[发明专利]一种基于小波聚类的UUV巡岸轮廓构建方法

摘要

本发明提供一种基于小波聚类的UUV巡岸轮廓构建方法，针对UUV的未知环境探测与同步巡岸控制中的环境轮廓构建问题，提出了一种改进的基于小波聚类的轮廓构建方法。该算法对原始障碍点数据进行局部小波聚类给出UUV在当前位置下视域内的孤立点备选集R和各个类的集合Ci，并通过全局聚类决策制订的一系列聚类策略对孤立点和类数据进行处理，使孤立点被剔除，得到了海岸轮廓的障碍点集，再通过该障碍点集利用Alpha‑Shapes的方法得出具体的海岸轮廓。本文模拟UUV巡岸过程中采集障碍点并加入噪声数据，将其作为原始数据进行仿真，算法快速准确地给出了海岸轮廓，证明了算法的有效性和可行性。

主权项

一种基于小波聚类的UUV巡岸轮廓构建方法，其特征在于：步骤一：根据港口卫星图建立环境模型，建立UUV路径跟踪模型；步骤二：根据环境模型规划UUV路径，设计UUV路径跟踪控制器并跟踪此路径，在跟踪的过程中通过声呐作用于环境模型得到原始数据，原始数据包括声纳数据和噪声数据；且所述UUV路径跟踪控制器采用增益式的PID控制器，用两个独立的控制器分别控制UUV在水平面的推力τu和舵角τr；步骤三：在全局应用全局聚类决策：首先给出用于存放首次被聚类作为孤立点的数据的备选集R，即R＝{x|x的类属性不完全确定}；再给出用于局部小波聚类时表述UUV附近环境的UUV视域，UUV视域是指以当前UUV位置为圆心、以预设的长度r为半径构成的圆；已知类和预设阈值关系为：∃∪k{xk|k>ρT}⊆Ci]]>其中：k为数据个数，ρT为预设阈值，表征某一类包含数据的最小值，Ci为已知类；则全局聚类决策包括：第一：先获取当前视域的数据点并与备选集R作对比，是否有上一节拍视域中的数据点在本节拍的视域内消失：如果有，将这类点直接归类为孤立点，放入孤立点集；否则进行下一步；第二：从原始数据中顺次取出视域内的所有原始数据点xi，检查当前视域内数据密度是否达到阈值ρT，如果没有到达，是由于处于探测初期，数据量太少，未形成任何已知类，无法判断xi数据是否是孤立点，则把xi点放入备选集R中，如果到达阈值，则对当前视域进行局部小波聚类，具体为：(1)量化特征空间，划分网格：对于给定d维特征空间的每一维i，分成K个间隔，i＝1，2，…，d，则原特征空间中将含有Kd个网格单元，将其划分到相应网格单元；计算每个网格单元的特征值，作为密度聚类算法一般以统计点数作为指标；K的值由下式获得：K=int(Nd)+1]]>其中：N是当前视域内障碍点的数量，d是维数；(2)对特征空间的数据进行离散小波变换，选取各层高频分量进行阈值量化之后重构信号，根据数据特点和小波函数的性能，选择小波基函数，由所需的聚类精度确定分解尺度l，对每一维应用一次小波变换，di维数据需要进行d次小波变换；对于每个维度的小波变换，进行l层小波分解，对每层小波分解对应高频分量的小波系数进行阈值量化，然后重构信号；(3)寻找连通单元并聚类：对于小波变换后的特征空间中的每个单元，根据提前定义好密度阈值MinPts，根据下式计算每个网格单元的函数值：f=1ifdk≥MinPts0else]]>且函数值为1的是显著网格单元，函数值为0的是非显著网格单元，然后用深度优先遍历的方法将相连的显著网格单元识别为类；(4)标签单元并构造查找表，显著网格单元中的同样的类数据做出标记，非显著网格单元中的数据为孤立点，孤立点放入备选集R中；转换后的特征网格空间和原特征网格空间一一映射，用类i序号标签小波变换后的特征空间中的每个类中的网格单元，根据数据的类标签即可判断出数据属于哪个类；第三：检查备选集R中的数据，若其中存在小波聚类后的类数据点，则将他从备选集中删除，每次聚类完成用深度遍历的方法检查类的数据，若两个类的数据有连通分量，且则合并两个类，然后输出已知类集；第四：检查第二和第三给出的备选集中是否有数据存在时间大于时间阈值tT：若有则将其放入孤立点集，和步骤1一起输出孤立点集；若没有则继续存在备选集中并输出备选集R；第五：检查UUV是否走完全部路径：若没有完成则UUV继续跟踪路径并进行下一视域的聚类，若完成则对已知类集Ci有进一步处理；步骤四：应用Alpha‑Shapes算法从类集中提取轮廓，得出环境轮廓。