CN114545954B - 一种面向小型舰船的无人机安全着陆窗口预测系统及方法 - Google Patents

Abstract

本发明公开了一种面向小型舰船的无人机安全着陆窗口预测系统及方法，包括舰船摇荡测量传感器模块和整流与信息预处理模块，方法包括步骤一，布设预测系统；步骤二，建立标准模型和模糊神经网络模型；步骤三，建立决策选择模型；步骤四，采集舰船和外部环境的状态数据；步骤五，控制无人机在小型舰船上自主着陆；本发明基于卡尔曼滤波技术建立标准模型，基于前馈神经网络技术建立自适应模糊神经网络模型，通过竞争原则来选择最佳的计算策略；基于所选计算策略的选择函数，对舰船与外部环境相互作用的动力学进行模拟，较之现有的技术具备更高的可靠性，适用于控制复杂海况条件下的无人机在小型舰船上着陆。

Description

一种面向小型舰船的无人机安全着陆窗口预测系统及方法

技术领域

本发明涉及舰船摇荡预测技术领域，具体为一种面向小型舰船的无人机安全着陆窗口预测系统及方法。

背景技术

现有的舰船摇荡预测方法是测量舰船纵摇和横摇下的角位移和角速度，将舰船的当前角位移和角速度值与其横摇和纵摇幅值的最大允许值进行比较；根据比较结果确定平稳摇荡区间，即“安全着陆窗口”，并修正预测模型，向无人机自主控制系统发送给定海况条件下着陆的开始和结束时刻信号；这种方法对于强风浪条件下的舰船摇荡预测不够有效，因为只有采用自适应模糊神经网络模型作为竞争计算策略，才能在竞争原则的基础上对无人机着陆实施可靠的控制。

发明内容

本发明的目的在于提供一种面向小型舰船的无人机安全着陆窗口预测系统及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种面向小型舰船的无人机安全着陆窗口预测系统，包括舰船摇荡测量传感器模块，所述舰船摇荡测量传感器模块数据连接有整流与信息预处理模块，整流与信息预处理模块数据连接有第一计算模块、第一比较模块、主存储器和第二比较模块，且第一计算模块与第一比较模块建立数据连接，第一比较模块与主存储器建立数据连接，第二比较模块与主存储器建立数据连接，主存储器数据连接有接口，接口数据连接有第二计算模块和计算机，且第二计算模块与第二比较模块建立数据连接，计算机数据连接有信号发生模块和智能系统，信号发生模块数据连接有无人机着陆自主控制系统，智能系统数据连接有竞争模块、模型选择与决策模块和自适应模块。

优选的，所述舰船摇荡测量传感器模块包括舰船横摇角速度和角位移测量仪、舰船纵摇角速度和角位移测量仪、舰船艏摇角速度和角位移测量仪、风速传感器、风向传感器、波浪参数传感器、测波仪和波前角传感器。

优选的，所述整流与信息预处理模块包括整流器、模数转换器和高频滤波器，且高频滤波器与整流器建立数据连接。

一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，包括步骤一，布设预测系统；步骤二，建立标准模型和模糊神经网络模型；步骤三，建立决策选择模型；步骤四，采集舰船和外部环境的状态数据；步骤五，控制无人机在小型舰船上自主着陆；

其中上述步骤一中，布设预测系统，将系统各硬件模块按照要求通过数据线连接；

其中上述步骤二中，基于卡尔曼滤波技术建立标准模型，基于前馈神经网络技术建立模糊神经网络模型；其中，模糊神经网络模型包括五层：

第一层L-1用于实现输入信号的模糊化，包含每个输入信号的隶属度函数：A₁和A₂代表x的隶属度函数，B₁和B₂代表y的隶属度函数，x、y为前端传感器采集的数据信息；

第二层L-2用于实现输入参数的乘法操作：

第三层L-3用于计算给定规则的权重与所有规则的总权重的比值：

第四层L-4用于计算每个规则的输出

f₁＝p₁x+q₁y+r₁ (3)

其中，p₁,q₁,r₁为Sugeno推理模型的结构参数；

第五层L-5用于将总权重与每个规则的输出相乘，计算模糊神经网络的总输出，作为信号的总和；

其中上述步骤三中，模型选择与决策模块中的决策选择模型是基于无人机海上着陆系统控制和计算算法的指数型选择函数实现的：

β_DS＝1-exp[-α_DSK_AK_T] (4)

其中，β_DS是决策选择函数；K_A是决策算法特征的系数；K_T是决策算法执行时间的系数；

其中，γ_i，γj，γ_k分别为权重系数；

是信息处理算法参数；

是舰船摇荡预测的初始参数；

是信息处理算法实现方式；*是表示无量纲参数；

在“安全着陆窗口”的给定实施时间区间内，最佳的解决方案由竞争算法的条件max(β_DS)确定，并且K_AK_T＝1；基于决策选择模型，在给定约束θ^*，ψ^*，ζ^*，(θ^*)′，(ψ^*)′，(ζ^*)′，V₀条件下，概率极限值p₀决定了无人机海上着陆的可行性条件；因此，对于随机的舰船摇荡和风速，通过实时监测舰船横摇、纵摇和艏摇的角位移，可以通过公式(6)来确定安全着陆的可能性：

P＝P{|θ|＝θ^*,|ψ|＝ψ^*,|ζ|＝ζ^*,|θ′|＝(θ^*)′,|ψ′|＝(ψ^*)′,|ζ′|＝(ζ^*)′}P[V＜V₀] (6)

其中，θ，ψ，ζ分别为舰船横摇、纵摇和艏摇的角位移；θ^*，ψ^*，ζ^*分别为舰船横摇、纵摇和艏摇的角位移极限值；V风速矢量的模；当p＜p₀时，允许无人机进行着陆并且启用“安全着陆窗口”的搜索算法；如果情况相反，则不能执行着陆；

其中上述步骤四中，在给定的天气条件下，通过舰船摇荡测量传感器模块连续记录15-20分钟内测量得到的风速V(t)和风向

数据，以及波浪参数：平均波长λ_W和3％显著波高h_W，波前角

舰船横摇、纵摇和艏摇的角位移θ_i(t)，ψ_i(t)，ζ_i(t)及其角速度θ′_i(t)，ψ′_i(t)，ζ′_i(t)；经整流与信息预处理模块处理后，以离散信号形式实时输入到主存储器中，同时馈送到第一计算模块和第二计算模块以及第一比较模块和第二比较模块，并确定稳定摇荡区域、“安全着陆窗口”和无人机起飞和着陆操作的时间间隔；数据经接口上传至计算机，由智能系统接收，智能系统对天气因素影响进行修正，将数据传递给竞争模块，竞争模块得出风浪冲击特性以及舰船相对海浪主方向的姿态，并据此评估当前着陆情况，基于竞争原则选择出最优计算算法，而后将信息传递给模型选择与决策模块及自适应模块，模型选择与决策模块基于最优计算算法构建出决策选择模型，并根据指定着陆条件，确定适宜无人机着陆的时刻；

其中上述步骤五中，计算机中接收关于无人机着陆时刻的信息并发送给信号发生模块，在信号发生模块中合成时间着陆信号，并将形成给定气象条件下的着陆决策指令发送给无人机着陆自主控制系统。

优选的，所述步骤四中，智能系统内部设置有动态知识库、逻辑推理机、解释系统和数据库；根据输入的传感器信息采用动态知识库的动态知识信息、逻辑推理机的逻辑推论功能、解释系统的控制指示以及数据库的控制指令来智能控制无人机。

优选的，所述步骤四中，竞争模块内部设置有评估模块、算法模块和备选方案分析模块，竞争模块通过评估模块评估当前着陆情况，然后在算法模块中实现分析、比较和计算，将结果输出给备选方案分析模块，从而可以在舰船和无人机动力学控制中选取用于解释解决方案的最优计算技术。

优选的，所述步骤四中，自适应模块内部设置有标准着陆情况的动态知识库和非标准着陆情况的动态知识库，此外，对于标准着陆情况，即固定解决方案，进行第一逻辑系统和第二逻辑系统的改进；对于非标准情况，即自适应解决方案，则形成新的着陆情况并执行逻辑推理。

优选的，所述步骤四中，自适应模块接收备选方案分析模块输入的数据以及智能系统中动态知识库、逻辑推理机、解释系统、数据库等输出的信息；逻辑推理机使用自适应共振原理来实现自适应模块决策的选择；在逻辑推理过程中，检查初始数据与形式化知识系统的一致性，以及对与现有规则修正相关联的智能系统的逻辑规则进行后续修正，或构建对应于初始数据的新规则，而自适应模块的动态知识模型用于智能系统知识库逻辑模型调整，以及强风浪冲击条件下的信息的形式化。

与现有技术相比，本发明的有益效果是：本发明基于卡尔曼滤波技术建立标准模型，基于前馈神经网络技术建立自适应模糊神经网络模型，通过竞争原则来选择最佳的计算策略；基于所选计算策略的选择函数，对舰船与外部环境相互作用的动力学进行模拟，较之现有的技术具备更高的可靠性，适用于控制复杂海况条件下的无人机在小型舰船上着陆。

附图说明

图1为本发明的系统结构框图；

图2为本发明的系统流程图；

图3为模糊神经网络模型示意图；

图4为本发明的方法流程图；

图5为基于模糊神经网络模型的7级风浪下舰船横摇曲线图；

图6为基于卡尔曼滤波模型的7级风浪下舰船横摇曲线图；

图中：1、舰船摇荡测量传感器模块；2、舰船横摇角速度和角位移测量仪；3、舰船纵摇角速度和角位移测量仪；4、舰船艏摇角速度和角位移测量仪；5、风速传感器；6、风向传感器；7、波浪参数传感器；8、测波仪；9、波前角传感器；10、整流与信息预处理模块；11、整流器；12、模数转换器；13、高频滤波器；14、第一计算模块；15、第一比较模块；16、主存储器；17、第二比较模块；18、无人机着陆自主控制系统；19、信号发生模块；20、接口；21、第二计算模块；22、计算机；23、智能系统；24、竞争模块；25、模型选择与决策模块；26、自适应模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

请参阅图1，本发明提供的一种实施例：一种面向小型舰船的无人机安全着陆窗口预测系统，包括舰船摇荡测量传感器模块1，舰船摇荡测量传感器模块1数据连接有整流与信息预处理模块10，整流与信息预处理模块10数据连接有第一计算模块14、第一比较模块15、主存储器16和第二比较模块17，且第一计算模块14与第一比较模块15建立数据连接，第一比较模块15与主存储器16建立数据连接，第二比较模块17与主存储器16建立数据连接，主存储器16数据连接有接口20，接口20数据连接有第二计算模块21和计算机22，且第二计算模块21与第二比较模块17建立数据连接，计算机22数据连接有信号发生模块19和智能系统23，信号发生模块19数据连接有无人机着陆自主控制系统18，智能系统23数据连接有竞争模块24、模型选择与决策模块25和自适应模块26。

优选的，舰船摇荡测量传感器模块1包括舰船横摇角速度和角位移测量仪2、舰船纵摇角速度和角位移测量仪3、舰船艏摇角速度和角位移测量仪4、风速传感器5、风向传感器6、波浪参数传感器7、测波仪8和波前角传感器9。

优选的，整流与信息预处理模块10包括整流器11、模数转换器12和高频滤波器13，且高频滤波器13与整流器11建立数据连接。

请参阅图2-4，本发明提供的一种实施例：一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，包括步骤一，布设预测系统；步骤二，建立标准模型和模糊神经网络模型；步骤三，建立决策选择模型；步骤四，采集舰船和外部环境的状态数据；步骤五，控制无人机在小型舰船上自主着陆；

其中上述步骤一中，布设预测系统，将系统各硬件模块按照要求通过数据线连接；

其中上述步骤二中，基于卡尔曼滤波技术建立标准模型，基于前馈神经网络技术建立模糊神经网络模型；其中，模糊神经网络模型包括五层：

第一层L-1用于实现输入信号的模糊化，包含每个输入信号的隶属度函数：A₁和A₂代表x的隶属度函数，B₁和B₂代表y的隶属度函数，x、y为前端传感器采集的数据信息；

第二层L-2用于实现输入参数的乘法操作：

第三层L-3用于计算给定规则的权重与所有规则的总权重的比值：

第四层L-4用于计算每个规则的输出

f₁＝p₁x+q₁y+r₁ (3)

其中，p₁,q₁,r₁为Sugeno推理模型的结构参数；

第五层L-5用于将总权重与每个规则的输出相乘，计算模糊神经网络的总输出，作为信号的总和；

其中上述步骤三中，模型选择与决策模块25中的决策选择模型是基于无人机海上着陆系统控制和计算算法的指数型选择函数实现的：

β_DS＝1-exp[-α_DSK_AK_T] (4)

其中，β_DS是决策选择函数；K_A是决策算法特征的系数；K_T是决策算法执行时间的系数；

其中，γ_i，γj，γ_k分别为权重系数；

是信息处理算法参数；

是舰船摇荡预测的初始参数；

是信息处理算法实现方式；*是表示无量纲参数；

在“安全着陆窗口”的给定实施时间区间内，最佳的解决方案由竞争算法的条件max(β_DS)确定，并且K_AK_T＝1；基于决策选择模型，在给定约束θ^*，ψ^*，ζ^*，(θ^*)′，(ψ^*)′，(ζ^*)′，V₀条件下，概率极限值p₀决定了无人机海上着陆的可行性条件；因此，对于随机的舰船摇荡和风速，通过实时监测舰船横摇、纵摇和艏摇的角位移，可以通过公式(6)来确定安全着陆的可能性：

P＝P{|θ|＝θ^*,|ψ|＝ψ^*,|ζ|＝ζ^*,|θ′|＝(θ^*)′,|ψ′|＝(ψ^*)′,|ζ′|＝(ζ^*)′}P[V＜V₀] (6)

其中，θ，ψ，ζ分别为舰船横摇、纵摇和艏摇的角位移；θ^*，ψ^*，ζ^*分别为舰船横摇、纵摇和艏摇的角位移极限值；V风速矢量的模；当p＜p0时，允许无人机进行着陆并且启用“安全着陆窗口”的搜索算法；如果情况相反，则不能执行着陆；

其中上述步骤四中，在给定的天气条件下，通过舰船摇荡测量传感器模块1连续记录15-20分钟内测量得到的风速V(t)和风向

数据，以及波浪参数：平均波长λ_W和3％显著波高h_W，波前角

舰船横摇、纵摇和艏摇的角位移θ_i(t)，ψ_i(t)，ζ_i(t)及其角速度θ′_i(t)，ψ′_i(t)，ζ′_i(t)；经整流与信息预处理模块10处理后，以离散信号形式实时输入到主存储器16中，同时馈送到第一计算模块14和第二计算模块21以及第一比较模块15和第二比较模块17，并确定稳定摇荡区域、“安全着陆窗口”和无人机起飞和着陆操作的时间间隔；数据经接口20上传至计算机22，由智能系统23接收，智能系统23对天气因素影响进行修正，将数据传递给竞争模块24，竞争模块24得出风浪冲击特性以及舰船相对海浪主方向的姿态，并据此评估当前着陆情况，基于竞争原则选择出最优计算算法，而后将信息传递给模型选择与决策模块25及自适应模块26，模型选择与决策模块25基于最优计算算法构建出决策选择模型，并根据指定着陆条件，确定适宜无人机着陆的时刻；其中，智能系统23内部设置有动态知识库、逻辑推理机、解释系统和数据库；根据输入的传感器信息采用动态知识库的动态知识信息、逻辑推理机的逻辑推论功能、解释系统的控制指示以及数据库的控制指令来智能控制无人机；竞争模块24内部设置有评估模块、算法模块和备选方案分析模块，竞争模块24通过评估模块评估当前着陆情况，然后在算法模块中实现分析、比较和计算，将结果输出给备选方案分析模块，从而可以在舰船和无人机动力学控制中选取用于解释解决方案的最优计算技术；自适应模块26内部设置有标准着陆情况的动态知识库和非标准着陆情况的动态知识库，此外，对于标准着陆情况，即固定解决方案，进行第一逻辑系统和第二逻辑系统的改进；对于非标准情况，即自适应解决方案，则形成新的着陆情况并执行逻辑推理；自适应模块26接收备选方案分析模块输入的数据以及智能系统23中动态知识库、逻辑推理机、解释系统、数据库等输出的信息；逻辑推理机使用自适应共振原理来实现自适应模块26决策的选择；在逻辑推理过程中，检查初始数据与形式化知识系统的一致性，以及对与现有规则修正相关联的智能系统23的逻辑规则进行后续修正，或构建对应于初始数据的新规则，而自适应模块26的动态知识模型用于智能系统23知识库逻辑模型调整，以及强风浪冲击条件下的信息的形式化；

其中上述步骤五中，计算机22中接收关于无人机着陆时刻的信息并发送给信号发生模块19，在信号发生模块19中合成时间着陆信号，并将形成给定气象条件下的着陆决策指令发送给无人机着陆自主控制系统18。

试验例1：

如图5-6，强风浪冲击下，通过竞争原则控制无人机着陆的示例，这里给出了基于模糊神经网络模型和卡尔曼滤波模型的仿真对比数据，其中蓝色曲线为舰船横摇曲线，红色曲线为提前5s预测的舰船横摇曲线；从上述仿真结果可以得出，在足够强烈的外部影响下，模糊神经网络系统可以更可靠地预测舰船横摇的动力学。

试验例2：

在表1中给出了基于所研究的标准算法和模糊神经网络算法的“安全着陆窗口”持续时间的仿真数据(s)；其中，数据的分子对应于7级风浪，分母对应于8级风浪；在表2中给出了7级风浪冲击下的“安全着陆窗口”内的着陆信号发送时刻的样本数据(s)；从表1和2可以看出，模糊神经网络模型的预测结果在多数情况下都略逊于标准算法的预测结果；上述数据表明“安全着陆窗口”的概念对由复杂外部环境影响引起的舰船强烈摇荡的情况尤其重要。

舰船摇荡类型	标准算法	模糊神经网络算法
			纵摇	34/23	33/25
横摇	25/16	23/18
			艏摇	28/17	27/15

表1在强烈的外部扰动下“安全着陆窗口”的预测结果表

时刻	标准算法	模糊神经网络算法
			1	5.4	5.3
2	2.8	2.5
			3	9.8	9.7

表2在强烈外部扰动下着陆信号发送时刻的短期预测结果表

基于上述，本发明的优点在于，本发明通过人工智能技术和高性能信息处理手段形成了用于控制舰船和无人机动力学的灵活信息空间，该信息空间包括基于竞争原则的建模方法，它使用标准模型、模糊神经网络模型以及动态测量数据，并且可以根据给定天气条件下着陆操作分析与预测的方法和模型以及当前着陆环境的特点自适应地调整“安全着陆窗口”，为无人机在小型舰船上的着陆操作提供切实可行的建议；

实现舰船摇荡预测方法的过程如下：舰船摇荡测量传感器模块1的测量数据通过整流与信息预处理模块10并行地发送给第一计算模块14、第一比较模块15、主存储器16和第二比较模块17，第一计算模块14提取数据并将其纵坐标发送给第一比较模块15，在第一比较模块15中执行测量数据与其极限值进行比较，并将比较结果记录在主存储器16中，第二比较模块17检验安全着陆条件，并将结果记录在主存储器16和第二计算模块21中，使用计时器在第二计算模块21中对平稳摇荡持续时间数据进行统计分析，将在第一计算模块14和第二计算模块21中的数据处理结果经接口20上传至计算机22，由智能系统23接收，智能系统23对天气因素影响进行修正，将数据传递给竞争模块24，竞争模块24得出风浪冲击特性以及舰船相对海浪主方向的姿态，并据此评估当前着陆情况，基于竞争原则选择出最优计算算法，而后将信息传递给模型选择与决策模块25及自适应模块26，模型选择与决策模块25基于最优计算算法构建出决策选择模型，并根据指定着陆条件，确定适宜无人机着陆的时刻，计算机22将无人机着陆预测数据发送给信号发生模块19，继而发送给无人机着陆自主控制系统18；在无人机执行起飞和着陆操作的过程中，信息处理是在智能系统23的基础上进行的，该系统在标准算法和模糊神经网络算法的基础上，借助竞争原则对无人机着陆动力学进行控制，在执行标准算法和模糊神经网络算法中的计算操作并在备选方案分析模块中选取最优的飞行控制模型后，将预测数据发送给信号发生模块19，继而发送给无人机着陆自主控制系统18；其中，舰船横摇角速度和角位移测量仪2、舰船纵摇角速度和角位移测量仪3、舰船艏摇角速度和角位移测量仪4、风速传感器5、风向传感器6、波浪参数传感器7、测波仪8和波前角传感器9用于采集数据；整流器11、模数转换器12和高频滤波器13用于数据预处理；自适应模块26可自适应地调整“安全着陆窗口”。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种面向小型舰船的无人机安全着陆窗口预测系统，包括舰船摇荡测量传感器模块(1)，其特征在于：所述舰船摇荡测量传感器模块(1)数据连接有整流与信息预处理模块(10)，整流与信息预处理模块(10)数据连接有第一计算模块(14)、第一比较模块(15)、主存储器(16)和第二比较模块(17)，且第一计算模块(14)与第一比较模块(15)建立数据连接，第一比较模块(15)与主存储器(16)建立数据连接，第二比较模块(17)与主存储器(16)建立数据连接，主存储器(16)数据连接有接口(20)，接口(20)数据连接有第二计算模块(21)和计算机(22)，且第二计算模块(21)与第二比较模块(17)建立数据连接，计算机(22)数据连接有信号发生模块(19)和智能系统(23)，信号发生模块(19)数据连接有无人机着陆自主控制系统(18)，智能系统(23)数据连接有竞争模块(24)、模型选择与决策模块(25)和自适应模块(26)。

