CN106682733B - 无人机运动状态分析方法和装置 - Google Patents

无人机运动状态分析方法和装置 Download PDF

Info

Publication number
CN106682733B
CN106682733B CN201610974684.4A CN201610974684A CN106682733B CN 106682733 B CN106682733 B CN 106682733B CN 201610974684 A CN201610974684 A CN 201610974684A CN 106682733 B CN106682733 B CN 106682733B
Authority
CN
China
Prior art keywords
motion state
state parameter
unmanned aerial
aerial vehicle
parameter
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.)
Active
Application number
CN201610974684.4A
Other languages
English (en)
Other versions
CN106682733A (zh
Inventor
陈夏阳
帅博
邹世民
李海锋
吴波
张建森
黄文辉
汪建
来飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jianzhen Defense Technology (shanghai) Co Ltd
Original Assignee
Shanghai Yu Yu Electronic Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yu Yu Electronic Technology Co Ltd filed Critical Shanghai Yu Yu Electronic Technology Co Ltd
Priority to CN201610974684.4A priority Critical patent/CN106682733B/zh
Publication of CN106682733A publication Critical patent/CN106682733A/zh
Application granted granted Critical
Publication of CN106682733B publication Critical patent/CN106682733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了无人机运动状态分析方法和装置，涉及无人机技术领域，通过获取无人机的运动状态参数，将无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数，将第一运动状态参数、第二运动状态参数和第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数，将第一运动状态参数、第二运动状态参数、第三运动状态参数、第四运动状态参数、第五运动状态参数和第六运动状态参数通过函数链神经网络得到预测结果，从而可以提高无人机运动状态预测的准确率。

Description

无人机运动状态分析方法和装置
技术领域
本发明涉及无人机技术领域，尤其是涉及无人机运动状态分析方法和装置。
背景技术
无人机的运动自由度相当高，在空间的运动有六个自由度，即质心的三个移动自由度和绕质心的三个转动自由度。质心的三个移动自由度是位置的前后运动、上下升降运动和左右侧移运动；绕质心的三个转动自由度是俯仰角运动、偏航角运动和滚转角运动。根据质心的三个移动自由度和绕质心的三个转动自由度得到无人机运动状态的参数，具体包括：地速、迎角、侧滑角、滚转角、俯仰角、偏航角、滚转角速率、俯仰角速率、偏航角速率、纵向位移、侧向位移和高度等。
一般通过单一预测模型得到预测结果，但是由于单一预测模型的局限性，使预测结果的准确率并不理想。
采用适合方式将不同的预测方法进行组合，综合利用各种预测方法所提供的信息，可以提高预测精度，这就形成了组合预测方法。目前组合预测还处在起步阶段，现阶段的组合预测主要是建立在若干预测模型线性加权组合基础之上，权值的合理性和可用性还缺乏一个具体、统一的评判标准或评判方法，预测结果的准确率较低。
发明内容
有鉴于此，本发明的目的在于提供无人机运动状态分析方法和装置，可以提高无人机运动状态预测的准确率。
第一方面，本发明实施例提供了无人机运动状态分析方法，所述方法包括：
获取所述无人机的运动状态参数；
将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数；
将所述第一运动状态参数、所述第二运动状态参数和所述第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数；
将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数包括：
将所述无人机的运动状态参数作为训练样本，对神经网络进行训练；
通过所述神经网络的自学习能力调整所述无人机运动状态参数对应的权值，构建预测模型；
根据所述预测模型得到所述第一运动状态参数。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数还包括：
将所述无人机的运动状态参数构成时间序列；
将所述时间序列进行拟合，构建拟合多项式；
根据所述拟合多项式得到所述第二运动状态参数。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数还包括：
将所述无人机的运动状态参数构成所述时间序列；
利用所述时间序列通过所述支持向量机预测算法构建函数；
将所述无人机的运动状态参数通过所述函数得到所述第三运动状态参数。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果包括：
将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过加权相加得到运动参数预测值；
将所述运动参数预测值通过成型函数处理得到所述预测结果。
第二方面，本发明实施例提供了无人机运动状态分析装置，所述装置包括：
第一获取单元，用于获取所述无人机的运动状态参数；
第一计算单元，用于将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数；
扩展单元，用于将所述第一运动状态参数、所述第二运动状态参数和所述第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数；
第二计算单元，用于将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述第一计算单元包括：
训练单元，用于将所述无人机的运动状态参数作为训练样本，对神经网络进行训练；
第一构建单元，用于通过所述神经网络的自学习能力调整所述无人机运动状态参数对应的权值，构建预测模型；
第二获取单元，用于根据所述预测模型得到所述第一运动状态参数。
结合第二方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述第一计算单元还包括：
第一构成单元，用于将所述无人机的运动状态参数构成时间序列；
拟合单元，用于将所述时间序列进行拟合，构建拟合多项式；
第三获取单元，用于根据所述拟合多项式得到所述第二运动状态参数。
结合第二方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述第一计算单元还包括：
第二构成单元，用于将所述无人机的运动状态参数构成所述时间序列；
第二构建单元，利用所述时间序列通过所述支持向量机预测算法构建函数；
第四获取单元，用于将所述无人机的运动状态参数通过所述函数得到所述第三运动状态参数。
结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中，所述第二计算单元包括：
加权单元，用于将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过加权相加得到运动参数预测值；
处理单元，用于将所述运动参数预测值通过成型函数处理得到所述预测结果。
本发明实施例无人机运动状态分析方法和装置，通过获取无人机的运动状态参数，将无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数，将第一运动状态参数、第二运动状态参数和第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数，将第一运动状态参数、第二运动状态参数、第三运动状态参数、第四运动状态参数、第五运动状态参数和第六运动状态参数通过函数链神经网络得到预测结果，从而可以提高无人机运动状态预测的准确率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的无人机运动状态分析方法流程图；
图2为本发明实施例一提供的无人机运动状态分析方法中步骤S102的流程图；
图3为本发明实施例一提供的无人机运动状态分析方法中步骤S102的另一流程图；
图4为本发明实施例一提供的无人机运动状态分析方法中步骤S102的又一流程图；
图5为本发明实施例一提供的自适应变权重组合预测模型示意图；
图6为本发明实施例二提供的无人机运动状态分析装置示意图。
图标：
1-第一获取单元；2-第一计算单元；3-扩展单元；4-第二计算单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例进行详细介绍，
实施例一：
图1为本发明实施例一提供的无人机运动状态分析方法流程图。
参照图1，该方法包括以下步骤：
步骤S101，获取无人机的运动状态参数；
这里，无人机的运动状态参数包括地速、迎角、侧滑角、滚转角、俯仰角、偏航角、滚转角速率、俯仰角速率、偏航角速率、纵向位移、侧向位移、高度等。
具体地，将无人机的运动状态参数通过预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数，其中，预测算法包括人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法。
步骤S102，将无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数；
步骤S103，将第一运动状态参数、第二运动状态参数和第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数；
这里，利用预测算法对无人机的运动状态参数进行运算推理，得到第一运动状态参数、第二运动状态参数、第三运动状态参数、第四运动状态参数、第五运动状态参数和第六运动状态参数，将上述运动状态参数作为组合模块的输入，进行第二次的推理运算。通过组合模块对上述运动状态参数进行二次处理，能够减小误差排除干扰，获得更精确的预测结果。
函数扩展采用了模式识别的思想，在没有引入新信息的条件下，将低维模式变换到高维模式，增强了模式表达。由于增加了扩展过程，函数链神经网络能实现多层感知机制，同时在学习中仅为单层运算，故其收敛速度极快，且不会陷入局部最小。
第四运动状态参数、第五运动状态参数和第六运动状态参数由第一运动状态参数、第二运动状态参数和第三运动状态参数经过函数扩展处理得到，这里函数扩展采用逼近均方效果较好的正交三角函数来实现。
步骤S104，将第一运动状态参数、第二运动状态参数、第三运动状态参数、第四运动状态参数、第五运动状态参数和第六运动状态参数通过函数链神经网络得到预测结果。
这里，组合模块采用函数链神经网络作为组合主体，通过函数链神经网络进行运算，得到预测结果。
具体地，函数链神经网络具有很强的映射能力，其基本思想是通过采用一组线性无关或正交的函数将原输入样本扩展模式向量，在维数更高的空间上对模式进行表示和区分，得到了在增强空间里多个独立的新输入样本，将其再输入到单层网络中。
进一步的，如图2所示，上述实施例无人机运动状态分析方法中，步骤S102可采用如下步骤实现，包括：
步骤S201，将无人机的运动状态参数作为训练样本，对神经网络进行训练；
步骤S202，通过神经网络的自学习能力调整所述无人机运动状态参数对应的权值，构建预测模型；
步骤S203，根据预测模型得到所述第一运动状态参数。
具体地，将前ti时刻测得的无人机的运动状态参数作为训练样本，对神经网络进行训练，通过神经网络的自学习能力调整权值，构建预测模型。
预测模型可以从ti时刻测得的运动状态参数到ti+k(k＝1,2,3...)时刻测得的运动状态参数的非线性映射，即输入可得到第一运动状态参数
进一步的，如图3所示，上述实施例无人机运动状态分析方法中，步骤S102还可采用如下步骤实现，包括：
步骤S301，将无人机的运动状态参数构成时间序列；
步骤S302，将时间序列进行拟合，构建拟合多项式；
步骤S303，根据拟合多项式得到第二运动状态参数。
具体地，在无人机的运动状态预测中，将无人机的运动状态参数构成时间序列其中，为ti时刻的运动状态参数，即训练参数，对时间序列进行拟合，构成拟合多项式，拟式多项式具体由公式(1)可知：
xt＝atL+btL-1+...+kt+C (1)
其中，xt为拟合多项式，a,b,k,C为常数。
将tL+k(k＝1,2,3...)带入拟合多项式，即可获得tL+k时刻的运动参数值
进一步的，如图4所示，上述实施例无人机运动状态分析方法中，步骤S102还可采用如下步骤实现，包括：
步骤S401，将无人机的运动状态参数构成时间序列；
步骤S402，利用所述时间序列通过支持向量机预测算法构建函数；
步骤S403，将无人机的运动状态参数通过所述函数得到第三运动状态参数。
