一种基于脉冲神经网络与时空图卷积融合的船舶导航决策方法

本发明涉及智能船舶导航决策领域，尤其是涉及一种基于脉冲神经网络与时空图卷积融合的船舶导航决策方法。

背景技术：

1、智能船舶导航决策技术通过实时采集海洋气象与船舶状态数据的方法，动态优化航线与航速。与传统依赖人工经验的航线规划方式相比，具有自适应性强、多目标协同优化、实时闭环决策等明显优点。

2、但是，由于船舶在航行时，受到风、浪、流及航道密度等多种海洋环境要素的非线性耦合影响，传统时序模型难以建模海域空间结构，时空图卷积网络无法捕获远距离环境传播效应，给船舶的实时精准决策带来巨大挑战。环境感知与预测能力的不足一方面会导致船舶在复杂海况下无法及时识别并规避高风险区域，碰撞与搁浅风险显著上升；另一方面，也会使船舶因缺乏动态分区引导而盲目进入高能耗区域，造成燃油消耗的大幅增加，进而影响船舶航行安全与运营经济性。现有技术中，例如申请cn118334623a，通常采用以lstm、gru等传统时序模型为主，采集海洋气象、船舶状态时序数据，但普遍感知建模缺少空间关联信息，复杂海况下高风险区域识别滞后，容易遗漏远距离海区风险，航线规划易出现安全隐患；或者采用时空图卷积网络，将海域网格化构建图结构，同时提取局部海域的时间、空间特征，完成海域环境表征与航线寻优，但时空图卷积的感受野局限于图邻接节点，无法捕获远距离海洋环境要素的传播效应，缺少对局部风险、全局海域特征做差异化权重强化，以及面对动态海况，航线决策自适应能力不足，兼顾航行风险、能耗、路径长度的综合优化效果有限。

技术实现思路

1、本发明的目的就是为了提供一种降低计算负担的同时提高船舶在动态海洋环境下的航行安全性与决策实时性的基于脉冲神经网络与时空图卷积融合的船舶导航决策方法。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于脉冲神经网络与时空图卷积融合的船舶导航决策方法，包括以下步骤：

4、s1、获取多源环境感知数据，经预处理得到海域网格化特征矩阵；

5、s2、基于所述海域网格化特征矩阵，分别采用脉冲神经网络的事件驱动机制和时空图卷积网络并行提取出低噪声时序特征和局部时空特征；

6、s3、对和进行双重注意力的全局与局部融合处理，得到融合特征，并基于生成风险热力图矩阵和能耗谱矩阵；

7、s4、将所述风险热力图矩阵和能耗谱矩阵作为约束条件，采用鲸鱼优化算法对风险、能耗和路径多个目标进行pareto权衡，得到船舶航线的最优航线。

8、进一步地，所述多源环境感知数据包括波高、风速、风向、云量及航道船舶密度。

9、进一步地，所述提取出低噪声时序特征的步骤包括：

10、脉冲神经网络通过lif神经元的事件驱动机制对所述海域网格化特征矩阵进行时序编码和噪声抑制，在保留关键海洋环境变化信息的基础上得到低噪声时序特征。

11、进一步地，所述局部时空特征的提取步骤包括：

12、将所述海域网格化特征矩阵和表征每个网格节点环境特征的海域网格邻接矩阵输入所述时空图卷积网络中，对所有相邻网格进行加权聚合，得到邻域聚合特征，表示为：

13、

14、式中，为邻域聚合特征，为度矩阵，其对角元素满足，为中第行第列元素，为可学习的空间卷积权重矩阵；

15、基于所述邻域聚合特征和海域网格化特征矩阵，通过时序卷积与残差融合处理，得到局部时空特征，表示为：

16、

17、

18、式中，为包含局部时空依赖关系的精炼特征，为对阵进行维度对齐与归一化处理后的特征，为一维卷积处理。

19、进一步地，所述得到融合特征的步骤包括：

20、将个网格按照环境要素耦合特性聚类为各功能相似的簇；

21、通过细粒度多头注意力机制对每个簇内同质网格间的环境交互进行精细建模，得到表征簇内同质网格间环境影响的交互强度，表示为：

22、

23、式中，为簇内网格对网格的环境交互影响权重，即交互强度，为簇内网格的查询向量，为簇内网格的键向量，、为簇内网格和网格的输入特征，所述输入特征为和，、为可学习的线性投影权重矩阵，为注意力头维度；

24、将所述交互强度与值向量相乘并求和，得到单头注意力输出，再对所有头的注意力输出进行拼接聚合，得到多头注意力输出；

25、将所述多头注意力输出与输入特征做残差连接后执行层归一化，再输入前馈网络并再次做层归一化得到单网格更新特征；

26、将簇内所有网格的单网格更新特征按序组合，得到更新后的时空特征序列；

27、将每个簇内的所述更新后的时空特征序列沿时间维度进行均值池化，得到每个簇的紧凑全局表征向量；

28、基于所述每个簇的紧凑全局表征向量计算跨簇全局相似度权重，并通过残差结构将远距离传播影响加权叠加到上，得到每个簇的融合特征，表示为：

29、

30、

31、式中，、、为全局投影权重矩阵，为簇的紧凑全局表征向量，为全局注意力头的特征维度，为点积注意力的缩放因子，softmax在簇索引上进行归一化。

32、进一步地，所述生成风险热力图矩阵和能耗谱矩阵的步骤包括：

33、基于所述融合特征计算每个网格的能耗成本与风险分数，并以全海域中位数作为动态阈值将海域划分为高风险高能耗、高风险低能耗、低风险高能耗、低风险低能耗四类功能区，输出风险热力图矩阵和能耗谱矩阵。

