CN111695195A - 一种基于长短时间记忆网络的空间物理运动体建模方法 - Google Patents
一种基于长短时间记忆网络的空间物理运动体建模方法 Download PDFInfo
- Publication number
- CN111695195A CN111695195A CN202010413117.8A CN202010413117A CN111695195A CN 111695195 A CN111695195 A CN 111695195A CN 202010413117 A CN202010413117 A CN 202010413117A CN 111695195 A CN111695195 A CN 111695195A
- Authority
- CN
- China
- Prior art keywords
- network
- long
- fully
- neural network
- connected neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明涉及一种基于长短时间记忆网络的空间物理运动体建模方法,涉及空间物理运动体建模技术领域;包括如下步骤:步骤一、建立第一全连接神经网络;步骤二、建立第二全连接神经网络;步骤三、建立第三全连接神经网络;步骤四、建立第一长短时间记忆网络和第二长短时间记忆网络;步骤五、根据步骤一至步骤四建立动力学模型网络;步骤六、根据状态量St和控制量Ct对步骤五中的动力学模型网络进行网络训练;步骤七、步骤七、重复步骤六,直至动力学模型网络收敛,完成对动力学模型网络修正;本发明采用离线训练和在线微调相结合的训练策略,实现弹道和飞行状态的在线预测,从而为后续高精度制导和高稳定控制提供依据。
Description
技术领域
本发明属于空间物理运动体建模技术领域,涉及一种基于长短时间记忆网络的空间物理运动体建模方法。
背景技术
建立高保真的空间物理运动体动力学模型,是实现再入飞行器高精度制导和高稳定控制的关键。为了获得足够大的升力,再入飞行器通常具有类似航空飞机的扁平细长外形,再入过程中飞行器受到的气动载荷苛刻,外界干扰复杂,存在大量未建模动态,特别是在高超声速再入过程中,飞行器周围流场出现激波、边界层转捩等高超声速飞行下所特有的现象,使得飞行器弹性特性显著。上述特点给再入飞行器动力学建模带来了极大的挑战。
现有建模采用解析建模方法,通常将物理运动体看作刚体进行建模,缺点在于难以对复杂的非线性、多变量耦合特性、结构不确定性等进行充分的描述,所建立的模型与真实对象存在一定的误差,进行弹道预测时其精度往往难以满足需求。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提出一种基于长短时间记忆网络的空间物理运动体建模方法,采用离线训练和在线微调相结合的训练策略,实现弹道和飞行状态的在线预测,从而为后续高精度制导和高稳定控制提供依据。
本发明解决技术的方案是:
一种基于长短时间记忆网络的空间物理运动体建模方法,包括如下步骤:
步骤一、建立第一全连接神经网络;第一全连接神经网络的输入节点个数为预设的状态量维数与预设的控制量维数之和,第一全连接神经网络的输出节点个数为128;
步骤二、建立第二全连接神经网络;第二全连接神经网络的输入节点个数为预设的控制量维数;第二全连接神经网络的输出节点个数为128;
步骤三、建立第三全连接神经网络;第三全连接神经网络的输入节点个数为128,第三全连接神经网络的输出节点个数为预设的状态量维数;
步骤四、建立第一长短时间记忆网络和第二长短时间记忆网络;其中,第一长短时间记忆网络用于编码;第二长短时间记忆网络用于解码;
步骤五、根据步骤一至步骤四建立初始动力学模型网络;
步骤六、获取历史飞行弹道的状态量St和控制量Ct;根据状态量St和控制量Ct对步骤五中的初始动力学模型网络进行网络训练;
步骤七、重复步骤六,直至初始动力学模型网络收敛,获得最终动力学模型网络修正;通过最终动力学模型网络,实现根据当前飞行器的状态量和控制量对未来飞行器状态量的预测。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述全连接神经网络为每个输入节点与各输出节点均有连接。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述步骤一中,状态量包括飞行器的高度、纬度、速度标量、攻角、侧滑角、俯仰角、滚动角、偏航角、俯仰角速度、滚动角速度和偏航角速度;控制量包括俯仰控制力矩、滚动控制力矩和偏航控制力矩。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述第一全连接神经网络的激活函数、第二全连接神经网络的激活函数和第三全连接神经网络的激活函数均为ReLU函数。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,ReLU函数的表达式为:
y(x)=max(0,x)+min(0,x)
式中,x为输出节点的输入;
y为输出节点的输出;
max(0,x)为取0和x中的较大值;
min(0,x)为取0和x中的较小值。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述步骤四中,所述长短时间记忆网络的激活函数为:
y(x)=1/(1+e-x)
式中,x为长短时间记忆网络输出节点的输入;
y为长短时间记忆网络输出节点的输出;
e为自然常数。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述步骤五中,动力学模型网络的建立方法为:
将第一全连接神经网络的128个输出作为第一长短时间记忆网络的输入;第一长短时间记忆网络对第一全连接神经网络的128个输出进行编码处理,得到编码后的128个输出,并将编码后的128个输出作为第二长短时间记忆网络的输入;同时,第二全连接神经网络的128个输出也作为第二长短时间记忆网络的输入;第二长短时间记忆网络对编码后的128个输出和第二全连接神经网络的128个输出进行解码处理,得到解码后的128个输出;将解码后的128个输出作为第三全连接神经网络的输入;通过第三全连接神经网络输出预设的状态量维数。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述步骤六中,对初始动力学模型网络进行网络训练的具体方法为:
S1、将状态量St和控制量Ct按时序进行组合排序,记为第一输入量It=[St,Ct];
S2、选取M个采样时刻的第一输入量,得到I1、I2、……、IM;将I1、I2、……、IM作为第一长短时间记忆网络的输入;M为正整数;获得第一长短时间记忆网络的输出;
S3、选取N个采样时刻的控制量Ct,得到C1、C2、……、CN,作为第二输入量;将C1、C2、……、CN与第一长短时间记忆网络的输出作为第二长短时间记忆网络的输入;N为正整数;获得第二长短时间记忆网络的输出;
S4、将第二长短时间记忆网络的输出作为第三全连接神经网络的输入,获得第三全连接神经网络的输出;
S5、将第三全连接神经网络的输出与历史飞行弹道的状态量St和控制量Ct进行对比,采用BP算法对初始动力学模型网络进行网络训练。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,2<M<20;2<N<20。
在上述的一种基于长短时间记忆网络的空间物理运动体建模方法,所述S5中,BP算法的损失函数L为:
L=||Sdes-Spred||2
式中,Sdes为训练数据集中获取的期望输出;
Spred为弹道预测网络输出;
||*||2中*为向量;||*||2为求向量*的2范数。
本发明与现有技术相比的有益效果是:
(1)本发明提出的长短时间记忆网络建模方法,将LSTM网络与编码器-解码器相结合,利用自编码网络对历史状态的编码,以及解码器对高维特征数据的解码过程,首次实现了利用历史数据蕴含的特征信息对未来飞行状态的估计。通过编码再解码的过程,对历史数据的抽象特征进行扩充,实现特征的高维表达,确保了解码器对未来状态的估计。同时,LSTM网络引入记忆门、遗忘门等不同子模块,避免了传统深度递归网络在训练过程中出现的梯度消失问题,从而确保了网络训练的可靠性和稳定性;
(2)本发明提出的长短时间记忆网络建模方法,利用离线数据进行监督训练,获得一个满意的拟合模型,完成网络的大部分训练工作。在此基础上,利用实时飞行数据,对训练好的网络进行局部调整,只需要很少的计算量即可完成网络的进一步优化,不会对现有的弹载计算机提出额外的需求,具有工程实用性。
附图说明
图1为本发明空间物理运动体建模流程图;
图2为本发明初始动力学模型网络示意图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明提供一种基于长短时间记忆网络的空间物理运动体建模方法,构建空间物理运动体训练数据集合;设计并建立输入端的全连接神经网络;设计并建立输入端的全连接神经网络;建立两个长短时间记记网络,进行弹道预测;融合上述网络建立用于空间物理运动体动力学建模的动力学模型网络;选取状态量和控制量,构成动力学模型网络输入端神经网络的输入;选取若干未来时刻数据,作为动力学模型网络解码器的输入;进行有监督网络训练。训练好的网络即可用于在线弹道预测,并且可进一步利用在线飞行数据对网络进行微调。本发明可实现空间物理运动体在线状态预测,对实际飞行中遇到的外界扰动和不确定性有一定的适应能力。
具体如图1所示,基于长短时间记忆网络的空间物理运动体建模方法,包括如下步骤:
步骤一、建立第一全连接神经网络;全连接神经网络为每个输入节点与各输出节点均有连接。第一全连接神经网络的输入节点个数为预设的状态量维数与预设的控制量维数之和,第一全连接神经网络的输出节点个数为128;状态量包括飞行器的高度、纬度、速度标量、攻角、侧滑角、俯仰角、滚动角、偏航角、俯仰角速度、滚动角速度和偏航角速度;控制量包括俯仰控制力矩、滚动控制力矩和偏航控制力矩。
步骤二、建立第二全连接神经网络;第二全连接神经网络的输入节点个数为预设的控制量维数;第二全连接神经网络的输出节点个数为128;。
步骤三、建立第三全连接神经网络;第三全连接神经网络的输入节点个数为128,第三全连接神经网络的输出节点个数为预设的状态量维数。第一全连接神经网络的激活函数、第二全连接神经网络的激活函数和第三全连接神经网络的激活函数均为ReLU函数。ReLU函数的表达式为:
y(x)=max(0,x)+min(0,x)
式中,x为输出节点的输入;
y为输出节点的输出;
max(0,x)为取0和x中的较大值;
min(0,x)为取0和x中的较小值。
步骤四、建立第一长短时间记忆网络和第二长短时间记忆网络;其中,第一长短时间记忆网络用于对历史数据进行特征提取,即为编码;第二长短时间记忆网络用于用于对未来数据进行预测,即为解码;长短时间记忆网络的激活函数为:
y(x)=1/(1+e-x)
式中,x为长短时间记忆网络输出节点的输入;
y为长短时间记忆网络输出节点的输出;
e为自然常数。
步骤五、根据步骤一至步骤四建立初始动力学模型网络,如图2所示,动力学模型网络的建立方法为:
将第一全连接神经网络的128个输出作为第一长短时间记忆网络的输入;第一长短时间记忆网络对第一全连接神经网络的128个输出进行编码处理,得到编码后的128个输出,并将编码后的128个输出作为第二长短时间记忆网络的输入;同时,第二全连接神经网络的128个输出也作为第二长短时间记忆网络的输入;第二长短时间记忆网络对编码后的128个输出和第二全连接神经网络的128个输出进行解码处理,得到解码后的128个输出;将解码后的128个输出作为第三全连接神经网络的输入;通过第三全连接神经网络输出预设的状态量维数。
步骤六、获取历史飞行弹道的状态量St和控制量Ct;根据状态量St和控制量Ct对步骤五中的初始动力学模型网络进行网络训练;对初始动力学模型网络进行网络训练的具体方法为:
S1、将状态量St和控制量Ct按时序进行组合排序,记为第一输入量It=[St,Ct]。
S2、选取M个采样时刻的第一输入量,得到I1、I2、……、IM;将I1、I2、……、IM作为第一长短时间记忆网络的输入;M为正整数;获得第一长短时间记忆网络的输出。
S3、选取N个采样时刻的控制量Ct,得到C1、C2、……、CN,作为第二输入量;将C1、C2、……、CN与第一长短时间记忆网络的输出作为第二长短时间记忆网络的输入;N为正整数;获得第二长短时间记忆网络的输出;2<M<20;2<N<20。
S4、将第二长短时间记忆网络的输出作为第三全连接神经网络的输入,获得第三全连接神经网络的输出。
S5、将第三全连接神经网络的输出与历史飞行弹道的状态量St和控制量Ct进行对比,采用BP算法对初始动力学模型网络进行网络训练。BP算法的损失函数L为:
L=||Sdes-Spred||2
式中,Sdes为训练数据集中获取的期望输出;
Spred为弹道预测网络输出;
||*||2中*为向量;||*||2为求向量*的2范数。
步骤七、由于风扰动、气动不确定性等因素的影响,实际飞行数据与训练数据有一定的出入,可以通过在线收集的数据重新构建训练集合,对已经离线训练好的网络进行重复训练,提高网络对外扰和不确定性的适应性。具体为重复步骤六,直至初始动力学模型网络收敛,获得最终动力学模型网络修正;通过最终动力学模型网络,实现根据当前飞行器的状态量和控制量对未来飞行器状态量的预测。
实施例
以某再入飞行器为例:
预设的状态量维数为11,分别为飞行器的高度、纬度、速度标量、攻角、侧滑角、俯仰角、滚动角、偏航角、俯仰角速度、滚动角速度、偏航角速度;预设的控制量维数为3,分别为俯仰控制力矩、滚动控制力矩、偏航控制力矩。
以11+3=14为网络输入层节点个数,以128为网络输出层节点个数,建立包含3个隐层,每层200个节点的第一全连接神经网络,作为动力学模型网络中编码器的输入模块。
以3为网络输入层节点个数,以128为网络输出层节点个数,建立包含3个隐层,每层200个节点的第二全连接神经网络2,作为动力学模型网络中解码器的输入模块。
以128为网络输入层节点个数,以11为网络输出层节点个数,建立包含3个隐层,每层200个节点的第三全连接神经网络,作为动力学模型网络中解码器的输出模块。
以128为网络输入层节点个数,以128为网络输出层节点个数,建立两个长短时间记忆网络,分别为编码器和解码器,其中,编码器根据状态量和控制量,对历史数据进行建模,解码器根据下一时刻的状态量和控制量,对未来状态进行预测。
