一种基于海上环境的报位方法

摘要

本发明公开了一种基于海上环境的报位方法，包括如下步骤：步骤1：采集环境参数进行成功率和等待延时的计算；步骤2：判断成功率是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤4；步骤3：将计数清零，并进行报位；步骤4：判断计数是否大约等于设定的阈值，若是则进入步骤3，若否则进入步骤5；步骤5：等待延时,延时结束后进入步骤6；步骤6：计数+1,返回步骤1,本发明的基于海上环境的报位方法，相比于现有技术中固定周期的报位方法，提高了报位成功率，且延长了工作时间。

权利要求

1.一种基于海上环境的报位方法，其特征在于，包括如下步骤：步骤1：采集环境参数进行成功率和等待延时的计算；

步骤2：判断成功率是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤4；

步骤3：将计数清零，并进行报位；

步骤4：判断计数是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤5；

步骤5：等待延时，延时结束后进入步骤6；

步骤6：计数+1，返回步骤1；

通过发射成功率预测模型计算成功率，发射成功率预测模型为神经网络模型，输入包括当前的设备俯仰角、经度、纬度、气压高度、加速度方向、接收信号强度、速度、是否浸水、环境温度、环境湿度、气压、剩余电量、北京时间和工作时间，输出包括成功率；

通过发射延时预测模型计算延时时间，发射延时预测模型为神经网络模型，输入包括过去10秒每秒的设备加速度、加速度方向和俯仰角，输出为延时时间。

2.如权利要求1所述的一种基于海上环境的报位方法，其特征在于，步骤5中，判断发射延时预测模型计算的延时时间是否大于等于设定的最大延时时间，若是则按照设定的最大延时时间进行延时，若否则按照判断发射延时预测模型计算的延时时间进行延时。

3.如权利要求1所述的一种基于海上环境的报位方法，其特征在于，发射成功率预测模型为DNN模型，包括顺序连接的3个隐层和softmax层，3个隐层均包括32个神经元，计算时，将当前的设备俯仰角、经度、纬度、气压高度、加速度方向、接收信号强度、速度、是否浸水、环境温度、环境湿度、气压、剩余电量、北京时间和工作时间转换为单精度浮点数输入发射成功率预测模型，最终由softmax层输出成功率。

4.如权利要求2所述的一种基于海上环境的报位方法，其特征在于，发射成功率预测模型的网络中的神经元使用纠正线性单元作为激活函数。

5.如权利要求2所述的一种基于海上环境的报位方法，其特征在于，发射成功率预测模型的网络中，使用交叉熵计算该网络的loss值。

6.如权利要求1所述的一种基于海上环境的报位方法，其特征在于，发射延时预测模型为DNN模型，包括顺序连接的reshape层、10个隐层，隐层为递归神经网络RNN，计算时，将过去10秒每秒的设备加速度、加速度方向和俯仰角转换为单精度浮点数输入到reshape层，reshape层将3×10的矩阵重塑为1×30的一维数据输入至第一层递归神经网络RNN，最终由最后一层递归神经网络RNN输出延时时间。

7.如权利要求6所述的一种基于海上环境的报位方法，其特征在于，发射延时预测模型的网络中的神经元使用纠正线性单元作为激活函数。

8.如权利要求6所述的一种基于海上环境的报位方法，其特征在于，发射延时预测模型的网络中，使用二次代价函数计算该网络的loss值。

说明书

一种基于海上环境的报位方法

技术领域

[0001] 本发明涉及飞行员海上遇险后报位的技术领域，具体涉及一种基于海上环境的报位方法。

背景技术

[0002] 飞行员海上险情发生时大多远离大陆，遇险信息上报主要依靠卫星系统，可靠获取遇险位置是海上搜救成功的基础，目前可用于全球搜救的卫星系统主要包括全球卫星搜
救系统(COSPAS/SARSAT)及中国的北斗卫星导航系统等。发明专利(公告号：CN106353774B)
公开了智能型北斗搜救报位仪，以及基于该报位仪进行搜救报位的方法，一套设备实现了
多种传感器在救生条件下的智能触发，并具有节约电能，延长报位时间等优点。现有技术，
遇险求救设备通常以预先设置的时间周期进行位置报告，但由于受恶劣气象、设备浸水、天
线难以对星等多种因素影响，位置报告的机敏性和可靠性较低，且与长时工作的矛盾难以
调和。

