CN112308086A - 基于非线性降维与智能寻优的四轴抗干扰无人机系统 - Google Patents
基于非线性降维与智能寻优的四轴抗干扰无人机系统 Download PDFInfo
- Publication number
- CN112308086A CN112308086A CN202011201067.3A CN202011201067A CN112308086A CN 112308086 A CN112308086 A CN 112308086A CN 202011201067 A CN202011201067 A CN 202011201067A CN 112308086 A CN112308086 A CN 112308086A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle system
- dimension reduction
- system based
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
基于非线性降维与智能寻优的四轴抗干扰无人机系统。无人机及与其配套的通信站、起飞(发射)回收装置以及无人机的运输、储存和检测装置等的统称。无人机要完成任务除需要飞机及其携带的任务设备外,还需要有地面控制设备、数据通信设备、维护设备,以及指挥控制和必要的操作、维护人员等,较大型的无人机还需要专门的发射/回收装置。无人机系统避障系统的稳健保证了无人机的安全运行,无人机在户外工作的过程中由于物理抖动会造成采集图像出现大量噪声,给无人机安全运行带来巨大干扰,本发明利用非线性降维的去噪能力,并且使用遗传算法对稀疏分解进行智能寻优,得到高质量的去噪图像。克服了传统抗干扰去噪系统容易造成局部特征丢失的问题。
Description
技术领域
本发明涉及系统抗干扰等领域,特别设计基于非线性降维与智能寻优的四轴抗干扰无人机系统。
背景技术
近年来,随着无人机的日益普及,各级交通运输管理部门将无人机系统应用到应急处置、养护巡检、桥梁健康检测、施工进度检查、交通规划勘察、路域环境整治、路政巡逻等诸多实战场景中,取得了事半功倍的效果。无人机要完成任务除需要飞机及其携带的任务设备外,还需要有地面控制设备、数据通信设备、维护设备,以及指挥控制和必要的操作、维护人员等,较大型的无人机还需要专门的发射/回收装置。无人机系统避障系统的稳健保证了无人机的安全运行,无人机在户外工作的过程中由于物理抖动会造成采集图像出现大量噪声,给无人机安全运行带来巨大干扰。
本发明针对无人机的干扰问题,提出基于非线性降维与智能寻优的四轴抗干扰无人机系统,利用非线性降维的去噪能力,并且使用遗传算法(Genetic Algorithm,GA)对稀疏分解稀疏进行智能寻优,得到高质量的去噪图像。克服了传统抗干扰去噪系统容易造成局部特征丢失的问题。
发明内容
为了解决上述存在问题。本发明提出基于非线性降维与智能寻优的四轴抗干扰无人机系统。为达此目的:
本发明提出基于非线性降维与智能寻优的四轴抗干扰无人机系统,具体步骤如下,其特征在于:
步骤1:初始化图像,把图像均匀分块,分块尺寸为16×16,并把每个小块排列为列向量xi(256×1);
步骤2:初始化字典D为DCT字典;
步骤3:建立GA算法适应度函数f,适应度函数值越小,说明个体越优秀,即越接近全局最优解;
步骤4:初始化GA算法种群;
步骤5:设计内外双循环的估计原则;
步骤6:基因选择操作,结合所有个体的最优索引值,组成新的最优种群个体;
步骤7:循环终止条件,当图像的平均信息熵到达特定阈值且重建误差小于误差阈值时,循环终止,输出最优稀疏系数α,否则,重复步骤5-6;
步骤8:根据稀疏系数α更新字典D,当满足误差条件时,停止迭代,否则,重复步骤5-8。
作为本发明进一步改进,所述步骤3中适应度函数f公式为:
y=Ψx (3)
其中,Ψ是高斯测量矩阵,Ψ+是Ψ的广义逆,x是测试图像,y是测量信号,max(·)是求最大值。
作为本发明进一步改进,所述步骤4初始化种群是基于正交匹配跟踪算法,计算Ψ+*y并选择m个具有较大数值的索引值作为一个个体p1,然后,去掉已经被选中的索引值,从Ψ+*y中选择剩余对应的索引中较大的前m个索引值作为一个个体p2,以此类推,得到新的种群个体。
作为本发明进一步改进,所述步骤5外循环的估计原则为:
1)使用式(1)计算种群适应度,并且保存每个个体中具有最大适应度的索引,使用所有个体最大适应度对应的索引,组成最优个体;
2)基于变异概率对种群个体进行变异操作。
作为本发明进一步改进,所述步骤5内循环的估计原则为:对种群个体pi进行交叉互换,得到新的种群。
作为本发明进一步改进,所述步骤7中图像信息熵的计算公式为:
其中,pi是第i个像素值占所有像素的概率。
作为本发明进一步改进,所述步骤8中字典更新的公式为:
ej≈usvT (6)
dj=u (7)
α=svT (8)
其中,xi是第i个图像块,组成的数据列,α是xi在字典D下的系数表达系数,dl是字典D的第j列,式(6)是对ej作秩为1的奇异值分解。
本发明基于非线性降维与智能寻优的四轴抗干扰无人机系统,有益效果在于:
1.本发明利用非线性降维,增加了系统的鲁棒性。
2.本发明使用GA算法作稀疏优化算法,增大了抗干扰能力。
3.本发明算法复杂度低,实时性强。
4.本发明硬件系统实现简单,成本低。
附图说明
图1系统流程图;
具体实施方式
本发明提出基于非线性降维与智能寻优的四轴抗干扰无人机系统。
下面结合附图与具体实施方式对本发明进一步描述:
本发明提出基于非线性降维与智能寻优的四轴抗干扰无人机系统,如图1所示是系统流程图,具体步骤如下,首先,初始化图像,把图像均匀分块,分块尺寸为16×16,并把每个小块排列为列向量xi(256×1);并且初始化字典D为DCT字典。
接着,建立GA算法适应度函数f,适应度函数值越小,说明个体越优秀,即越接近全局最优解,初始化GA算法种群,除此之外,设计内外双循环的估计原则和基因选择操作,结合所有个体的最优索引值,组成新的最优种群个体;
循环终止条件,当图像的平均信息熵到达特定阈值且重建误差小于误差阈值时,循环终止,输出最优稀疏系数α,否则,重复以上。
适应度函数f公式为:
y=Ψx (3)
其中,Ψ是高斯测量矩阵,Ψ+是Ψ的广义逆,x是测试图像,y是测量信号,max(·)是求最大值。
初始化种群是基于正交匹配跟踪算法,计算Ψ+*y并选择m个具有较大数值的索引值作为一个个体p1,然后,去掉已经被选中的索引值,从Ψ+*y中选择剩余对应的索引中较大的前m个索引值作为一个个体p2,以此类推,得到新的种群个体。
外循环的估计原则为:
1)使用式(1)计算种群适应度,并且保存每个个体中具有最大适应度的索引,使用所有个体最大适应度对应的索引,组成最优个体;
2)基于变异概率对种群个体进行变异操作。
内循环的估计原则为:对种群个体pi进行交叉互换,得到新的种群。
作为本发明进一步改进,所述步骤7中图像信息熵的计算公式为:
其中,pi是第i个像素值占所有像素的概率。
最后,根据稀疏系数α更新字典D,当满足误差条件时,停止迭代,否则,重复以上步骤。
字典更新的公式为:
ej≈usvT (6)
dj=u (7)
α=svT (8)
其中,xi是第i个图像块,组成的数据列,α是xi在字典D下的系数表达系数,dl是字典D的第j列,式(6)是对ej作秩为1的奇异值分解。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (7)
1.基于非线性降维与智能寻优的四轴抗干扰无人机系统,具体步骤如下,其特征在于:
步骤1:初始化图像,把图像均匀分块,分块尺寸为16×16,并把每个小块排列为列向量xi(256×1);
步骤2:初始化字典D为DCT字典;
步骤3:建立GA算法适应度函数f,适应度函数值越小,说明个体越优秀,即越接近全局最优解;
步骤4:初始化GA算法种群;
步骤5:设计内外双循环的估计原则;
步骤6:基因选择操作,结合所有个体的最优索引值,组成新的最优种群个体;
步骤7:循环终止条件,当图像的平均信息熵到达特定阈值且重建误差小于误差阈值时,循环终止,输出最优稀疏系数α,否则,重复步骤5-6;
步骤8:根据稀疏系数α更新字典D,当满足误差条件时,停止迭代,否则,重复步骤5-8。
3.根据权利要求1所述的基于非线性降维与智能寻优的四轴抗干扰无人机系统,其特征在于:
所述步骤4初始化种群是基于正交匹配跟踪算法,计算Ψ+*y并选择m个具有较大数值的索引值作为一个个体p1,然后,去掉已经被选中的索引值,从Ψ+*y中选择剩余对应的索引中较大的前m个索引值作为一个个体p2,以此类推,得到新的种群个体。
4.根据权利要求1所述的基于非线性降维与智能寻优的四轴抗干扰无人机系统,其特征在于:
所述步骤5外循环的估计原则为:
1)使用式(1)计算种群适应度,并且保存每个个体中具有最大适应度的索引,使用所有个体最大适应度对应的索引,组成最优个体;
2)基于变异概率对种群个体进行变异操作。
5.根据权利要求1所述的基于非线性降维与智能寻优的四轴抗干扰无人机系统,其特征在于:
所述步骤5内循环的估计原则为:对种群个体pi进行交叉互换,得到新的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201067.3A CN112308086B (zh) | 2020-11-02 | 2020-11-02 | 基于非线性降维与智能寻优的四轴抗干扰无人机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201067.3A CN112308086B (zh) | 2020-11-02 | 2020-11-02 | 基于非线性降维与智能寻优的四轴抗干扰无人机系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308086A true CN112308086A (zh) | 2021-02-02 |
CN112308086B CN112308086B (zh) | 2023-07-18 |
Family
