張勛，馬豪伯，徐博，李權(quán)明，楊慧影，周佳加

1. 哈爾濱工程大學(xué) 自動(dòng)化學(xué)院，黑龍江 哈爾濱 150001 2. 西安衛(wèi)星測(cè)控中心，陜西 西安 710043

水下無人航行器(UUV)由于其能夠出色地完成自主規(guī)劃航行而備受軍民領(lǐng)域廣泛關(guān)注，并且由于海洋資源開發(fā)要求的逐步提高，UUV 的高速化成為研究方向之一[1]。實(shí)驗(yàn)室中搭載高速推進(jìn)器的UUV 的航速能夠達(dá)到12 kn，推進(jìn)器電流60 A。由于大功率電動(dòng)機(jī)的使用，UUV 內(nèi)部空間中的電磁環(huán)境較為復(fù)雜，在缺少科學(xué)應(yīng)對(duì)措施的情況下，會(huì)對(duì)其電子裝備造成不同程度的影響[2]。多普勒計(jì)程儀(DVL)是水下無人航行器用于自身速度測(cè)量、航位推算、定位[3]、導(dǎo)航[4]等方面的重要測(cè)量傳感器，一旦出現(xiàn)故障將嚴(yán)重影響UUV 的正常航行以至于偏離規(guī)劃航線、速度失控甚至撞毀、沉底。故而研究DVL 失真重構(gòu)以保障其正常工作具有重要意義，是UUV 安全可靠航行的重要影響因素。

傳感器故障診斷可以分為基于信號(hào)處理、基于解析模型、基于數(shù)據(jù)驅(qū)動(dòng)這3 大類。其中神經(jīng)網(wǎng)絡(luò)擁有強(qiáng)大非線性辨識(shí)能力，被廣泛應(yīng)用于各個(gè)工程領(lǐng)域，同樣的適用于復(fù)雜的非線性UUV 系統(tǒng)，是其故障診斷的重要方法之一。廣義回歸神經(jīng) 網(wǎng) 絡(luò)(general regression neural network，GRNN)是徑向基神經(jīng)網(wǎng)絡(luò)的一種特殊形式，具有非常強(qiáng)大的非線性映射能力以及訓(xùn)練速度快、只需設(shè)置一個(gè)參數(shù)的特性，被廣泛應(yīng)用于各種類型的故障診斷工程中，如航空發(fā)動(dòng)機(jī)[5]、變壓器[6]、無人機(jī)[7]、離心泵[8]、超外差接收器[9]、伺服閥[10]、航空故障診斷專家系統(tǒng)[11]等。

傳統(tǒng)果蠅優(yōu)化算法(FOA)是一種簡(jiǎn)單，有效，應(yīng)用廣泛的GRNN 參數(shù)尋優(yōu)方法，但由于使用UUV 航行數(shù)據(jù)訓(xùn)練GRNN，增加了FOA 尋優(yōu)的復(fù)雜性，使果蠅尋優(yōu)過程中容易陷入局部極值點(diǎn)，極大地影響了尋優(yōu)時(shí)間和收斂精度。為了取得更好的GRNN 參數(shù)優(yōu)化效果，需要對(duì)果蠅算法進(jìn)行優(yōu)化。如文獻(xiàn)[12]中針對(duì)果蠅搜索方式優(yōu)化的問題，提出了使用向優(yōu)先群組中的各個(gè)果蠅位置靠近的全局化更新方式和記憶空間中挑選特定位置搜索的跳出局部極值的方法；文獻(xiàn)[13]中提出群體分割策略，對(duì)精英子群引入混沌變量以提升局部搜索能力，對(duì)普通子群引入權(quán)重因子改進(jìn)隨機(jī)搜索方式以提升全局搜索能力。這些對(duì)FOA 的優(yōu)化改進(jìn)各有利弊，而本文中的改進(jìn)果蠅優(yōu)化算法(IFOA)引入了雞群優(yōu)化算法(CSO)中的求解高維優(yōu)化問題的思想[14]，將果蠅分為3 類分工搜索覓食，根據(jù)果蠅子群之間和果蠅個(gè)體之間的味道濃度關(guān)系，動(dòng)態(tài)調(diào)整果蠅個(gè)體的位置更新，使其能夠在優(yōu)化全局搜索的同時(shí)兼顧局部搜索，提高算法收斂速度。

