CN103218660A - 一种基于泛化模糊竞争神经网的航路选择方法 - Google Patents

Abstract

本发明公开了一种基于泛化模糊竞争神经网的航路选择方法，属于航路规划领域。本发明方法将航路用多个离散点组成，对航路计算长度、安全避障距离、纵向机动次数和横侧向机动次数的子目标函数值，各子目标函数值经过归一化后，进入到基于泛化模糊竞争神经网的输入层，经过训练后的神经网通过模糊运算和竞争之后输出航路的评价等级，根据评级选择所需要的航路。本发明将模糊性原理应用到神经网络中构成模糊神经元来表达专家知识，并采用竞争层来解决了神经网络隐层节点较多，训练繁琐的问题。本发明方法可以对各种地形下和各种航路规划算法计算出的航路进行评价，具有泛化的能力，通用性好。

Description

一种基于泛化模糊竞争神经网的航路选择方法

技术领域

本发明属于无人机航路规划技术领域，具体地说是指一种基于泛化模糊竞争神经网的航路选择方法。

背景技术

神经网络是研究和利用人脑的某些结构机理以及人的知识和经验对系统进行学习和辨识。人们普遍认为，神经网络系统的智能性、鲁棒性均较好，能处理高维、非线性和不确定的问题，其显著特点是具有学习能力，不断修正神经元之间的连接权值，并离散存储在链接网络中，因此对非线性系统、难以建模的系统具有良好的映射和辨识能力。但是神经网络结构的选择目前尚缺乏理论依据，处于试凑阶段，并且神经网络结构缺乏明确的物理意义，一些人为定性的知识不易融入其中。另一方面，如何能在较少的时间内使神经网络能够训练到令人满意的程度，仍是这一领域的研究热点问题。

模糊逻辑是人工智能较早的形式，它吸取了人的思维具有模糊性的特点。其不需要精确的数学模型，是解决不确定性系统分析的一种有效途径。但是模糊系统由于采用了模糊集合理论导致其精度较低，规则的选择多采用试凑法，并且不具备学习能力。神经网络与模糊逻辑均属于人工智能的研究范畴，利用它们各自的长处和特点对难以数学建模的问题进行分析和描述，是许多学者的研究课题。

而如今的航路规划领域，产生了许多航路规划方法：基于图形的规划方法、决策型搜索方法、随机搜索方法和人工势场法等。这些航路规划方法均具备各自的特点或者解决某方面的问题，比如航路的光滑程度，航路的计算时间等等。但是从航路跟踪的角度，即航路实施的载体(比如机器人或无人机等)需要对这些航路具有一个统一的评判标准，从而根据实际情况和任务情况选择最适合的航路规划方法进行跟踪。

现有的航路评价方法大多采用含有所有目标函数的表达式，通过数学上的寻优找到最小代价从而完成评价。这种方式存在三种问题：(1)各子目标函数的标量不统一，权重系数很难选取。(2)目标函数是人为设定的，很难考虑全面。(3)最小评价值并没有数值/物理上的意义，只有相互比较才能显出优势，这就导致如果误差存在，很可能非最优航路却取得最小评价值。

许多因素影响着最优航路，尤其当飞行任务不同时，最优航路将倾向或侧重于某些特定因素。在航路规划中，真正最优的航路是很难找到的，比如威胁模型和代价函数等指标均是人为设定的优化内容，这意味着人的因素将参与到航路评价中来。如何寻找一种具有较好通用性、容错性，又能包括人为因素的评价方法，是非常具有实用价值的研究内容。

发明内容

针对现有技术中存在的问题，本发明提出一种基于泛化模糊竞争神经网的航路选择方法，该方法能够对已通过不同航路规划方法生成的航路进行评级，具有通用性，为地面操作人员或者决策系统进行最优航路选择提供依据。

本发明的一种基于泛化模糊竞争神经网的航路选择方法，具体包括如下步骤：

步骤一：设无人机的可飞航路有n条，n条航路构成航路集合

，每条航路用离散点集合表示，然后确定每条航路的长度子目标函数值；

第i条航路

的长度子目标函数值确定方法是：设航路

包括m个离散点，其中第j个离散点为

相邻离散点

和

构成航路

的第j个航段，航路

具有m-1个航段；对相邻离散点

和

的三维空间坐标进行曼哈顿距离计算，得到的曼哈顿距离就是航路

的第j个航段的长度子目标函数值，则航路

的长度子目标函数值

由m-1个航段的长度子目标函数值求和得到。

步骤二：确定每条航路的安全避障距离子目标函数值；

当地形中有一个障碍时，第i条航路

的安全避障距离子目标函数值

为：

$f_2\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-1}{\mathrm{\&Sigma;}}}{f}_D\left(P_j^i\right),$ $f_D\left(P_j^i\right)=\left\{\begin{array}{cc}1/D_s,& d_j^i>D_s\\ 1/d_j^i,& 0<d_j^i\&le;D_s\end{array}\right.$

