CN113792473A - 无人机动力学网络预测模型的建模、使用方法及相关设备 - Google Patents

无人机动力学网络预测模型的建模、使用方法及相关设备 Download PDF

Info

Publication number
CN113792473A
CN113792473A CN202110003429.6A CN202110003429A CN113792473A CN 113792473 A CN113792473 A CN 113792473A CN 202110003429 A CN202110003429 A CN 202110003429A CN 113792473 A CN113792473 A CN 113792473A
Authority
CN
China
Prior art keywords
prediction model
network
aerial vehicle
unmanned aerial
network prediction
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.)
Pending
Application number
CN202110003429.6A
Other languages
English (en)
Inventor
沙承贤
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.)
Beijing Jingdong Shangke Information Technology Co Ltd
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Shangke Information Technology Co Ltd
Beijing Jingdong Qianshi 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 Beijing Jingdong Shangke Information Technology Co Ltd, Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Shangke Information Technology Co Ltd
Priority to CN202110003429.6A priority Critical patent/CN113792473A/zh
Publication of CN113792473A publication Critical patent/CN113792473A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施方式提供了无人机的动力学网络预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备，属于计算机和通信技术领域。所述建模方法包括：获取无人机的飞行数据，其中所述飞行数据包括训练数据；使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。本公开的建模方法，能够实现无人机的动力学网络预测模型的建模。

Description

无人机动力学网络预测模型的建模、使用方法及相关设备
技术领域
本公开涉及计算机和通信技术领域，具体而言，涉及无人机动力学网络预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备。
背景技术
目前固定翼无人机的动力学模型建模一般可以分为机理分析建模方法和基于飞行数据的参数辨识。传统建模方法对于气动数据一般采用计算流体动力学(CFD)数值计算或风洞吹风的方法获得，但是这些方法一般会进行一定简化，无法有效的分析非定常参数量。而使用实际飞行数据进行辨识，得到的系统模型与实际运行过程中的动力学特性比较接近，但其以确定表达式呈现的形式使得其并不具备不确定环境下的动态最优。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供动力学网络预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备，能够实现无人机动力学网络预测模型的建模。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种无人机的动力学网络预测模型的建模方法，包括：
获取无人机的飞行数据，其中所述飞行数据包括训练数据；
使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
在一个实施例中，所述飞行数据还包括测试数据，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
使用所述测试数据对所述无人机的动力学网络预测模型进行测试以完成所述动力学网络预测模型的建模。
在一个实施例中，还包括：
对所述飞行数据进行归一化处理。
在一个实施例中，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
将所述长短时记忆神经网络的输出作为所述全连接神经网络的输入。
在一个实施例中，还包括：
通过分析网络层数对拟合误差的影响，确定网络层数；
通过分析各网络层的神经元个数对拟合误差的影响，确定各网络层的神经元个数。
在一个实施例中，所述无人机的动力学网络预测模型包括1层长短时记忆神经网络和4层全连接神经网络。
在一个实施例中，4层所述全连接神经网络包括输入层、第一隐含层、第二隐含层和输出层，其中，所述输入层包括13个神经元，所述第一隐含层包括64个神经元，所述第二隐含层包括64个神经元，所述输出层包括6个神经元。
在一个实施例中，所述第一隐含层和所述第二隐含层的激活函数为线性整流函数，所述输出层的激活函数为归一化指数函数。
在一个实施例中，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
通过忽略牛顿算法的高阶项并引入可变因子作为所述无人机的动力学网络预测模型的权值调整规则。
在一个实施例中，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
通过对比不同数值的学习速率的收敛速度和稳定性选择所述无人机的动力学网络预测模型的学习速率；
通过对比不同数值的训练次数的仿真效果选择所述无人机的动力学网络预测模型的学习速率。
根据本公开的一个方面，提供一种无人机的动力学网络预测模型的使用方法，包括：
获取无人机的飞行数据；
根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
根据本公开的一个方面，提供一种无人机的动力学网络预测模型的预测装置，包括：
获取模块，配置为获取无人机的飞行数据；
预测模块，配置为根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
根据本公开的一个方面，提供一种电子设备，包括：
一个或多个处理器；
存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上实施例中任一项所述的方法。
根据本公开的一个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上实施例中任一项所述的方法。
在本公开的一些实施方式所提供的技术方案中，能够实现无人机的动力学网络预测模型的建模。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
以下附图描述了本发明的某些说明性实施方式，其中相同的附图标记表示相同的元件。这些描述的实施方式将是本公开的示例性实施方式，而不是以任何方式进行限制。
图1示出了可以应用本公开实施方式的动力学网络预测模型的建模方法的示例性系统架构的示意图；
图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图；
图3示意性示出了根据本公开的一实施方式的动力学网络预测模型的建模方法的流程图；
图4示意性示出了本公开的一个实施方式的基于(神经)网络的动力学建模流程图；
图5示意性示出了本公开的一个实施方式的(神经)网络结构示意图；
图6示意性示出了本公开的一个实施方式的长短期记忆神经网络示意图；
图7示意性示出了本公开的一个实施方式的长短期记忆神经网络时间上的展示示意图；
图8示意性示出了本公开的一个实施方式的长短期记忆神经网络的网络NetWork的内部结构示意图；
图9示意性示出了本公开的一个实施方式的4层的全连接神经网络的网络结构示意图；
图10示意性示出了本公开的一个实施方式的归一化后俯仰角加速度的拟合曲线图；
图11示意性示出了本公开的一个实施方式的归一化后滚转角加速度的拟合曲线图；
图12示意性示出了本公开的一个实施方式的归一化后偏航角加速度的拟合曲线图；
图13示意性示出了本公开的一个实施方式的归一化后飞行器X轴方向加速度的拟合曲线图；
图14示意性示出了本公开的一个实施方式的归一化后飞行器Y轴方向加速度的拟合曲线图；
图15示意性示出了本公开的一个实施方式的归一化后飞行器Z轴方向加速度的拟合曲线图；
图16示意性示出了根据本公开的一实施方式的无人机的动力学网络预测模型的预测装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本公开实施方式的动力学网络预测模型的建模方法的示例性系统架构100的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，网络104和服务器105。网络104是用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
工作人员可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机、数字电影放映机等等。
服务器105可以是提供各种服务的服务器。例如工作人员利用终端设备103(也可以是终端设备101或102)向服务器105发送动力学网络预测模型的建模请求。服务器105可以获取无人机的飞行数据，其中所述飞行数据包括训练数据；使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。服务器105可以将训练完成的所述无人机的动力学网络预测模型显示于终端设备103，进而工作人员可以基于终端设备103上显示的内容查看所述无人机的动力学网络预测模型。
又如终端设备103(也可以是终端设备101或102)可以是智能电视、VR(VirtualReality，虚拟现实)/AR(Augmented Reality，增强现实)头盔显示器、或者其上安装有导航、网约车、即时通讯、视频应用程序(application，APP)等的移动终端例如智能手机、平板电脑等，工作人员可以通过该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP向服务器105发送动力学网络预测模型的建模请求。服务器105可以基于该动力学网络预测模型的建模请求，获得所述无人机的动力学网络预测模型，并将所述无人机的动力学网络预测模型返回给该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP，进而通过该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP将无人机的动力学网络预测模型进行显示。
图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。
需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU，Central Processing Unit)201，其可以根据存储在只读存储器(ROM，Read-Only Memory)202中的程序或者从储存部分208加载到随机访问存储器(RAM，Random Access Memory)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地，根据本公开的实施方式，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和/或装置中限定的各种功能。
需要说明的是，本公开所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF(RadioFrequency，射频)等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施方式的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所框选的功能也可以以不同于附图中所框选的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施方式中所述的方法。例如，所述的电子设备可以实现如图3各个步骤。
相关技术中，例如可以采用机器学习方法、深度学习方法等进行动力学网络预测模型的建模，不同方法适用的范围不同。
图3示意性示出了根据本公开的一实施方式的动力学网络预测模型的建模方法的流程图。本公开实施方式的方法步骤可以由终端设备执行，也可以由服务器执行，或者由终端设备和服务器交互执行，例如，可以由上述图1中的服务器105执行，但本公开并不限定于此。
在步骤S310中，获取无人机的飞行数据，其中所述飞行数据包括训练数据。
在该步骤中，终端设备或服务器获取无人机的飞行数据，其中所述飞行数据包括训练数据。在一个实施例中，飞行数据可以由工作人员通过终端设备录入或输入。在一个实施例中，飞行数据包括基于固定翼仿真模型生成的数据和/或实际飞行器飞行过程生成的数据。在一个实施例中，飞行数据包括不同时刻的俯仰角θt、滚转角Φt、偏航角ψt、俯仰角速度pt、滚转角速度qt、偏转角速度rt、以及三个坐标方向的线速度ut、vt、wt和升降舵δe、副翼δa、方向舵δr、油门δt，以及角加速度和线加速度值。在一个实施例中，俯仰角θt、滚转角Φt、偏航角ψt、俯仰角速度pt、滚转角速度qt、偏转角速度rt、以及三个坐标方向的线速度ut、vt、wt和升降舵δe、副翼δa、方向舵δr、油门δt作为无人机的动力学网络预测模型的输入数据，角加速度和线加速度属于无人机的动力学网络预测模型的预测数据。
本公开实施方式中，终端设备可以以各种形式来实施。例如，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personal digitalassistant，PDA)、便捷式媒体播放器(portable media player，PMP)、动力学网络预测模型的建模装置、可穿戴设备、智能手环、计步器、机器人、无人驾驶车等移动终端，以及诸如数字TV(television，电视机)、台式计算机等固定终端。
在步骤S320中，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
在该步骤中，终端设备或服务器使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络(LSTM)和全连接神经网络。在一个实施例中，将所述长短时记忆神经网络的输出作为所述全连接神经网络的输入。在一个实施例中，所述无人机的动力学网络预测模型包括1层长短时记忆神经网络和4层全连接神经网络。在一个实施例中，4层所述全连接神经网络包括输入层、第一隐含层、第二隐含层和输出层，其中，所述输入层包括13个神经元，所述第一隐含层包括64个神经元，所述第二隐含层包括64个神经元，所述输出层包括6个神经元。在一个实施例中，所述第一隐含层和所述第二隐含层的激活函数为线性整流函数(Rectified Linear Unit,ReLU)，所述输出层的激活函数为归一化指数函数(Softmax)。在一个实施例中，采用列文伯格-马夸尔特算法(Levenberg-Marquardt,LM)对所述无人机的动力学网络预测模型的权值进行迭代更新。在一个实施例中，通过试错的方式确定所述无人机的动力学网络预测模型的学习速率和训练次数。
本公开的无人机的动力学网络预测模型的建模方法，将LSTM网络和全连接层网络相结合，增强网络对无人机动力学模型各参数的变化、不确定性、非线性差值等进行建模的记忆能力和非线性逼近能力，提高神经网络的收敛速度。
在一个实施例中，对图3中方法的所述飞行数据进行归一化处理。
在一个实施例中，所述飞行数据还包括测试数据，图3中方法还包括使用所述测试数据对所述无人机的动力学网络预测模型进行测试以完成所述动力学网络预测模型的建模。在该实施例，在使用所述训练数据完成所述无人机的动力学网络预测模型的建模后，使用测试数据对完成建模的所述无人机的动力学网络预测模型进行测试，如果所建模型符合要求则完成建模，如果不符合要求，则对模型继续进行训练，一直到满足要求为止。
在一个实施例中，本公开还包括一种无人机的动力学网络预测模型的使用方法，该方法包括：
获取无人机的飞行数据；
根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
本公开的使用方法使用图3所示的建模方法所建立的无人机的动力学网络预测模型进行角加速度和线加速度的预测，其中既可以在实验室中仿真使用，也科技在实际的无人机中使用。
图4示意性示出了本公开的一个实施方式的基于(神经)网络的动力学建模流程图。
参考图4，本公开提出的基于长短时记忆神经网络(LSTM)的固定翼动力学建模方法，通过分析固定翼模型的特点和神经网络应用于复杂系统建模的特性，将LSTM网络和全连接层网络(全连接神经网络)相结合，增强网络对固定翼飞机动力学模型各参数的变化、不确定性、非线性差值等进行建模的记忆能力和非线性逼近能力，提高神经网络的收敛速度。同时，引入规则化的性能函数优化方法，通过调整网络的性能函数，增强网络泛化能力。LSTM能够处理和预测时间序列中多状态耦合和一定时延的非线性问题，通过自带记忆机制，对于存在不确定时延的动力学模型具有较强的模拟逼近能力。全连接层网络模型补偿了系统(本申请中方法所建立的模型)间的不确定和非线性差值，改善了由于数据复杂、繁多，且数量级别变化较大导致的模型误差，提高了动力学建模的精度和泛化能力。
为详细描述技术方案，下面将具体方案分为几部分，包括动力学建模流程、样本数据的选择和组织、网络结构、训练方法、仿真结果等。
建模流程
参考图4，本公开建模流程包括采集飞行器飞行数据，根据网络模型结构特征和训练方法的选择，将采集的数据进行重组织和归一化等预处理，接着针对飞行器飞行状态变量多、量纲差异大、时序关联性强、平稳飞行的数据变化量小等特点，设计神经网络模型结构，注重增强网络的非线性逼近能力和泛化能力，而神经元个数和层数的确定则根据一定的选择策略，然后设置训练参数，包括初始值、学习率和收敛指标等，训练完成的判断标准为误差指标是否达到设定的收敛指标或者训练迭代次数是否达到最大值(两者达到一个即可)，如果达到则保存训练参数，否则继续训练。
数据的选择和组织
本公开考虑到固定翼飞行器飞行过程的复杂性，只对飞行器巡航段过程的动力学进行建模。训练数据的采集秉持由易到难的原则，先基于固定翼仿真模型(通过CFD等建模工具获得)生成训练数据，再利用实际飞行器飞行过程生成的数据进行训练。对于仿真模型模拟生成数据的方式，采用多种频率的正弦波叠加，作为模型激励产生仿真数据，生成深度学习建模的训练样本；当验证本公开的建模方法的可行性时，采用方波信号作为网络模型的输入信号。样本数据共准备7组，其中，5组作为训练样本，用于计算梯度和修正网络的权值和阈值，判断训练过程中样本误差存在明显增加时，停止网络训练，重新初始化；2组作为测试样本，用于对网络模型进行性能分析和比较。7组样本数据可以是仿真模型生成的训练样本数据和/或实际飞行器飞行过程生成的数据。
数据预处理
通过分析固定翼飞行器状态数据，包括姿态角、姿态角速率、线速度、线加速度和空速等量，发现原始各状态数据的量纲和取值范围差异较大，如果直接输入到网络模型中进行训练，会出现网络波动较大，很难收敛的情况。因此，为消除该影响，本公开提出归一化处理方法，变换函数如下式(1)所示：
Figure BDA0002882465650000121
其中，X表示原始数据，maxX、minX表示原始数据中的最小值和最大值，Xt表示归一化后的数据，Xt∈[-1，1]。此外，对于数据采集过程中可能存在的若干状态数据缺失问题，由于飞行器飞行过程中的状态具有序列关联性特点，本方案采用前后时刻Δt＝3(量纲为0.01S)的状态均值进行插补，保证状态数据的连续性；对于异常突变值，将其与邻近时刻的状态均值进行对比，若远大于状态均值则直接剔除，否则判断为正常值，直接输入到网络模型参与参数的训练。当模型训练完成后，再将预测数据进行反归一化，得到正常的预测值，如下式(2)所示：
X＝Xt(maxX-minX)+minX (2)
在一个实施例中，对模拟数据和/或实际飞行数据进行预处理。在一个实施例中，对所有数据均进行归一化处理。在一个实施例中，预测数据是角加速度和线加速度，各三个(XYZ)，共6个。
系统网络结构
固定翼飞行器的飞行控制计算单元可以认为是一种边缘端计算设备，边缘端计算设备存在的一个突出问题就是能源问题，而深度学习方法需要进行大量的梯度计算，计算过程中的能源消耗也是比较大的，因此网络的设计要在保证精度的同时尽量地选择计算复杂度小的网络结构，做到性能与计算代价的平衡。
飞行数据不像图片等数据具有复杂的特征结构关系，因此不需要使用卷积等进行特征提取。同时，飞行数据是时序数据，具有一定的时间上的特征信息，因此本项目使用长短期记忆神经网络(LSTM)作为模型的网络结构，该网络能够有效避免传统的循环神经网络RNN存在的随着训练时间的加长以及网络层数的增多出现梯度爆炸或者梯度消失的问题，已经被广泛应用于自然语言处理等问题上。
图5示意性示出了本公开的一个实施方式的(神经)网络结构示意图。
参见图5，本申请的系统网络结构包括1层LSTM网络模型和4层全连接神经网络模型(Dense)。其中，LSTM网络模型增强网络的长短时记忆能力，反映飞行器各参数的基本变化趋势，全连接神经网络用于逼近动力学模型的基本参数变化，补偿模型的不确定、干扰差值等。飞行器状态(飞行数据)输入到一层LSTM神经网络，增强网络的记忆能力，其输出的ht将作为四层全连接神经网络的输入，全连接深度神经网络将增加网络模型的学习容量，提高算法的拟合能力。飞行数据包括当前时刻的俯仰角θt、滚转角Φt、偏航角ψt、俯仰角速度pt、滚转角速度qt、偏转角速度rt、以及三个坐标方向的线速度ut、vt、wt和升降舵δe、副翼δa、方向舵δr、油门δt，以及角加速度和线加速度值。
其中，长短期记忆神经网络(LSTM)是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。
图6示意性示出了本公开的一个实施方式的长短期记忆神经网络示意图。
长短期记忆神经网络每一时刻输入一个数据Xt和上一时刻的输出ht-1，并输出当前时刻的ht，。
图7示意性示出了本公开的一个实施方式的长短期记忆神经网络时间上的展示示意图。
