CN103218660A - 一种基于泛化模糊竞争神经网的航路选择方法 - Google Patents
一种基于泛化模糊竞争神经网的航路选择方法 Download PDFInfo
- Publication number
- CN103218660A CN103218660A CN2013100769353A CN201310076935A CN103218660A CN 103218660 A CN103218660 A CN 103218660A CN 2013100769353 A CN2013100769353 A CN 2013100769353A CN 201310076935 A CN201310076935 A CN 201310076935A CN 103218660 A CN103218660 A CN 103218660A
- Authority
- CN
- China
- Prior art keywords
- air route
- value
- sub
- leg
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
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
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:
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;
步骤三:根据航段间纵向夹角与纵向标准门限值αs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;
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αc的关系,确定每条航路的横侧向机动次数子目标函数值;
步骤五:分别对各航路的四个子目标函数进行归一化处理;
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6.2: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mk,则对应mk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,ckl是隶属度中心值,σkl是隶属度宽度。
其中,i1∈{1,2...m1},i2∈{1,2...m2},...,ik∈{1,2...mk}。
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aq的确定方法是:
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;
式中,Eq表示输出向量的第q个元素的误差,ymax=max{y1,...,yr},ymin=min{y1,...,yr}。α和β均为大于0的调节系数,初值均设为1。
连接权重wqj、隶属度中心值ckl和隶属度宽度σkl在第p次训练后,根据如下公式更新:
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
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
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αs,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>αs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:
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αc,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>αc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。
步骤五:对各子目标函数进行归一化处理。
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mk是第k个子目标函数的模糊分割数,输出值为;
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。
其中i1∈{1,2...m1},i2∈{1,2...m2},...,ik∈{1,2...mk};i1,i2,...,ik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yq来自模糊推理层的输入加权求和得到:
其中,wqj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wqj初始值设为1。竞争层的r个节点中,如果yq的值大于本层其余节点的yK(K=1...r,K≠i)值,则该节点的输出值为aq=1,本层其余节点的输出值为aK=0(K=1...r,K≠q)。
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:
式中,ymax=max{y1,...,yr},ymin=min{y1,...,yr},y1,…,yr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wqj、隶属度中心值ckl和隶属度宽度σkl在第p次训练后更新为:
wqj(p+1)是第p次训练更新的连接权重,ckl(p+1)是第p次训练更新的隶属度中心值,σkl(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wqj、隶属度中心值ckl和隶属度宽度σkl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。
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;
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αc的关系,确定每条航路的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,具体是:
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mk,则对应mk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,ckl是隶属度中心值,σkl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αj(j=1,2...M)为:其中,i1∈{1,2...m1},i2∈{1,2...m2},...,ik∈{1,2...mk};
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aq的确定方法是:确定竞争层第q个节点的输入值yq:q=1,2,…,r;其中,wqj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mk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;
其中,Eq表示输出向量的第q个元素的误差,ymax=max{y1,...,yr},ymin=min{y1,...,yr};α和β均为大于0的调节系数,初值均设为1;
连接权重wqj、隶属度中心值ckl和隶属度宽度σkl在第p次训练后,根据如下公式更新:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310076935.3A CN103218660B (zh) | 2013-03-11 | 2013-03-11 | 一种基于泛化模糊竞争神经网的航路选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310076935.3A CN103218660B (zh) | 2013-03-11 | 2013-03-11 | 一种基于泛化模糊竞争神经网的航路选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218660A true CN103218660A (zh) | 2013-07-24 |
CN103218660B CN103218660B (zh) | 2015-08-19 |
Family
ID=48816427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310076935.3A Active CN103218660B (zh) | 2013-03-11 | 2013-03-11 | 一种基于泛化模糊竞争神经网的航路选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218660B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700165A (zh) * | 2015-03-27 | 2015-06-10 | 合肥工业大学 | 一种多无人机舰机协同路径规划方法 |
CN105788345A (zh) * | 2016-05-03 | 2016-07-20 | 杨崔波 | 基于智能终端的寻车方法 |