其中，D_s表示安全避障距离，

表示航路

的第j个航段的中点与当前障碍之间的最短距离，

表示航路

的第j个航段的避障距离评价值。

当地形中有两个以上的障碍时，对每条航路，将各障碍对应的安全避障距离子目标函数值求和，得到该航路的安全避障距离子目标函数值

步骤三：根据航段间纵向夹角与纵向标准门限值α_s的关系，确定每条航路的纵向机动次数子目标函数值；所述的航段间纵向夹角是指爬升角之差的绝对值；

第i条航路

的纵向机动次数子目标函数值为：

$f_3\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-2}{\mathrm{\&Sigma;}}}{f}_{\mathrm{lon}}\left(P_j^i\right),$ $f_{\mathrm{lon}}\left(P_j^i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&theta;}}_j^i>{\mathrm{\&alpha;}}_s\\ 0,& 0\&le;{\mathrm{\&theta;}}_j^i\&le;{\mathrm{\&alpha;}}_s\end{array}\right.$

其中，表示航路

的第j个航段与第j+1个航段间的纵向夹角的绝对值，

表示航路

的第j个航段与第j+1个航段间在纵向上是否需要机动飞行而得到的评价值。

步骤四：根据航段间横侧向夹角之差的绝对值与横侧向标准门限值α_c的关系，确定每条航路的横侧向机动次数子目标函数值；

第i条航路

的横侧向机动次数子目标函数值

为：

$f_4\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-2}{\mathrm{\&Sigma;}}}{f}_{\mathrm{lat}}\left(P_j^i\right),$ $f_{\mathrm{lat}}\left(P_j^i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&gamma;}}_j^i>{\mathrm{\&alpha;}}_c\\ 0,& 0\&le;{\mathrm{\&gamma;}}_j^i\&le;{\mathrm{\&alpha;}}_c\end{array}\right.$

其中，

表示第i条航路的第j个航段与第j+1个航段间的横侧向夹角之差的绝对值，

表示第i条航路的第j个航段与第j+1个航段间在横侧向上是否需要机动飞行而得到的评价值。

步骤五：分别对各航路的四个子目标函数进行归一化处理；

第i条航路的第k(k=1,2,3,4;)个子目标函数值

得到

${\stackrel{\&OverBar;}{f}}_k\left({\stackrel{\&RightArrow;}{P}}^i\right)=\frac{f_k\left({\stackrel{\&RightArrow;}{P}}^i\right)-\min \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)}{\max \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)-\min \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)},i=\mathrm{1,2}...n$

其中，

表示n条航路的第k个子目标函数值中的最小值，

表示n条航路的第k个子目标函数值中的最大值。

步骤六：构建基于泛化模糊竞争的神经网络，该神经网络一共五层。

步骤6.1：构建神经网络第一层，第一层是输入层，输入层有4个节点，4个输入节点的值分别为各航路归一化处理后的四个子目标函数值

k=1,2,3,4。

为

的简写形式。

步骤6.2：构建神经网络的第二层，第二层是模糊化层，对每个子目标函数进行模糊分割，设对第k个子目标函数的模糊分割数为m_k，则

对应m_k个节点，每个节点代表一个语言变量值，k=1,2,3,4；第k个子目标函数对应的第l个节点的输出值

为：

其中，c_kl是隶属度中心值，σ_kl是隶属度宽度。

步骤6.3：构建神经网络的第三层，第三层是模糊推理层，用于匹配模糊规则的前件，计算出每条规则的适用度，该层具有M个节点，

其中第j个节点的输出值α_j(j＝1,2...M)为：

${\mathrm{\&alpha;}}_j=\min \{{\mathrm{\&mu;}}_1^{i_1},{\mathrm{\&mu;}}_2^{i_2}...{\mathrm{\&mu;}}_k^{i_k}\}$

其中，i₁∈{1,2...m₁}，i₂∈{1,2...m₂}，...，i_k∈{1,2...m_k}。

步骤6.4：构建神经网络的第四层，第四层为竞争层，设评级数有r个，则竞争层有r个节点，竞争层第q个节点的输出值a_q的确定方法是：

确定竞争层第q个节点的输入值y_q：

q=1,2,…,r；其中，w_qj为模糊推理层第j个节点与竞争层第q个节点的连接权重，初始值为1。

竞争层的r个节点中，输入值最大的节点的输出值为1，其余节点的输出值为0。

步骤6.5：构建神经网络的输出层，输出层输出r维向量航路的等级数由向量

中数值为1的元素表征。

步骤七：对步骤六所构建的神经网络进行训练，在当前神经网络的评级结果与专家评级结果的一致性达到95%以上时，停止训练。

步骤八：对每条航路按照步骤一～步骤五的顺序进行处理，输入训练好的神经网络，得到航路的评级结果，根据评级结果选择最优航路或者适用的航路。

所述的步骤七中对步骤六所构建的神经网络进行训练，具体是：

首先获得有代表性的航路以及各航路的专家评级结果，将各航路经过步骤一～步骤五的顺序进行处理，作为神经网络的输入训练样本，将各专家评级结果作为神经网络的输出训练样本，对神经网进行训练；

