CN110084511A - 一种无人机配型方法、装置、设备及可读存储介质 - Google Patents
一种无人机配型方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110084511A CN110084511A CN201910342741.0A CN201910342741A CN110084511A CN 110084511 A CN110084511 A CN 110084511A CN 201910342741 A CN201910342741 A CN 201910342741A CN 110084511 A CN110084511 A CN 110084511A
- Authority
- CN
- China
- Prior art keywords
- distribution type
- network
- unmanned plane
- network model
- training
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 210000005036 nerve Anatomy 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 59
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012827 research and development Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000009434 installation Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 45
- 230000006870 function Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000004218 nerve net Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机配型方法，该方法包括：接收并解析无人机配型请求，获得目标产品性能指标；将目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；其中，目标神经网络模型的获取过程，包括：创建神经网络模型；获取配型知识，并利用配型知识创建知识表达网络；利用知识表达网络获得训练神经网络模型的训练数据；利用训练数据对神经网络模型进行配型训练，获得目标神经网络模型。应用该方法无需人工干预，便可自动实现无人机配型，无需进行装机测试以及进行参数修正，可缩短无人机产品的研发周期，降低研发成本。本发明还公开了一种无人机配型装置、设备及可读存储介质，具有相应的技术效果。
Description
技术领域
本发明涉及无人机技术领域，特别是涉及一种无人机配型方法、装置、设备及可读存储介质。
背景技术
在无人机市场多变和新无人机产品不断涌现的环境中，无人机生产的传统方法由于过分依赖经验及以往案例而面临极大挑战。
无人机配型即基于产品性能指标(或称之为功能或作用)，确定组成无人机的关键组件参数。无人机产品的性能指标是多维度的、异构的海量数据信息，关键组件由不同厂家所生产的型号、价格、质量、寿命等约束特征都有所不同。人工很难将大量的经验知识和数据综合归纳、准确表达。因此，目前的无人机产品设计流程采用尝试法，依赖人工经验选择关键部件，通过装机测试进行参数的不断修正，从而导致的研发生产周期长、成本高、质量难以保证。
综上所述，如何有效地解决无人机配型等问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种无人机配型方法、装置、设备及可读存储介质，利用深度神经网络在无需人工参与的情况下实现无人机自动配型，节约人力物力。且深度神经网络经训练，还可提升配型准确率，进一步可保障无人机产品质量。
为解决上述技术问题，本发明提供如下技术方案：
一种无人机配型方法，包括：
接收并解析无人机配型请求，获得目标产品性能指标；
将所述目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；
其中，所述目标神经网络模型的获取过程，包括：
创建神经网络模型；
获取配型知识，并利用所述配型知识创建知识表达网络；
利用所述知识表达网络获得训练所述神经网络模型的训练数据；
利用所述训练数据对所述神经网络模型进行配型训练，获得所述目标神经网络模型。
优选地，利用所述配型知识创建知识表达网络，包括：
将所述配型知识中的产品性能指标与关键部件参数进行关联，并建立贝叶斯网络结构；
利用所述贝叶斯网络结构创建所述知识表达网络。
优选地，所述创建神经网络模型，包括：