CN107272705A (zh) * | 2017-07-31 | 2017-10-20 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大霍英东研究院 | 一种基于极限学习模型的电池状态预测系统及其实现方法 |
WO2021037071A1 (zh) * | 2019-08-27 | 2021-03-04 | 广州极飞科技有限公司 | 一种飞行控制方法及相关装置 |
CN113625753A (zh) * | 2021-08-07 | 2021-11-09 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种由专家规则引导神经网络学习无人机机动飞行的方法 |
CN117391543A (zh) * | 2023-12-07 | 2024-01-12 | 武汉理工大学 | 一种轨迹数据生成的海上航路网络质量评价方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828812A (en) * | 1993-03-24 | 1998-10-27 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system and method |
TW201035885A (en) * | 2009-03-26 | 2010-10-01 | Univ Yuan Ze | Robust path tracking control for mobile robot via dynamic Petri recurrent-fuzzy-neural-network |
CN102914967A (zh) * | 2012-09-21 | 2013-02-06 | 浙江工业大学 | 采摘机器人的自主导航和人机协同采摘作业系统 |
-
2013
- 2013-03-11 CN CN201310076935.3A patent/CN103218660B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828812A (en) * | 1993-03-24 | 1998-10-27 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system and method |
TW201035885A (en) * | 2009-03-26 | 2010-10-01 | Univ Yuan Ze | Robust path tracking control for mobile robot via dynamic Petri recurrent-fuzzy-neural-network |
CN102914967A (zh) * | 2012-09-21 | 2013-02-06 | 浙江工业大学 | 采摘机器人的自主导航和人机协同采摘作业系统 |
Non-Patent Citations (2)
Title |
---|
MIN JIANG ET AL: "fuzzy neural network based dynamic path planning", 《PROCEEDINGS OF THE 2012 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
曹梦磊等: "采用改进流函数法的无人机航路规划", 《电光与控制》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700165A (zh) * | 2015-03-27 | 2015-06-10 | 合肥工业大学 | 一种多无人机舰机协同路径规划方法 |
CN105788345A (zh) * | 2016-05-03 | 2016-07-20 | 杨崔波 | 基于智能终端的寻车方法 |
CN107272705A (zh) * | 2017-07-31 | 2017-10-20 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
CN107272705B (zh) * | 2017-07-31 | 2018-02-23 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大霍英东研究院 | 一种基于极限学习模型的电池状态预测系统及其实现方法 |
WO2021037071A1 (zh) * | 2019-08-27 | 2021-03-04 | 广州极飞科技有限公司 | 一种飞行控制方法及相关装置 |
CN113625753A (zh) * | 2021-08-07 | 2021-11-09 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种由专家规则引导神经网络学习无人机机动飞行的方法 |
CN113625753B (zh) * | 2021-08-07 | 2023-07-07 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种由专家规则引导神经网络学习无人机机动飞行的方法 |
CN117391543A (zh) * | 2023-12-07 | 2024-01-12 | 武汉理工大学 | 一种轨迹数据生成的海上航路网络质量评价方法及系统 |
CN117391543B (zh) * | 2023-12-07 | 2024-03-15 | 武汉理工大学 | 一种轨迹数据生成的海上航路网络质量评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103218660B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218660B (zh) | 一种基于泛化模糊竞争神经网的航路选择方法 | |
Zhao et al. | Survey on computational-intelligence-based UAV path planning | |
YongBo et al. | Three-dimensional unmanned aerial vehicle path planning using modified wolf pack search algorithm | |
CN103913172B (zh) | 一种适用于复杂低空下飞行器的路径规划方法 | |
CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
Yijing et al. | Q learning algorithm based UAV path learning and obstacle avoidence approach | |
CN110544296B (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN107168324B (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN111399541B (zh) | 无监督学习型神经网络的无人机全区域侦察路径规划方法 | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
Li et al. | Analytical hierarchy process using fuzzy inference technique for real-time route guidance system | |
CN110631596B (zh) | 一种基于迁移学习的装备车辆路径规划方法 | |
CN107967803A (zh) | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 | |
Zhang et al. | Adaptive differential evolution-based receding horizon control design for multi-UAV formation reconfiguration | |
CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
Brintaki et al. | Coordinated UAV path planning using differential evolution | |
Bai et al. | Research of environmental modeling method of coal mine rescue snake robot based on information fusion | |
Naredo et al. | ACO-tuning of a fuzzy controller for the ball and beam problem | |
Zhou et al. | Crossover recombination-based global-best brain storm optimization algorithm for uav path planning | |
Shen et al. | Pigeon-inspired optimisation algorithm with hierarchical topology and receding horizon control for multi-UAV formation | |
CN114756017A (zh) | 一种无人机与无人艇结合的导航避障方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |