CN116384695A - 基于独立否决和联合否决的无人机运用监测方法及系统 - Google Patents
基于独立否决和联合否决的无人机运用监测方法及系统 Download PDFInfo
- Publication number
- CN116384695A CN116384695A CN202310376340.3A CN202310376340A CN116384695A CN 116384695 A CN116384695 A CN 116384695A CN 202310376340 A CN202310376340 A CN 202310376340A CN 116384695 A CN116384695 A CN 116384695A
- Authority
- CN
- China
- Prior art keywords
- factors
- unmanned aerial
- aerial vehicle
- equipment
- flight task
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000007613 environmental effect Effects 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 8
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 241000255588 Tephritidae Species 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的基于独立否决和联合否决的无人机运用监测方法及系统,涉及无人机效能监测领域,该方法包括确定影响无人机执行飞行任务的因素和因素的属性阈值;获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、装备因素的数据和人员因素的数据;确定设定时间段内的环境因素的预测值;确定设定时间段内的装备因素的预测值;当设定时间段内的环境因素的预测值和设定时间段内的装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;当环境因素的预测值和装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法输出监测报告;本发明能够提高无人机任务执行成功率。
Description
技术领域
本发明涉及无人机效能监测领域,特别是涉及一种基于独立否决和联合否决的无人机运用监测方法及系统。
背景技术
目前的技术:获取飞行评估信息,通过预测评估模型处理所述飞行评估信息,获得飞行前评估结果,若所述航中评估结果中的飞行风险值高于预设风险阈值,则调整所述小型无人机的飞行控制指令直至所述航中评估结果为评估通过或飞行结束。通过预设评估模型处理飞行评估信息,快速客观准确的获取飞行任务评估结果,从而根据飞行任务评估结果实现对小型无人机进行精细化控制。其基本设计步骤如图1所示。
当前方法只关注了无人机任务执行前的综合效能评估,但随着无人机的续航能力的不断提升,任务执行时间延长,无人机任务执行中遇到危险的概率成基数增加,通过飞行前的效能预测,能够有效提高任务执行完成率,但在无人机飞行过程中,各种不能预知的突发干扰情况,例如突发的强风、沙尘、装备自身性能变化等,对无人机实时的飞行过程同样有较大影响,对无人机的飞行带来了巨大的挑战,急需构建相应方法,补齐短板,提高综合任务执行成功率。
发明内容
本发明的目的是提供一种基于独立否决和联合否决的无人机运用监测方法及系统,能够提高无人机综合任务执行成功率。
为实现上述目的,本发明提供了如下方案:
一种基于独立否决和联合否决的无人机运用监测方法,所述方法包括:
确定影响无人机执行飞行任务的因素和所述因素的属性阈值;所述影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;所述属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值;
获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、所述无人机执行飞行任务的装备因素的数据和所述无人机执行飞行任务的人员因素的数据;
将所述环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值;
将所述装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值;
当所述设定时间段内的环境因素的预测值和所述设定时间段内的装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;所述预警信号包括预警结果、预警的因素和改进措施;
当所述环境因素的预测值和所述装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定所述环境因素的预测值和所述装备因素的预测值的指标分值和指标权重,并根据所述指标分值和所述指标权重以及所述人员因素的数据输出监测报告;所述监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。
可选地,所述确定影响无人机执行飞行任务的因素和所述因素的属性阈值,具体包括:
根据无人机执行的飞行任务,确定所述影响无人机执行飞行任务的因素的独立否决属性阈值和联合否决属性阈值;当所述影响无人机执行飞行任务的因素中的单一因素满足独立否决属性阈值时,无人机无法执行当前的飞行任务;当所述影响无人机执行飞行任务的因素中的多个因素同时满足联合否决属性阈值时,无人机无法执行当前的飞行任务;
根据无人机执行的飞行任务,确定所述影响无人机执行飞行任务的因素的通过属性阈值;当所述影响无人机执行飞行任务的因素满足通过属性阈值时,无人机能够执行当前的飞行任务。
可选地,所述广义回归神经网络环境预测模型和广义回归神经网络设备预测模型的训练过程具体包括:
获取无人机执行飞行任务的航线的环境因素的历史数据和所述无人机执行飞行任务的装备因素的历史数据,以及无人机执行飞行任务的航线的环境因素的所述设定时间段后的历史数据和所述无人机执行飞行任务的装备因素的所述设定时间段后的历史数据;
以所述无人机执行飞行任务的航线的环境因素的历史数据为输入,以所述无人机执行飞行任务的航线的环境因素的所述设定时间段后的历史数据为输出,对对应的广义回归神经网络环境预测模型进行训练,得到初始训练好的广义回归神经网络环境预测模型;
以所述无人机执行飞行任务的装备因素的历史数据为输入,以所述无人机执行飞行任务的装备因素的所述设定时间段后的历史数据为输出,对对应的广义回归神经网络设备预测模型进行训练,得到初始训练好的广义回归神经网络设备预测模型;
应用果蝇优化算法,分别对所述初始训练好的广义回归神经网络环境预测模型和所述初始训练好的广义回归神经网络设备预测模型进行优化,得到训练好的广义回归神经网络环境预测模型和训练好的广义回归神经网络设备预测模型。
可选地,所述评估算法为层次分析法。
可选地,所述环境因素包括天候环境、电磁环境、地理环境和障碍物环境;所述装备因素包括装备基本性能、装备适应性分析和装备人员操作性分析;所述人员因素包括基本能力分析、飞行经验分析和培训情况分析。
一种基于独立否决和联合否决的无人机运用监测系统,应用于上述的基于独立否决和联合否决的无人机运用监测方法,所述系统包括:
因素和属性阈值确定模块,用于确定影响无人机执行飞行任务的因素和所述因素的属性阈值;所述影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;所述属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值;
获取模块,用于获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、所述无人机执行飞行任务的装备因素的数据和所述无人机执行飞行任务的人员因素的数据;
环境预测值确定模块,用于将所述环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值;
装备预测值确定模块,用于将所述装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值;
预警信号生成模块,用于当所述环境因素的预测值和所述装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;所述预警信号包括预警结果、预警的因素和改进措施;