对某航路，当前神经网络的输出为

设专家评级结果为

则当前神经网络的误差函数值E为：

$E=\frac{1}{2}\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{E}_q,$ $E_q=\left\{\begin{array}{cc}{(y_{\max }+\mathrm{\&alpha;}-y_q)}^2& ,a_q<a_{\mathrm{act}}^q\\ 0& ,a_q=a_{\mathrm{act}}^q\\ {(y_{\min }-\mathrm{\&beta;}-y_q)}^2& ,a_q>a_{\mathrm{act}}^q\end{array}\right.$

式中，E_q表示输出向量的第q个元素的误差，y_max＝max{y₁,...,y_r}，y_min＝min{y₁,...,y_r}。α和β均为大于0的调节系数，初值均设为1。

连接权重w_qj、隶属度中心值c_kl和隶属度宽度σ_kl在第p次训练后，根据如下公式更新：

$\left\{\begin{array}{ccccc}{w}_{\mathrm{qj}}(p+1)=w_{\mathrm{qj}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{qj}}},& \frac{\&PartialD;E}{\&PartialD;w_{\mathrm{qj}}}={\mathrm{\&alpha;}}_j\frac{\&PartialD;E}{\&PartialD;y_q},& {\mathrm{\&delta;}}_j^{\left(2\right)}=-\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{w}_{\mathrm{qj}}\frac{\&PartialD;E}{\&PartialD;y_q},& q=\mathrm{1,2}...r,& j=\mathrm{1,2}...M\\ c_{\mathrm{kl}}(p+1)=c_{\mathrm{kl}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;c_{\mathrm{kl}}},& \frac{\&PartialD;E}{\&PartialD;c_{\mathrm{kl}}}=-{\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}\frac{2({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^2},& k=\mathrm{1,2,3,4},& l=\mathrm{1,2}...m_k& \\ {\mathrm{\&sigma;}}_{\mathrm{kl}}(p+1)={\mathrm{\&sigma;}}_{\mathrm{kl}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;{\mathrm{\&sigma;}}_{\mathrm{kl}}},& \frac{\&PartialD;E}{\&PartialD;{\mathrm{\&sigma;}}_{\mathrm{kl}}}=-{\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}\frac{2{({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^3},& k=\mathrm{1,2,3,4},& l=\mathrm{1,2}...m_k& \end{array}\right.$

其中，η表示学习速率，

和

为两个中间参数，用于缩减公式的长度。

中间参数

参数S_kl的值根据α_j计算公式来确定：当最小值min运算的结果为

时，S_kl＝1，否则S_kl＝0。

本发明方法的优点和积极效果在于：

(1)本发明的基于泛化模糊竞争神经网的航路选择方法，采用训练好的泛化模糊竞争神经网络，对各种地形下和各种航路规划算法计算出的航路进行统一的评价，具有泛化的能力，通用性好。

(2)本发明的基于泛化模糊竞争神经网的航路选择方法，将模糊性原理应用到神经网络中构成模糊神经元（模糊化层和模糊推理层的节点）来表达专家知识，并采用竞争层来解决神经网络隐层节点较多，训练繁琐的问题，使得用户能够对各航路进行较快地评级，并从中选取适合的航路。

附图说明

图1是本发明航路评价方法的整体步骤流程图；

图2是本发明中航路长度子目标函数与安全避障距离子目标函数的求解示意图；

图3是本发明中纵向机动次数子目标函数的求解示意图；

图4是本发明中步骤六构建的基于泛化模糊竞争的神经网络的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案作进一步说明。

本发明提出一种基于泛化模糊竞争神经网的航路选择方法。首先将规划的航路离散成由航路点组成的集合，针对各航路分别计算长度、安全避障距离、纵向机动次数和横侧向机动次数的子目标函数值，各子目标函数值经过归一化后，进入到基于泛化模糊竞争神经网的输入层，经过训练后的神经网通过模糊运算和竞争之后输出航路的评价等级，用户根据航路的评级结果选择最优航路或者适用的航路。

