買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉吉林大學申請的專利一種基于HAM-BiTL組合網(wǎng)絡模型的AUV操縱運動預報方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120257469B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510295815.5，技術領域涉及：G06F30/15；該發(fā)明授權一種基于HAM-BiTL組合網(wǎng)絡模型的AUV操縱運動預報方法是由王紅波;王嘉瑋;趙恒超;張毅;王巖;楊澍設計研發(fā)完成，并于2025-03-13向國家知識產(chǎn)權局提交的專利申請。

本一種基于HAM-BiTL組合網(wǎng)絡模型的AUV操縱運動預報方法在說明書摘要公布了：本發(fā)明適用于自主水下航行器技術領域，提出了一種基于HAM?BiTL組合網(wǎng)絡模型的AUV操縱運動預報方法。該方法將雙向時間卷積、雙向長短期記憶網(wǎng)絡和混合注意力機制相結(jié)合，所構(gòu)建的模型被命名為HAM?BiTL組合網(wǎng)絡模型。通過結(jié)合滑動窗口法及其改進形式，對AUV操縱運動多元狀態(tài)預報模型進行訓練與驗證。雙向時間卷積確保了網(wǎng)絡預報的因果性，能有效提取多元位姿數(shù)據(jù)的空間特征；雙向長短期記憶網(wǎng)絡則有效提取了序列時間特征，保證了時序數(shù)據(jù)的前后關聯(lián)。混合注意力機制能夠在樣本數(shù)據(jù)中合理分配權重，從而實現(xiàn)對多種工況下AUV操縱運動多元位姿數(shù)據(jù)的多步預報。經(jīng)三種典型操縱運動場景的實驗驗證，HAM?BiTL組合網(wǎng)絡模型展現(xiàn)出了優(yōu)異的預報性能。

本發(fā)明授權一種基于HAM-BiTL組合網(wǎng)絡模型的AUV操縱運動預報方法在權利要求書中公布了：1.一種基于HAM-BiTL組合網(wǎng)絡模型的AUV操縱運動預報方法，其特征在于，包括以下步驟： 步驟1：模型構(gòu)建； 分別構(gòu)建雙向時間卷積網(wǎng)絡、通道注意力機制、雙向長短期記憶網(wǎng)絡以及多頭自注意力機制； 步驟2：數(shù)據(jù)準備和處理； 收集AUV在不同工況下的典型操縱運動仿真實驗數(shù)據(jù)作為數(shù)據(jù)集，以此構(gòu)建數(shù)據(jù)集，用于開展網(wǎng)絡模型的訓練與驗證工作，并采用最大值歸一化方法對數(shù)據(jù)進行歸一化處理； 步驟3：HAM-BiTL組合網(wǎng)絡模型的具體實現(xiàn)； 所提出的HAM-BiTL組合網(wǎng)絡模型是由步驟1中的雙向時間卷積網(wǎng)絡、通道注意力機制、雙向長短期記憶網(wǎng)絡、多頭自注意力機制依次級聯(lián)實現(xiàn)；輸入的多維時間序列由具有指定采樣寬度的滑動窗口的樣本組成，BiTCN被設計為將多維AUV運動樣本塊轉(zhuǎn)換為一維特征向量；通過通道注意力機制將BiTCN提取的時序空間特征分配權重，隨后利用BiLSTM經(jīng)過自注意力機制處理后的特征中捕獲正向和反向的時間特征；最后，多頭自注意力機制自適應地為當前窗口內(nèi)的時空特征數(shù)據(jù)分配時變權重； 所述步驟2包括以下步驟： 步驟2.1：數(shù)據(jù)準備； 基于AUVRemus100的數(shù)學模型開展仿真實驗并獲得數(shù)據(jù)集；通過對AUV進行不同工況下的垂直面梯形運動實驗、水平面Z型運動實驗和螺旋回轉(zhuǎn)下潛實驗，收集其典型操縱運動在這些工況下的仿真實驗數(shù)據(jù)，以此構(gòu)建數(shù)據(jù)集，用于后續(xù)網(wǎng)絡模型的訓練與驗證；同時針對上述三種典型操縱運動，預設不同的航行速度，并將其與設定的打舵指令一一匹配，通過組合形成多樣化的實驗工況，從而得到不同的數(shù)據(jù)集；同時還設置了獨立于訓練集工況的實驗工況數(shù)據(jù)集作為測試集，用于驗證算法的實際效果； 步驟2.2：數(shù)據(jù)處理； 