CN108983800A - 一种基于深度学习的飞机姿态控制方法 - Google Patents
一种基于深度学习的飞机姿态控制方法 Download PDFInfo
- Publication number
- CN108983800A CN108983800A CN201810846804.1A CN201810846804A CN108983800A CN 108983800 A CN108983800 A CN 108983800A CN 201810846804 A CN201810846804 A CN 201810846804A CN 108983800 A CN108983800 A CN 108983800A
- Authority
- CN
- China
- Prior art keywords
- angle
- network
- data
- attack
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 241001269238 Data Species 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 235000007164 Oryza sativa Nutrition 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 235000009566 rice Nutrition 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的飞机姿态控制方法，包括步骤：S1.实时采集飞机的47个状态数据，并对数据进行归一化处理；S2.将归一化处理后的数据输入飞机姿态控制网络，得到2个飞机姿态控制量，即攻角变化率和倾斜角变化率S3.得到飞机姿态控制量后，再计算得到飞机所需的攻角at+Δt与倾斜角θt+Δt姿态参数。相比于现有的飞机姿态控制方法，本发明方法直接将载机参数输入至构建好的飞机姿态控制网络，进而得到姿态参数。本发明使用智能化方式构建出提取数据间联系的网络，省去了现有技术中的计算步骤，且准确率高。
Description
技术领域
本发明涉及深度学习和飞行控制领域，特别涉及一种基于深度学习的飞机姿态控制方法。
背景技术
随着作战飞机朝着信息化、综合化、智能化方向发展，提供给飞行员的信息爆炸性增长，仅靠飞行员自身做出及时、正确的飞行决策几乎是不可能的。因此建立飞机姿态控制方法，并将其用于飞行员的辅助决策中，在当今战场环境下显得尤为重要。
但是，目前存在的飞机姿态控制方法，大多是利用一定的公式计算出姿态参数。现有技术是在仿真计算之前，对双方的相对态势、位置和速度信息、姿态信息、武器状态、实验仿真时间以及机动方案进行初始化。初始化的数据包括：本机高度，敌机所在距离、方位、俯仰，本机与敌机的初始俯仰角、方位角、航向角、攻角、油门系数、减速板系数，本机与敌机的初始武器状态等等。在仿真的每一时刻，根据载机的所需速度指向、所需角速度指向和载机受力情况便可确定所需过载。之后用不同的修正方法修正所需过载的值，最后根据修正后的所需过载、所需速率等信息给出对飞机姿态控制量的计算。攻角变化率和过载的变化有关，倾斜角变化率和法向过载角度的变化有关，因此当得到所需过载后，便根据一定的公式计算出这两个控制量。
现有技术是根据载机参数，分类并按照一定的规律计算出应有的飞机姿态控制量，其计算方式固定单一，步骤较多，无法智能化的去控制飞机姿态。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种基于深度学习的飞机姿态控制方法。相比于现有的飞机姿态控制方法，本发明采用的方法是直接将载机参数输入至构建好的飞机姿态控制网络，进而得到姿态参数。本发明使用智能化方式构建出提取数据间联系的网络，省去了现有技术中的计算步骤，且准确率高。
本发明的技术方案是：一种基于深度学习的飞机姿态控制方法，包括如下步骤：
S1.实时采集飞机的47个状态数据，并对数据进行归一化处理；
