《Remote Sensing》：Analysis and Intelligent Processing of the Underwater Navigation Adaptability of Gravity Reference Maps
编辑推荐：
重力匹配导航（Gravity-matching Navigation）是水下航行器（Underwater Vehicle）隐蔽导航的重要手段之一。作为核心关键技术，重力参考图（Gravity Reference Map）的制作与应用对水下导航精度具有非常显著的
重力匹配导航（Gravity-matching Navigation）是水下航行器（Underwater Vehicle）隐蔽导航的重要手段之一。作为核心关键技术，重力参考图（Gravity Reference Map）的制作与应用对水下导航精度具有非常显著的影响。首先，研究人员采用因子分析（Factor Analysis, FA）方法，通过设置一定范围的滑动窗口（Sliding Window），获取重力参考图的九个特征参数（如标准偏差（Standard Deviation, SD）和粗糙度（Roughness））的综合结果。其次，引入TERCOM算法（TERCOM Algorithm）在滑动窗口内进行仿真验证计算。经与因子分析特征参数综合结果对比验证后，分析了统计方法在重力参考图适配性评估中的局限性。第三，提出了学习向量量化神经网络算法（Learning Vector Quantization Neural Network, LVQ-NN）和极限学习机（Extreme Learning Machine, ELM）等智能处理方法。以部分滑动窗口重力参考图的特征参数及TERCOM算法的仿真验证结果作为训练样本，预测其他滑动窗口的水下重力导航适配性评估效果。结果表明，预测结果与TERCOM算法的仿真验证结果总体吻合良好。与学习向量量化神经网络算法相比，极限学习机算法在分类精度和计算效率方面表现出更优性能。
**论文解读**
**研究背景与问题**
重力匹配导航（Gravity-matching Navigation）是水下航行器（Underwater Vehicle）实现隐蔽导航的关键技术之一。重力参考图（Gravity Reference Map）的适配性（Adaptability）直接影响导航精度，但不同海域的重力参考图特征差异显著，单一特征参数评估往往不准确，且传统的统计方法（如因子分析（Factor Analysis, FA））在阈值设定上存在主观性，难以全面反映适配性。此外，现有研究多基于统计或频域分析，缺少对复杂非线性关系的刻画能力。因此，亟需建立更系统的评估指标体系，并引入智能算法以提高分类与预测的可靠性，从而为水下航行器的路径规划和安全导航提供理论依据。该论文发表在《Remote Sensing》上。
**主要技术方法**
研究人员采用滑动窗口法将研究区域（太平洋22–29°N、130–136°E，基于Scripps海洋研究所的全球重力异常模型grav.img 24.1）划分为若干窗口，计算并提取九个特征参数（标准偏差（Standard Deviation, SD）、粗糙度（Roughness）、标准偏差与绝对粗糙度卷积（Convolution of SD and Absolute Roughness）、信息熵（Information Entropy）、峰度系数（Kurtosis Coefficient）、偏度系数（Skewness Coefficient）、相关系数（Correlation Coefficient）、坡度标准偏差（Standard Deviation of Slope）、累积梯度均值（Mean Cumulative Gradient））。通过因子分析（FA）对这些参数进行综合降维，获得综合评分。随后，采用改进的TERCOM算法（TERCOM Algorithm）进行仿真匹配验证，与因子分析结果对比揭示统计方法局限性。在此基础上，引入学习向量量化神经网络（Learning Vector Quantization Neural Network, LVQ-NN）和极限学习机（Extreme Learning Machine, ELM）两种智能算法，以部分窗口的特征参数和TERCOM仿真结果作为训练样本，对其他窗口的适配性进行预测和分类。
**研究结果**
**2. 特征参数（Characteristic Parameters）**
研究人员定义了九个特征参数的计算公式，并在研究区域应用滑动窗口（窗口大小为31×31网格）计算各参数值。结果表明：标准偏差与绝对粗糙度卷积、粗糙度、标准偏差、累积梯度均值等参数在重力变化剧烈的区域（如中部和西北部海域）呈现高值，而偏度系数、信息熵等参数相关性较低，单一参数无法全面反映适配性，需要综合处理。
**3. 因子分析（Factor Analysis Method）**
通过KMO检验（Kaiser–Meyer–Olkin test，值为0.827）和Bartlett球形检验（显著性为0）确认数据适合因子分析。提取三个主因子（累计方差贡献率87.411%），第一因子包含累积梯度均值、粗糙度、标准偏差和坡度标准偏差，第二因子包含峰度、相关系数和偏度，第三因子包含偏度和信息熵。综合评分显示，中部海域评分较高，与重力异常陡变区域吻合，表明该区域更适合重力匹配导航。
**4. TERCOM算法（TERCOM Algorithm）**
采用改进的TERCOM算法（考虑旋转和尺度变化）对2704个滑动窗口进行仿真匹配验证。设置模拟航迹参数（航向角45°，导航速度8节，惯性导航误差等），通过均方差（Mean Square Difference, MSD）最小化确定最佳匹配位置。结果显示，不同窗口的匹配精度差异显著，以差异标准差小于1海里为成功匹配，并绘制了不同阈值下的成功窗口分布图。
**5. 统计方法的局限性（Limitations of Statistical Methods）**
对比因子分析综合评分与TERCOM仿真结果发现：因子分析能反映整体趋势，但存在不一致案例。例如，评分低于阈值-0.2的窗口（如796号、1068号）在仿真中成功匹配，而评分高于阈值的窗口（如643号、1058号）却失败。这表明九个特征参数与仿真结果之间无法建立明确的统计关系，需引入智能学习算法。
**6. 优化分类（Optimized Classification）**
研究人员分别构建了学习向量量化神经网络（LVQ-NN，三层结构：输入层、竞争层、输出层，采用最小欧氏距离竞争和原型向量更新）和极限学习机（ELM，单隐层前馈网络，随机初始化输入权重和偏置，通过最小二乘法求解输出权重）两种模型。以2366个窗口（1058个适配，1308个不适配）为训练集，338个窗口（158个适配，180个不适配）为测试集，输入14个特征参数（包括6个不同半径的卷积参数及其余8个参数）。性能评估结果表明：ELM的准确率（Accuracy）超过95%，召回率（Recall）达94%，F1分数和精度均优于LVQ-NN，且计算时间更短（ELM为0.26秒，LVQ-NN为0.78秒）。
**总结与讨论**
论文第7节结论部分总结如下：
(1) 提出了因子分析方法综合评估九个特征参数，包括标准偏差与绝对粗糙度卷积、峰度系数、偏度系数、标准偏差、粗糙度、累积梯度、信息熵、相关系数、坡度标准偏差。以太平洋某区域为研究对象，采用滑动窗口获取特征参数值，通过因子分析得到综合评价值，克服了单参数评估的不准确性。
(2) 利用TERCOM算法对2704个滑动窗口进行适配性验证，设计模拟航迹并改进算法进行匹配计算。与因子分析综合评分（阈值-0.2）对比发现，部分窗口的仿真验证结果与综合特征结果不一致，揭示了统计方法在适配性评估中的局限性。
(3) 鉴于部分仿真验证结果与九个特征参数之间无法建立统计关系，引入学习向量量化神经网络和极限学习机两种智能算法进行自动分类评估。结果表明，两种算法均成功实现分类计算，其中极限学习机在计算效率和分类精度上均优于学习向量量化神经网络。
