.552. 智能系统学报 第8卷 预测跟踪效果及任务完成的效率，甚至关系着UUV 实时预测跟踪的目的.文中所提出的算法流程如图1 自身的安全。 所示。 由于环境噪声等因素的影响，在传感器采集的 (开始● 原始数据中存在噪声点，即特征明显异于正常数据 提取原始数据 的孤立点.小波转换可以重构原始数据，将其中的孤 立点局部放大，使得孤立点的检测及剔除都更加准 小波变换 确.文献[1]将改进递归小波引入到瞬时故障信号的 HMM相似度判定 实时分析过程中，选择衰减振荡函数为基波，用信号 Y是香相似一 和经过转换、量化后基波间的相似性表示小波转换： N 放人备选集R 并将小波变换后的数据孤立点局部放大，对其进行 检测，即可得到有效数据. 预测小波系数 由于传感器探测数据属于随机过程，所以考虑 判断预测 用随机过程的相关理论进行孤立点检测.马尔可夫 系数与原始数据是否 W 有明显波动 随机过程的核心思想是无后效性，即当前时刻的状 孤立点 正常数据■ 态变量与之前更早时刻的状态变量无关，而只与其 Num+1 前一时刻的状态变量相关，这种模型结构某种程度 上反映了事物发展的过程.隐马尔可夫随机过程相 是否达到数据总数Num> 对于马尔可夫随机过程来说，主要特征是状态变量 Y 结束○ 的隐藏性.马尔可夫和隐马尔可夫过程广泛应用于 预测和隐含概念漂移的数据流分类中[).文献[3] 图1算法流程 Fig.1 Flow chart of the algorithm 针对隐马尔可夫模型传统训练算法易收敛于局部极 值的问题，提出一种带极值扰动的自适应调整惯性 在UUV预测跟踪过程中，传感器所采集的信号 权重和加速系数的粒子群算法，将改进后的粒子群 包括速度、航向、深度及声呐所采集的避碰信息.在 优化算法引入到隐马尔可夫模型的训练中，分别对 所采集的数据中，由于传感器自身的特性以及外界 隐马尔可夫模型的状态数和参数进行优化.提出的 环境的影响，存在异常数据的情况.这些异常数据对 基于改进粒子群优化算法的隐马尔可夫模型训练算 于UUV预测跟踪的准确性及安全性有着至关重要 法与传统隐马尔可夫模型训练算法Baum-welch算 的影响所以，对异常数据的实时处理，成为UUV预 法相比，能有效地跳出局部极值，从而使训练后的隐 测跟踪过程中必不可少的环节.基于这一实际的需 马尔可夫模型具有较好的识别能力。 求，本文利用小波变换将异常数据和正常数据进行 文献[4]结合小波理论和隐马尔可夫模型的相 分离 关知识，将小波变换应用到隐马尔可夫模型非参数 对于采集所得的数据s(t)来说，其小波变换由 估计的问题中来，并探讨了其中Haar小波正交级数 系数集合W(b,a)组成，其中a为尺度因子，b为平 估计量分解尺度的选取.文中仅就小波理论和隐马 移因子，表示小波函数在t轴上的平移位置.小波系 尔可夫模型进行理论的结合，没有进行实验性的验 数W(b,a)为对数据s(t)和小波基函数(t)的卷 证.文献[5]针对小波异常信号检测原理的局限性， 积结果.卷积操作可以通过Z变换转换为乘积运算， 提出了适用于过程数据的基于小波隐马尔可夫模型 得到W(z),再对W,(z)进行Z反变换，得到小波系 的异常数据检测方法.将小波HMM相结合用于 数W(b,a) UUV预测跟踪过程中孤立点的实时检测，从理论方 小波系数W(b,a)的内积形式为 面考虑，这一应用具有可行性 w(6,a)=s0）·6山 1改进递归的小波变换 式中：山代表复共轭.根据容许条件c。= UUV预测跟踪过程中需要进行实时的数据支 (1(w)/小w）dw<o,选择小波基函数() 持，所提出的算法必须满足复杂度尽可能小的要求 本文利用改进递归的小波变换对原始数据进行重 的形式为 构，可以满足对算法复杂度的需求，进而实现UUV )=(1+o川+7r)ee预测跟踪效果及任务完成的效率，甚至关系着 ＵＵＶ 自身的安全． 