34、进一步地，所述船舶航线的最优航线的获取步骤包括：

35、将排除高风险高能耗禁航区后的可行域记作；

36、在所述可行域内，以所述风险热力图矩阵和能耗谱矩阵作为约束条件，并以风险最小化、能耗最小化和路径长度最小化为目标，构建以下优化问题：

37、

38、式中，为多目标优化向量，为候选航线序列，为风险热力图矩阵沿航线路径的加权积分，为能耗谱矩阵沿航线路径的加权积分，为航段长度累加；

39、将所述风险最小化、能耗最小化和路径长度最小化作为三个并行子任务，并将所述三个并行子任务分别作为三个子种群、、，采用鲸鱼优化算法对所述优化问题进行求解，输出船舶航线的最优航线。

40、进一步地，所述鲸鱼优化算法的具体求解步骤包括：

41、（1）初始化三个子种群、、的初始位置，设定最大迭代次数为；

42、（2）考虑多船编队协同与硬约束，对各子种群中的个体计算适应度值，其中适应度值计算表达式为：

43、

44、式中，为个体的适应度值，为船舶类型自适应权重，为编队偏差惩罚系数，为约束违反惩罚因子，为第个目标函数值，为船舶间实际间距与理想间距的偏差，为硬约束违反量；

45、（3）从各子种群中提取出pareto精英个体的航线拐点位置与约束边界信息，将其作为可迁移知识，利用最大均值差异度量各子种群优化景观的分布相似性，以动态迁移概率控制知识传递方向：

46、

47、式中，为动态迁移概率，为子种群自身迭代前后的适应度改进率，为引入外部精英知识后的适应度改进率，其中当>时趋近0，关闭迁移通道避免负迁移，当>时趋近1，吸收精英知识以加速收敛；

48、（4）根据所述动态迁移概率决定是否引入外部精英知识，并结合当前最优个体，使得所述三个子种群交替执行包围机制和气泡网机制以平衡探索与开发，其中，所述包围机制为：

49、

50、所述气泡网机制为：

51、

52、式中，为均匀随机向量，为包围猎物阶段中当前个体与参考目标之间的欧式距离，为线性收敛系数，为第轮迭代中个体当前位置，为螺旋攻击阶段中当前个体与参考目标之间的欧式距离，为螺旋常数，为螺旋路径参数；

53、（5）更新迭代轮次，重新计算适应度值，并通过非支配排序更新各子种群的pareto精英个体，合并维护全局pareto最优解集及前沿；

54、（6）判断当前迭代轮次是否达到最大迭代次数，若否，返回步骤（3）继续迭代，若是，则输出最终的pareto最优解集及前沿；

55、（7）基于所述最终的pareto最优解集及前沿，筛选出符合当前任务需求的最优航线。

56、进一步地，步骤（7）中的筛选步骤包括：

57、将不同船型的任务需求映射为权重向量，通过船型自适应权重机制将前沿上的妥协解选择转化为加权目标最小化问题，并结合所述约束条件从最终的pareto最优解集中动态筛选出最优航线：

58、

59、式中，为最终的pareto最优解集，、、为权重向量的三个分量，满足。

60、进一步地，包括闭环反馈机制，具体包括以下：

61、在时刻，获取更新后的船舶实际状态和多源环境感知数据，并对进行预处理，得到时刻的海域网格化特征矩阵，其中用于更新下一决策周期的船舶位置、航速、航向、剩余燃料量及编队间距偏差，并作为下一决策周期航线优化的初始状态和约束条件；

62、基于和，执行步骤s2-s4，完成得到时刻的最优航线；

63、针对下一时刻，重复上述步骤，完成闭环反馈过程，直至船舶到达终点。

64、与现有技术相比，本发明具有以下有益效果：

65、（1）本发明通过脉冲神经网络的事件驱动机制实现低功耗实时环境感知，通过时空图卷积与双重注意力机制捕获海域局部与全局时空特征，在网格化海域中采用鲸鱼优化算法在风险、能耗和路径上进行多目标联合优化，求解pareto最优航线，在保证航行安全的前提下不增加船载计算负担，并且有效控制航行风险与能耗偏差，从而提高船舶在动态海洋环境下的航行安全性与决策实时性。

66、（2）本发明通过事件驱动感知与双重注意力预测这两种方式来消除传统方法中预测偏差累积导致的决策滞后，同时将脉冲神经网络的低功耗感知与时空图卷积的预测相结合，预测时通过簇内细粒度与跨簇全局注意力来捕获海域局部与远距离特征，为多目标优化提供高精度的约束输入，使得输出满足多重指标的航线，避免单一目标带来的综合性能缺陷。

67、（3）本发明针对不同船型，自适应调整风险、能耗目标权重；并引入周期闭环反馈，持续接收航行过程中新感知的海域环境数据，进行动态更新优化，使得该方法能够随海洋环境实时变化调整航线，提升决策动态自适应性，最终整体提高船舶航行安全性、能效水平与决策实时性。

68、（4）本发明可以提高船舶的环境感知精度、航行决策实时性，并且具有良好的船型适应性与编队协同能力。