本发明的基于泛化模糊竞争神经网的航路选择方法，如图1所示，包括以下几个步骤：

步骤一：每条航路用离散点集合表示，离散点可以为构成航路的航路点，或根据航路曲折程度，每隔一定长度取一个离散点，将航路表示成由离散点组成的集合，每条航路中每两个相邻离散点构成一个航段，每条航路由若干航段组成，计算每条航路的每个航段的长度子目标函数的值，进而能得到每条航路的长度子目标函数的值。

设无人机的可飞航路有n条，则n条可飞航路构成可飞航路集合

表示

中的第i条航路。设由m个离散点组成，其中第j个离散点为

不同航路的m值可能会不同，具体航路具体确定。航路

中的相邻离散点

与

构成第i条航路的第j个航段，确定该航段的长度子目标函数

的值，j=1,2,…,m-1。航路

具有m-1个航段。燃料限制也可以转化为航路长度子目标。为减小计算量，航路长度可以不进行精确求解，直接对各航路两个相邻离散点的三维空间坐标进行曼哈顿距离计算，作为对应航段的长度子目标函数的值。设相邻两个离散点坐标分别为(x₁,y₁,z₁)和(x₂,y₂,z₂)，则曼哈顿(Manhattan Distance,MD)可计算如下：

MD((x₁,y₁,z₁),(x₂,y₂,z₂))＝x₁-x₂+y₁-y₂+z₁-z₂

对航路的m-1个航段的长度子目标函数值求和，即可得到航路

的长度子目标函数值

步骤二：每两个相邻离散点构成一个航段，根据航段与障碍物之间的距离，确定每条航路的安全避障距离子目标函数值。确定每个航段的安全避障距离子目标函数值，m-1条航段的安全避障距离子目标函数值之和为该航路的

具体计算过程为：设定安全避障距离D_s，当地形中只有一个障碍时，第i条航路

的安全避障距离子目标函数值

为：

$f_2\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-1}{\mathrm{\&Sigma;}}}{f}_D\left(P_j^i\right),$ $f_D\left(P_j^i\right)=\left\{\begin{array}{cc}1/D_s,& d_j^i>D_s\\ 1/d_j^i,& 0<d_j^i\&le;D_s\end{array}\right.$

其中，表示第i条航路的第j个航路段的中点与当前障碍之间的最短距离，

为第i条航路的第j个航段避障距离评价值，通过将每个航段的避障距离评价值加和，作为整个第i条航路的整个避障距离评价值。

当地形中有多个障碍时，依据只有一个障碍的情况，分别计算每个障碍对应的第i条航路的安全避障距离子目标值

然后将各障碍对应的安全避障距离子目标函数值求和，得到最终第i条航路的安全避障距离子目标值

步骤三：每两个相邻离散点构成一个航段，根据航段间纵向夹角(爬升角之差的绝对值)与纵向标准门限值的关系，确定每条航路的纵向机动次数子目标函数值。

具体计算过程为：根据无人机的机动性能，例如最大舵偏角，设定纵向标准门限值α_s，之后计算每条航路中相邻两航段间的纵向夹角的绝对值θ(爬升角之差的绝对值)。当θ＞α_s时表示该两航段间在纵向上需要机动飞行，其评价值增加1，否则评价值不变。第i条航路

的纵向机动次数子目标函数值

为：

$f_3\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-2}{\mathrm{\&Sigma;}}}{f}_{\mathrm{lon}}\left(P_j^i\right),$ $f_{\mathrm{lon}}\left(P_j^i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&theta;}}_j^i>{\mathrm{\&alpha;}}_s\\ 0,& 0\&le;{\mathrm{\&theta;}}_j^i\&le;{\mathrm{\&alpha;}}_s\end{array}\right.$

表示第i条航路的第j个航段与第j+1个航段间的纵向夹角的绝对值，

表示第i条航路的第j个航段与第j+1个航段间在纵向上是否需要机动飞行而得到的评价值。

步骤四：每两个相邻离散点构成一个航段，根据航段间横侧向夹角之差的绝对值与横侧向标准门限值的关系，确定每条航路的横侧向机动次数子目标函数值。

具体计算过程为：根据无人机的机动性能，例如最大舵偏角，设定横侧向标准门限值α_c，针对每条航路，确定该航路中每相邻两航段间的横侧向夹角之差的绝对值γ。当γ＞α_c时表示该两航段间在横侧向上需要机动飞行，其评价值增加1，否则评价值不变。

$f_4\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-2}{\mathrm{\&Sigma;}}}{f}_{\mathrm{lat}}\left(P_j^i\right),$ $f_{\mathrm{lat}}\left(P_j^i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&gamma;}}_j^i>{\mathrm{\&alpha;}}_c\\ 0,& 0\&le;{\mathrm{\&gamma;}}_j^i\&le;{\mathrm{\&alpha;}}_c\end{array}\right.$