创建采用误差反向传播算法且包括输入层、多层隐层和输出层的神经网络模型。
优选地，所述利用所述知识表达网络获得训练所述神经网络模型的训练数据，包括：
将所述知识表达网络中的产品性能指标作为所述训练数据中的输入数据；
将所述知识表达网络中的产品关键部件参数作为所述训练数据中的目标输出数据。
优选地，利用所述训练数据对所述神经网络模型进行配型训练，包括：
采用随机梯度下降法，并基于所述神经网络的输出数据与目标输出数据的均方误差反向调节更新所述升级网络各层的权重。
优选地，利用所述训练数据对所述神经网络模型进行配型训练，获得所述目标神经网络模型，包括：
创建内部优化网络和外部优化网络，利用所述内部优化网络和所述外部优化网络对所述神经网络模型进行优化训练；
其中，所述外部优化网络的输入数据为外部等级信号、商品性能指标、包含参数优化的深度神经网络的输出值，输出数据为外部优化信号；
所述内部优化网络的输入数据为所述外部优化信号、产品性能指标、包含参数优化的所述深度神经网络的输出值，输出数据为内部优化信号。
优选地，所述创建内部优化网络和外部优化网络，包括：
创建两个包括输入层、一层隐层和输出层的三层非线性神经网络分别作为所述外部优化网络和所述内部优化网络。
一种无人机配型装置，包括：
目标产品性能指标获取模块，用于接收并解析无人机配型请求，获得目标产品性能指标；
目标关键组件参数获取模块，用于将所述目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；
目标神经网络模型获取模块，用于获取所述目标神经网络模型；
其中，所述目标神经网络模型获取模块，包括：
模型创建单元，用于创建神经网络模型；
知识获取单元，用于获取配型知识，并利用所述配型知识创建知识表达网络；
训练数据获取单元，用于利用所述知识表达网络获得训练所述神经网络模型的训练数据；
模型训练单元，用于利用所述训练数据对所述神经网络模型进行配型训练，获得所述目标神经网络模型。
一种无人机配型设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述无人机配型方法的步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述无人机配型方法的步骤。
应用本发明实施例所提供的方法，接收并解析无人机配型请求，获得目标产品性能指标；将目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；其中，目标神经网络模型的获取过程，包括：创建神经网络模型；获取配型知识，并利用配型知识创建知识表达网络；利用知识表达网络获得训练神经网络模型的训练数据；利用训练数据对神经网络模型进行配型训练，获得目标神经网络模型。
在接收到无人机配型请求之后，对该无人机配型请求进行解析，可获得本次无人机配型请求所对应的目标产品性能指标。然后，可将目标产品性能指标输入到目标神经网络中进行配型，如此便可获得与无人机配型请求匹配的目标关键组件参数。其中，目标神经网络可在进行无人机配型之前创建并进行训练后获得。具体的，可将配型知识进行整理，创建知识表达网络，基于该知识表达网络获得训练神经网络的训练数据，然后利用训练数据对神经网络进行配型训练，将训练好的神经网络模型便可用于对目标产品性能指标进行配型。在该方法中，无需人工干预，便可自动实现无人机配型，且利用目标神经网络模型进行配型，无需进行装机测试以及进行参数修正，可缩短无人机产品的研发周期，降低研发成本。
相应地，本发明实施例还提供了与上述无人机配型方法相对应的无人机配型装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例中一种无人机配型方法的实施流程图；
图2为本发明实施例中一种无人机配型装置的结构示意图；
图3为本发明实施例中一种无人机配型设备的结构示意图；
图4为本发明实施例中一种无人机配型设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。
实施例一：
请参考图1，图1为本发明实施例中一种无人机配型方法的流程图，该方法包括以下步骤：
S101、接收并解析无人机配型请求，获得目标产品性能指标。
在本发明实施例中，可预先设置一个功能(或作用)与性能指标的查找对应表。无人机配型请求可具体包括无人机的功能或作用。例如在无人机配型请求包括是否具有通讯功能、定位功能、摄像功能和温度采集功能等功能。
如此，在收到无人机配型请求之后，便可基于其中包含的具体功能确定出目标产品性能指标。具体的，可采用如表1所示的对应查找表的方式，基于具体功能确定出目标产品性能指标。
表1：功能与产品性能指标对应查找表
例如，当具有WIFI通讯功能时，目标产品性能指标具体包括信号发射器、信号接收器和信号解析器对应需满足WIFI通讯性能指标。