图8示意性示出了本公开的一个实施方式的长短期记忆神经网络的网络NetWork的内部结构示意图。
参考图8，LSTM在设计上由输入门、遗忘门和输出门组成，其中，输入门决定当前时刻网络的输入数据有多少需要保存到单元状态，遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻，输出门控制当前单元状态有多少需要输出到当前的输出值。
遗忘门应用上一个时刻的输出ht-1和当前的数据输入xt，得到ft，公式(3)如下：
ft＝σ(Wf·[ht-1,xt]+bf) (3)
输入门应用上一个时刻的输出ht-1和当前的数据输入xt，得到it和细胞状态候选值
Figure BDA0002882465650000141
其计算公式如下式(4)和式(5)所示：
it＝σ(Wi·[ht-1,xt]+bi) (4)
Figure BDA0002882465650000142
结合上一个时刻的细胞状态候选值
Figure BDA0002882465650000143
遗忘门输出ft、输入门输出it和
Figure BDA0002882465650000144
得到细胞状态值Ct，其计算公式(6)如下所示：
Figure BDA0002882465650000145
应用上一个时刻的输出ht-1和当前的数据输入xt，通过输出门得到ot，其计算公式(7)如下：
ot＝σ(Wo·[ht-1,xt]+bo) (7)
结合当前的Ct和ot，通过下式(8)算法得到最终的输出ht。
ht＝ot*tanh(Ct) (8)
网络通过上述方式舍弃、保存和更新控制信息，而且由于ht组成元素包括多个函数的作用，以及去和操作，使其在反向传播过程中不容易产生梯度消散和梯度爆炸等问题，只要合理设置输入门和遗忘门就可以控制长期记忆某一时刻的细胞状态值。
4层的全连接神经网络第1层是输入层，包括固定翼飞行器的姿态角、姿态角速率等等(ht)，神经元个数为系统的状态数，第2～3层是隐含层，激活函数都是ReLu(RectifiedLinear Unit，线性整流函数)，神经元个数都为64；最后一层是输出层，激活函数是Softmax(归一化指数函数)。网络结构如下图所示：
图9示意性示出了本公开的一个实施方式的4层的全连接神经网络的网络结构示意图。
神经元个数和层数的选择策略
从理论来说，只要神经网络隐含层中神经元个数足够多，那么它就可以逼近任意函数。并且该结论得到过严格的证明。而隐含层节点数的选取对于神经网络的训练影响重大，但目前在确定隐含层节点数的问题上还没有很成熟的理论依据，大多数研究者往往根据经验来确定。从实际算法研究和工程应用角度考虑，为选择合适的网络层数和神经元个数，本方案提出先通过分析网络层数对拟合误差的影响，确定最佳网络层数，再通过分析各网络层的神经元个数对拟合误差的影响，确定各网络层的最佳神经元个数。假定网络模型输入量包括副翼、升降舵、方向舵等舵偏角，以及拉力、姿态角、线速度和角速度等状态量，输出量为线加速度和角加速度。设计若干组实验进行对比，通过分析实验结果发现，在一定范围内，从一层逐步增加网络隐含层的层数，可以进一步降低网络模型拟合误差，但超过一定网络层数后，网络模型拟合误差变化非常小，反而使得网络复杂化，增加了网络的训练时长和内存消耗。同样，当隐含层数量一定，神经元个数在一定范围内，各层神经元个数由小增多时，网络模型误差逐步减小，收敛速度变化，但超过一定数量后，收敛速度和模型误差变化不大，而训练时长和消耗内存翻倍。本方案提出采用试错法，结合仿真结果误差的比较选择最佳的隐含层神经元个数，其中，神经元个数初值计算表达式(9)或式(10)如下所示：
Figure BDA0002882465650000151
或者
Figure BDA0002882465650000161
其中，m、n分别表示输入节点数和输出节点数，a为正整数，且a∈[1，10]。
训练方法
本方案采用求解非线性最小二乘问题的列文伯格-马夸尔特(Levenberg-Marquardt(LM))算法对神经网络结构的权值进行迭代更新，该方法具有高斯-牛顿法的局部收敛特性和梯度下降法的全局特性，在网络权值数目较少时收敛速度非常迅速，鲁棒性好。尤其，在网络模型的训练次数和准确度方面，要远远好于共轭梯度法。一般情况下，非线性最小二乘法模型如下式(11)：
Figure BDA0002882465650000162
其中，m表示训练样本，n表示两层神经网络之间的权值个数。在一个实施中，权值是网络模型里面一个约定俗成的参数，为每个节点的比例。
LM算法是二阶收敛的牛顿算法的变形。牛顿法的权值调整算法如下式(12)：
x(k+1)＝x(k)-[G(x(k))]-1x(k)＝x(k)-[ATA+S]-1x(k)Af(x(k)) (12)
忽略高阶项S，上式简化为Gauss-Newton方法，如下式(13)所示：
x(k+1)＝x(k)-[ATA]-1Af(x(k)) (13)
通过引入可变因子μ(μ≈0)，改变原矩阵特征值结构，将其转换成满秩正定矩阵，从而确定线性搜索的方向为下降的方向。其权值调整规则如下式(14)所示：
x(k+1)＝x(k)-[ATA+μI]-1x(k)Af(x(k)) (14)
此时，可利用可变因子μ调整迭代的速度。当μ为较小值时，即表示Gauss-Newton法，当μ为较大数值时，为最速下降法。通过设置可变因子μ，极大的改善了训练算法收敛的效率和稳定性。
另外，学习速率的确定直接影响网络模型训练过程中收敛速度的快慢。学习速率较大时，每次迭代权值变化量较大，总的训练次数减小，但很有可能在训练过程中会跳过最优参数，无法保证绝对收敛；学习速率较小时，训练迭代权值变小，训练次数相应的增加，网路训练比较稳定，且一般能保证网络模型的收敛，但收敛速度较慢。学习速率的取值范围一般在0.01～0.8之间，本方案根据网络模型的收敛速度和稳定性，通过试错的方式确定最终的学习速率。
不仅如此，网络模型的训练次数也是神经网络训练的重要参数。通常来说，网络的训练次数如果数值过大，那么将会导致网络过拟合的现象，结果与实际产生较大偏差；而如果训练次数过少，则可能出现网络不收敛的情况，无法达到网络训练要求。而基于目前计算机技术发展的提高，硬件层面对训练次数的来说不再是限制因素。本方案主要通过试错的方式对比若干种训练次数的仿真效果，选择网络预测误差最小的训练次数作为最终的网络训练次数。
仿真结果如下所示：
本项目在保证建模性能的基础上选择计算代价尽可能小的网络，使得网络完成预测任务的同时适应边缘端计算的场景下能源消耗的问题。通过一系列的实验得到1层LSTM网络和4层全连接神经网络(4层网络分别13、64、64、6个神经元)的网络结构能够较好地实现性能与计算代价的平衡。网络结构还可以进一步地减小，但是因为实际问题的数据有更大的复杂性和噪声，所以使用一个较大的网络结构来保证实际应用中的学习容量。图10-15显示了训练的网络模型在测试过程中某一回合(一段或者一个阶段的训练)的角加速度和线加速度的预测效果，从图中可以看到所训练的模型有良好的动力学预测能力，在归一化下的测试集预测的均方误差为1.472e-4。
图10示意性示出了本公开的一个实施方式的归一化后俯仰角加速度的拟合曲线图。
图11示意性示出了本公开的一个实施方式的归一化后滚转角加速度的拟合曲线图。
图12示意性示出了本公开的一个实施方式的归一化后偏航角加速度的拟合曲线图。
图13示意性示出了本公开的一个实施方式的归一化后飞行器X轴方向加速度的拟合曲线图。
图14示意性示出了本公开的一个实施方式的归一化后飞行器Y轴方向加速度的拟合曲线图。
图15示意性示出了本公开的一个实施方式的归一化后飞行器Z轴方向加速度的拟合曲线图。
本公开提出一种基于长短时记忆神经网络(LSTM)的固定翼动力学建模方法，通过分析固定翼模型的特点和神经网络应用于复杂系统建模的特性，将LSTM网络和全连接层网络相结合，增强网络对固定翼飞机动力学模型各参数的变化和不确定、非线性差值进行建模的记忆能力和非线性逼近能力，提高神经网络的收敛速度。利用深度神经网络模型建立固定翼动力学模型，可将建立过程当成看作“黑箱”或“灰箱”问题，而不需要建立有明确的表达式数学模型，这样得到的训练模型具有自学习能力，能够适应不确定系统的动态特性和容错性，而且能够减少风洞试验测次数和时间，降低成本。本方案通过建立LSTM网络模型和全连接神经网络模型，增强了动力学状态数据的长短时记忆，以及对基本参数和不确定干扰数据等的建模效果，改善了飞行器飞行过程数据复杂繁多，数据量纲差别较大等因素造成的模型收敛速度较慢，精度较低等问题，提高了网络了收敛速度和模型的泛化能力。本方案所述设计的网络模型能够很好的逼近动力学模型状态，验证了所述网络模型的泛化性、适应性和实用性。
图16示意性示出了根据本公开的一实施方式的无人机的动力学网络预测模型的预测装置的框图。本公开实施方式提供的动力学网络预测模型的预测装置1600可以设置在终端设备上，也可以设置在服务器端上，或者部分设置在终端设备上，部分设置在服务器端上，例如，可以设置在图1中的服务器105，但本公开并不限定于此。
本公开实施方式提供的无人机的动力学网络预测模型的预测装置1600可以包括获取模块1610和预测模块1620。
其中，获取模块配置为获取无人机的飞行数据；预测模块配置为根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
根据本公开的实施方式，上述动力学网络预测模型的预测装置1600可以用于本公开描述的动力学网络预测模型的使用方法。
可以理解的是，获取模块1610、预测模块1620可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施方式，获取模块1610、预测模块1620的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，获取模块1610、预测模块1620的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块、单元和子单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块、单元和子单元的特征和功能可以在一个模块、单元和子单元中具体化。反之，上文描述的一个模块、单元和子单元的特征和功能可以进一步划分为由多个模块、单元和子单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种无人机的动力学网络预测模型的建模方法，其特征在于，包括：
获取无人机的飞行数据，其中所述飞行数据包括训练数据；
使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
2.根据权利要求1所述的方法，其特征在于，所述飞行数据还包括测试数据，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
使用所述测试数据对所述无人机的动力学网络预测模型进行测试以完成所述动力学网络预测模型的建模。
3.根据权利要求1所述的方法，其特征在于，还包括：
对所述飞行数据进行归一化处理。
4.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
将所述长短时记忆神经网络的输出作为所述全连接神经网络的输入。
5.根据权利要求1所述的方法，其特征在于，还包括：
通过分析网络层数对拟合误差的影响，确定网络层数；
通过分析各网络层的神经元个数对拟合误差的影响，确定各网络层的神经元个数。
6.根据权利要求1所述的方法，其特征在于，所述无人机的动力学网络预测模型包括1层长短时记忆神经网络和4层全连接神经网络。
7.根据权利要求6所述的方法，其特征在于，4层所述全连接神经网络包括输入层、第一隐含层、第二隐含层和输出层，其中，所述输入层包括13个神经元，所述第一隐含层包括64个神经元，所述第二隐含层包括64个神经元，所述输出层包括6个神经元。
8.根据权利要求7所述的方法，其特征在于，所述第一隐含层和所述第二隐含层的激活函数为线性整流函数，所述输出层的激活函数为归一化指数函数。
9.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
通过忽略牛顿算法的高阶项并引入可变因子作为所述无人机的动力学网络预测模型的权值调整规则。
10.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：
通过对比不同数值的学习速率的收敛速度和稳定性选择所述无人机的动力学网络预测模型的学习速率；
通过对比不同数值的训练次数的仿真效果选择所述无人机的动力学网络预测模型的学习速率。
11.一种无人机的动力学网络预测模型的使用方法，其特征在于，包括：
获取无人机的飞行数据；
根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
12.一种无人机的动力学网络预测模型的预测装置，其特征在于，包括：
获取模块，配置为获取无人机的飞行数据；
预测模块，配置为根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；
其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至11中任一项所述的方法。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的方法。
CN202110003429.6A 2021-01-04 2021-01-04 无人机动力学网络预测模型的建模、使用方法及相关设备 Pending CN113792473A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110003429.6A CN113792473A (zh) 2021-01-04 2021-01-04 无人机动力学网络预测模型的建模、使用方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110003429.6A CN113792473A (zh) 2021-01-04 2021-01-04 无人机动力学网络预测模型的建模、使用方法及相关设备

Publications (1)

Publication Number Publication Date
CN113792473A true CN113792473A (zh) 2021-12-14

Family

ID=78876795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110003429.6A Pending CN113792473A (zh) 2021-01-04 2021-01-04 无人机动力学网络预测模型的建模、使用方法及相关设备

Country Status (1)

Country Link
CN (1) CN113792473A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114756977A (zh) * 2022-06-16 2022-07-15 成都飞机工业（集团）有限责任公司 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005107A1 (en) * 2016-06-30 2018-01-04 Samsung Electronics Co., Ltd. Hybrid memory cell unit and recurrent neural network including hybrid memory cell units
US20190354644A1 (en) * 2018-05-18 2019-11-21 Honeywell International Inc. Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications
CN110503686A (zh) * 2019-07-31 2019-11-26 三星（中国）半导体有限公司 基于深度学习的物体位姿估计方法及电子设备
CN111695195A (zh) * 2020-05-15 2020-09-22 北京控制工程研究所 一种基于长短时间记忆网络的空间物理运动体建模方法
CN111753464A (zh) * 2020-05-29 2020-10-09 中国科学技术大学 一种无人直升机模型在线学习方法及系统
CN112115550A (zh) * 2020-09-13 2020-12-22 西北工业大学 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005107A1 (en) * 2016-06-30 2018-01-04 Samsung Electronics Co., Ltd. Hybrid memory cell unit and recurrent neural network including hybrid memory cell units
US20190354644A1 (en) * 2018-05-18 2019-11-21 Honeywell International Inc. Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications
CN110503686A (zh) * 2019-07-31 2019-11-26 三星（中国）半导体有限公司 基于深度学习的物体位姿估计方法及电子设备