S2.将归一化处理后的数据输入飞机姿态控制网络，得到2个飞机姿态控制量，即攻角变化率和倾斜角变化率其中，a表示攻角，θ表示倾斜角，表示攻角变化率，表示倾斜角变化率，t表示当前时刻，t+Δt表示经过一个步长后的时刻；
S3.得到飞机姿态控制量后，据(式1)-(式2)进行积分，便可得到飞机所需的姿态参数，所述姿态参数为攻角at+Δt与倾斜角θt+Δt；
上述步骤S1中所述的47个飞机状态数据，具体为：
仿真时长、本机的生存概率、本机与敌机的在X,Y,Z轴的位置分量，本机与敌机在X,Y,Z轴的速度分量，本机在X,Y,Z轴的加速度分量，本机的航向角、横滚角、俯仰角，本机的攻角、油门系数、减速板系数，24个布尔变量；
24个布尔变量包括雷达有无目标信息、飞行员是否看见目标、雷达传感系统有无目标信息、雷达传感系统是否可以预测目标、速率是否大于稳定飞行速率、切向加速度是否大于0，目标是否在前方、是否正在尾追目标、雷达是否在跟踪目标、是否有与目标发生碰撞的可能、是否还有未发射的导弹、目标距离是否大于300米、目标距离是否大于250米、是否有导弹捕获目标、是否有导弹准备发射、目标飞机是否在航炮的射击范围内、接近速率是否大于-1米/秒、目标距离是否大于500米、速率是否小于最有飞行速率、目标距离是否大于4000米、瞄准线角速率与速率之乘积是否大于60、目标距离是否大于1500米、目标的方位角是否小于100°。
上述步骤S2中所述的飞机姿态控制网络，其构建方法如下：
构建飞机姿态控制网络，就是构建攻角控制网络与倾斜角控制网络，具体构建步骤均如下：
S21.进行多次空战模拟仿真，采集数据模块并归一化；
S22.将归一化后的数据模块中的70％组数据作为训练集，30％组数据作为测试集；
S23.设计两个结构相同的卷积神经网络，使用训练集对卷积神经网络进行训练，得到攻角控制网络与倾斜角控制网络；
S24.将测试集的飞机状态数据输入至所训练的两个卷积神经网络中，对比卷积神经网络输出的飞机姿态控制量和测试集中的飞机姿态控制量，评估网络性能；
S25.根据评估结果调整卷积神经网络的参数，进而得到最优网络；
其中所述飞机姿态控制网络包括数据模块、攻角控制网络、倾斜角控制网络；
所述的数据模块从空战模拟系统中采集得来，由多组数据组成，其中每组数据含有每一仿真步长时47个飞机状态数据与2个飞机姿态控制量；
所述的攻角控制网络与倾斜角控制网络是使用相同结构的卷积神经网络构建的；
所述数据模块中47个飞机状态数据作为攻角控制网络与倾斜角控制网络的输入，2个飞机姿态控制量分别作为攻角控制网络与倾斜角控制网络的输出。
上述步骤S23中所设计的卷积神经网络，其结构如下：
卷积神经网络按照输入层、4个卷积层、5个全连接层、输出层的顺序进行连接，且每一层的输出需经过tanh函数运算；
输入层输入数据矩阵大小为7×7×1，输出层输出数据矩阵大小为1×1；
第一层卷积层有10个2×2×1大小的卷积核；
第二层卷积层有10个1×1×10大小的卷积核；
第三层卷积层有10个2×2×10大小的卷积核；
第四层卷积层有10个3×3×10大小的卷积核；
5个全连接层的神经元个数分别为80、60、50、30、10。
上述步骤S23中所述的使用训练集对卷积神经网络进行训练，其特征在于，包括如下步骤：
(1)初始化卷积神经网络，将训练集的飞机状态数据输入至卷积神经网络，得到实际飞机姿态控制量；
(2)将实际飞机姿态控制量与训练集中的飞机姿态控制量进行对比计算，得到误差函数；误差函数为平均误差函数,即理论飞机姿态控制量与实际飞机姿态控制量差值平方的二分之一；
(3)反向计算每一个神经元的误差项；
(4)计算权重与偏置的梯度；
(5)根据误差项和梯度更新权重与偏置；
(6)重复步骤(1)-(5)，直到满足精度要求或达到迭代次数。
上述步骤S24中所述的评估网络性能的评价指标包括：
(1)均方误差；
(2)拟合优度。
本发明的有益效果：
1.本发明提供的基于深度学习的飞机姿态控制方法，能够直接将载机参数输入至构建好的飞机姿态控制网络，省去现有技术中的大量计算步骤。