[0003] 鉴于此，特提出此发明。

发明内容

[0004] 针对现有技术中存在的不足，本发明提供了一种基于海上环境的报位方法，相比于现有技术中固定周期的报位方法，本发明的方法提高了报位成功率，且延长了工作时间。

[0005] 本发明的技术方案是这样实现的：

[0006] 一种基于海上环境的报位方法，包括如下步骤：

[0007] 步骤1：采集环境参数进行成功率和等待延时的计算；

[0008] 步骤2：判断成功率是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤4；

[0009] 步骤3：将计数清零，并进行报位；

[0010] 步骤4：判断计数是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤5；

[0011] 步骤5：等待延时，延时结束后进入步骤6；

[0012] 步骤6：计数+1，返回步骤1；

[0013] 通过发射成功率预测模型计算成功率，发射成功率预测模型为神经网络模型，输入包括当前的设备俯仰角、经度、纬度、气压高度、加速度方向、接收信号强度、速度、是否浸
水、环境温度、环境湿度、气压、剩余电量、北京时间和工作时间，输出包括成功率；

[0014] 通过发射延时预测模型计算延时时间，发射延时预测模型为神经网络模型，输入包括过去10秒每秒的设备加速度、加速度方向和俯仰角，输出为延时时间。

[0015] 进一步，步骤5中，判断发射延时预测模型计算的延时时间是否大于等于设定的最大延时时间，若是则按照设定的最大延时时间进行延时，若否则按照判断发射延时预测模
型计算的延时时间进行延时。

[0016] 进一步，发射成功率预测模型为DNN模型，包括顺序连接的3个隐层和softmax层，3个隐层均包括32个神经元，计算时，将当前的设备俯仰角、经度、纬度、气压高度、加速度方
向、接收信号强度、速度、是否浸水、环境温度、环境湿度、气压、剩余电量、北京时间和工作
时间转换为单精度浮点数输入发射成功率预测模型，最终由softmax层输出成功率。

[0017] 进一步，发射成功率预测模型的网络中的神经元使用纠正线性单元作为激活函数。

[0018] 进一步，发射成功率预测模型的网络中，使用交叉熵计算该网络的loss值。

[0019] 进一步，发射延时预测模型为DNN模型，包括顺序连接的reshape层、10个隐层，隐层为递归神经网络RNN，计算时，将过去10秒每秒的设备加速度、加速度方向和俯仰角转换
为单精度浮点数输入到reshape层，reshape层将3×10的矩阵重塑为1×30的一维数据输入
至第一层递归神经网络RNN，最终由最后一层递归神经网络RNN输出延时时间。

[0020] 进一步，发射延时预测模型的网络中的神经元使用纠正线性单元作为激活函数。

[0021] 进一步，发射延时预测模型的网络中，使用二次代价函数计算该网络的loss值。

[0022] 本发明的有益效果是：相比于现有技术中心固定周期的报位方法，本发明的方法提高了报位成功率，且延长了工作时间。

附图说明

[0023] 图1为发射成功率预测模型的结构图；

[0024] 图2为发射延时预测模型的结构图。

具体实施方式

[0025] 为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在
没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。

[0026] 实施例一：

[0027] 一种基于海上环境的报位方法，包括如下步骤：

[0028] 步骤1：采集环境参数进行成功率和等待延时的计算；

[0029] 步骤2：判断成功率是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤4；

[0030] 步骤3：将计数清零，并进行报位；

[0031] 步骤4：判断计数是否大于等于设定的阈值，若是则进入步骤3，若否则进入步骤5；

[0032] 步骤5：等待延时，延时结束后进入步骤6；

[0033] 步骤6：计数+1，返回步骤1。

[0034] 本实施例中，通过发射成功率预测模型计算成功率，发射成功率预测模型为神经网络模型，输入包括当前的设备俯仰角、经度、纬度、气压高度、加速度方向、接收信号强度、
速度、是否浸水、环境温度、环境湿度、气压、剩余电量、北京时间和工作时间，输出包括成功
率；通过发射延时预测模型计算延时时间，发射延时预测模型为神经网络模型，输入包括过
去10秒每秒的设备加速度、加速度方向和俯仰角，输出为延时时间。