UUV 平臺(tái)的傳感器檢測(cè)與診斷中常見的方法是灰色預(yù)測(cè)模型法，這是一種根據(jù)原始數(shù)據(jù)序列進(jìn)行微分?jǐn)M合的建模方法。文獻(xiàn)[15]中提出使用GM(2,1)預(yù)測(cè)模型對(duì)光纖羅經(jīng)實(shí)現(xiàn)故障檢測(cè)，同時(shí)使用UUV 數(shù)據(jù)訓(xùn)練的GA-BP 神經(jīng)網(wǎng)絡(luò)輸出光纖羅經(jīng)的重構(gòu)航向角，雖然這種方法能夠檢測(cè)出光纖羅經(jīng)短時(shí)間內(nèi)故障的發(fā)生并重構(gòu)光纖羅經(jīng)信號(hào)，但并不一定適合UUV 長時(shí)間航行、傳感器復(fù)雜變化的故障檢測(cè)。而文獻(xiàn)[16]中提出使用傳感器輸出序列的樣本熵(sample entropy，SE)和峭度作為支持向量機(jī)的故障分類輸入量，雖然這種方法能夠準(zhǔn)確地分辨?zhèn)鞲衅鞴收戏N類，但由于DVL 輸出數(shù)據(jù)的形式與UUV 的采樣頻率，并不適合直接用于檢測(cè)UUV 平臺(tái)DVL 信號(hào)失真。樣本熵展現(xiàn)出了度量時(shí)間序列的復(fù)雜性的強(qiáng)大能力，被廣泛應(yīng)用于振動(dòng)信號(hào)的故障診斷中[17?18]，而本文使用樣本熵和IFOA-GRNN 的方法，將神經(jīng)網(wǎng)絡(luò)的強(qiáng)大非線性映射能力和樣本熵對(duì)傳感器信號(hào)失真實(shí)時(shí)檢測(cè)的優(yōu)勢(shì)相結(jié)合，對(duì)UUV 平臺(tái)的DVL 信號(hào)失真進(jìn)行重構(gòu)，并使用檢測(cè)后的DVL信號(hào)解算出海流干擾誤差，修正重構(gòu)信號(hào)。

本文研究對(duì)象UUV 的執(zhí)行機(jī)構(gòu)主要為一個(gè)垂直舵、一對(duì)水平舵以及左右主推進(jìn)器，主要傳感器為多普勒計(jì)程儀、慣性導(dǎo)航儀、舵機(jī)的編碼器、推進(jìn)器轉(zhuǎn)速反饋傳感器以及GPS 接收機(jī)。

1 DVL 失真重構(gòu)方法

本文針對(duì)搭載高速推進(jìn)器的水下無人航行器內(nèi)部電磁場(chǎng)復(fù)雜易產(chǎn)生電磁干擾，而造成DVL 信號(hào)失真的問題，提出了使用樣本熵和IFOA-GRNN的DVL 失真重構(gòu)方法。首先使用DVL 正常工作下的UUV 航行歷史數(shù)據(jù)，訓(xùn)練IFOA-GRNN 以構(gòu)建DVL 輸入輸出模型，并通過計(jì)算航行時(shí)的DVL信號(hào)樣本熵，以檢測(cè)DVL 信號(hào)的失真；其次通過使用DVL 正常工作下的速度信號(hào)與IFOA-GRNN的估計(jì)速度完成DVL 失真重構(gòu)的海流干擾修正，最終通過對(duì)比GPS 數(shù)據(jù)，實(shí)現(xiàn)DVL 失真下的UUV應(yīng)急導(dǎo)航如圖1 所示。

圖1 樣本熵和IFOA-GRNN 的重構(gòu)方法

2 IFOA-GRNN 的DVL 信號(hào)重構(gòu)

2.1 雞群優(yōu)化算法基本原理

雞群優(yōu)化算法CSO 是模仿雞群覓食過程的群體智能算法。雞群優(yōu)化算法將雞群分為覓食能力強(qiáng)但適應(yīng)能力差的公雞、覓食能力與適應(yīng)能力一般的母雞以及覓食能力差但適應(yīng)能力強(qiáng)的小雞。其中雞群劃分為公雞主導(dǎo)雞群的覓食搜索方向的若干子群，為全局搜索，其位置更新為

式中： n,g ∈[1,rsize]， 且 n ≠g，rsize為子群總數(shù)； Xt,j為公雞i在 第t次 迭代過程中的第 j 維值； Rand(0,σ2)表示高斯分布； fi表 示公雞 i當(dāng)前位置的適應(yīng)度值；ε為極小數(shù)。

