UUV导航中基于样本熵和IFOA-GRNN的DVL信号失真重构

"该文提出了一种基于样本熵和改进果蝇优化算法(IFOA)的广义回归神经网络(GrNN)方法，用于重构水下无人航行器(UUV)多普勒计程仪(DVL)的信号失真。通过增强FOA的局部搜索能力和避免局部最优，IFOA优化了GRNN的参数，从而更准确地估计UUV的速度。同时，通过计算DVL输出信号的样本熵来监测设备的工作状态，并结合海流估计来校正因海流干扰导致的信号失真。仿真试验表明，这种方法在DVL失真情况下能有效支持UUV的应急导航。" 这篇论文主要涉及以下几个IT知识点： 1. 水下无人航行器 (UUV): UUV是一种无需人为操控，能在水下自主或远程控制运行的高科技装备。在水下探索、海洋科学研究、军事任务等领域有广泛应用。UUV依赖各种传感器，如多普勒计程仪(DVL)，进行导航和定位。 2. 多普勒计程仪 (DVL): DVL是一种利用多普勒效应测量水下航行器速度的传感器。它发射声波脉冲并接收反射回来的信号，通过分析信号频率的变化计算出UUV相对于水的速度。但在复杂磁场干扰下，DVL的信号可能会失真，影响航行精度。 3. 传感器故障重构: 当DVL等关键传感器出现失真时，需要重构其信号以恢复准确的测量信息。文中提出的算法就是针对这一需求设计的。 4. 样本熵 (Sample Entropy): 是一种衡量时间序列复杂性和自相似性的统计指标，常用于检测信号的稳定性。在本研究中，样本熵被用来实时评估DVL信号的失真程度，以便及时发现异常状态。 5. 广义回归神经网络 (GRNN): 是一种非线性预测模型，通过核函数逼近输入和输出之间的关系。GRNN在训练时只需要一次学习过程，具有快速收敛和良好的泛化能力。 6. 改进果蝇优化算法 (IFOA): 基于生物进化策略的优化算法，通过模仿果蝇寻找食物的行为进行全局搜索。在本文中，IFOA被用来优化GRNN的参数，提高模型对DVL信号失真重构的精确度。 7. 海流估计: 在UUV航行过程中，海流会对DVL的测量造成干扰。通过估计和修正海流的影响，可以提高UUV导航的准确性。 该研究的贡献在于提出了一种结合样本熵和IFOA-GRNN的新方法，有效应对DVL信号失真问题，提高了UUV在复杂环境下的自主导航能力。通过仿真试验验证了方法的有效性，为水下航行器的可靠导航提供了新的解决方案。