2.深度学习擅长从大量数据中寻找规律，提取规律，因此，构建基于深度学习的飞机姿态控制网络，经过层层的特征提取与组合，能够提取出数据间的联系。卷积神经网络作为深度学习中的一种具有代表性的网络，具有权值共享和局部连接的思想，这使得它具有参数少、提取特征能力强、收敛速度快的优势。本发明使用卷积神经网络方法构建的飞机姿态控制网络，实现了准确度高的效果。
3.本发明将飞机姿态控制与智能化联系在一起，在日益复杂化的战场环境下，可以为飞行员提供辅助决策，具有良好的发展前景。
附图说明
图1是本发明的飞机姿态控制的实现步骤；
图2是本发明的飞机姿态控制网络的组成；
图3是本发明的卷积神经网络的数据结构；
图4是本发明的飞机姿态控制网络的构建步骤。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本实例提供了一种基于深度学习的飞机姿态控制方法，其流程图如图1所示，具体步骤如下：
S1.实时采集飞机的状态数据，并对数据进行归一化处理。
S2.将归一化后的数据输入飞机姿态控制网络，便可得到飞机姿态的控制量。其中，飞机姿态控制量为攻角变化率和倾斜角变化率其中，a表示攻角，θ表示倾斜角，表示攻角变化率，表示倾斜角变化率，t表示当前时刻，t+Δt表示经过一个步长后的时刻；
S3.得到飞机姿态控制量后，据(式3-式4)进行积分，便可得到飞机所需的姿态参数。姿态参数为攻角at+Δt与倾斜角θt+Δt。
本实例中，S2所述的飞机姿态控制网络的组成如图2所示，包括数据模块、攻角控制网络、倾斜角控制网络。
本实例中，攻角控制网络与倾斜角控制网络是使用相同结构的卷积神经网络构建的。
数据模块是由空战模拟系统中采集得来的，本实例中共采集了16628组数据，每组数据包含每一个仿真步长时47个飞机状态数据与2个飞机姿态控制量。其中，训练集采用了11628组数据，测试集采用了5000组数据。
本实例中，47个飞机状态数据为：仿真时长、生存概率、本机与敌机的在X,Y,Z轴的位置分量，本机与敌机在X,Y,Z轴的速度分量，本机的航向角、横滚角、俯仰角，本机的攻角、油门系数、减速板系数，24个布尔变量。
24个布尔变量包括雷达有无目标信息、飞行员是否看见目标、雷达传感系统有无目标信息、雷达传感系统是否可以预测目标、速率是否大于稳定飞行速率、切向加速度是否大于0，目标是否在前方、是否正在尾追目标、雷达是否在跟踪目标、是否有与目标发生碰撞的可能、是否还有未发射的导弹、目标距离是否大于300米、目标距离是否大于250米、是否有导弹捕获目标、是否有导弹准备发射、目标飞机是否在航炮的射击范围内、接近速率是否大于-1米/秒、目标距离是否大于500米、速率是否小于最有飞行速率、目标距离是否大于4000米、瞄准线角速率与速率之乘积是否大于60、目标距离是否大于1500米、目标的方位角是否小于100°。
本实例中，2个飞机姿态控制量为攻角变化率、倾斜角变化率。
本实例中，攻角控制网络与倾斜角控制网络所需的输入数据相同，为47个飞机状态数据。攻角控制网络所需的输出数据为攻角变化率、倾斜角控制网络所需的输出数据为倾斜角变化率。
本实例中，卷积神经网络的数据结构如图3所示。
卷积神经网络按照输入层、4个卷积层、5个全连接层的顺序依次进行连接，且每层的输出均需经过tanh函数运算。
在47个飞机状态数据的基础上加入2个始终为0的量作为输入，以满足输入层输入数据矩阵大小为7×7×1。
使用第一个卷积层中10个2×2×1大小的卷积核对输入数据进行卷积步长为1的卷积操作，卷积后的结果经过tanh激活函数处理，得到6×6×10大小的特征图，作为第二个卷积层的输入。
第二个卷积层有10个1×1×10大小的卷积核，对本层的输入数据卷积得到6×6×10大小的特征图；第三个卷积层有10个2×2×10大小的卷积核，对本层的输入数据卷积得到5×5×10大小的特征图；第四个卷积层有10个3×3×10大小的卷积核，对本层的输入数据卷积得到3×3×10大小的特征图。
5个全连接层的神经元个数分别为80、60、50、30、10。将经过卷积层计算得到的3×3×10大小的特征图展开，可得到90个数据，将此90个数据输入到全连接层。