[0035] 本实施例优选的，步骤5中，判断发射延时预测模型计算的延时时间是否大于等于设定的最大延时时间，若是则按照设定的最大延时时间进行延时，若否则按照判断发射延
时预测模型计算的延时时间进行延时。

[0036] 本实施例优选的，发射成功率预测模型为DNN模型，其结构如图1所示，包括顺序连接的3个隐层和softmax层，3个隐层均包括32个神经元，计算时，将当前的设备俯仰角、经
度、纬度、气压高度、加速度方向、接收信号强度、速度、是否浸水、环境温度、环境湿度、气
压、剩余电量、北京时间和工作时间转换为单精度浮点数输入发射成功率预测模型，最终由
softmax层输出成功率。

[0037] 本实施例还对发射成功率预测模型进行优化设计如下，发射成功率预测模型的网络中的神经元使用纠正线性单元(ReLU)作为激活函数，其公式如下：

[0038]

[0039] 本实施例还对发射成功率预测模型进行优化设计如下，发射成功率预测模型的网络中，使用交叉熵计算该网络的loss值，其计算公式如下：

[0040]

[0041] 本实施例优选的，发射延时预测模型为DNN模型，其结构如图2所示，包括顺序连接的reshape层、10个隐层，隐层为递归神经网络RNN，计算时，将过去10秒每秒的设备加速度、
加速度方向和俯仰角转换为单精度浮点数输入到reshape层，reshape层将3×10的矩阵重
塑为1×30的一维数据输入至第一层递归神经网络RNN，最终由最后一层递归神经网络RNN
输出延时时间。

[0042] 本实施例还对发射延时预测模型进行优化设计如下，发射延时预测模型的网络中的神经元使用纠正线性单元(ReLU)作为激活函数。

[0043] 本实施例还对发射延时预测模型进行优化设计如下，发射延时预测模型的网络中，使用二次代价函数计算该网络的loss值，其计算公式如下：

[0044]

[0045] 在本实施例中，获取共10582条可用实验数据对发射成功率预测模型和发射延时预测模型进行统一的训练和测试，实验数据获取的试验点主要位于中国的山东、河北、辽宁
近海区域，时间跨四季，最高3级海况，天气包括晴朗、阴天及小雨。环境状态参数均使用通
信成功率进行了对应，查找连续采集的俯仰角数据中下一次接近0值数据，将其与当前数据
的时间差作为延时值进行标注。10582条可用实验数据具体分布如表1所示：

[0046] 表1数据集样本分布

[0047] 数据集 正样本数 负样本数 样本总数训练集 3820 6180 10000
测试集 204 378 582
合计 4024 6558 10582

[0048] 在本实施例中，对发射成功率预测模型和发射延时预测模型进行了30万次迭代训练。迭代训练后进行实测，共使用6台相同硬件的设备进行实测，其中3台采用本实施例的方
法进行报位，即重复本实施例的方法直到设备电量用光为止，成功率阈值设置为0.8，计数
阈值设置为5，最大延时时间设定为10秒，另外3台采用传统的预先设置时间周期的方法进
行报位，预先设置时间周期为前三十分钟每分钟报位一次，三十分钟后每三十分钟报位一
次直到设备电量用光为止，测试结果如表2所示：

[0049] 表2测试结果

[0050]

[0051] 综上，采用本实施例的报位方法，相比传统方法，报位成功率从36.3％提升到了73.3％，工作时间从6.0小时延长到了8.6小时。

[0052] 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当
将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员
可以理解的其他实施方式。