在獲得符合要求的數(shù)據(jù)集后，對多工況下的實驗數(shù)據(jù)進行預處理，即對數(shù)據(jù)進行歸一化或標準化處理；這里采用最大值歸一化方法，其計算原理如下式6所示： 其中，yn,t是第n個特征中，第t個時間步的初始數(shù)據(jù)；是第n個特征中絕對值最大的數(shù)據(jù)，是第n個特征中，第t個時間步的通過最大值歸一化的數(shù)據(jù)；通過這樣的歸一化方式，使每個特征向量的所有時間步對應的數(shù)據(jù)，都歸一化到[-1,1]范圍內(nèi)，保證數(shù)據(jù)原有的分布特征，同時消除量綱的影響； 在分別完成對垂直面梯形運動、水平面Z型運動和螺旋回轉(zhuǎn)下潛實驗數(shù)據(jù)的預處理后，依照訓練多步預報網(wǎng)絡模型的數(shù)據(jù)格式要求，對數(shù)據(jù)集實施進一步的處理；通過使用滑動窗口法，按照既定步長持續(xù)更新輸入至網(wǎng)絡模型內(nèi)用于訓練或驗證的信息；對滑動窗口的關鍵參數(shù)加以設定，其中涵蓋訓練輸入數(shù)據(jù)的時間步長和每次更新輸入數(shù)據(jù)時的輸入步長； AUV操縱運動預報采用的是一個多輸入多輸出的預報模型；其中，式7中的Xt|t-kim-1作為模型訓練和預報輸入，是一個具備空間維度和時間維度的二維變量；式8中的ut|t-kim-1為外部輸入變量，它與Xt|t-kim-1一同作為模型訓練和預報的輸入數(shù)據(jù)；在t時刻窗口范圍內(nèi)的Xt|t-kim-1與ut|t-kim-1數(shù)據(jù)作為輸入，經(jīng)過訓練好的網(wǎng)絡模型處理后，可預報到下一時刻的狀態(tài)量如式所示； ut|t-kim-1＝[udelta,t-kim-1udelta,t-kim-2…udelta,t-kim-n…udelta,t]T8 其中，Xt|t-kim-1表示由當前時刻t至歷史時刻t-kim-1，共計kim步的運動狀態(tài)構(gòu)成的輸入數(shù)據(jù)；xfeature,t-kim-n表示在歷史時刻t-kim-n時，所有特征運動狀態(tài)的向量；xf,t-kim-n表示歷史時刻t-kim-n，第f個特征運動狀態(tài)的值；ut|t-kim-1表示由當前時刻t至歷史時刻t-kim-1，共計kim步的外部指令的向量；udelta,t-kim-n表示歷史時刻t-kim-n外部指令的值；表示將共計kim步的運動數(shù)據(jù)Xt|t-kim-1與共計kim步的外部指令的向量ut|t-kim-1輸入到預報器中，得到的t+1時刻的預報結(jié)果n∈1,2,3,...,kim； 按照式7-9的步驟依次將滑動窗口根據(jù)當前時刻向下移動，實現(xiàn)網(wǎng)絡模型的訓練；然后，按照式7-9的計算步驟，將測試集數(shù)據(jù)輸入已訓練好的模型，隨后采用改進的滑動窗口數(shù)據(jù)迭代方式進行多步預報；首先將式9得到的估計值作為新的數(shù)據(jù)納入到下一步的滑動窗口范圍內(nèi)，用以替代未來時刻未知的運動狀態(tài)數(shù)據(jù)，并與當前時刻t至歷史時刻t-kim-2的數(shù)據(jù)共同構(gòu)成新的預報器的輸入數(shù)據(jù)從而在當前時刻t實現(xiàn)t+2時刻的預報；更新后的數(shù)據(jù)如式10所示，然后按照此步驟對式11和12交替執(zhí)行，借助改進的滑動窗口法得以在t時刻對未來t+dim時刻的dim多步預報；特別說明的是，在網(wǎng)絡訓練階段，采用傳統(tǒng)的滑動窗口法，而在預報器實際投入應用時，則采用改進的滑動窗口法實現(xiàn)多步預報； 其中，為多步預報的輸入狀態(tài)向量，為多步預報的第m個估計值，其中，m∈1,2,3,...,dim。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.hzsmkbearing.com.cn/list?keyword=%E5%90%89%E6%9E%97%E5%A4%A7%E5%AD%A6&temp=1">吉林大學，其通訊地址為：130012 吉林省長春市前進大街2699號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。