回使引領(lǐng)蜂重新隨機搜索蜜源； 步驟四、根據(jù)計算得到的轉(zhuǎn)移概率計算跟隨蜂選擇跟蹤引領(lǐng)蜂的概率Pi,并判斷跟隨蜂是否跟隨；若判斷結(jié)果為不跟隨，則需要返回使引領(lǐng)蜂重新隨機搜索蜜源，同時在蜜源附近搜索，記錄較優(yōu)蜜源位置，更新Cycle的值；若判斷結(jié)果為跟隨，則可以重新搜索至循環(huán)結(jié)束； 步驟五、如果經(jīng)過一定次數(shù)迭代后，得到的最優(yōu)解沒有改進(jìn)，為了避免局部最優(yōu)解，要舍去該位置對應(yīng)的解，同時由偵察蜂代替引領(lǐng)蜂產(chǎn)生一個新的位置； 步驟六、根據(jù)重力異常 數(shù)據(jù)庫和由INS慣導(dǎo)提供的位置信息計算匹配點對與待匹配點對的重力異常； 步驟七、將重力儀提供的重力異常和由多普勒測速儀提供的外界速度信息及由INS慣導(dǎo)提供的位置信息作為約束條件進(jìn)行判斷，然后經(jīng)蜂群搜索得到符合條件的位置點對； 步驟八、根據(jù)平均HausdorfT距離對匹配結(jié)果進(jìn)行篩選，利用這一準(zhǔn)則可獲取一個最佳的匹配結(jié)果； 步驟九、根據(jù)得到的最佳匹配位置對，將每個指示位置的兩次匹配結(jié)果取均值，于是，得到各個指示位置的最佳匹配結(jié)果，從而實現(xiàn)了重力輔助導(dǎo)航。
2.如權(quán)利要求1所述的基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其特征在于，在步驟一中，由于重力儀一般工作在強阻尼模式，因此，重力儀輸出的重力變化會有一個滯后的過程，這與實時導(dǎo)航匹配相矛盾，需要進(jìn)行滯后時間補償； 考慮到重力儀受厄特弗斯效應(yīng)作用，當(dāng)載體作較大機動運動或者航向變化劇烈時，重力儀觀測值會有明顯變化，根據(jù)慣導(dǎo)系統(tǒng)信息得到的厄特弗斯修正值與重力儀的觀測值之間會有一定時間延遲，考慮此延遲時間后，慣導(dǎo)系統(tǒng)信息與重力儀數(shù)據(jù)可以實現(xiàn)同步。
3.如權(quán)利要求1所述的基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其特征在于，在步驟三中，適應(yīng)度函數(shù)值按下式計算:
4.如權(quán)利要求1所述的基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其 特征在于，在步驟四中，計算跟隨蜂選擇跟蹤引領(lǐng)蜂的概率Pi,其定義為
5.如權(quán)利要求1所述的基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其特征在于，在步驟七中，在人工蜂群在搜索過程中，除了重力異常值之外，將多普勒測速儀(DVL)提供的速度信息作為約束條件之一，即
6.如權(quán)利要求1所述的基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其特征在于，在步驟八中，經(jīng)典Hausdorff距離是一種極大極小距離，用來描述兩組點集之間的相似程度；它的引入使重力匹配基于一種新的側(cè)度，能更為有效地表征點集之間相似性，從而對匹配點進(jìn)行篩選；考慮到經(jīng)典HausdorfT距離容易受到外部干擾，必將導(dǎo)致計算結(jié)果存在較大誤差，從而影響匹配的效果，故引入平均HausdorfT距離(MHD)，其定義如下:

7.如權(quán)利要求1所述的基于人工蜂群算法和平均HausdorfT距離的重力匹配方法，其特征在于，在步驟九中，每個時刻都要經(jīng)過兩次匹配，并取兩次匹配平均值作為最終結(jié)果，類似于估計理論中的“估計”和“平滑”兩個過程；在有些情況下，可以提供載體準(zhǔn)確的位置信息或者匹配過程中初始位置誤差較小，可以考慮簡化匹配模型，即用Plri來代替^4.這樣減少了一個約束條件，有效縮短了匹配時間；在實際過程中，可以間隔一定步長按簡化前模型匹配，在獲取較準(zhǔn)確位置后，再進(jìn)行簡化模型匹配，這樣既保證了匹配精度，又縮短了匹配時間。
【文檔編號】G01C21/20GK103487056SQ201310437985
【公開日】2014年1月1日 申請日期:2013年9月24日 優(yōu)先權(quán)日:2013年9月24日
【發(fā)明者】高偉, 趙博, 周廣濤, 于春陽, 姜鑫, 夏秀瑋, 郝勤順, 孫艷濤, 劉鳳 申請人:哈爾濱工程大學(xué)