监测报告确定模块,用于当所述环境因素的预测值和所述装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定所述环境因素的预测值和所述装备因素的预测值的指标分值和指标权重,并根据所述指标分值和所述指标权重以及所述人员因素的数据输出监测报告;所述监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的基于独立否决和联合否决的无人机运用监测方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于独立否决和联合否决的无人机运用监测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种基于独立否决和联合否决的无人机运用监测方法,包括:确定影响无人机执行飞行任务的因素和因素的属性阈值;影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值;获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、无人机执行飞行任务的装备因素的数据和无人机执行飞行任务的人员因素的数据;将环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值;将装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值;当设定时间段内的环境因素的预测值和设定时间段内的装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;预警信号包括预警结果、预警的因素和改进措施;当环境因素的预测值和装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定环境因素的预测值和装备因素的预测值的指标分值和指标权重,并根据指标分值和指标权重以及人员因素的数据输出监测报告;监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。本发明对任务执行中无人机飞行的相关数据进行监测并提供可控时间内的预测输出,为操作手留足应急方案时间,对于无人机任务执行将起到全阶段的有力保障。同时,加入独立否决和联合否决的方法,结合专家经验,将复杂指标体系中有独立否决和联合否决的指标项进行剔除,降低预测算法的计算维度,提高预测算法的实时输出效率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为当前对飞行任务进行评估的步骤模块图;
图2为本发明提供的基于独立否决和联合否决的无人机运用监测方法流程图;
图3为本发明提供的基于独立否决和联合否决的无人机运用监测方法的逻辑模块图;
图4为本发明提供的环境因素监测模型示意图;
图5为本发明提供的设备因素监测模型示意图;
图6为本发明提供的人员因素模型示意图;
图7为广义回归神经网络模型示意图;
图8为本发明提供的应用广义回归神经网络模型进行预测的一个具体实施例的流程图;
图9为本发明提供的应用广义回归神经网络模型进行训练的一个具体实施例的流程图;
图10为本发明提供的初始训练好的广义回归神经网络模型优化流程图;
图11为本发明提供的基于独立否决和联合否决的无人机运用监测系统模块图。
符号说明:
因素和属性阈值确定模块—1,获取模块—2,环境预测值确定模块—3,装备预测值确定模块—4,预警信号生成模块—5,监测报告确定模块—6。
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。
本发明的目的是提供一种基于独立否决和联合否决的无人机运用监测方法及系统,能够提高无人机综合任务执行成功率。
本发明采集小型无人机理论基础、专家经验、实验结果和应用结果四个方面的飞行数据,重点关注环境模型和装备模型中涉及的内容,综合环境和装备相互之间的作用关系,对小型无人机运用监控指标体系进行构建。在无人机应用过程中,通过无人机传感器,实时采集环境和装备的各项指标,针对每项监控指标,通过数学算法构建预测模型,根据采集的指标数据,参考任务执行时操作手的操作水平,预测未来时间内的指标数据变化,并提供监测曲线和指标数据预测结果。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图2和图3所示,本发明提供了一种基于独立否决和联合否决的无人机运用监测方法,所述方法包括:
步骤S1:确定影响无人机执行飞行任务的因素和所述因素的属性阈值;所述影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;所述属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值。具体地,所述环境因素包括天候环境、电磁环境、地理环境和障碍物环境;所述装备因素包括装备基本性能、装备适应性分析和装备人员操作性分析;所述人员因素包括基本能力分析、飞行经验分析和培训情况分析。
S1具体包括:
步骤S11:根据无人机执行的飞行任务,确定所述影响无人机执行飞行任务的因素的独立否决属性阈值和联合否决属性阈值;当所述影响无人机执行飞行任务的因素中的单一因素满足独立否决属性阈值时,无人机无法执行当前的飞行任务;当所述影响无人机执行飞行任务的因素中的多个因素同时满足联合否决属性阈值时,无人机无法执行当前的飞行任务。
步骤S12:根据无人机执行的飞行任务,确定所述影响无人机执行飞行任务的因素的通过属性阈值;当所述影响无人机执行飞行任务的因素满足通过属性阈值时,无人机能够执行当前的飞行任务。
在实际应用中,结合当前影响小型无人机飞行任务的可监测因素主要集中在环境因素、装备性能两个方面,针对以上两个方面的影响因素进行逐步分析,为保证监测范围的全面,影响因素应尽可能详尽,根据环境因素构建环境因素监测模型,根据装备因素构建装备因素监测模型。
具体地,如图4所示,针对环境因素监测模型:
分析影响小型无人机执行任务过程中,典型的环境因素,包括地理、电磁、天气等,抽象生成环境监测模型,用于无人机运用过程中的环境指标的实时采集;加入环境因素内部的独立否决和联合否决因素,例如天候环境中暴雨、大雨环境数据,完成环境模型的实例化,为任务执行监测提供实例化环境数据项支撑。
如图5所示,针对装备因素监测模型:
分析、管理并维护装备因素监测模型信息,通过分析影响任务执行的与装备有关的地形因素、天气因素、电磁因素等关键因素,和装备自身的影响因素,例如能源剩余比例,载重量等等,抽象生成小型无人机装备监测模型,采集典型小型无人机装备类型数据,完成装备模型的实例化,为任务监测提供实例化装备数据项支撑。
此外,还根据人员因素构建了人员因素模型,如图6所示,人员因素模型的主要目的是为数据监测提供操作手能力背景,不属于监测范围,但对无人机飞行效果起到决定性的作用,综合素质更高的操作手,应对复杂环境的能力就越强,人员模型主要应用于飞行预测算法中。分析小型无人机操作手人员素质,对任务完成效果有较大影响的人员数据进行抽象,包括人员基本信息、飞行资历等,生成人员模型;采集操作手数据,完成人员模型的实例化,为任务执行监测提供实例化人员数据支撑。
作为一个具体的实施方式,根据已经生成的环境因素监测模型和装备因素监测模型,设定它们之间的预警阈值,预警阈值包括独立预警阈值和联合预警阈值。具体地,在构建环境和装备模型过程中,其属性设置应更全面覆盖,使模型更符合实际对象状态,但结合理论、专家、实验和应用情况,有很多指标项在综合模型下并不符合小型无人机飞行要求,例如某些小型无人机在中雨级别无法飞行,此项属于装备类型+天气环境联合的预警阈值;独立预警阈值往往是在有记录的情况中,独立阈值即可预警的指标项,例如暴风雪、暴雨等极端天气情况,没有小型无人机能够完成任务的记录,理论、专家、实验也不能支撑的,即被定为独立预警阈值,经现有数据分析,此类指标量庞大,因此加入预警阈值的概念将有效减少无效实时计算,提高实时监测算法的输出效率,满足实时输出的高效率要求。
步骤S2:获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、所述无人机执行飞行任务的装备因素的数据和所述无人机执行飞行任务的人员因素的数据。
步骤S3:将所述环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值。
步骤S4:将所述装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值。
作为一个具体的实施方式,本发明提供的基于独立否决和联合否决的无人机运用监测方法还包括所述广义回归神经网络环境预测模型和广义回归神经网络设备预测模型的训练过程。
具体包括:
步骤S01:获取无人机执行飞行任务的航线的环境因素的历史数据和所述无人机执行飞行任务的装备因素的历史数据,以及无人机执行飞行任务的航线的环境因素的所述设定时间段后的历史数据和所述无人机执行飞行任务的装备因素的所述设定时间段后的历史数据。
步骤S02:以所述无人机执行飞行任务的航线的环境因素的历史数据为输入,以所述无人机执行飞行任务的航线的环境因素的所述设定时间段后的历史数据为输出,对对应的广义回归神经网络环境预测模型进行训练,得到初始训练好的广义回归神经网络环境预测模型。
步骤S03:以所述无人机执行飞行任务的装备因素的历史数据为输入,以所述无人机执行飞行任务的装备因素的所述设定时间段后的历史数据为输出,对对应的广义回归神经网络设备预测模型进行训练,得到初始训练好的广义回归神经网络设备预测模型。
步骤S04:应用果蝇优化算法,分别对所述初始训练好的广义回归神经网络环境预测模型和所述初始训练好的广义回归神经网络设备预测模型进行优化,得到训练好的广义回归神经网络环境预测模型和训练好的广义回归神经网络设备预测模型。