这里，支持向量机预测算法是一种基于统计学习理论的模式识别方法，基本原理是通过一个非线性映射将输入空间向量映射到一个高维特征空间，并在此空间上进行线性回归，从而将低维特征空间的非线性回归问题转换为高维特征空间的线性回归问题来解决。
具体地，回归就是估计出自变量和因变量之间的函数关系，然后根据这个函数，把待预测的样本，即前ti时刻的运动状态参数作为输入，得到第三运动状态参数
支持向量机预测算法是通过函数xt＝f(t)获取任一t时刻的运动参数xt的值，函数f(t)是通过支持向量机预测算法构建的。
进一步的，上述实施例无人机运动状态分析方法中，步骤S104可采用如下步骤实现，包括：
步骤S501，将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过加权相加得到运动参数预测值；
具体可参照图5，预测算法1为人工神经网络算法，预测算法2为多项式拟合的时间序列预测算法，预测算法3为支持向量机预测算法，预测算法1的输出为第一状态参数，预测算法2的输出为第二状态参数，预测算法3的输出为第三状态参数。
V1,V2,V3为第一运动状态参数、第二运动状态参数、第三运动状态参数，作为自适应变权重组合预测模型的原始输入，V4,V5,V6为第四运动状态参数、第五运动状态参数和第六运动状态参数，作为自适应变权重组合预测模型的扩展输入，W1,…,W6为上述运动状态参数对应的权重值，运动参数预测值由公式(2)可知：
步骤S502，将所述运动参数预测值通过成型函数处理得到所述预测结果。
这里，y经进成型函数处理后得到预测结果Y。成型函数主要功能是尺度变换(Y＝C·y，C为常数)，通过合理的变换使得Y值处于可用的范围内，不至于过大或者过小，增强数据的可用性。θ为神经元阈值，用于对权值进行调整。在训练阶段，θ可以用Y的实测值Yreality来代替。e为误差，具体由公式(3)可知：
e＝Y-Yreality (3)
其中，e为误差，Y为预测结果，Yreality为Y的实测值。
利用误差进行反馈调节，权重值越不合理，产生的误差值就越大，反馈调节的力度也就越大，权值变化的速率也就越快。这样在训练过程中不断进行学习调整，最终确保经过训练后权重处于合适的范围之内。训练结束后，如果权值仍没达到理想值，可以通过人工设定θ值来对权重进行调整，如果不需要调整，令θ＝Y即可。
本发明实施例无人机运动状态分析方法，通过获取无人机的运动状态参数，将无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数，将第一运动状态参数、第二运动状态参数和第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数，将第一运动状态参数、第二运动状态参数、第三运动状态参数、第四运动状态参数、第五运动状态参数和第六运动状态参数通过函数链神经网络得到预测结果，从而可以提高无人机运动状态预测的准确率。
实施例二：
图6为本发明实施例二提供的无人机运动状态分析装置示意图。
参照图6，该装置包括第一获取单元1、第一计算单元2、扩展单元3和第二计算单元4。
第一获取单元1，用于获取所述无人机的运动状态参数；
第一计算单元2，用于将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数；
扩展单元3，用于将所述第一运动状态参数、所述第二运动状态参数和所述第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数；
第二计算单元4，用于将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果。
进一步的，所述第一计算单元2包括：
训练单元(未示出)，用于将所述无人机的运动状态参数作为训练样本，对神经网络进行训练；
第一构建单元(未示出)，用于通过所述神经网络的自学习能力调整所述无人机运动状态参数对应的权值，构建预测模型；
第二获取单元(未示出)，用于根据所述预测模型得到所述第一运动状态参数。
进一步的，所述第一计算单元2还包括：
第一构成单元(未示出)，用于将所述无人机的运动状态参数构成时间序列；
拟合单元(未示出)，用于将所述时间序列进行拟合，构建拟合多项式；
第三获取单元(未示出)，用于根据所述拟合多项式得到所述第二运动状态参数。
进一步的，所述第一计算单元2还包括：
第二构成单元(未示出)，用于将所述无人机的运动状态参数构成时间序列；
第二构建单元(未示出)，利用所述时间序列与所述支持向量机预测算法构建函数；
第四获取单元(未示出)，用于将所述无人机的运动状态参数通过所述函数得到所述第三运动状态参数。
进一步的，所述第二计算单元4包括：
加权单元(未示出)，用于将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过加权相加得到运动参数预测值；
处理单元(未示出)，用于将所述运动参数预测值通过成型函数处理得到所述预测结果。
本发明实施例无人机运动状态分析装置，通过获取无人机的运动状态参数，将无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数，将第一运动状态参数、第二运动状态参数和第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数，将第一运动状态参数、第二运动状态参数、第三运动状态参数、第四运动状态参数、第五运动状态参数和第六运动状态参数通过函数链神经网络得到预测结果，从而可以提高无人机运动状态预测的准确率。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种无人机运动状态分析方法，其特征在于，所述方法包括：