表示第i条航路的第j个航段与第j+1个航段间的横侧向夹角之差的绝对值，

表示第i条航路的第j个航段与第j+1个航段间在横侧向上是否需要机动飞行而得到的评价值。

步骤五：对各子目标函数进行归一化处理。

由于不同地形中，航路与航路之间的目标函数值域可能不同，因此需要将各条航路的四种子目标函数值

分别进行归一化处理。

对第i个航路的第k(k=1,2,3,4)个子目标函数值得到

以后

将被简写为

${\stackrel{\&OverBar;}{f}}_k\left({\stackrel{\&RightArrow;}{P}}^i\right)=\frac{f_k\left({\stackrel{\&RightArrow;}{P}}^i\right)-\min \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)}{\max \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)-\min \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)},i=\mathrm{1,2}...n$

其中，

表示n条航路的第k个子目标函数值中的最小值，

表示n条航路的第k个子目标函数值中的最大值。

第i个航路

的第1个子目标函数值

就是航路的长度子目标函数值，第2个子目标函数值

就是安全避障距离子目标函数值，第3个子目标函数值

就是纵向机动次数子目标函数值，第4个子目标函数值

就是横侧向机动次数子目标函数值。

步骤六：构建基于泛化模糊竞争的神经网络，如图4所示，所要构建的基于泛化模糊竞争的神经网络总共由五层构成。

步骤6.1：构建神经网络第一层。第一层是输入层，将各航路经过步骤五归一化后的四个子目标函数值输入到神经网络，由于子目标函数有四个，因此第一层输入层有4个节点，该层4个节点的值分别用

表示，k=1,2,3,4。

步骤6.2：构建神经网络的第二层，第二层是模糊化层，每个节点代表一个语言变量值。该层对每个子目标函数进行模糊分割，并计算各输入分量属于各语言变量值模糊集合的隶属度函数值作为对应节点的输出值。

表示第k个子目标函数对应的第l个节点的输出值，设m_k是第k个子目标函数的模糊分割数，输出值为；

${\mathrm{\&mu;}}_k^l=e^{-\frac{{({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^2}},$ k＝1,2,3,4;l＝1,2...m_k

其中，c_kl是隶属度中心值，σ_kl是隶属度宽度。本发明实施例中设定每个子目标函数的模糊分割数均等且m_k＝5，该层节点总数

对子目标函数进行模糊分割的方法，可以采用具有中心值和中心宽度的钟形函数(bell-shaped function)，或三角形函数。

步骤6.3：构建神经网络的第三层，第三层是模糊推理层，用于匹配模糊规则的前件，计算出每条规则的适用度作为每个节点的输出值。模糊推理层计算适用度的方法，可以采用求最小值的方法或者乘积的方法。

第三层的各节点由每个

中的任意一个模糊分割互相组合而成。因此本发明实施例中第三层节点总数

其中，第j个节点的输出值α_j(j＝1,2...M)为：

${\mathrm{\&alpha;}}_j=\min \{{\mathrm{\&mu;}}_1^{i_1},{\mathrm{\&mu;}}_2^{i_2}...{\mathrm{\&mu;}}_k^{i_k}\}$

其中i₁∈{1,2...m₁}，i₂∈{1,2...m₂}，...，i_k∈{1,2...m_k}；i₁，i₂，...，i_k在各自范围内随机选取。

步骤6.4：构建神经网络的第四层，第四层为竞争层，有r个节点，r代表评级数，本发明实施例中设评级数分成五级，则r＝5。

竞争层的输入由两部分组成：一部分为模糊推理层的输出值；另一部分为竞争层内部互相抑制的值，竞争层的节点的输出值是竞争的结果。

竞争层第q个节点的输入值y_q来自模糊推理层的输入加权求和得到：

$y_q=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_{\mathrm{qj}}{\mathrm{\&alpha;}}_j,q=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,r$

其中，w_qj为模糊推理层第j个节点与竞争层第q个节点的连接权重，训练时各权重w_qj初始值设为1。竞争层的r个节点中，如果y_q的值大于本层其余节点的y_K(K＝1...r,K≠i)值，则该节点的输出值为a_q＝1，本层其余节点的输出值为a_K＝0(K＝1...r,K≠q)。

步骤6.5：构建神经网络的最后一层，最后一层为输出层，其输出为r维向量

航路的等级数由向量中数值为1的元素表征。向量中a_K的数值为1，则对应的航路的评级数为K。航路的评级数越高，则表明该航路越优。

步骤七：步骤六所构建的神经网络在使用前需要先经过训练。从具有一定地形特征的环境中获得多条有代表性的航路后，经过专家评价可以得到专家评价的分级结果，将这些分级结果作为神经网络的训练样本对神经网络进行训练。有代表性的航路，在存在大中小型障碍、陷阱障碍、距离起始点和终点较近障碍的地形中，用A*，遗传算法，流函数法和PRM等方法计算出的多条航路。

对有代表性的航路经过步骤一～步骤五的顺序进行处理，作为神经网络的输入训练样本，将有代表性的航路的专家评级结果作为神经网络的输出训练样本，对神经网进行训练。对用于训练的某航路，经当前神经网络，输出结果为设

为专家对该航路的评级结果，

为由1和0组成的向量，则神经网络的误差函数E为：

$E=\frac{1}{2}\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{E}_q,$ $E_q=\left\{\begin{array}{cc}{(y_{\max }+\mathrm{\&alpha;}-y_q)}^2& ,a_q<a_{\mathrm{act}}^q\\ 0& ,a_q=a_{\mathrm{act}}^q\\ {(y_{\min }-\mathrm{\&beta;}-y_q)}^2& ,a_q>a_{\mathrm{act}}^q\end{array}\right.$

式中，y_max＝max{y₁,...,y_r}，y_min＝min{y₁,...,y_r}，y₁,…,y_r为当前输入样本的竞争层各节点的输入值。α和β均为大于0的调节系数，并且α和β的值越大，可能导致单个样本的训练次数越多，其初值均可设为1。训练所用的学习算法按照误差反传的方式推出，设学习速率为η，以为例，此时

则连接权重w_qj、隶属度中心值c_kl和隶属度宽度σ_kl在第p次训练后更新为：

$\left\{\begin{array}{ccccc}{w}_{\mathrm{qj}}(p+1)=w_{\mathrm{qj}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{qj}}},& \frac{\&PartialD;E}{\&PartialD;w_{\mathrm{qj}}}={\mathrm{\&alpha;}}_j\frac{\&PartialD;E}{\&PartialD;y_q},& {\mathrm{\&delta;}}_j^{\left(2\right)}=-\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{w}_{\mathrm{qj}}\frac{\&PartialD;E}{\&PartialD;y_q},& q=\mathrm{1,2}...r,& j=\mathrm{1,2}...M\\ c_{\mathrm{kl}}(p+1)=c_{\mathrm{kl}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;c_{\mathrm{kl}}},& \frac{\&PartialD;E}{\&PartialD;c_{\mathrm{kl}}}=-{\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}\frac{2({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^2},& k=\mathrm{1,2,3,4},& l=\mathrm{1,2}...m_k& \\ {\mathrm{\&sigma;}}_{\mathrm{kl}}(p+1)={\mathrm{\&sigma;}}_{\mathrm{kl}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;{\mathrm{\&sigma;}}_{\mathrm{kl}}},& \frac{\&PartialD;E}{\&PartialD;{\mathrm{\&sigma;}}_{\mathrm{kl}}}=-{\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}\frac{2{({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^3},& k=\mathrm{1,2,3,4},& l=\mathrm{1,2}...m_k& \end{array}\right.$

w_qj(p+1)是第p次训练更新的连接权重，c_kl(p+1)是第p次训练更新的隶属度中心值，σ_kl(p+1)是第p次训练更新的隶属度宽度，p表示训练的次数，此处p＝1,2,3...。随着训练次数的增加，连接权重w_qj、隶属度中心值c_kl和隶属度宽度σ_kl不断更新，神经网络的输出结果逐渐趋于正确。

和

为没有物理意义的两个中间参数，用于缩减公式的长度。

其中

为第k个归一化后的目标函数值， ${\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_j^{\left(2\right)}{S}_{\mathrm{kl}}\exp (-\frac{{({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^2}),$ $M=\underset{i=1}{\overset{k}{\mathrm{\&Pi;}}}{m}_i.$ 根据步骤6.3中的α_j的计算公式，在学习算法中当最小值min运算的结果为

时，则参数S_kl＝1，否则参数S_kl＝0。

的情况与上面的情况相似，都通过上面公式来更新。

对神经网络反复训练，当神经网络的评级结果与专家评级结果的一致性达到95%以上时，则认为此时的神经网络是可以使用的。此时神经网络的参数和结构都已经确定，直接能够对航路进行评价。

步骤八：训练后的神经网可用于评价不同的地形中、采用不同航路规划算法生成的航路，具有泛化的能力和通用性。经过该神经网评价的航路被分成5级，每条航路的性能指标也均已计算完毕，因此可以根据任务的不同和个人倾向选择适合的航路飞行，以及完成多无人机协同飞行。

采用经过训练的神经网，对每条航路按照步骤一～步骤五处理并输入到神经网进行计算，能够得到各航路的评价等级。

Claims (4)

1.一种基于泛化模糊竞争神经网的航路选择方法，其特征在于，包括以下步骤：

步骤一：设无人机的可飞航路有n条，n条航路构成航路集合

每条航路用离散点集合表示，确定每条航路的长度子目标函数值；第i条航路

的长度子目标函数值

的确定方法是：设航路

包括m个离散点，其中第j个离散点为

相邻离散点

和

构成航路

的第j个航段，航路

具有m-1个航段；对相邻离散点

和的三维空间坐标进行曼哈顿距离计算，得到的曼哈顿距离就是航路的第j个航段的长度子目标函数值，则航路

的长度子目标函数值由m-1个航段的长度子目标函数值求和得到；

步骤二：确定每条航路的安全避障距离子目标函数值；

当地形中有一个障碍时，第i条航路

的安全避障距离子目标函数值

为：

$f_2\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-1}{\mathrm{\&Sigma;}}}{f}_D\left(P_j^i\right),$ $f_D\left(P_j^i\right)=\left\{\begin{array}{cc}1/D_s,& d_j^i>D_s\\ 1/d_j^i,& 0<d_j^i\&le;D_s\end{array}\right.$

其中，D_s表示安全避障距离，表示航路

的第j个航段的中点与当前障碍之间的最短距离，

表示航路的第j个航段的避障距离评价值；

当地形中有两个以上的障碍时，对每条航路，将各障碍对应的安全避障距离子目标函数值求和，得到该航路的安全避障距离子目标函数值

步骤三：根据航段间纵向夹角与纵向标准门限值α_s的关系，确定每条航路的纵向机动次数子目标函数值；第i条航路

的纵向机动次数子目标函数值

为：

$f_3\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-2}{\mathrm{\&Sigma;}}}{f}_{\mathrm{lon}}\left(P_j^i\right),$ $f_{\mathrm{lon}}\left(P_j^i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&theta;}}_j^i>{\mathrm{\&alpha;}}_s\\ 0,& 0\&le;{\mathrm{\&theta;}}_j^i\&le;{\mathrm{\&alpha;}}_s\end{array}\right.$

其中，

表示航路

的第j个航段与第j+1个航段间的纵向夹角的绝对值，

表示航路

的第j个航段与第j+1个航段间在纵向上是否需要机动飞行而得到的评价值；

步骤四：根据航段间横侧向夹角之差的绝对值与侧向标准门限值α_c的关系，确定每条航路的横侧向机动次数子目标函数值；

第i条航路

的横侧向机动次数子目标函数值

为：

$f_4\left({\stackrel{\&RightArrow;}{P}}^i\right)=\underset{j=1}{\overset{m-2}{\mathrm{\&Sigma;}}}{f}_{\mathrm{lat}}\left(P_j^i\right),$ $f_{\mathrm{lat}}\left(P_j^i\right)=\left\{\begin{array}{cc}1,& {\mathrm{\&gamma;}}_j^i>{\mathrm{\&alpha;}}_c\\ 0,& 0\&le;{\mathrm{\&gamma;}}_j^i\&le;{\mathrm{\&alpha;}}_c\end{array}\right.$

其中，

表示第i条航路的第j个航段与第j+1个航段间的横侧向夹角之差的绝对值，

表示第i条航路的第j个航段与第j+1个航段间在横侧向上是否需要机动飞行而得到的评价值；

步骤五：分别对各航路的四个子目标函数值进行归一化处理；第i条航路的第k(k=1,2,3,4;)个子目标函数值

通过下式进行归一化处理，得到

${\stackrel{\&OverBar;}{f}}_k\left({\stackrel{\&RightArrow;}{P}}^i\right)=\frac{f_k\left({\stackrel{\&RightArrow;}{P}}^i\right)-\min \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)}{\max \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)-\min \left(f_k\left(\stackrel{\&RightArrow;}{P}\right)\right)},i=\mathrm{1,2}...n$

其中，

表示n条航路中对应第k个子目标函数值的最小值，

表示n条航路中对应第k个子目标函数值的最大值；

步骤六：构建基于泛化模糊竞争的神经网络，具体是：

步骤6.1：神经网络的第一层，第一层是输入层，具有4个输入节点，4个输入节点的值分别为各航路归一化处理后的四个子目标函数值

k=1,2,3,4，为的简写形式；

步骤6.2：构建神经网络的第二层，第二层是模糊化层，对每个子目标函数进行模糊分割，设对第k个子目标函数的模糊分割数为m_k，则

对应m_k个节点，每个节点代表一个语言变量值，k=1,2,3,4；第k个子目标函数对应的第l个节点的输出值为：

其中，c_kl是隶属度中心值，σ_kl是隶属度宽度；

步骤6.3：构建神经网络的第三层，第三层是模糊推理层，具有M个节点，

其中第j个节点的输出值α_j(j＝1,2...M)为：

其中，i₁∈{1,2...m₁}，i₂∈{1,2...m₂}，...，i_k∈{1,2...m_k}；

步骤6.4：构建神经网络的第四层，第四层为竞争层，设评级数有r个，则竞争层有r个节点，竞争层的第q个节点的输出值a_q的确定方法是：确定竞争层第q个节点的输入值y_q：q=1,2,…,r；其中，w_qj为模糊推理层第j个节点与竞争层第q个节点的连接权重，初始值为1；竞争层的r个节点中，输入值最大的节点的输出值为1，其余节点的输出值为0；