对3个全连接网络和2个长短时间记忆网络进行连接;构成动力学模型网络。
以t0=5时刻为基准,将t-5=0、t-4=1、t-3=2、t-4=3、t-5=4时刻的历史数据,包括状态量和控制量,输入到第一全连接神经网络;将t1=6、t2=7、t3=8、t4=9、t5=10时刻的控制量,输入到第二全连接神经网络;每一个时刻的数据包括状态量和控制量。
以训练数据集合中t1=6、t2=7、t3=8、t4=9、t5=10时刻的状态量作为网络的期望输出,对动力学模型网络进行训练;重新选取t0基准时刻,重复步骤7和8,直至网络收敛。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:包括如下步骤:
步骤一、建立第一全连接神经网络;第一全连接神经网络的输入节点个数为预设的状态量维数与预设的控制量维数之和,第一全连接神经网络的输出节点个数为128;
步骤二、建立第二全连接神经网络;第二全连接神经网络的输入节点个数为预设的控制量维数;第二全连接神经网络的输出节点个数为128;
步骤三、建立第三全连接神经网络;第三全连接神经网络的输入节点个数为128,第三全连接神经网络的输出节点个数为预设的状态量维数;
步骤四、建立第一长短时间记忆网络和第二长短时间记忆网络;其中,第一长短时间记忆网络用于编码;第二长短时间记忆网络用于解码;
步骤五、根据步骤一至步骤四建立初始动力学模型网络;
步骤六、获取历史飞行弹道的状态量St和控制量Ct;根据状态量St和控制量Ct对步骤五中的初始动力学模型网络进行网络训练;
步骤七、重复步骤六,直至初始动力学模型网络收敛,获得最终动力学模型网络修正;通过最终动力学模型网络,实现根据当前飞行器的状态量和控制量对未来飞行器状态量的预测。
2.根据权利要求1所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述全连接神经网络为每个输入节点与各输出节点均有连接。
3.根据权利要求2所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述步骤一中,状态量包括飞行器的高度、纬度、速度标量、攻角、侧滑角、俯仰角、滚动角、偏航角、俯仰角速度、滚动角速度和偏航角速度;控制量包括俯仰控制力矩、滚动控制力矩和偏航控制力矩。
4.根据权利要求3所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述第一全连接神经网络的激活函数、第二全连接神经网络的激活函数和第三全连接神经网络的激活函数均为ReLU函数。
5.根据权利要求4所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:ReLU函数的表达式为:
y(x)=max(0,x)+min(0,x)
式中,x为输出节点的输入;
y为输出节点的输出;
max(0,x)为取0和x中的较大值;
min(0,x)为取0和x中的较小值。
6.根据权利要求5所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述步骤四中,所述长短时间记忆网络的激活函数为:
y(x)=1/(1+e-x)
式中,x为长短时间记忆网络输出节点的输入;
y为长短时间记忆网络输出节点的输出;
e为自然常数。
7.根据权利要求6所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述步骤五中,动力学模型网络的建立方法为:
将第一全连接神经网络的128个输出作为第一长短时间记忆网络的输入;第一长短时间记忆网络对第一全连接神经网络的128个输出进行编码处理,得到编码后的128个输出,并将编码后的128个输出作为第二长短时间记忆网络的输入;同时,第二全连接神经网络的128个输出也作为第二长短时间记忆网络的输入;第二长短时间记忆网络对编码后的128个输出和第二全连接神经网络的128个输出进行解码处理,得到解码后的128个输出;将解码后的128个输出作为第三全连接神经网络的输入;通过第三全连接神经网络输出预设的状态量维数。
8.根据权利要求7所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述步骤六中,对初始动力学模型网络进行网络训练的具体方法为:
S1、将状态量St和控制量Ct按时序进行组合排序,记为第一输入量It=[St,Ct];
S2、选取M个采样时刻的第一输入量,得到I1、I2、……、IM;将I1、I2、……、IM作为第一长短时间记忆网络的输入;M为正整数;获得第一长短时间记忆网络的输出;