将全连接层输出的数据输入至输出层，最终输出矩阵大小为1×1的数据。
构建飞机姿态控制网络，就是构建攻角控制网络与倾斜角控制网络，参见图4，构建步骤如下：
S21.进行多次空战模拟仿真，采集数据模块并归一化；
S22.将归一化后的数据模块中的70％组数据作为训练集，30％组数据作为测试集；
S23.设计两个结构相同的卷积神经网络，使用训练集对卷积神经网络进行训练，得到攻角控制网络与倾斜角控制网络；
S24.将测试集的飞机状态数据输入至所训练的两个卷积神经网络中，对比卷积神经网络输出的飞机姿态控制量和测试集中的飞机姿态控制量，得到评价指标；
S25.根据评价指标调整卷积神经网络的参数，进而得到最优网络。
本实例中，S23中对攻角控制网络训练的步骤可分为六步。
第一步：设计卷积神经网络的结构与参数。卷积神经网络结构如图3所示。
第二步：将训练集的飞机状态数据输入至卷积神经网络，得到实际输出的攻角变化率。
7×7×1大小的输入数据矩阵经过四个卷积层的计算，得到3×3×10大小的特征图。卷积层的计算公式为
D为卷积核的深度；F为卷积核的宽度和高度；x为输入数据；w为权重；wb为偏置；f为激活函数；a为卷积后所得数据；i与j为位置索引；上标l表示l层的元素，l-1表示l-1层的元素。本实例中，卷积核的宽度等于高度，卷积核个数为1，卷积步长为1。
卷积层的运算用矩阵表示为
al＝f(conv(Wl，Xl-1)+Wk) (式6)
其中，conv为卷积操作。
将卷积层输出的3×3×10大小的特征图展开后得到90个数据，将其输入至5个全连接层，并先后进行计算。全连接层的计算公式为
Y＝f(WT*X+b) (式7)
Y为输出矩阵；X为输入矩阵；W为权重矩阵；b为偏置矩阵；f为激活函数；*为矩阵乘法操作。
第三步：将实际输出的攻角变化率与理论攻角变化率进行对比计算，得到误差函数Ed。误差函数为平均误差函数，即理论攻角变化率与实际输出的攻角变化率差值平方的二分之一。
t为输出层的理论攻角变化率；y为输出层实际输出的攻角变化率。
第四步：反向计算每一个神经元的误差项。
本实例中，对于输出层，误差项
δ＝f′(x)*(t-y) (式9)
x为输出层神经元的输入数据；f′为激活函数的导数；
对于隐含层，误差项
为l-1层第i个神经元的误差项；为第l层第k个神经元的误差项；为第l层第k个神经元与第l-1层第i个神经元之间的连接权重；为第l-1层第i个神经元的输入；n为第l层神经元的个数。
将隐含层误差项的计算用矩阵表示为
其中，为矩阵中每个对应元素相乘。
对于D＝1的卷积层，误差项的计算用矩阵表示为
δls为将δl周围补一圈0后的矩阵；Wlf为将Wl旋转180°后的矩阵；Xl-1为第l-1层的输入数据矩阵。
对于D>1的卷积层，第l-1层特征图的第i个通道只能和卷积核的第i个通道进行卷积。因此，反向计算误差项时，可以使用式12，用卷积核的第i个通道权重对δl进行操作，进而得到δl-1。
对于卷积核个数N>1的卷积层，误差项的计算用矩阵表示为
第五步：计算权重与偏置的梯度。
对于卷积层，的梯度为
为第l-1层神经元的输出；为第l层的权重；i,j,m,n为位置索引。
偏置项的梯度为
对于全连接层，的梯度为
为第l-1层第i个神经元与第l层第j个神经元之间的连接权重；为第l-1层神经元的输出。
第六步：根据误差项和梯度更新卷积神经网络的权重与偏置。
本实例中，S23中对倾斜角控制网络的训练步骤与对攻角控制网络的训练步骤相同。
本实例中采用了两个评价指标，分别为均方误差、拟合优度。
均方误差指的是Mse，它是计算预测值和真值差值平方的期望值，经常被用于全面评估网络的好坏。Mse越小，证明网络性能越好。
拟合优度可用来判断拟合的程度，计算公式为
拟合优度越接近于1，代表网络性能越好。
本实例中，得到测试集的评价指标，并依据评价指标来评估网络性能，进而调整网络参数。最终发现，当卷积层数为4，全连接层为5时所构建的攻角控制网络与倾斜角控制网络性能达到最优。
本实例中攻角控制网络的测试集评价指标如表1，倾斜角控制网络的测试集评价指标如表2.
表1攻角变化率的测试集评价指标
| 卷积层数 | 全连接层数 | 均方误差 | 拟合优度 |
| 4 | 5 | 0.007269 | 0.908723 |
表2倾斜角变化率的测试集评价指标
| 卷积层数 | 全连接层数 | 均方误差 | 拟合优度 |
| 4 | 5 | 0.011654 | 0.956799 |
由上表可得，使用卷积神经网络所构建的飞机姿态控制网络在攻角变化率与倾斜角变化率的计算上具有很高的精度，可以满足所需姿态控制的要求。
综上所述，本发明提供的基于深度学习的飞机姿态控制方法具备如下技术优点：
1.能够直接将载机参数输入至构建好的飞机姿态控制网络，省去现有技术中的大量计算步骤。
2.深度学习擅长从大量数据中寻找规律，提取规律，因此，构建基于深度学习的飞机姿态控制网络，经过层层的特征提取与组合，能够提取出数据间的联系。卷积神经网络作为深度学习中的一种具有代表性的网络，具有权值共享和局部连接的思想，这使得它具有参数少、提取特征能力强、收敛速度快的优势。本发明使用卷积神经网络方法构建的飞机姿态控制网络，实现了准确度高的效果。
3.本发明将飞机姿态控制与智能化联系在一起，在日益复杂化的战场环境下，可以为飞行员提供辅助决策，具有良好的发展前景。
以上实施例仅用以说明本发明的技术方案而非限制，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (6)
1.一种基于深度学习的飞机姿态控制方法，其特征在于，包括如下步骤：
S1.实时采集飞机的47个状态数据，并对数据进行归一化处理；
S2.将归一化处理后的数据输入飞机姿态控制网络，得到2个飞机姿态控制量，即攻角变化率和倾斜角变化率其中，a表示攻角，θ表示倾斜角，表示攻角变化率，表示倾斜角变化率，t表示当前时刻，t+Δt表示经过一个步长后的时刻；
S3.得到飞机姿态控制量后，据(式1)-(式2)进行积分，便可得到飞机所需的姿态参数，所述姿态参数为攻角at+Δt与倾斜角θt+Δt；
2.如权利要求1所述的一种基于深度学习的飞机姿态控制方法，其特征在于，步骤S1中所述的47个飞机状态数据，具体为：
仿真时长、本机的生存概率、本机与敌机的在X,Y,Z轴的位置分量，本机与敌机在X,Y,Z轴的速度分量，本机在X,Y,Z轴的加速度分量，本机的航向角、横滚角、俯仰角，本机的攻角、油门系数、减速板系数，24个布尔变量；
24个布尔变量包括雷达有无目标信息、飞行员是否看见目标、雷达传感系统有无目标信息、雷达传感系统是否可以预测目标、速率是否大于稳定飞行速率、切向加速度是否大于0，目标是否在前方、是否正在尾追目标、雷达是否在跟踪目标、是否有与目标发生碰撞的可能、是否还有未发射的导弹、目标距离是否大于300米、目标距离是否大于250米、是否有导弹捕获目标、是否有导弹准备发射、目标飞机是否在航炮的射击范围内、接近速率是否大于-1米/秒、目标距离是否大于500米、速率是否小于最有飞行速率、目标距离是否大于4000米、瞄准线角速率与速率之乘积是否大于60、目标距离是否大于1500米、目标的方位角是否小于100°。
3.如权利要求1所述的一种基于深度学习的飞机姿态控制方法，其特征在于，步骤S2中所述的飞机姿态控制网络，其构建方法如下：
构建飞机姿态控制网络，就是构建攻角控制网络与倾斜角控制网络，具体构建步骤均如下：
S21.进行多次空战模拟仿真，采集数据模块并归一化；
S22.将归一化后的数据模块中的70％组数据作为训练集，30％组数据作为测试集；
S23.设计两个结构相同的卷积神经网络，使用训练集对卷积神经网络进行训练，得到攻角控制网络与倾斜角控制网络；
S24.将测试集的飞机状态数据输入至所训练的两个卷积神经网络中，对比卷积神经网络输出的飞机姿态控制量和测试集中的飞机姿态控制量，评估网络性能；
S25.根据评估结果调整卷积神经网络的参数，进而得到最优网络；
其中所述飞机姿态控制网络包括数据模块、攻角控制网络、倾斜角控制网络；
所述的数据模块从空战模拟系统中采集得来，由多组数据组成，其中每组数据含有每一仿真步长时47个飞机状态数据与2个飞机姿态控制量；
所述的攻角控制网络与倾斜角控制网络是使用相同结构的卷积神经网络构建的；
所述数据模块中47个飞机状态数据作为攻角控制网络与倾斜角控制网络的输入，2个飞机姿态控制量分别作为攻角控制网络与倾斜角控制网络的输出。
4.如权利要求3所述的一种基于深度学习的飞机姿态控制方法，其特征在于，步骤S23中所设计的卷积神经网络，其结构如下：
卷积神经网络按照输入层、4个卷积层、5个全连接层、输出层的顺序进行连接，且每一层的输出需经过tanh函数运算；
输入层输入数据矩阵大小为7×7×1，输出层输出数据矩阵大小为1×1；
第一层卷积层有10个2×2×1大小的卷积核；
第二层卷积层有10个1×1×10大小的卷积核；
第三层卷积层有10个2×2×10大小的卷积核；
第四层卷积层有10个3×3×10大小的卷积核；
5个全连接层的神经元个数分别为80、60、50、30、10。
5.如权利要求3所述的一种基于深度学习的飞机姿态控制方法，其特征在于，步骤S23中所述的使用训练集对卷积神经网络进行训练，其特征在于，包括如下步骤：
(1)初始化卷积神经网络，将训练集的飞机状态数据输入至卷积神经网络，得到实际飞机姿态控制量；
(2)将实际飞机姿态控制量与训练集中的飞机姿态控制量进行对比计算，得到误差函数；误差函数为平均误差函数,即理论飞机姿态控制量与实际飞机姿态控制量差值平方的二分之一；
(3)反向计算每一个神经元的误差项；
(4)计算权重与偏置的梯度；
(5)根据误差项和梯度更新权重与偏置；
(6)重复步骤(1)-(5)，直到满足精度要求或达到迭代次数。
6.如权利要求3所述的一种基于深度学习的飞机姿态控制方法，其特征在于，步骤S24中所述的评估网络性能的评价指标包括：
(1)均方误差；
(2)拟合优度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810846804.1A CN108983800B (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的飞机姿态控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810846804.1A CN108983800B (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的飞机姿态控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108983800A true CN108983800A (zh) | 2018-12-11 |
| CN108983800B CN108983800B (zh) | 2020-11-03 |
Family
ID=64551657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810846804.1A Active CN108983800B (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的飞机姿态控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108983800B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109866931A (zh) * | 2019-03-15 | 2019-06-11 | 西北工业大学 | 一种基于自编码器的飞机油门控制方法 |
| CN110321951A (zh) * | 2019-07-01 | 2019-10-11 | 青岛海科虚拟现实研究院 | 一种vr模拟飞行器训练评价方法 |
| CN112037282A (zh) * | 2020-09-04 | 2020-12-04 | 北京航空航天大学 | 一种基于关键点以及骨架的飞机姿态估计方法及系统 |
| CN114234737A (zh) * | 2021-12-03 | 2022-03-25 | 航天科工火箭技术有限公司 | 基于攻角变化的姿态控制系统设计方法 |
| CN114740894A (zh) * | 2022-05-13 | 2022-07-12 | 北京航空航天大学 | 基于注意力机制与门控循环单元的飞行器制导方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102607639A (zh) * | 2012-02-24 | 2012-07-25 | 南京航空航天大学 | 基于bp神经网络的大攻角飞行状态下大气数据测量方法 |
-
2018
- 2018-07-27 CN CN201810846804.1A patent/CN108983800B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102607639A (zh) * | 2012-02-24 | 2012-07-25 | 南京航空航天大学 | 基于bp神经网络的大攻角飞行状态下大气数据测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孟祥瑞: "基于神经网络补偿动态逆的飞翼布局无人机姿态控制方法", 《导航定位于授时》 * |
| 黄孟缘: "多层卷积神经网络在SAR图像目标检测与识别的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109866931A (zh) * | 2019-03-15 | 2019-06-11 | 西北工业大学 | 一种基于自编码器的飞机油门控制方法 |
| CN109866931B (zh) * | 2019-03-15 | 2020-10-27 | 西北工业大学 | 一种基于自编码器的飞机油门控制方法 |
| CN110321951A (zh) * | 2019-07-01 | 2019-10-11 | 青岛海科虚拟现实研究院 | 一种vr模拟飞行器训练评价方法 |
| CN112037282A (zh) * | 2020-09-04 | 2020-12-04 | 北京航空航天大学 | 一种基于关键点以及骨架的飞机姿态估计方法及系统 |
| CN112037282B (zh) * | 2020-09-04 | 2021-06-15 | 北京航空航天大学 | 一种基于关键点以及骨架的飞机姿态估计方法及系统 |
| CN114234737A (zh) * | 2021-12-03 | 2022-03-25 | 航天科工火箭技术有限公司 | 基于攻角变化的姿态控制系统设计方法 |
| CN114234737B (zh) * | 2021-12-03 | 2024-05-28 | 航天科工火箭技术有限公司 | 基于攻角变化的姿态控制系统设计方法 |
| CN114740894A (zh) * | 2022-05-13 | 2022-07-12 | 北京航空航天大学 | 基于注意力机制与门控循环单元的飞行器制导方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108983800B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108983800A (zh) | 一种基于深度学习的飞机姿态控制方法 | |
| CN104077601B (zh) | 一种利用不同类型信息进行目标综合识别的方法 | |
| CN111707148B (zh) | 一种时变时延条件下多导弹协同制导方法及系统 | |
| CN105204512B (zh) | 一种基于简化模型机器博弈的六自由度无人作战飞机近距格斗方法 | |
| CN110187640B (zh) | 针对机动目标和允许通信时滞的多导弹协同作战制导律设计方法 | |
| CN101908097A (zh) | 一种空战决策的粒子群优化方法 | |
| CN109856972A (zh) | 一种无人直升机鲁棒容错跟踪控制方法 | |
| CN110822994B (zh) | 一种带落角约束的线性伪谱散布控制制导方法 | |
| CN108549210A (zh) | 基于bp神经网络pid控制的多无人机协同飞行方法 | |
| CN114020021B (zh) | 一种多导弹分布式协同制导律的设计方法及系统 | |
| CN113359813A (zh) | 一种多领弹多从弹群组协同制导方法 | |
| Zhang et al. | Hybrid hierarchical trajectory planning for a fixed-wing UCAV performing air-to-surface multi-target attack | |
| CN111598232B (zh) | 利用深度学习卷积神经网络估计复杂微动空间锥体目标参数的方法 | |
| Chen et al. | Design and verification of UAV maneuver decision simulation system based on deep q-learning network | |
| Huan et al. | UAV path planning based on an improved ant colony algorithm | |
| CN115357051B (zh) | 变形与机动一体化的规避与突防方法 | |
| CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
| Fu et al. | Air combat assignment problem based on bayesian optimization algorithm | |
| CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
| CN115686059A (zh) | 一种基于伪谱法的高超声速飞行器禁飞区规避制导方法 | |
| Minglang et al. | Maneuvering decision in short range air combat for unmanned combat aerial vehicles | |
| Raju et al. | Empirical virtual sliding target guidance law design: An aerodynamic approach | |
| Song et al. | Robust optimal trajectory design by integrating genetic algorithm with min-max method | |
| CN105182998A (zh) | 一种基于滚动优化人工物理混合的编队控制器的构建方法 | |
| CN109866931B (zh) | 一种基于自编码器的飞机油门控制方法 |
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: 20211125 Address after: 2106-051, No. 9, North Fourth Ring West Road, Haidian District, Beijing 100083 Patentee after: Beijing Yuanchen Huasheng Technology Co., Ltd Address before: Beilin District Shaanxi province Xi'an City friendship road 710072 No. 127 Patentee before: Northwestern Polytechnical University |