本發明屬于無人船人工智能領域，具體的說是基于os-elm算法的無人船環境調節方法。
背景技術：
近年來，人工智能技術在各領域中的應用越來越多，但是受應用需求及技術水平的限制，國內無人船的研究進展比較緩慢，大多數無人船都作為無人遙控航行器開發的，控制方式也大多是遙控方式。因此有必要設計一種能準確識別海洋環境、周圍目標和能準確判斷無人艇航行狀態、運動姿態的無人船環境感知系統，輔助無人船進行自主決策，由遙控式發展為智能式。
現如今的大多數環境感知方法只是針對外部環境展開研究，然而在實際應用中并非總是如此，感知外部環境的同時還需要時刻關注船體自身的動態性能，航行姿態等內環境，內外環境有機結合才能提高船體穩定性和識別準確度。
但是內外部環境感知傳感器接收的數據量很大且需快速處理，但相關的大數據處理技術的研究有待深入。目前已有少部分文獻對無人船數據處理算法進行研究，但是處理的數據大部分是單一結論，且大多數算法采用了增加節點數量，提高成本來實現，如基于慣導系統的航行狀態感知方法、基于小波分析法的mems陀螺去噪研究等。但是如果控制成本，減少節點數量時，運算量會增加，且計算誤差會增大，無人船的穩定性得不到保證。
技術實現要素：
本發明要解決的技術問題在于，克服現有技術的不足，提供一種基于os-elm算法的無人船環境調節方法，其既可以同時研究無人船航行時的內環境和外環境，又可以在樣本有限的情況下完成運算，且學習速度快、運算精度高。
本發明所涉及的一種基于os-elm算法的無人船環境調節方法，包括以下步驟：構建無人船的實驗環境，采集無人船航行數據；根據無人船航行數據，行成樣本集；采用os-elm算法對所述樣本集進行處理，得到無人船內環境和外環境的耦合關系；根據所述耦合關系和無人船在實際航行中所采集的數據進行匹配，來調節在實際航行中無人船的內環境和外環境。
進一步地，所述構建無人船的實驗環境，具體包括：在無人船上安裝內部環境傳感器和外部環境傳感器；所述外部環境傳感器與外部環境上位機連接；所述內部環境傳感器通過實驗現場總線與內部環境上位機連接；所述內部環境上位機和外部環境上位機分別與服務器相連。
更進一步地，所述采用os-elm算法對所述樣本集進行處理，具體包括：所述樣本集被傳送至服務器；隨機取m％的樣本集中樣本完成os-elm算法的初始階段，得到單層前饋神經網絡的輸出權重矩陣β的表達式，所述m％小于50％；隨機取(1-m％)的樣本集，結合單層前饋神經網絡的輸出權重β矩陣的遞推公式，完成os-elm算法的學習階段，得到完善后的單層前饋神經網絡的輸出權重矩陣β。
再進一步地，所述隨機取m％的樣本集中樣本完成os-elm算法的初始階段，具體包括：設定網絡隱節點數l；隨機取出所述樣本集n(x，t)中m％的樣本n’(xj，tj)，j＝1、2……n，其中n>>l；隨機取隱節點輸入權值ai和閥值bi，i＝1、2……l；求出隱含層輸出函數g(ai,bi,x)，從而得到神經網絡的隱含層輸出矩陣h0；求出等價輸入變量r，從而得到神經網絡的輸出矩陣r。
還進一步地，所述求出隱含層輸出函數g(ai,bi,x)，從而得到神經網絡的隱含層輸出矩陣h0，具體包括：
所述隱含層輸出函數g(ai,bi,x)的計算公式為：
g(ai,bi,x)＝g(ai·x+bi)(1)
公式(1)中，其中g為激活函數，采用sigmoid函數求得；ai·x代表隱節點輸入權值向量ai和樣本向量x的內積；所述隱節點輸入權值ai和閥值bi的取值在[-1，1]之間；
所述神經網絡的隱含層輸出矩陣h0的計算公式為：
公式(2)中，g11……gmn代表隱含層輸出函數g(ai,bi,x)的不同取值。
又進一步地，所述求出等價輸入變量r，從而得到網絡的輸出矩陣r，具體包括：
所述等價輸入變量r的計算公式為：
r＝t(3)
所述神經網絡的輸出矩陣r的計算公式為：
公式(4)中，r1…rn0為等價輸入變量r的不同值。
優選地，所述單層前饋神經網絡的輸出權重矩陣β的表達式為：
h0β＝r(5)
進而得到如下公式：
優選地，所述隨機取(1-m％)的樣本集，結合單層前饋神經網絡的輸出權重β矩陣的遞推公式，完成os-elm算法的學習階段，具體包括：隨機取出所述樣本集n(x，t)中除去樣本n’(xj，tj)的其余樣本；將所述其余樣本用于更新隱含層輸出矩陣h0和神經網絡的輸出矩陣r；結合單層前饋神經網絡的輸出權重β矩陣的遞推公式，直至所述其余樣本全部取值完畢。