S102、将目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数。
其中，目标神经网络模型的获取过程，包括：
步骤一、创建神经网络模型；
步骤二、获取配型知识，并利用配型知识创建知识表达网络；
步骤三、利用知识表达网络获得训练神经网络模型的训练数据；
步骤四、利用训练数据对神经网络模型进行配型训练，获得目标神经网络模型。
为便于描述，下面将上述四个步骤结合起来进行说明。
在创建神经网络模型时，可按照现有的神经网络模型进行创建。具体的，可创建采用误差反向传播算法且包括输入层、多层隐层和输出层的神经网络模型。即创建一个BP(back propagation)神经网络：误差反向传播神经网络。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力。深度神经网络包括神经元和神经元之间的联结，激活函数采用诸如Sigmoid函数的非线性激活函数，可解决线性不可分问题，保证多层网络不退化成单层线性网络，Sigmoid函数只是激活函数的一种，满足处处可微，保证了可计算性。当然，在本发明的其他实施例中，还可使用其他激活函数，解决线性不可分问题，在此不再一一列举。
其中，配型知识可具体包括研究设计人员的配型经验知识，已有产品的配型信息。配型知识即具体为产品性能指标与关键组件参数之间的对应关系。可直接从存储介质中读取预先存储的配型知识，或通过数据接口获取其他设备发送的配型知识的方式获得配型知识。得到配型知识之后，为便于计算机进行读取学习，可利用配型知识创建计算机可识别的知识表达网络。
优选地，创建知识表达网络的具体过程，包括：
步骤一、将配型知识中的产品性能指标与关键部件参数进行关联，并建立贝叶斯网络结构；
步骤二、利用贝叶斯网络结构创建知识表达网络。
在创建知识表达网络时，可采用常见的知识表达网络的网络结构，由于贝叶斯网络结构的优点较多，贝叶斯决策的理论依据就是贝叶斯公式，会考虑考虑各类的先验概率和类条件概率。又因无人机配型的配型知识的样本数据较少，难以满足网络训练需求，利用贝叶斯网络结构对小量的样本数据进行标记之后，训练样本集合，可以估计概率分布的参数。得到分类类别的概率分布之后，就直接叶斯决策理论就可以设计知识表达网络(也就是最优分类器)。以MATLAB为例，可使用mk_bnet创建贝叶斯结构。
获取到知识表达网络之后，便可基于知识表达网络获取到训练神经网络模型的训练数据。具体的，可直接将知识表达网络中的产品性能指标作为训练数据中的输入数据；将知识表达网络中的产品关键部件参数作为训练数据中的目标输出数据。也就是说，经知识表达网络中的产品性能指标作为训练输入数据，而将产品关键部件参数作为准确的目标输出数据，在进行网络训练时，即不断的比对神经网络模型的输出数据与目标输出数据是否匹配进而确定训练参数调整以及训练是否完成的判断标准。
其中，利用训练数据对神经网络模型进行配型训练，可具体为采用随机梯度下降法，并基于神经网络的输出数据与目标输出数据的均方误差反向调节更新升级网络各层的权重。为便于描述，下面以神经网络模型为三层神经网络为例，对网络训练过程进行详细说明：
创建内部优化网络和外部优化网络，利用内部优化网络和外部优化网络对神经网络模型进行优化训练；
其中，外部优化网络的输入数据为外部等级信号、商品性能指标、包含参数优化的深度神经网络的输出值，输出数据为外部优化信号、
内部优化网络的输入数据为外部优化信号、产品性能指标、包含参数优化的深度神经网络的输出值，输出数据为内部优化信号。
其中，创建内部优化网络和外部优化网络，创建两个包括输入层、一层隐层和输出层的三层非线性神经网络分别作为外部优化网络和内部优化网络。
假设输入层神经元有i个，输入数据为xn(n∈i)，输出层神经元有j个，输出数据为ym(m∈j)，输出目标数据为Sm。神经网络逼近复杂函数的过程为：
ln＝Sigm(Zn)，ym＝Sigm(kn)；
其中，w1为输入层到隐层的权重，w2为隐层到输出层的权重。
输出数据与目标输出数据的均方误差权重调整规则为
获取神经网络模型决策功能的准确性，可任意输入一组产品性能指标，通过神经网络模型得到无人机产品的关键组件参数。
可通过专业技术人员对神经网络模型输出数据进行评价，给出等级r。即对目标关键组件参数进行准确性评价。假设只有两个等级，输出数据准确的时为r＝1，否则r＝0。基于贝尔曼最优性原理可定义内部强化信号s＝r+αs，0＜α＜1为折扣量。建立一个三层非线性神经网络(CNN)(输入层-一层隐层-输出层)来逼近外部优化信号，输入数据为外部等级信号r、产品性能指标、包含参数优化的深度神经网络的输出值，通过网络层的计算，输出外部优化信号。
通过外部优化网络，可结合了人工经验初步判断了由深度网络模型决策的产品关键部件参数的准确性。进一步地，可基于最优性原理中的性能指标函数定义内部优化信号为j＝s+αj，当没有外部等级信号时，j＝αs+αj。当j最小时，认为深度网络模型决策的产品关键部件参数是准确的。再建立一个三层非线性神经网络(CNN)(输入层-一层隐层-输出层)来逼近外部强化信号，输入数据为外部优化信号s、产品性能指标、包含参数优化的深度网络的输出值，通过网络层的计算，输出内部优化信号。
以包含参数优化的深度网络的输出数据(决策出来的产品关键部件参数)与内部优化信号的均方误差不断反向调节更新包含参数优化的深度网络各层的权重w，从而不断优化产品关键部件参数。
在确定出目标产品性能指标之后，便可将目标产品性能指标输入至目标神经网络模型中进行配型，便可获得目标关键组件参数。其中，目标关键组件包括：无人机的主控芯片、电机、桨叶、浆保、电池、无线通信模块、定位模块等无人机关键部件使用的型号、价格、质量、寿命、厂家等。
应用本发明实施例所提供的方法，接收并解析无人机配型请求，获得目标产品性能指标；将目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；其中，目标神经网络模型的获取过程，包括：创建神经网络模型；获取配型知识，并利用配型知识创建知识表达网络；利用知识表达网络获得训练神经网络模型的训练数据；利用训练数据对神经网络模型进行配型训练，获得目标神经网络模型。
在接收到无人机配型请求之后，对该无人机配型请求进行解析，可获得本次无人机配型请求所对应的目标产品性能指标。然后，可将目标产品性能指标输入到目标神经网络中进行配型，如此便可获得与无人机配型请求匹配的目标关键组件参数。其中，目标神经网络可在进行无人机配型之前创建并进行训练后获得。具体的，可将配型知识进行整理，创建知识表达网络，基于该知识表达网络获得训练神经网络的训练数据，然后利用训练数据对神经网络进行配型训练，将训练好的神经网络模型便可用于对目标产品性能指标进行配型。在该方法中，无需人工干预，便可自动实现无人机配型，且利用目标神经网络模型进行配型，无需进行装机测试以及进行参数修正，可缩短无人机产品的研发周期，降低研发成本。
实施例二：
相应于上面的方法实施例，本发明实施例还提供了一种无人机配型装置，下文描述的无人机配型装置与上文描述的无人机配型方法可相互对应参照。
参见图2所示，该装置包括以下模块：
目标产品性能指标获取模块101，用于接收并解析无人机配型请求，获得目标产品性能指标；
目标关键组件参数获取模块102，用于将目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；
目标神经网络模型获取模块103，用于获取目标神经网络模型；
其中，目标神经网络模型获取模块，包括：
模型创建单元，用于创建神经网络模型；
知识获取单元，用于获取配型知识，并利用配型知识创建知识表达网络；
训练数据获取单元，用于利用知识表达网络获得训练神经网络模型的训练数据；
模型训练单元，用于利用训练数据对神经网络模型进行配型训练，获得目标神经网络模型。
应用本发明实施例所提供的装置，接收并解析无人机配型请求，获得目标产品性能指标；将目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；其中，目标神经网络模型的获取过程，包括：创建神经网络模型；获取配型知识，并利用配型知识创建知识表达网络；利用知识表达网络获得训练神经网络模型的训练数据；利用训练数据对神经网络模型进行配型训练，获得目标神经网络模型。
在接收到无人机配型请求之后，对该无人机配型请求进行解析，可获得本次无人机配型请求所对应的目标产品性能指标。然后，可将目标产品性能指标输入到目标神经网络中进行配型，如此便可获得与无人机配型请求匹配的目标关键组件参数。其中，目标神经网络可在进行无人机配型之前创建并进行训练后获得。具体的，可将配型知识进行整理，创建知识表达网络，基于该知识表达网络获得训练神经网络的训练数据，然后利用训练数据对神经网络进行配型训练，将训练好的神经网络模型便可用于对目标产品性能指标进行配型。在该装置中，无需人工干预，便可自动实现无人机配型，且利用目标神经网络模型进行配型，无需进行装机测试以及进行参数修正，可缩短无人机产品的研发周期，降低研发成本。
在本发明的一种具体实施方式中，知识获取单元，具体用于将配型知识中的产品性能指标与关键部件参数进行关联，并建立贝叶斯网络结构；利用贝叶斯网络结构创建知识表达网络。
在本发明的一种具体实施方式中，模型创建单元，具体用于创建采用误差反向传播算法且包括输入层、多层隐层和输出层的神经网络模型。
在本发明的一种具体实施方式中，训练数据获取单元，具体用于将知识表达网络中的产品性能指标作为训练数据中的输入数据；将知识表达网络中的产品关键部件参数作为训练数据中的目标输出数据。
在本发明的一种具体实施方式中，模型训练单元，具体用于采用随机梯度下降法，并基于神经网络的输出数据与目标输出数据的均方误差反向调节更新升级网络各层的权重。
在本发明的一种具体实施方式中，模型训练单元，具体用于创建内部优化网络和外部优化网络，利用内部优化网络和外部优化网络对神经网络模型进行优化训练；其中，外部优化网络的输入数据为外部等级信号、商品性能指标、包含参数优化的深度神经网络的输出值，输出数据为外部优化信号；内部优化网络的输入数据为外部优化信号、产品性能指标、包含参数优化的深度神经网络的输出值，输出数据为内部优化信号。
在本发明的一种具体实施方式中，模型训练单元，具体用于创建两个包括输入层、一层隐层和输出层的三层非线性神经网络分别作为外部优化网络和内部优化网络。
实施例三：
相应于上面的方法实施例，本发明实施例还提供了一种无人机配型设备，下文描述的一种无人机配型设备与上文描述的一种无人机配型方法可相互对应参照。
参见图3所示，该无人机配型设备包括：
存储器D1，用于存储计算机程序；
处理器D2，用于执行计算机程序时实现上述方法实施例的无人机配型方法的步骤。
具体的，请参考图4，图4为本实施例提供的一种无人机配型设备的具体结构示意图，该无人机配型设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在无人机配型设备301上执行存储介质330中的一系列指令操作。
无人机配型设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
上文所描述的无人机配型方法中的步骤可以由无人机配型设备的结构实现。
实施例四：
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种无人机配型方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的无人机配型方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种无人机配型方法，其特征在于，包括：
接收并解析无人机配型请求，获得目标产品性能指标；
将所述目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；
其中，所述目标神经网络模型的获取过程，包括：
创建神经网络模型；
获取配型知识，并利用所述配型知识创建知识表达网络；
利用所述知识表达网络获得训练所述神经网络模型的训练数据；
利用所述训练数据对所述神经网络模型进行配型训练，获得所述目标神经网络模型。
2.根据权利要求1所述的无人机配型方法，其特征在于，利用所述配型知识创建知识表达网络，包括：
将所述配型知识中的产品性能指标与关键部件参数进行关联，并建立贝叶斯网络结构；
利用所述贝叶斯网络结构创建所述知识表达网络。
3.根据权利要求1所述的无人机配型方法，其特征在于，所述创建神经网络模型，包括：
创建采用误差反向传播算法且包括输入层、多层隐层和输出层的神经网络模型。
4.根据权利要求1至3任一项所述的无人机配型方法，其特征在于，所述利用所述知识表达网络获得训练所述神经网络模型的训练数据，包括：
将所述知识表达网络中的产品性能指标作为所述训练数据中的输入数据；
将所述知识表达网络中的产品关键部件参数作为所述训练数据中的目标输出数据。
5.根据权利要求4所述的无人机配型方法，其特征在于，利用所述训练数据对所述神经网络模型进行配型训练，包括：
采用随机梯度下降法，并基于所述神经网络的输出数据与目标输出数据的均方误差反向调节更新所述升级网络各层的权重。
6.根据权利要求5所述的无人机配型方法，其特征在于，利用所述训练数据对所述神经网络模型进行配型训练，获得所述目标神经网络模型，包括：
创建内部优化网络和外部优化网络，利用所述内部优化网络和所述外部优化网络对所述神经网络模型进行优化训练；
其中，所述外部优化网络的输入数据为外部等级信号、商品性能指标、包含参数优化的深度神经网络的输出值，输出数据为外部优化信号；
所述内部优化网络的输入数据为所述外部优化信号、产品性能指标、包含参数优化的所述深度神经网络的输出值，输出数据为内部优化信号。
7.根据权利要求6所述的无人机配型方法，其特征在于，所述创建内部优化网络和外部优化网络，包括：
创建两个包括输入层、一层隐层和输出层的三层非线性神经网络分别作为所述外部优化网络和所述内部优化网络。
8.一种无人机配型装置，其特征在于，包括：
目标产品性能指标获取模块，用于接收并解析无人机配型请求，获得目标产品性能指标；
目标关键组件参数获取模块，用于将所述目标产品性能指标输入目标神经网络模型进行配型，获得目标关键组件参数；
目标神经网络模型获取模块，用于获取所述目标神经网络模型；
其中，所述目标神经网络模型获取模块，包括：
模型创建单元，用于创建神经网络模型；
知识获取单元，用于获取配型知识，并利用所述配型知识创建知识表达网络；
训练数据获取单元，用于利用所述知识表达网络获得训练所述神经网络模型的训练数据；
模型训练单元，用于利用所述训练数据对所述神经网络模型进行配型训练，获得所述目标神经网络模型。
9.一种无人机配型设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述无人机配型方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述无人机配型方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910342741.0A CN110084511B (zh) | 2019-04-25 | 2019-04-25 | 一种无人机配型方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910342741.0A CN110084511B (zh) | 2019-04-25 | 2019-04-25 | 一种无人机配型方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084511A true CN110084511A (zh) | 2019-08-02 |
| CN110084511B CN110084511B (zh) | 2021-07-13 |
Family
ID=67416821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910342741.0A Active CN110084511B (zh) | 2019-04-25 | 2019-04-25 | 一种无人机配型方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084511B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256641A (zh) * | 2008-03-11 | 2008-09-03 | 浙江大学 | 基于模型的聚类法与贝叶斯网络法的基因芯片数据分析法 |
| US20090094076A1 (en) * | 2007-10-05 | 2009-04-09 | Reddy Sudhakar Y | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
| US20110173015A1 (en) * | 2006-03-03 | 2011-07-14 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
| CN102289496A (zh) * | 2011-08-22 | 2011-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
| CN104834772A (zh) * | 2015-04-22 | 2015-08-12 | 复旦大学 | 基于人工神经网络的飞机翼型/机翼反设计方法 |
| CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
| CN105512258A (zh) * | 2015-12-02 | 2016-04-20 | 上海大学 | 一种汽车广义产品智能化配置方法 |
| CN107508275A (zh) * | 2017-08-04 | 2017-12-22 | 华中科技大学 | 一种基于自适应动态规划的直流微电网控制方法及系统 |
| CN109031949A (zh) * | 2018-07-06 | 2018-12-18 | 广东工业大学 | 一种智能制造系统协同控制方法 |
| CN109412829A (zh) * | 2018-08-30 | 2019-03-01 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
-
2019
- 2019-04-25 CN CN201910342741.0A patent/CN110084511B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110173015A1 (en) * | 2006-03-03 | 2011-07-14 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
| US20090094076A1 (en) * | 2007-10-05 | 2009-04-09 | Reddy Sudhakar Y | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
