1.一种无人艇航行状态的监测评估方法，其特征在于，所述监测评估方法包括：步骤1：收集无人艇的航行速度、加速度、姿态角数据，分析得到无人艇状态数据集，并对状态等级进行划分；

步骤2：搭建孤立森林异常状态监测模型，对步骤1得到的无人艇状态数据是否异常做出初步甄别；

步骤3：搭建径向基网络分类模型，将步骤2中初步甄别的无人艇状态数据输入到径向基函数神经网络中进行分类，输出为具体的故障类型，并根据其程度划分等级；

步骤4：通过四种优化方法改进的PSO算法对网络参数进行寻优；

所述步骤4中PSO算法中粒子依据下式更新自己的速度和位置：vi＝ω×vi+c1×rand()×(pbesti‑xi)+c2×rand()×(gbesti‑xi)xi＝xi+vi

其中，i＝1，2，...，N，N为粒子的总数目，vi为粒子的移动速度，rand()为(0，1)区间内的随机数，xi为粒子当前位置，c1和c2为学习因子，设为2；vi的最大值为Vmax，如果vi＞Vmax，令vi＝Vmax，公式的第一部分称为记忆项，表示上次速度大小和方向影响，公式的第二部分称为自身认知项，从当前点指向粒子自身经验最好点的一个矢量，公式的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，ω为惯性因子，其值为非负，其数值大，算法的全局寻优能力强，局部寻优能力弱，反之，全局寻优能力弱，局部寻优能力强；

所述步骤4中优化方法包括：

4.1：用Kalman滤波器原理对基本PSO算法进行改进；

4.2：根据PSO算法运行进程动态调节惯性权重ω的值；

4.3：引入模拟退火机制优化PSO算法；

4.4：引入交叉算子来加强粒子之间的信息交换；

所述4.1中改进过程如下所示：

在给定观测列向量zt+1的情况下，该多元分布的参数mt+1和Vt+1由下列公式确定：mt+1＝Fmt+Kt+1(zt+1‑HFmt)其中，F、Vx为系统转换模型，H、Vz为传感器模型，方程要求过滤信念的起点，必须提供参数m0和V0的正态分布；

滤波之后的真实状态由以下分布表示：

xt～Normal(mt，Vt)

对PSO的公式进行改写，每个粒子都会跟踪自己的mt、Vt和Kt，然后，粒子用以下公式为卡尔曼过滤器生成一个观测值：zv＝φ(g‑x)

zp＝x+zv

从[0，2]中均匀抽取，结果为行向量，完整的观测向量是通过将位置和速度行向量连接起来做成一个列向量而得到的， 这个观测值然后被用来生成mt+1和Vt+1，一旦得到过滤值，就可以生成一个预测值mt+2，这时的mt+2和Vt+2就共同构成一个正态分布的参数：xt+1～Normal(m′t+2，Vt+1)最终的更新公式如下所示：

zpt＝xt+zv

T

zt＝(zvt，zpt)

所述4.2中策略形式化描述如下所示：

‑h

eiω＝(fmax‑fmin)e /T*b*fmaxω(t+1)＝ω(t)‑eiω(t)

其中，fmax和fmin分别是在本轮迭代中种群个体的适应度最大值和适应度最小值，h是[0，1]间的随机参数因子，T为最大迭代数，b为权重受适应度最大值的影响程度，服从[0，1]间的均匀分布；

所述4.3引用的模拟退火机制，即粒子xi在第t+1步时，用xi(t+1)取代xi(t)，同时采用温度T控制这一概率，温度T随着算法的执行缓慢下降，此时，若xi(t+1)的评价函数值差于xi(t)的评价函数值，用xi(t+1)取代xi(t)的概率不断减小，从而控制粒子使之不能从索区域中跳出；

所述4.4中交叉操作公式如下：

其中，x是D维的位置向量， 和 分别指明的是孩子成员还是父母成员的位置，p是D维均匀分布的随机数向量，p的每个分量都在[0，1]取值；

交叉结束时进行更新。

2.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤

1中无人艇状态数据通过无人艇所搭载的上位机模块中反馈并导出。

3.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤

2中孤立森林异常状态监测模型对状态数据是否异常做出初步甄别，若正常，则无需进一步处理；若为异常状态，会继续对异常的状态进行评估和分级。

4.根据权利要求1所述的一种无人艇航行状态的监测评估方法，其特征在于，所述步骤

3中径向基网络是一种以径向基函数作为其激活函数的三层前馈型局部神经网络；

网络结构为三层，包括输入层、隐含层和输出层，确定中心点后，确定映射关系，然后再对隐含层空间的输出线性加权求和得到最终输出。