優選地，所述遞推公式求解過程為：
公式(9)中，
設
優選地，所述無人船內環境和外環境的耦合關系為：
公式(12)中其中,xi為無人船實際航行中的外環境數據，ti為無人船實際航行中內環境數據，βi為輸出權值矩陣。
本發明的有益效果在于：
①首次采用os-elm算法應用于實時處理環境感知測量數據，具有信息處理速度快，性能穩定的優點。②將無人船外部環境變量與內部環境變量進行結合處理，深度分析兩者數據間的關系，使無人船對環境的適應能力更強，動態性能更好。③利用os-elm算法學習速度快、泛化性能優良的特點，可以經過多重樣本訓練后，即可利用其強大的學習能力，對后續環境變量進行預測，可大大提高系統的穩定性和智能性。
附圖說明
下面將結合附圖及實施例對本發明作進一步說明，附圖中：
圖1是本發明實施例的流程圖。
具體實施方式
為了對本發明的技術特征、目的和效果有更加清楚的理解，現對照附圖詳細說明本發明的具體實施方式。
如圖1所示，本發明所述的基于os-elm算法的無人船環境調節方法，包括以下步驟：
101、構建無人船的實驗環境，采集無人船航行數據。
在無人船上安裝內部環境傳感器和外部環境傳感器；
所述外部環境傳感器與外部環境上位機連接；
所述內部環境傳感器通過實驗現場總線與內部環境上位機連接；
所述內部環境上位機和外部環境上位機分別與服務器相連。
102、根據無人船航行數據，行成樣本集。
103、采用os-elm算法對所述樣本集進行處理，得到無人船內環境和外環境的耦合關系；
所述樣本集被傳送至服務器。
隨機取m％的樣本集中樣本完成os-elm算法的初始階段，得到單層前饋神經網絡的輸出權重矩陣β的表達式，所述m％小于50％。
設定網絡隱節點數l；
隨機取出所述樣本集n(x，t)中m％的樣本n’(xj，tj)，j＝1、2……n，其中n>>l；
隨機取隱節點輸入權值ai和閥值bi，i＝1、2……l；
求出隱含層輸出函數g(ai,bi,x)，從而得到神經網絡的隱含層輸出矩陣h0；
求出等價輸入變量r，從而得到神經網絡的輸出矩陣r。
所述求出隱含層輸出函數g(ai,bi,x)，從而得到神經網絡的隱含層輸出矩陣h0，具體包括：
所述隱含層輸出函數g(ai,bi,x)的計算公式為：
g(ai,bi,x)＝g(ai·x+bi)(1)
公式(1)中，其中g為激活函數，采用sigmoid函數求得；ai·x代表隱節點輸入權值向量ai和樣本向量x的內積；所述隱節點輸入權值ai和閥值bi的取值在[-1，1]之間；
所述神經網絡的隱含層輸出矩陣h0的計算公式為：
公式(2)中，g11……gmn代表隱含層輸出函數g(ai,bi,x)的不同取值。
所述等價輸入變量r的計算公式為：
r＝t(3)
所述神經網絡的輸出矩陣r的計算公式為：
公式(4)中，r1…rn0為等價輸入變量r的不同值。
所述單層前饋神經網絡的輸出權重矩陣β的表達式為：
h0β＝r(5)
進而得到如下公式：
隨機取(1-m％)的樣本集，結合單層前饋神經網絡的輸出權重β矩陣的遞推公式，完成os-elm算法的學習階段，得到完善后的單層前饋神經網絡的輸出權重矩陣β。
隨機取出所述樣本集n(x，t)中除去樣本n’(xj，tj)的其余樣本；
將所述其余樣本用于更新隱含層輸出矩陣h0和神經網絡的輸出矩陣r；
結合單層前饋神經網絡的輸出權重β矩陣的遞推公式，直至所述其余樣本全部取值完畢。
所述遞推公式求解過程為：
公式(8)中，
設
104、根據所述耦合關系和無人船在實際航行中所采集的數據進行匹配，來調節在實際航行中無人船的內環境和外環境。
所述無人船內環境和外環境的耦合關系為：
公式(12)中其中,xi為無人船實際航行中的外環境數據，ti為無人船實際航行中內環境數據，βi為輸出權值矩陣。
上面結合附圖對本發明的實施例進行了描述，但是本發明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術人員在本發明的啟示下，在不脫離本發明宗旨和權利要求所保護的范圍情況下，還可做出很多形式，這些均屬于本發明的保護之內。