2.根据权利要求1所述的一种面向小型舰船的无人机安全着陆窗口预测系统，其特征在于：所述舰船摇荡测量传感器模块(1)包括舰船横摇角速度和角位移测量仪(2)、舰船纵摇角速度和角位移测量仪(3)、舰船艏摇角速度和角位移测量仪(4)、风速传感器(5)、风向传感器(6)、波浪参数传感器(7)、测波仪(8)和波前角传感器(9)。

3.根据权利要求1所述的一种面向小型舰船的无人机安全着陆窗口预测系统，其特征在于：所述整流与信息预处理模块(10)包括整流器(11)、模数转换器(12)和高频滤波器(13)，且高频滤波器(13)与整流器(11)建立数据连接。

4.一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，包括步骤一，布设预测系统；步骤二，建立标准模型和模糊神经网络模型；步骤三，建立决策选择模型；步骤四，采集舰船和外部环境的状态数据；步骤五，控制无人机在小型舰船上自主着陆；其特征在于：

其中上述步骤一中，布设预测系统，将系统各硬件模块按照要求通过数据线连接；

其中上述步骤二中，基于卡尔曼滤波技术建立标准模型，基于前馈神经网络技术建立模糊神经网络模型；其中，模糊神经网络模型包括五层：

第一层L-1用于实现输入信号的模糊化，包含每个输入信号的隶属度函数：A₁和A₂代表x的隶属度函数，B₁和B₂代表y的隶属度函数，x、y为前端传感器采集的数据信息；

第二层L-2用于实现输入参数的乘法操作：

w_i表示L-2层第i个神经单元输出的权重值；μ_Ai表示输入信号x在第L-1层上神经元A_i的隶属度函数，μ_Bi表示输入信号y在第L-1层上神经元B_i的隶属度函数；

第三层L-3用于计算给定规则的权重与所有规则的总权重的比值：

w₁表示L-2层第一个神经元输出的权重值；w₂表示L-2层第二个神经元输出的权重值；

表示L-2层第i个神经元输出的权重值与L-2层所有神经元输出的权重值之和的比值；

第四层L-4用于计算每个规则的输出

f₁＝p₁x+q₁y+r₁ (3)

其中，p₁,q₁,r₁为Sugeno推理模型的结构参数；

第五层L-5用于将总权重与每个规则的输出相乘，计算模糊神经网络的总输出，作为信号的总和；

其中上述步骤三中，模型选择与决策模块(25)中的决策选择模型是基于无人机海上着陆系统控制和计算算法的指数型选择函数实现的：

β_DS＝1-exp[-α_DSK_AK_T] (4)

其中，β_DS是决策选择函数；K_A是决策算法特征的系数；K_T是决策算法执行时间的系数；

α_DS是由初始参数、信息处理算法参数及其实现方式共同确定的函数，表达式为：

其中，γ_i，γ_j，γ_k分别为权重系数；

是信息处理算法参数；

是舰船摇荡预测的初始参数；

是信息处理算法实现方式；*是表示无量纲参数；

在“安全着陆窗口”的给定实施时间区间内，最佳的解决方案由竞争算法的条件max(β_DS)确定，并且K_AK_T＝1；基于决策选择模型，在给定约束θ^*，ψ^*，ζ^*，(θ^*)′，(ψ^*)′，(ζ^*)′，V₀为无人机安全着陆的风速极限值，V₀条件下，概率极限值p₀决定了无人机海上着陆的可行性条件；因此，对于随机的舰船摇荡和风速，通过实时监测舰船横摇、纵摇和艏摇的角位移，可以通过公式(6)来确定安全着陆的可能性：

