通过近距离驱动的循环神经网络增强水下目标定位.
Sathish Kumar1, Ravikumar Chinthaginjala1, Dhanamjayulu C1
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, 632014, India.
Heliyon
|April 10, 2024
概括
这项研究引入了近距离感知循环神经网络 (RNN),用于精确的水下目标定位. 增强的RNN模型显著减少了在具有挑战性的海洋环境中平均估计误差.
科学领域:
- 海洋技术 海洋技术
- 机器人技术 机器人技术 机器人技术
- 信号处理 信号处理
背景情况:
- 水下目标定位对于海洋应用,如环境监测和海洋研究至关重要.
- 传统系统在动态的水下环境中扎着信号退化,噪音和不稳定的条件.
研究的目的:
- 开发一种使用反复神经网络 (RNN) 准确的水下目标定位方法.
- 通过结合基于近距离的特征来提高RNN的性能,以提高空间意识.
主要方法:
- 利用循环神经网络 (RNN) 来分析水下目标音频发射的时间动态.
- 集成的基于近距离的功能,提供液电话节点和目标之间的相对距离信息.
- 通过在各种水下环境中进行广泛的模拟和实践实验来评估模型.
主要成果:
- 基于RNN的方法与传统的本地化方法相比,表现优越.
- 实现了平均估计误差 (MEE) 的显著降低,特别是在复杂的水下环境中.
- 近距离感知RNN模型即使在具有挑战性的条件下也被证明是有效的.
结论:
- 拟议的近距离感知RNN模型为水下目标定位提供了强大而准确的解决方案.
- 这种方法通过利用时间数据和空间近距离信息来提高精度.
- 该方法显示了促进海洋勘探和监测技术的巨大潜力.