如图7所示,本发明应用广义回归神经网络来实现预警;预警算法是根据实时监测的指标数据,对每一个指标数据未来五分钟内数据走向进行预测,并通过预测数据再进行数据监测的解算,进而为无人机的运用提出预警信息,使操作手提前制作预案,应对即将发生的危险。预警算法的核心是指标走向的预测,目前预测算法类型很多,采用了人工智能算法为无人机运用预警算法的核心算法,通过采集某地域一定时间和范围内环境数据(如天候数据、电磁数据、地理数据)和某型号无人机运用过程中的装备性能数据,然后经过进一步梳理制作各项监测指标的样本数据,最后采用GRNN(广义回归神经网络算法)对各项监测指标的样本数据进行单独训练,进而生成对应的监测指标数据算法预测模型。以已有风速预测模型为例对应用广义回归神经网络模型进行预测的流程和训练过程进行说明,如图8和图9所示。
在无人机飞行过程中,根据实时监测的风速数据,采用VMD(变模态分解)对风速序列进行分解。对于生成的各个IMF(本征模函数)分量,采用GRNN(广义回归神经网络算法)训练生成的风速预测模型进行预测,同时通过FOA(果蝇优化算法)对GRNN(广义回归神经网络)进行优化,并将各个IMF分量的预测值进行重构得到风速预测结果。
进一步地,首先对原始风速进行数据预处理;具体地,采用变分模态分解对原始风速序列进行预处理,得到K个窄带本征模态函数分量,包括两个主要步骤:
1.构造变分问题
每个模态的稀疏特性是其在频谱域中的带宽,构造变分问题也就是要获得模态的带宽,具体过程如下:
(1)对每一个模态函数μk(t)应用希尔伯特变换以得到单侧频谱:
其中,δ(t)是狄拉克分布;*表示卷积。
(2)将各模态的解析信号与其对应的中心频率ωk的指数项e-jωkt混叠,移动其频谱至“基带”:
(3)利用解调信号的高斯平滑估算各模态函数的带宽,将其转化为
2.求解变分问题
(1)采用二次惩罚因子a和拉格朗日乘法算子λ,将约束性变分问题转换化为非约束性变分问题,即:
(2)使用乘法算子交替方向法来求解最小化问题,通过交替更新uk、ωk和λ寻求扩展拉格朗日表达式的极小值点,由此可得:
uk的迭代公式为:
ωk的迭代公式为:
λ的迭代公式为:
VMD分解的具体过程:
2):迭代次数n=n+1。
4):对所有的ω≥0,进行双重提升。
5):判断下列式子的收敛条件是否满足,若满足分解过程结束;否则,返回2)。
最终得到K个窄带IMF分量。
2.FOAGRNN优化模型
利用广义回归神经网络强大的非线性映射能力对IMF分量进行训练和预测,并采用FOA对GRNN模型进行优化以提高其预测性能。
(1)广义回归神经网络
GRNN模型由四层构成,如7所示,其对应网络输入为X=[x1,x2,…,xn}T,输出为Y=[y1,y2,…,yk]T。在GRNN模型中,只有光滑因子的取值会对广义回归神经网络的预测效果产生很大的影响。为此,采用果蝇优化算法来进行参数寻优,以得到更准确的风速预测结果。
(2)模型优化具体流程
FOA算法是一种全局寻优方法,其生物学原理为果蝇利用其优于其它物种的嗅觉能力,根据食物散发出的味道浓度信息来搜寻食物。
FOAGRNN算法的流程图如图10所示,具体实现步骤如下:
1):设定种群规模和最大迭代次数Genmax,并随机设置果蝇群体初始位置(X0,Y0)和Gen=0。
X0=RS×Rand()
Y0=RS×Rand()
式中,Rs为任意实数。
2):设置果蝇个体寻找食物的随机方向与半径:
X(i)=x0+RandomValue
Y(i)=Y0+RandomValue
3):计算果蝇当前位置与原点之间的距离D和味道浓度判定值S:
4):将S作为光滑因子带入模型,然后将预测值与实际值的均方根误差值作为该果蝇个体所处位置的味道浓度Smell(i):
5):保留最佳味道浓度值与果蝇位置坐标,此刻果蝇群体将会往靠近食物位置方向飞去:
Smellbest=bestSmnell
X0=X(bgstIndex)
Y0=y(bestIndex)
6):重复步骤2)至步骤5),并判断当前代数味道浓度是否优于前一代,若是则执行步骤6),且Gen=Gen+1,直到达到最大迭代数;否则输出最优的S值作为模型的最优参数。
步骤S5:当所述设定时间段内的环境因素的预测值和所述设定时间段内的装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;所述预警信号包括预警结果、预警的因素和改进措施。
步骤S6:当所述环境因素的预测值和所述装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定所述环境因素的预测值和所述装备因素的预测值的指标分值和指标权重,并根据所述指标分值和所述指标权重以及所述人员因素的数据输出监测报告;所述监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。具体地,所述评估算法为层次分析法。