P＝P{|θ|＝θ^*,|ψ|＝ψ^*,|ζ|＝ζ^*,|θ′|＝(θ^*)′,|ψ′|＝(ψ^*)′,|ζ′|＝(ζ^*)′}P[V＜V₀] (6)

其中，θ，ψ，ζ分别为舰船横摇、纵摇和艏摇的角位移；θ^*，ψ^*，ζ^*分别为舰船横摇、纵摇和艏摇的角位移极限值；V为风速矢量的模；当p＜p₀时，允许无人机进行着陆并且启用“安全着陆窗口”的搜索算法；如果情况相反，则不能执行着陆；

其中上述步骤四中，在给定的天气条件下，通过舰船摇荡测量传感器模块(1)连续记录15-20分钟内测量得到的风速V(t)和风向

数据，以及波浪参数：平均波长λ_W和3％显著波高h_W，波前角

舰船横摇、纵摇和艏摇的角位移θ_i(t)，ψ_i(t)，ζ_i(t)及其角速度θ′_i(t)，ψ′_i(t)，ζ′_i(t)；经整流与信息预处理模块(10)处理后，以离散信号形式实时输入到主存储器(16)中，同时馈送到第一计算模块(14)和第二计算模块(21)以及第一比较模块(15)和第二比较模块(17)，并确定稳定摇荡区域、“安全着陆窗口”和无人机起飞和着陆操作的时间间隔；数据经接口(20)上传至计算机(22)，由智能系统(23)接收，智能系统(23)对天气因素影响进行修正，将数据传递给竞争模块(24)，竞争模块(24)得出风浪冲击特性以及舰船相对海浪主方向的姿态，并据此评估当前着陆情况，基于竞争原则选择出最优计算算法，而后将信息传递给模型选择与决策模块(25)及自适应模块(26)，模型选择与决策模块(25)基于最优计算算法构建出决策选择模型，并根据指定着陆条件，确定适宜无人机着陆的时刻；

其中上述步骤五中，计算机(22)中接收关于无人机着陆时刻的信息并发送给信号发生模块(19)，在信号发生模块(19)中合成时间着陆信号，并将形成给定气象条件下的着陆决策指令发送给无人机着陆自主控制系统(18)。

5.根据权利要求4所述的一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，其特征在于：所述步骤四中，智能系统(23)内部设置有动态知识库、逻辑推理机、解释系统和数据库；根据输入的传感器信息采用动态知识库的动态知识信息、逻辑推理机的逻辑推论功能、解释系统的控制指示以及数据库的控制指令来智能控制无人机。

6.根据权利要求4所述的一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，其特征在于：所述步骤四中，竞争模块(24)内部设置有评估模块、算法模块和备选方案分析模块，竞争模块(24)通过评估模块评估当前着陆情况，然后在算法模块中实现分析、比较和计算，将结果输出给备选方案分析模块，从而可以在舰船和无人机动力学控制中选取用于解释解决方案的最优计算技术。

7.根据权利要求4所述的一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，其特征在于：所述步骤四中，自适应模块(26)内部设置有标准着陆情况的动态知识库和非标准着陆情况的动态知识库，此外，对于标准着陆情况，即固定解决方案，进行第一逻辑系统和第二逻辑系统的改进；对于非标准情况，即自适应解决方案，则形成新的着陆情况并执行逻辑推理。

8.根据权利要求4所述的一种面向小型舰船的无人机安全着陆窗口预测系统的预测方法，其特征在于：所述步骤四中，自适应模块(26)接收备选方案分析模块输入的数据以及智能系统(23)中动态知识库、逻辑推理机、解释系统、数据库输出的信息；逻辑推理机使用自适应共振原理来实现自适应模块(26)决策的选择；在逻辑推理过程中，检查初始数据与形式化知识系统的一致性，以及对与现有规则修正相关联的智能系统(23)的逻辑规则进行后续修正，或构建对应于初始数据的新规则，而自适应模块(26)的动态知识模型用于智能系统(23)知识库逻辑模型调整，以及强风浪冲击条件下的信息的形式化。

Images