| CN101256641A (zh) * | 2008-03-11 | 2008-09-03 | 浙江大学 | 基于模型的聚类法与贝叶斯网络法的基因芯片数据分析法 |
| CN102289496A (zh) * | 2011-08-22 | 2011-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
| CN104834772A (zh) * | 2015-04-22 | 2015-08-12 | 复旦大学 | 基于人工神经网络的飞机翼型/机翼反设计方法 |
| CN105512258A (zh) * | 2015-12-02 | 2016-04-20 | 上海大学 | 一种汽车广义产品智能化配置方法 |
| CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
| CN107508275A (zh) * | 2017-08-04 | 2017-12-22 | 华中科技大学 | 一种基于自适应动态规划的直流微电网控制方法及系统 |
| CN109031949A (zh) * | 2018-07-06 | 2018-12-18 | 广东工业大学 | 一种智能制造系统协同控制方法 |
| CN109412829A (zh) * | 2018-08-30 | 2019-03-01 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 程亮: ""自适应动态规划在电力系统中的应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084511B (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| CN107010542B (zh) | 一种装配式建筑智能吊装方法 | |
| CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
| CN110658725B (zh) | 一种基于人工智能的能源监管和预测系统及其方法 | |
| EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
| CN105228159B (zh) | 基于网格化及改进粒子群算法的无线传感网覆盖增强算法 | |
| CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
| CN106020803A (zh) | 被监控对象模板的动态定义方法及装置 | |
| CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
| CN105407158A (zh) | 一种建立模型和推送消息的方法及装置 | |
| JP2020087432A (ja) | 人工知能ベースの製造部品設計 | |
| CN115310360A (zh) | 基于联邦学习的数字孪生辅助工业物联网可靠性优化方法 | |
| CN114943456A (zh) | 资源的调度方法、装置、电子设备及存储介质 | |
| Arouj et al. | Towards energy-aware federated learning on battery-powered clients | |
| CN117078312B (zh) | 一种基于人工智能的广告投放管理方法及系统 | |
| CN110111001A (zh) | 一种电动汽车充电站的选址规划方法、装置以及设备 | |
| CN110084511A (zh) | 一种无人机配型方法、装置、设备及可读存储介质 | |
| CN114401192A (zh) | 一种多sdn控制器协同训练方法 | |
| KR102613227B1 (ko) | 빅데이터 및 머신 러닝에 기반한 농업용 저수지 이수 안전도 평가를 위한 전자 장치 및 전자 장치의 제어 방법 | |
| CN113839813B (zh) | 设备控制策略模型训练及设备控制方法、介质与设备 | |
| CN114697341B (zh) | 计算电子设备的算力的方法、控制设备以及存储介质 | |
| CN117162357B (zh) | 碳纤维复合材料的成型优化控制方法及系统 | |
| US20240144009A1 (en) | Machine Learning | |
| CN116306884B (zh) | 联邦学习模型剪枝方法、装置及非易失性存储介质 | |
| CN117293825B (zh) | 考虑风电爬坡的风速及功率混合预测方法及装置 |
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 |