而若干母雞則伴隨所在子群的公雞進(jìn)行覓食搜索，同時(shí)還受到其他子群的影響，其位置更新為

式中： r1為 母雞i所 在子群中的公雞索引； r2為其他子群中適應(yīng)度值優(yōu)于母雞i的所有公雞、母雞的索引； Rand ∈[0,1]，為隨機(jī)數(shù)。

小雞則伴隨母雞覓食搜索，局部搜索能力強(qiáng)，其位置更新為

式中： m為 小雞 i所 屬的母雞索引； η表示小雞跟隨母雞覓食搜索的跟隨系數(shù)。

2.2 IFOA 優(yōu)化的GRNN

廣義回歸神經(jīng)網(wǎng)絡(luò)在1991 年由Specht D F 提出，是一種特殊形式的徑向基神經(jīng)網(wǎng)絡(luò)，逼近能力更強(qiáng)。其結(jié)構(gòu)分為輸入層、模式層、求和層、輸出層。GRNN 本質(zhì)上是參數(shù)的最大似然估計(jì)，并且網(wǎng)絡(luò)最后收斂于樣本量積聚最多的優(yōu)化回歸面。

使用最廣泛的GRNN 的參數(shù)優(yōu)化算法為果蠅優(yōu)化算法，具體步驟可以參考文獻(xiàn)[13]。作為群體智能算法，盡管其具有實(shí)現(xiàn)簡(jiǎn)單、涉及參數(shù)少以及計(jì)算速度快的優(yōu)點(diǎn)，但仍然存在問題需要解決，比如跳出局部最優(yōu)解和提高解空間的遍歷能力。為此引入魯棒性強(qiáng)、準(zhǔn)確性高的雞群算法思想，提高FOA 的防止早熟而陷入局部極值的能力，使融合后的算法能夠彌補(bǔ)傳統(tǒng)FOA 的缺陷。

改進(jìn)后的FOA 需要按照CSO 的劃分方法將果蠅分為3 類A、B、C。其中A 類果蠅不做出改變，在覓食過程中將引導(dǎo)B、C 類果蠅。本文提出的IFOA 的步驟如下。

1)初始化A、B 和C 這3 類果蠅的種群規(guī)模SizepopA 、 SizepopB和 SizepopC，3 類果蠅的隨機(jī)初始位置為，迭代的最大次數(shù) MaxGen。

2) A 類果蠅個(gè)體利用嗅覺覓食搜索，賦予其搜索方向隨機(jī)以及搜索距離：

3) B 類果蠅則分為相應(yīng)組跟隨A 類果蠅展開搜索：

4) C 類果蠅則圍繞B 類果蠅搜索：

式中 η為C 類果蠅 k對(duì)所屬B 類果蠅的跟隨系數(shù)。

5)計(jì)算3 類果蠅各自與原點(diǎn)的距離 Di以及各自的味道濃度判定值 Si：

6)將3 類果蠅的 Si代入均方根誤差判定函數(shù)，計(jì)算味道濃度判定值。

7)找出A、B、C 這3 類果蠅群體中味道濃度最優(yōu)的個(gè)體，并記錄最佳味道濃度值 bestSmelln和相應(yīng)位置。

8) A 類果蠅飛向最佳味道濃度對(duì)應(yīng)的位置處開始覓食搜索，迭代次數(shù) n增加，并返回步驟2)，直到達(dá)到迭代的最大次數(shù) MaxGen，執(zhí)行步驟9)。

9) A、B、C 這3 類果蠅全體的味道濃度最優(yōu)值 bestSmelln對(duì) 應(yīng)的 Si值即為GRNN 的參數(shù)。

2.3 IFOA-GRNN 的實(shí)現(xiàn)及仿真

針對(duì)UUV 的運(yùn)動(dòng)控制方式及DVL 傳感器的輸出，建立GRNN 輸入量為：左主推轉(zhuǎn)速反饋 n1、右主推轉(zhuǎn)速反饋 n2、 左主推電流反饋 I1、右主推電流反饋 I2、 垂直舵舵角反饋 δ1、 水平舵舵角反饋 δ2；輸出量為：UUV 航速u、橫移速度v。訓(xùn)練樣本選擇UUV 無DVL 失真故障下的正常任務(wù)航行數(shù)據(jù)，并且剔除原始數(shù)據(jù)中的野值，使用平滑處理后的數(shù)據(jù)訓(xùn)練GRNN 神經(jīng)網(wǎng)絡(luò)。