由于环境噪声等因素的影响，在传感器采集的 原始数据中存在噪声点，即特征明显异于正常数据 的孤立点．小波转换可以重构原始数据，将其中的孤 立点局部放大，使得孤立点的检测及剔除都更加准 确．文献［１］将改进递归小波引入到瞬时故障信号的 实时分析过程中，选择衰减振荡函数为基波，用信号 和经过转换、量化后基波间的相似性表示小波转换； 并将小波变换后的数据孤立点局部放大，对其进行 检测，即可得到有效数据． 由于传感器探测数据属于随机过程，所以考虑 用随机过程的相关理论进行孤立点检测．马尔可夫 随机过程的核心思想是无后效性，即当前时刻的状 态变量与之前更早时刻的状态变量无关，而只与其 前一时刻的状态变量相关，这种模型结构某种程度 上反映了事物发展的过程．隐马尔可夫随机过程相 对于马尔可夫随机过程来说，主要特征是状态变量 的隐藏性．马尔可夫和隐马尔可夫过程广泛应用于 预测和隐含概念漂移的数据流分类中［２］ ．文献［３］ 针对隐马尔可夫模型传统训练算法易收敛于局部极 值的问题，提出一种带极值扰动的自适应调整惯性 权重和加速系数的粒子群算法，将改进后的粒子群 优化算法引入到隐马尔可夫模型的训练中，分别对 隐马尔可夫模型的状态数和参数进行优化．提出的 基于改进粒子群优化算法的隐马尔可夫模型训练算 法与传统隐马尔可夫模型训练算法 Ｂａｕｍ⁃ｗｅｌｃｈ 算 法相比，能有效地跳出局部极值，从而使训练后的隐 马尔可夫模型具有较好的识别能力． 文献［４］结合小波理论和隐马尔可夫模型的相 关知识，将小波变换应用到隐马尔可夫模型非参数 估计的问题中来，并探讨了其中 Ｈａａｒ 小波正交级数 估计量分解尺度的选取．文中仅就小波理论和隐马 尔可夫模型进行理论的结合，没有进行实验性的验 证．文献［５］针对小波异常信号检测原理的局限性， 提出了适用于过程数据的基于小波隐马尔可夫模型 的异常数据检测方法． 将小波 ＨＭＭ 相结合用于 ＵＵＶ 预测跟踪过程中孤立点的实时检测，从理论方 面考虑，这一应用具有可行性． １ 改进递归的小波变换 ＵＵＶ 预测跟踪过程中需要进行实时的数据支 持，所提出的算法必须满足复杂度尽可能小的要求． 本文利用改进递归的小波变换对原始数据进行重 构，可以满足对算法复杂度的需求，进而实现 ＵＵＶ 实时预测跟踪的目的．文中所提出的算法流程如图 １ 所示． 图 １ 算法流程 Ｆｉｇ．１ Ｆｌｏｗ ｃｈａｒｔ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ 在 ＵＵＶ 预测跟踪过程中，传感器所采集的信号 包括速度、航向、深度及声呐所采集的避碰信息．在 所采集的数据中，由于传感器自身的特性以及外界 环境的影响，存在异常数据的情况．这些异常数据对 于 ＵＵＶ 预测跟踪的准确性及安全性有着至关重要 的影响．所以，对异常数据的实时处理，成为 ＵＵＶ 预 测跟踪过程中必不可少的环节．基于这一实际的需 求，本文利用小波变换将异常数据和正常数据进行 分离． 对于采集所得的数据 ｓ（ｔ）来说，其小波变换由 系数集合 Ｗｓ（ｂ，ａ） 组成，其中 ａ 为尺度因子， ｂ 为平 移因子，表示小波函数在 ｔ 轴上的平移位置．小波系 数 Ｗｓ（ｂ，ａ） 为对数据 ｓ（ｔ）和小波基函数 ψ（ｔ） 的卷 积结果．卷积操作可以通过 Ｚ 变换转换为乘积运算， 得到 Ｗｓ（ｚ） ，再对 Ｗｓ（ｚ） 进行 Ｚ 反变换，得到小波系 数 Ｗｓ（ｂ，ａ） ． 小波系数 Ｗｓ（ｂ，ａ） 的内积形式为 Ｗｓ（ｂ，ａ） ＝ ∫ ¥ －¥ ｓ（ｔ）·ψ － ｂ，ａ ｄｔ． 式 中： ψ － 代 表 复 共 轭． 根 据 容 许 条 件 ｃψ ＝ ∫ ¥ －¥ ψ ＾ （ｗ） ２ ( ／ ｗ ) ｄｗ ＜ ¥，选择小波基函数 ψ（ｔ） 的形式为 ψ（ｔ） ＝ （１ ＋ σ ｔ ＋ σ ２ ２ ｔ ２ ）ｅ －σ ｔ ｅ ｉｗ０ ｔ ． ·５５２· 智 能 系 统 学 报 第 ８ 卷