CN111695195A (zh) * 2020-05-15 2020-09-22 北京控制工程研究所 一种基于长短时间记忆网络的空间物理运动体建模方法
CN111753464A (zh) * 2020-05-29 2020-10-09 中国科学技术大学 一种无人直升机模型在线学习方法及系统
CN112115550A (zh) * 2020-09-13 2020-12-22 西北工业大学 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114756977A (zh) * 2022-06-16 2022-07-15 成都飞机工业（集团）有限责任公司 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Emami et al. Adaptive model predictive control‐based attitude and trajectory tracking of a VTOL aircraft
CN114580647B (zh) 量子系统的模拟方法、计算设备、装置及存储介质
CN113126643A (zh) 一种高超声速飞行器智能鲁棒再入制导方法及系统
CN115618498B (zh) 一种飞行器跨流域流场的预测方法、装置、设备及介质
Kose et al. Hexarotor yaw flight control with SPSA, PID algorithm and morphing
CN113283186A (zh) 一种用于cfd的通用网格自适应方法
CN111580389B (zh) 基于深度学习的三自由度直升机显式模型预测控制方法
Wen et al. Linear-parameter-varying-based adaptive sliding mode control with bounded L 2 gain performance for a morphing aircraft
Zhou et al. Modeling and PID control of quadrotor UAV based on machine learning
CN113792473A (zh) 无人机动力学网络预测模型的建模、使用方法及相关设备
Kebbie-Anthony et al. Fast multipole accelerated unsteady vortex lattice method based computations
Chauhan et al. Application of neural networks based method for estimation of aerodynamic derivatives
Alzaghir et al. Predicting energy consumption for UAV-enabled MEC using Machine Learning Algorithm
Kanokmedhakul et al. Metaheuristic-assisted complex H-infinity flight control tuning for the Hawkeye unmanned aerial vehicle: a comparative study
Zheng et al. An rnn-based learnable extended kalman filter design and application
Zhao et al. The dynamic relaxation form finding method aided with advanced recurrent neural network
US11562174B2 (en) Multi-fidelity simulated data for machine learning
CN114861318A (zh) 自动驾驶控制参数模型的训练方法、参数获取方法和装置
Ji et al. Vibration control for the payload at the end of a nonlinear three-dimensional Euler–Bernoulli beam with input constraints
Bergsma et al. Application of Taylor-series integration to reentry problems with wind
Dong et al. Quantitative Study of Load Stability of Quadrotor Based on Lyapunov Exponents
Chen et al. Deep cnn identifier for dynamic modelling of unmanned helicopter
Cheng et al. A method of trajectory prediction based on Kalman filtering algorithm and support vector machine algorithm
Shi et al. Research on Attitude Control System of Four-Rotor Aircraft
Dief et al. System Identification, Fuzzy Control, and Simulation Results for Fixed Length Tether of Kite Power System

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