訓(xùn)練結(jié)果如圖2、3 所示?？梢钥闯鍪褂脗鹘y(tǒng)的FOA 算法優(yōu)化GRNN 參數(shù)的收斂精度略低于使用IFOA，且傳統(tǒng)的果蠅群體易陷入局部極值點(diǎn)而使搜索進(jìn)度停滯、搜索時(shí)間延長。而使用IFOA優(yōu)化GRNN 參數(shù)收斂速度快、收斂精度高，算法整體性能優(yōu)于FOA。算法的收斂時(shí)間約為傳統(tǒng)果蠅優(yōu)化算法的1/3，精確度略高，搜索路徑更平穩(wěn)，提高收斂速度的同時(shí)增強(qiáng)了跳出局部極值點(diǎn)的能力。

圖2 IFOA 的搜索軌跡

圖3 IFOA 的RMSE 收斂情況

使用DVL 受到外部磁場(chǎng)的輕微干擾、UUV仍能夠正常航行的一次湖上任務(wù)航行數(shù)據(jù)作為DVL 失真重構(gòu)的研究數(shù)據(jù)，如圖4 所示。其中，在0～1 500 拍為DVL 輸出的原始航行數(shù)據(jù)；在1 500～3 000 拍時(shí)，引入DVL 信號(hào)失真，此時(shí)DVL輸出速度保持不變。

圖4 UUV 速度與估計(jì)速度

速度殘差曲線如圖5 所示，GRNN 輸出速度與實(shí)際航行速度之差在0.1 m/s，且最大不超過0.2 m/s。由此證明可以使用GRNN 輸出UUV 速度的方法進(jìn)行DVL 失真重構(gòu)，并設(shè)定失真的殘差閾值為0.2 m/s。

圖5 速度殘差

圖5 中的速度殘差曲線可看到殘差值迅速改變?yōu)樵?.2 m/s 上下波動(dòng)。這是由于UUV 在任務(wù)航行中已經(jīng)加速至3.2 m/s 并且不停地做出轉(zhuǎn)向動(dòng)作，以至于UUV 實(shí)際航行速度不停地出現(xiàn)波動(dòng)，如圖6 所示。

圖6 UUV 任務(wù)航行的航向角

由于UUV 實(shí)際航行過程中航速變化的復(fù)雜性，在引入DVL 信號(hào)失真后，不可避免地存在小于設(shè)定閾值的速度殘差，直接使用神經(jīng)網(wǎng)絡(luò)與DVL 原始數(shù)據(jù)的殘差作為診斷依據(jù)是不充足的，因此引入樣本熵對(duì)DVL 失真進(jìn)行進(jìn)一步的故障診斷。

3 基于樣本熵的DVL 失真檢測(cè)

3.1 樣本熵的基本原理

Chman 等于2000 年提出一種用于度量時(shí)間序列復(fù)雜性的方法?樣本熵(sample entropy)。樣本熵可以度量系統(tǒng)產(chǎn)生新模式的概率大小，定量衡量系統(tǒng)復(fù)雜程度和規(guī)則程度，其熵值越大，時(shí)間序列復(fù)雜程度越大，系統(tǒng)越容易產(chǎn)生新模式；熵值越小，時(shí)間序列越簡(jiǎn)單，系統(tǒng)產(chǎn)生新模式的概率越小[19]。

當(dāng)傳感器從正常狀態(tài)過渡到某種故障狀態(tài)，故障因素的影響使得傳感器輸出時(shí)間序列發(fā)生改變，導(dǎo)致復(fù)雜度及規(guī)則度也隨之改變，意味著系統(tǒng)正以某種概率生成新模式。因此，根據(jù)樣本熵的定義以及樣本熵與傳感器故障產(chǎn)生形式的一致性，可將樣本熵應(yīng)用于傳感器的故障特征提取[16]。樣本熵計(jì)算步驟可以參考文獻(xiàn)[19?21]。

3.2 DVL 信號(hào)失真的具體形式

DVL 傳感器由于受到外部復(fù)雜磁場(chǎng)干擾，而產(chǎn)生輸出信號(hào)失真，具體表現(xiàn)為傳感器輸出數(shù)據(jù)無變化，如圖7 所示。