S3、选取N个采样时刻的控制量Ct,得到C1、C2、……、CN,作为第二输入量;将C1、C2、……、CN与第一长短时间记忆网络的输出作为第二长短时间记忆网络的输入;N为正整数;获得第二长短时间记忆网络的输出;
S4、将第二长短时间记忆网络的输出作为第三全连接神经网络的输入,获得第三全连接神经网络的输出;
S5、将第三全连接神经网络的输出与历史飞行弹道的状态量St和控制量Ct进行对比,采用BP算法对初始动力学模型网络进行网络训练。
9.根据权利要求8所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:2<M<20;2<N<20。
10.根据权利要求9所述的一种基于长短时间记忆网络的空间物理运动体建模方法,其特征在于:所述S5中,BP算法的损失函数L为:
L=||Sdes-Spred||2
式中,Sdes为训练数据集中获取的期望输出;
Spred为弹道预测网络输出;
||*||2中*为向量;||*||2为求向量*的2范数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413117.8A CN111695195B (zh) | 2020-05-15 | 2020-05-15 | 一种基于长短时间记忆网络的空间物理运动体建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413117.8A CN111695195B (zh) | 2020-05-15 | 2020-05-15 | 一种基于长短时间记忆网络的空间物理运动体建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695195A true CN111695195A (zh) | 2020-09-22 |
CN111695195B CN111695195B (zh) | 2023-07-18 |
Family
ID=72477858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010413117.8A Active CN111695195B (zh) | 2020-05-15 | 2020-05-15 | 一种基于长短时间记忆网络的空间物理运动体建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695195B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597700A (zh) * | 2020-12-15 | 2021-04-02 | 北京理工大学 | 基于神经网络的飞行器弹道仿真方法 |
CN113792473A (zh) * | 2021-01-04 | 2021-12-14 | 北京京东尚科信息技术有限公司 | 无人机动力学网络预测模型的建模、使用方法及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681241A (zh) * | 2018-04-13 | 2018-10-19 | 东华大学 | 一种基于神经网络的双容系统辨识方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109523021A (zh) * | 2018-09-28 | 2019-03-26 | 浙江工业大学 | 一种基于长短时记忆网络的动态网络结构预测方法 |
CN109635820A (zh) * | 2018-08-06 | 2019-04-16 | 浙江大学 | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 |
US20200050941A1 (en) * | 2018-08-07 | 2020-02-13 | Amadeus S.A.S. | Machine learning systems and methods for attributed sequences |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
-
2020
- 2020-05-15 CN CN202010413117.8A patent/CN111695195B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681241A (zh) * | 2018-04-13 | 2018-10-19 | 东华大学 | 一种基于神经网络的双容系统辨识方法 |
CN109635820A (zh) * | 2018-08-06 | 2019-04-16 | 浙江大学 | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 |