ID=74333353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011201067.3A Active CN112308086B (zh) | 2020-11-02 | 2020-11-02 | 基于非线性降维与智能寻优的四轴抗干扰无人机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308086B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110268328A1 (en) * | 2008-12-25 | 2011-11-03 | Ezer Bar-Aviv | Denoising medical images |
CN102609910A (zh) * | 2012-01-13 | 2012-07-25 | 西安电子科技大学 | 基于Ridgelet冗余字典的遗传进化图像重构方法 |
CN102789633A (zh) * | 2012-07-02 | 2012-11-21 | 河海大学常州校区 | 基于k-svd和局部线性嵌套的图像降噪系统和方法 |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN103198500A (zh) * | 2013-04-03 | 2013-07-10 | 西安电子科技大学 | 基于pca冗余字典和方向信息的压缩感知图像重构方法 |
CN107590779A (zh) * | 2017-08-07 | 2018-01-16 | 浙江工业大学 | 一种基于图像块聚类字典训练的图像去噪去模糊方法 |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
CN109191399A (zh) * | 2018-08-29 | 2019-01-11 | 陕西师范大学 | 基于改进的多路径匹配追踪算法的磁共振图像去噪方法 |
CN109815357A (zh) * | 2019-01-28 | 2019-05-28 | 辽宁工程技术大学 | 一种基于非线性降维及稀疏表示的遥感图像检索方法 |
CN111046958A (zh) * | 2019-12-13 | 2020-04-21 | 广州番禺职业技术学院 | 基于数据依赖的核学习和字典学习的图像分类及识别方法 |
WO2022127462A1 (zh) * | 2020-12-14 | 2022-06-23 | 中国人民解放军海军工程大学 | Ipt系统抗偏移参数优化方法、系统及计算机设备 |
-
2020
- 2020-11-02 CN CN202011201067.3A patent/CN112308086B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110268328A1 (en) * | 2008-12-25 | 2011-11-03 | Ezer Bar-Aviv | Denoising medical images |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN102609910A (zh) * | 2012-01-13 | 2012-07-25 | 西安电子科技大学 | 基于Ridgelet冗余字典的遗传进化图像重构方法 |
CN102789633A (zh) * | 2012-07-02 | 2012-11-21 | 河海大学常州校区 | 基于k-svd和局部线性嵌套的图像降噪系统和方法 |
CN103198500A (zh) * | 2013-04-03 | 2013-07-10 | 西安电子科技大学 | 基于pca冗余字典和方向信息的压缩感知图像重构方法 |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
CN107590779A (zh) * | 2017-08-07 | 2018-01-16 | 浙江工业大学 | 一种基于图像块聚类字典训练的图像去噪去模糊方法 |
CN109191399A (zh) * | 2018-08-29 | 2019-01-11 | 陕西师范大学 | 基于改进的多路径匹配追踪算法的磁共振图像去噪方法 |
CN109815357A (zh) * | 2019-01-28 | 2019-05-28 | 辽宁工程技术大学 | 一种基于非线性降维及稀疏表示的遥感图像检索方法 |
CN111046958A (zh) * | 2019-12-13 | 2020-04-21 | 广州番禺职业技术学院 | 基于数据依赖的核学习和字典学习的图像分类及识别方法 |
WO2022127462A1 (zh) * | 2020-12-14 | 2022-06-23 | 中国人民解放军海军工程大学 | Ipt系统抗偏移参数优化方法、系统及计算机设备 |
Non-Patent Citations (9)
Title |
---|
D. M. KALLURI 等: "Adaptive RD Optimal Sparse Coding With Quantization for Image Compression", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
E. BUCHE 等: "Accelerating evolutionary algorithms with Gaussian process fitness function models", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, PART C (APPLICATIONS AND REVIEWS)》 * |
PAGLIARI C L 等: "Stereo disparity computation in the DCT domain using genetic algorithms", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
SINGH M 等: "Image watermarking using discrete cosine transform [DCT] and genetic algorithm [GA]", 《INTERNATIONAL JOURNAL OF INNOVATION IN ENGINEERING RESEARCH & MANAGEMENT》 * |
刘丽娜: "数据降维与字典学习及其在人体特征识别中的应用", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
周辉: "基于稀疏表示的语音增强算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
杨俊 等: "基于DCT过完备字典和MOD算法的图像去噪方法", 《计算机与数字工程》 * |
杨俊: "基于稀疏与冗余表示法的图像压缩与重建", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
王真真: "基于稀疏表示的图像超分辨率重建技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308086B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449864B (zh) | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 | |
CN111861925B (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN110675423A (zh) | 一种基于孪生神经网络和注意力模型的无人机跟踪方法 | |
CN113326930B (zh) | 数据处理方法、神经网络的训练方法及相关装置、设备 | |
CN111914997B (zh) | 训练神经网络的方法、图像处理方法及装置 | |
CN108288270B (zh) | 一种基于通道修剪与全卷积深度学习的目标检测方法 | |
CN108447041B (zh) | 一种基于增强学习的多源图像融合方法 | |
CN109614874B (zh) | 一种基于注意力感知和树形骨架点结构的人体行为识别方法和系统 | |
CN112395961B (zh) | 一种洒水车的视觉主动行人避让及水压自适应控制方法 | |
CN104574440A (zh) | 一种视频运动目标跟踪方法及装置 | |
CN111462019A (zh) | 基于深度神经网络参数估计的图像去模糊方法及系统 | |
CN110232361B (zh) | 基于三维残差稠密网络的人体行为意图识别方法与系统 | |
CN114972748B (zh) | 一种可解释边缘注意力和灰度量化网络的红外语义分割方法 | |
CN116385906A (zh) | 一种基于深度学习的边坡灾害轻巧感知系统、设备及平台 | |
CN115113165A (zh) | 雷达回波外推方法、装置及系统 | |
CN114694261A (zh) | 一种基于多级监督图卷积的视频三维人体姿态估计方法及系统 | |
CN117217280A (zh) | 神经网络模型优化方法、装置及计算设备 | |
CN112907972B (zh) | 基于无人机的道路车流量检测方法、系统及计算机可读存储介质 | |
CN116432736A (zh) | 神经网络模型优化方法、装置及计算设备 | |
Ali et al. | Boundary-constrained robust regularization for single image dehazing | |
CN117116096A (zh) | 基于多通道交通图像与深度cnn的机场延误预测方法及系统 | |
CN113192084A (zh) | 一种基于机器视觉的公路边坡微小位移形变监测方法 | |
CN112308086B (zh) | 基于非线性降维与智能寻优的四轴抗干扰无人机系统 | |
CN109558819B (zh) | 一种用于遥感图像目标检测的深度网络轻量化方法 |
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 |