圖7 正常與失真DVL 信號(hào)曲線

3.3 樣本熵的實(shí)現(xiàn)及仿真

DVL 傳感器輸出數(shù)據(jù)頻率與UUV 采集速度信號(hào)的頻率不同：DVL 每隔1 s 輸出一次速度信號(hào)；UUV 內(nèi)部每隔0.2 s 采集一次速度信號(hào)。為使UUV 與DVL 的信號(hào)輸出與采集能夠正常工作，對(duì)于DVL 傳感器無輸出的節(jié)拍，使用最近一次DVL 輸出的數(shù)據(jù)作為采集到的數(shù)據(jù)。

由于DVL 傳感器輸出數(shù)據(jù)的特殊形式，使用采集到的DVL 輸出信號(hào)前5 拍數(shù)據(jù)，對(duì)圖5 中的DVL 輸出數(shù)據(jù)計(jì)算當(dāng)前節(jié)拍的樣本熵，如圖8 所示。DVL 輸出的原始數(shù)據(jù)在正常狀態(tài)下是一組復(fù)雜度與規(guī)則度均具有特定規(guī)律的時(shí)間序列，有較大的概率產(chǎn)生新模式，其樣本熵值序列呈現(xiàn)出周期變化的三角波形，并且所有樣本熵值都在0.5～0.8。

圖8 DVL 信號(hào)的樣本熵

當(dāng)DVL 發(fā)生輕微失真故障后，UUV 采集到的速度信號(hào)將產(chǎn)生新模式的概率將會(huì)變小，同時(shí)DVL 輸出數(shù)據(jù)的復(fù)雜度和規(guī)則度會(huì)相應(yīng)改變，其樣本熵值迅速變小，如圖8 中的局部放大圖所示。DVL 輸出的速度序列在0～1 500 拍內(nèi)有多次發(fā)生輕微的失真故障，但由于每次故障狀態(tài)下的節(jié)拍數(shù)非常少，引起的速度信號(hào)失真并不明顯，因此UUV 仍能夠正常航行。在1 500 拍引入嚴(yán)重的失真故障后，DVL 輸出數(shù)據(jù)不再產(chǎn)生新模式，其樣本熵值迅速減為0，同時(shí)可以看到速度殘差發(fā)生較大跳躍，大于設(shè)定的閾值0.2 m/s，并且維持了大約200 拍，由此可以斷定DVL 失真故障。

4 考慮海流干擾的DVL 信號(hào)重構(gòu)修正

4.1 基于DVL 信號(hào)重構(gòu)的海流估計(jì)

考慮外界海流的干擾后，通過神經(jīng)網(wǎng)絡(luò)得到的UUV 航速將發(fā)生偏差，UUV 航跡將發(fā)生偏離，為此需要對(duì)DVL 的信號(hào)重構(gòu)進(jìn)行相應(yīng)修正。在一般情況下，試驗(yàn)水域的海流信息并不會(huì)在短時(shí)間內(nèi)發(fā)生大的變化，所以可以將海流信息當(dāng)作未知的定常值進(jìn)行估計(jì)[22]：

利用文獻(xiàn)[22]中的方法獲取實(shí)驗(yàn)水域的海流信息，以校正DVL 重構(gòu)的信號(hào)，需要在DVL 傳感器正常狀態(tài)下獲取UUV 正確的航行信息。在DVL正常工作的情況下，是直接測(cè)得的，而不考慮外界干擾的DVL 重構(gòu)信號(hào)即為，因此可以得出圖9 所示的基于DVL 信號(hào)重構(gòu)的海流估計(jì)方法。使用上述方法對(duì)圖10、11 中的航行數(shù)據(jù)進(jìn)行DVL 失真檢測(cè)和DVL 重構(gòu)修正。

圖9 基于DVL 信號(hào)重構(gòu)的海流估計(jì)方法

圖10、11 所示的UUV 航行試驗(yàn)數(shù)據(jù)，由于DVL 失真故障，縱向速度U的失真嚴(yán)重，對(duì)UUV的任務(wù)航行的準(zhǔn)確性造成了極大影響。根據(jù)圖12可以看出DVL 在大部分時(shí)間的輸出為失真狀態(tài)，只有任務(wù)航行開始的1 700 拍左右的一段時(shí)間和2 000 拍左右的一段時(shí)間的輸出狀態(tài)是正常的。因此選擇UUV 航行過程中這2 段時(shí)間的DVL 輸出數(shù)據(jù)對(duì)DVL 重構(gòu)信號(hào)進(jìn)行海流干擾修正，如圖11 中實(shí)線所示。