US20200050941A1 (en) * | 2018-08-07 | 2020-02-13 | Amadeus S.A.S. | Machine learning systems and methods for attributed sequences |
CN109523021A (zh) * | 2018-09-28 | 2019-03-26 | 浙江工业大学 | 一种基于长短时记忆网络的动态网络结构预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597700A (zh) * | 2020-12-15 | 2021-04-02 | 北京理工大学 | 基于神经网络的飞行器弹道仿真方法 |
CN113792473A (zh) * | 2021-01-04 | 2021-12-14 | 北京京东尚科信息技术有限公司 | 无人机动力学网络预测模型的建模、使用方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111695195B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | Adaptive dynamic surface control for cooperative path following of underactuated marine surface vehicles via fast learning | |
CN112115550B (zh) | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 | |
CN113341726B (zh) | 一种多质点车辆队列行驶系统的迭代学习控制方法 | |
CN107422741B (zh) | 基于学习的保预设性能集群飞行分布式姿态追踪控制方法 | |
CN108828949A (zh) | 一种基于自适应动态规划的分布式最优协同容错控制方法 | |
CN112327627B (zh) | 基于复合学习的非线性切换系统自适应滑模控制方法 | |
CN111695195B (zh) | 一种基于长短时间记忆网络的空间物理运动体建模方法 | |
Fang et al. | A new sequential image prediction method based on LSTM and DCGAN | |
CN113900380B (zh) | 一种异构集群系统鲁棒输出编队跟踪控制方法及系统 | |
CN105068420A (zh) | 一种区间约束的非仿射不确定系统自适应控制方法 | |
CN111597175B (zh) | 融合时空信息的传感器缺失值的填充方法 | |
CN111191856A (zh) | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
Guan et al. | Ship steering control based on quantum neural network | |
CN113885548B (zh) | 一种多四旋翼无人机输出约束状态一致博弈控制器 | |
CN114637327A (zh) | 基于深度策略性梯度强化学习的在线轨迹生成制导方法 | |
CN114237268A (zh) | 一种基于深度强化学习的无人机强鲁棒姿态控制方法 | |
Liu et al. | Event-triggered predefined-time H∞ formation control for multiple underactuated surface vessels with error constraints and input quantization | |
Che et al. | Data‐driven model‐free adaptive attitude control for morphing vehicles | |
CN113219840B (zh) | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 | |
CN104749952A (zh) | 一种自适应动态面控制器结构及设计方法 | |
CN114198266A (zh) | 风电机组运行状态平行监测方法与装置 | |
CN114200936A (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
CN114387028A (zh) | 一种面向网络购物平台的商品需求量的智能分析方法 |
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 |