步骤6.5：构建神经网络的输出层，输出层输出r维向量

航路的等级数由向量

中数值为1的元素表征；

步骤七：对步骤六所构建的神经网络进行训练，在当前神经网络的评级结果与专家评级结果的一致性达到95%以上时，停止训练；

步骤八：对每条航路按照步骤一～步骤五的顺序进行处理，输入训练好的神经网络，得到航路的评级结果，根据评级结果选择最优航路或者适用的航路。

2.根据权利要求1所述的一种基于泛化模糊竞争神经网的航路选择方法，其特征在于：所述的步骤七中模糊化层中，对各子目标函数的模糊分割数均等且m_k等于5。

3.根据权利要求1所述的一种基于泛化模糊竞争神经网的航路选择方法，其特征在于：所述的步骤七中，对子目标函数进行模糊分割的方法，采用具有中心值和中心宽度的钟形函数或三角形函数。

4.根据权利要求1所述的一种基于泛化模糊竞争神经网的航路选择方法，其特征在于：所述的步骤七对步骤六所构建的神经网络进行训练，具体是：

首先获得有代表性的航路以及各航路的专家评级结果，将各航路经过步骤一～步骤五的顺序进行处理，作为神经网络的输入训练样本，将各专家评级结果作为神经网络的输出训练样本，对神经网络进行训练；

对某航路，当前神经网络的输出向量

设专家评级结果为

则当前神经网络的误差函数值E为：

$E=\frac{1}{2}\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{E}_q,$ $E_q=\left\{\begin{array}{cc}{(y_{\max }+\mathrm{\&alpha;}-y_q)}^2& ,a_q<a_{\mathrm{act}}^q\\ 0& ,a_q=a_{\mathrm{act}}^q\\ {(y_{\min }-\mathrm{\&beta;}-y_q)}^2& ,a_q>a_{\mathrm{act}}^q\end{array}\right.$

其中，E_q表示输出向量的第q个元素的误差，y_max＝max{y₁,...,y_r}，y_min＝min{y₁,...,y_r}；α和β均为大于0的调节系数，初值均设为1；

连接权重w_qj、隶属度中心值c_kl和隶属度宽度σ_kl在第p次训练后，根据如下公式更新：

$\left\{\begin{array}{ccccc}{w}_{\mathrm{qj}}(p+1)=w_{\mathrm{qj}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{qj}}},& \frac{\&PartialD;E}{\&PartialD;w_{\mathrm{qj}}}={\mathrm{\&alpha;}}_j\frac{\&PartialD;E}{\&PartialD;y_q},& {\mathrm{\&delta;}}_j^{\left(2\right)}=-\underset{q=1}{\overset{r}{\mathrm{\&Sigma;}}}{w}_{\mathrm{qj}}\frac{\&PartialD;E}{\&PartialD;y_q},& q=\mathrm{1,2}...r,& j=\mathrm{1,2}...M\\ c_{\mathrm{kl}}(p+1)=c_{\mathrm{kl}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;c_{\mathrm{kl}}},& \frac{\&PartialD;E}{\&PartialD;c_{\mathrm{kl}}}=-{\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}\frac{2({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^2},& k=\mathrm{1,2,3,4},& l=\mathrm{1,2}...m_k& \\ {\mathrm{\&sigma;}}_{\mathrm{kl}}(p+1)={\mathrm{\&sigma;}}_{\mathrm{kl}}\left(p\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;{\mathrm{\&sigma;}}_{\mathrm{kl}}},& \frac{\&PartialD;E}{\&PartialD;{\mathrm{\&sigma;}}_{\mathrm{kl}}}=-{\mathrm{\&delta;}}_{\mathrm{kl}}^{\left(1\right)}\frac{2{({\stackrel{\&OverBar;}{f}}_k-c_{\mathrm{kl}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{kl}}^3},& k=\mathrm{1,2,3,4},& l=\mathrm{1,2}...m_k& \end{array}\right.$

其中，η表示学习速率，

和

为两个中间参数，参数

其中，参数S_kl的值根据α_j计算公式来确定：当最小值min运算的结果为

时，S_kl＝1，否则S_kl＝0。

Images