圖10 前向速度的DVL 失真重構(gòu)及修正

圖11 橫向速度的DVL 失真重構(gòu)及修正

圖12 DVL 信號(hào)樣本熵

4.2 DVL 失真故障下的應(yīng)急導(dǎo)航仿真驗(yàn)證

利用修正后的DVL 信號(hào)重構(gòu)輸出數(shù)據(jù)，來仿真驗(yàn)證DVL 失真后的UUV 水下航行應(yīng)急導(dǎo)航。由于UUV 潛入水中，GPS 在航行過程中無法接收數(shù)據(jù)，只有任務(wù)航行開始前和任務(wù)航行結(jié)束后，UUV 浮出水面的時(shí)間能夠接收到數(shù)據(jù)，因此用這2 段時(shí)間的GPS 數(shù)據(jù)驗(yàn)證應(yīng)急導(dǎo)航的準(zhǔn)確性，如圖13 所示。其中GPS 數(shù)據(jù)為只保留小數(shù)點(diǎn)一位之后的航行數(shù)據(jù)。

圖13 GPS 數(shù)據(jù)

UUV 的航行任務(wù)為根據(jù)設(shè)定的航路使用相應(yīng)算法進(jìn)行自動(dòng)航行，航跡如圖14 所示。但是由于DVL 失真故障而使用錯(cuò)誤航速數(shù)據(jù)進(jìn)行水下航位推算，UUV 水下航行過程中的推算航跡將嚴(yán)重偏離規(guī)劃航路。

圖14 UUV 航位推算航跡

為了驗(yàn)證DVL 重構(gòu)及修正信號(hào)的應(yīng)急導(dǎo)航可行性，使用航位推算算法對(duì)DVL 失真數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)、對(duì)DVL 僅進(jìn)行重構(gòu)而無修正的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)并對(duì)DVL 重構(gòu)與修正的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，如圖14 所示。未考慮海流干擾的DVL重構(gòu)信號(hào)在進(jìn)行應(yīng)急導(dǎo)航仿真實(shí)驗(yàn)時(shí)，UUV 大幅偏離了規(guī)劃航路，經(jīng)過修正后的信號(hào)則能夠保證UUV 較好地通過航路。

推算航跡誤差如圖15 所示，UUV 經(jīng)過規(guī)劃航路的時(shí)間約為860 拍。其中考慮海流干擾的航位推算航行軌跡與UUV 規(guī)劃航路的誤差距離約為1×10?4(°)，能 夠 滿 足UUV 任 務(wù) 航 行 的 精 度 要求；而不考慮海流干擾的航位推算航行軌跡與UUV規(guī)劃航路的誤差約為1×10?3(°)，偏離規(guī)劃航路；在DVL 失真情況下的UUV 推算航行軌跡誤差距離約為2.7×10?3(°)。

圖15 推算航跡的誤差距離

5 結(jié)論

1)本文提出的改進(jìn)果蠅優(yōu)化算法，引入了雞群優(yōu)化算法中的求解高維優(yōu)化問題的思想，將果蠅分為3 類分工搜索覓食。動(dòng)態(tài)調(diào)整果蠅個(gè)體的位置更新，使其能夠在優(yōu)化全局搜索的同時(shí)兼顧局部搜索，能夠較好地完成GRNN 的參數(shù)優(yōu)化。算法的收斂時(shí)間約為傳統(tǒng)果蠅優(yōu)化算法的1/3，精確度略高，搜索路徑更平穩(wěn)，提高收斂速度的同時(shí)增強(qiáng)了跳出局部極值點(diǎn)的能力。

2)而基于樣本熵和IFOA-GRNN 的DVL 信號(hào)失真重構(gòu)方法，將廣義回歸神經(jīng)網(wǎng)絡(luò)的強(qiáng)大非線性映射能力和樣本熵對(duì)傳感器信號(hào)失真實(shí)時(shí)檢測(cè)的優(yōu)勢(shì)相結(jié)合，在只有DVL 失真故障情況下能夠較好地重構(gòu)UUV 航速信息，在DVL 正常工作情況下能更進(jìn)一步修正DVL 失真故障下的海流干擾誤差，極大提高了修正海流干擾后的DVL 失真重構(gòu)精度，能夠應(yīng)用于DVL 失真情況下的UUV應(yīng)急導(dǎo)航，保障了UUV 安全航行的魯棒性。