获取所述无人机的运动状态参数；
将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数；
将所述第一运动状态参数、所述第二运动状态参数和所述第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数；
将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果。
2.根据权利要求1所述的无人机运动状态分析方法，其特征在于，所述将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数包括：
将所述无人机的运动状态参数作为训练样本，对神经网络进行训练；
通过所述神经网络的自学习能力调整所述无人机运动状态参数对应的权值，构建预测模型；
根据所述预测模型得到所述第一运动状态参数。
3.根据权利要求2所述的无人机运动状态分析方法，其特征在于，所述将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数还包括：
将所述无人机的运动状态参数构成时间序列；
将所述时间序列进行拟合，构建拟合多项式；
根据所述拟合多项式得到所述第二运动状态参数。
4.根据权利要求3所述的无人机运动状态分析方法，其特征在于，所述将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数还包括：
将所述无人机的运动状态参数构成所述时间序列；
利用所述时间序列通过所述支持向量机预测算法构建函数；
将所述无人机的运动状态参数通过所述函数得到所述第三运动状态参数。
5.根据权利要求1所述的无人机运动状态分析方法，其特征在于，所述将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果包括：
将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过加权相加得到运动参数预测值；
将所述运动参数预测值通过成型函数处理得到所述预测结果；
所述成型函数为尺度变换，通过所述尺度变换使所述预测结果处于可用范围。
6.一种无人机运动状态分析装置，其特征在于，所述装置包括：
第一获取单元，用于获取所述无人机的运动状态参数；
第一计算单元，用于将所述无人机的运动状态参数分别通过人工神经网络算法、多项式拟合的时间序列预测算法和支持向量机预测算法得到第一运动状态参数、第二运动状态参数和第三运动状态参数；
扩展单元，用于将所述第一运动状态参数、所述第二运动状态参数和所述第三运动状态参数分别进行函数扩展得到第四运动状态参数、第五运动状态参数和第六运动状态参数；
第二计算单元，用于将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过函数链神经网络得到预测结果。
7.根据权利要求6所述的无人机运动状态分析装置，其特征在于，所述第一计算单元包括：
训练单元，用于将所述无人机的运动状态参数作为训练样本，对神经网络进行训练；
第一构建单元，用于通过所述神经网络的自学习能力调整所述无人机运动状态参数对应的权值，构建预测模型；
第二获取单元，用于根据所述预测模型得到所述第一运动状态参数。
8.根据权利要求7所述的无人机运动状态分析装置，其特征在于，所述第一计算单元还包括：
第一构成单元，用于将所述无人机的运动状态参数构成时间序列；
拟合单元，用于将所述时间序列进行拟合，构建拟合多项式；
第三获取单元，用于根据所述拟合多项式得到所述第二运动状态参数。
9.根据权利要求8所述的无人机运动状态分析装置，其特征在于，所述第一计算单元还包括：
第二构成单元，用于将所述无人机的运动状态参数构成所述时间序列；
第二构建单元，利用所述时间序列通过所述支持向量机预测算法构建函数；
第四获取单元，用于将所述无人机的运动状态参数通过所述函数得到所述第三运动状态参数。
10.根据权利要求6所述的无人机运动状态分析装置，其特征在于，所述第二计算单元包括：
加权单元，用于将所述第一运动状态参数、所述第二运动状态参数、所述第三运动状态参数、所述第四运动状态参数、所述第五运动状态参数和所述第六运动状态参数通过加权相加得到运动参数预测值；
处理单元，用于将所述运动参数预测值通过成型函数处理得到所述预测结果；
所述成型函数为尺度变换，通过所述尺度变换使所述预测结果处于可用范围。
CN201610974684.4A 2016-11-07 2016-11-07 无人机运动状态分析方法和装置 Active CN106682733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610974684.4A CN106682733B (zh) 2016-11-07 2016-11-07 无人机运动状态分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610974684.4A CN106682733B (zh) 2016-11-07 2016-11-07 无人机运动状态分析方法和装置

Publications (2)

Publication Number Publication Date
CN106682733A CN106682733A (zh) 2017-05-17
CN106682733B true CN106682733B (zh) 2018-10-19

Family

ID=58839297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610974684.4A Active CN106682733B (zh) 2016-11-07 2016-11-07 无人机运动状态分析方法和装置

Country Status (1)

Country Link
CN (1) CN106682733B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664122A (zh) * 2018-04-04 2018-10-16 歌尔股份有限公司 一种姿态预测方法和装置
CN111152796B (zh) * 2020-04-07 2020-08-07 北京三快在线科技有限公司 一种车辆运动状态预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289714A (zh) * 2011-06-02 2011-12-21 北京航空航天大学 一种基于行为模型的小型无人旋翼机自主起降控制方法
CN103412488A (zh) * 2013-08-12 2013-11-27 北京航空航天大学 一种基于自适应神经网络的小型无人旋翼机高精度控制方法
CN103760906A (zh) * 2014-01-29 2014-04-30 天津大学 神经网络与非线性连续无人直升机姿态控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289714A (zh) * 2011-06-02 2011-12-21 北京航空航天大学 一种基于行为模型的小型无人旋翼机自主起降控制方法
CN103412488A (zh) * 2013-08-12 2013-11-27 北京航空航天大学 一种基于自适应神经网络的小型无人旋翼机高精度控制方法
CN103760906A (zh) * 2014-01-29 2014-04-30 天津大学 神经网络与非线性连续无人直升机姿态控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load

Also Published As

Publication number Publication date
CN106682733A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
EP3610418B1 (en) Distributional reinforcement learning
US11366433B2 (en) Reinforcement learning method and device
CN111860826A (zh) 一种低计算能力处理设备的图像数据处理方法及装置
Wang et al. Sensitivity analysis and parametric identification for ship manoeuvring in 4 degrees of freedom
CN115993781B (zh) 抗网络攻击无人集群系统协同控制方法、终端及存储介质
CN106682733B (zh) 无人机运动状态分析方法和装置
Abdollahi et al. Simplified fuzzy‐Padé controller for attitude control of quadrotor helicopters
CN110956662A (zh) 载体避障方法、装置及电子设备
US20210334702A1 (en) Model evaluating device, model evaluating method, and program
Shafiei et al. Application of neural network and genetic algorithm in identification of a model of a variable mass underwater vehicle
CN112987577A (zh) 一种无人车数据驱动自适应控制方法和装置
Yang Displacement motion prediction of a landing deck for recovery operations of rotary UAVs
WO2021036397A1 (zh) 目标神经网络模型的生成方法和装置
CN115494879A (zh) 基于强化学习sac的旋翼无人机避障方法、装置及设备
CN114358241A (zh) 确定安全关键输出值的方法及相应的系统和程序产品
CN102289675A (zh) 一种船舶航向智能预报方法
CN116360504B (zh) 无人机集群任务的确定方法、装置、电子设备及存储介质
CN112861601A (zh) 生成对抗样本的方法及相关设备
WO2016194025A1 (ja) 線形パラメータ変動モデル推定システム、方法およびプログラム
CN113628254A (zh) 基于移动平台的目标轨迹确定方法及相关设备
CN108287559A (zh) 针对目标区域中的无人机进行控制的方法及装置
CN114545776A (zh) 多智能体控制方法及装置
CN112632803A (zh) 跟踪控制方法和装置、电子设备及存储介质
JP2021082014A (ja) 推定装置、訓練装置、推定方法、訓練方法、プログラム及び非一時的コンピュータ可読媒体
CN111931615B (zh) 一种机器人目标识别方法、系统、装置和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20181206

Address after: Room 3385, Building 112-118 Gaoyi Road, Baoshan District, Shanghai, 201900

Patentee after: Jianzhen Defense Technology (Shanghai) Co., Ltd.

Address before: Room A6912, 180 Changjiang South Road, Baoshan District, Shanghai, 201900

Patentee before: Shanghai Yu Yu Electronic Technology Co., Ltd.