作为一个具体的实施方式,本发明结合装备研制阶段、生产阶段和实验阶段的理论数据、实验数据、专家经验等进行综合量化,将其运用到装备飞行过程中,最大限度的提高装备任务执行过程中的完成率,同时多角度分析影响装备效能输出影响因子的影响权重、独立否决项的界定、联合否决项的影响关联,提高相关算法的解算效率,更有效的满足了实时性的要求。根据无人机环境传感器和装备性能传感器实时采集无人机飞行过程中的环境因素参数和装备实时性能数据,分别进行预警预测,如果存在某项预测数据超过设定阈值,则设备报警,输出预警结果、预警指标项和优化意见。具体地,预警结果:监测指标预警;预警指标项:例如风速指标预警、障碍物指标预警等,存在多项指标同时预警;优化意见:降低飞行高度、提前躲避障碍物等。如果预测数据没有超过设定阈值,则根据预测数据及其对应的无人机环境因素和设备因素指标项分值和权重,结合无人机运用前设置的人员素质信息,应用评估算法得到监测报告,具体地,各监测指标预测数据对应的指标项分值依次乘以层次指标权重后相加,再结合操作手人员素质评分,计算得出装备运用监测解算评分。监测报告的形式如下所示:
装备运用监测解算评分:85分。
无人机飞行状态:良好。
无人机装备性能:优。
操作手综合素质:良。
其中,无人机飞行状态是根据装备运用监测解算评分得出的,设定装备运用监测解算评分在80分至90分之间为良好,设定装备运用监测解算评分在90分以上为优秀;无人机装备性能和操作手综合素质也均是设定评分范围,根据无人机装备性能数据对应的指标项分值依次乘以层次指标权重后相加得出的分数满足的等级要求的阈值范围来确定。其中无人机装备性能数据对应的指标项分值由专家知识得出。
本发明提供的基于独立否决和联合否决的无人机运用监测方法具有以下优势:
1.结合小型无人机装备就复杂场景的适应能能力,在装备应用中加入实时的监测和预警功能,提高无人机任务执行成功率。
2.在监测和预警指标中加入独立否决指标和联合否决指标,提高监测和预警算法的实时输出效率。
此外,应用本发明提供的基于独立否决和联合否决的无人机运用监测方法生成对应的APP,实现对无人机飞行监测。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种基于独立否决和联合否决的无人机运用监测系统,如图11所示,所述系统包括:
因素和属性阈值确定模块1,用于确定影响无人机执行飞行任务的因素和所述因素的属性阈值;所述影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;所述属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值。
获取模块2,用于获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、所述无人机执行飞行任务的装备因素的数据和所述无人机执行飞行任务的人员因素的数据。
环境预测值确定模块3,用于将所述环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值。
装备预测值确定模块4,用于将所述装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值。
预警信号生成模块5,用于当所述环境因素的预测值和所述装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;所述预警信号包括预警结果、预警的因素和改进措施。
监测报告确定模块6,用于当所述环境因素的预测值和所述装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定所述环境因素的预测值和所述装备因素的预测值的指标分值和指标权重,并根据所述指标分值和所述指标权重以及所述人员因素的数据输出监测报告;所述监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。
实施例三
本发明实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行计算机程序以使电子设备执行实施例一的基于独立否决和联合否决的无人机运用监测方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的基于独立否决和联合否决的无人机运用监测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于独立否决和联合否决的无人机运用监测方法,其特征在于,所述方法包括:
确定影响无人机执行飞行任务的因素和所述因素的属性阈值;所述影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;所述属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值;
获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、所述无人机执行飞行任务的装备因素的数据和所述无人机执行飞行任务的人员因素的数据;
将所述环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值;
将所述装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值;
当所述设定时间段内的环境因素的预测值和所述设定时间段内的装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;所述预警信号包括预警结果、预警的因素和改进措施;
当所述环境因素的预测值和所述装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定所述环境因素的预测值和所述装备因素的预测值的指标分值和指标权重,并根据所述指标分值和所述指标权重以及所述人员因素的数据输出监测报告;所述监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。
2.根据权利要求1所述的基于独立否决和联合否决的无人机运用监测方法,其特征在于,所述确定影响无人机执行飞行任务的因素和所述因素的属性阈值,具体包括:
根据无人机执行的飞行任务,确定所述影响无人机执行飞行任务的因素的独立否决属性阈值和联合否决属性阈值;当所述影响无人机执行飞行任务的因素中的单一因素满足独立否决属性阈值时,无人机无法执行当前的飞行任务;当所述影响无人机执行飞行任务的因素中的多个因素同时满足联合否决属性阈值时,无人机无法执行当前的飞行任务;
根据无人机执行的飞行任务,确定所述影响无人机执行飞行任务的因素的通过属性阈值;当所述影响无人机执行飞行任务的因素满足通过属性阈值时,无人机能够执行当前的飞行任务。
3.根据权利要求1所述的基于独立否决和联合否决的无人机运用监测方法,其特征在于,所述广义回归神经网络环境预测模型和广义回归神经网络设备预测模型的训练过程具体包括:
获取无人机执行飞行任务的航线的环境因素的历史数据和所述无人机执行飞行任务的装备因素的历史数据,以及无人机执行飞行任务的航线的环境因素的所述设定时间段后的历史数据和所述无人机执行飞行任务的装备因素的所述设定时间段后的历史数据;
以所述无人机执行飞行任务的航线的环境因素的历史数据为输入,以所述无人机执行飞行任务的航线的环境因素的所述设定时间段后的历史数据为输出,对对应的广义回归神经网络环境预测模型进行训练,得到初始训练好的广义回归神经网络环境预测模型;
以所述无人机执行飞行任务的装备因素的历史数据为输入,以所述无人机执行飞行任务的装备因素的所述设定时间段后的历史数据为输出,对对应的广义回归神经网络设备预测模型进行训练,得到初始训练好的广义回归神经网络设备预测模型;
应用果蝇优化算法,分别对所述初始训练好的广义回归神经网络环境预测模型和所述初始训练好的广义回归神经网络设备预测模型进行优化,得到训练好的广义回归神经网络环境预测模型和训练好的广义回归神经网络设备预测模型。
4.根据权利要求1所述的基于独立否决和联合否决的无人机运用监测方法,其特征在于,所述评估算法为层次分析法。
5.根据权利要求1所述的基于独立否决和联合否决的无人机运用监测方法,其特征在于,所述环境因素包括天候环境、电磁环境、地理环境和障碍物环境;所述装备因素包括装备基本性能、装备适应性分析和装备人员操作性分析;所述人员因素包括基本能力分析、飞行经验分析和培训情况分析。
6.一种基于独立否决和联合否决的无人机运用监测系统,其特征在于,所述系统包括:
因素和属性阈值确定模块,用于确定影响无人机执行飞行任务的因素和所述因素的属性阈值;所述影响无人机执行飞行任务的因素包括环境因素、装备因素和人员因素;所述属性阈值为独立否决属性阈值、联合否决属性阈值或者通过属性阈值;
获取模块,用于获取当前时刻的无人机执行飞行任务的航线的环境因素的数据、所述无人机执行飞行任务的装备因素的数据和所述无人机执行飞行任务的人员因素的数据;
环境预测值确定模块,用于将所述环境因素的数据输入到对应的训练好的广义回归神经网络环境预测模型,确定设定时间段内的环境因素的预测值;
装备预测值确定模块,用于将所述装备因素的数据输入到对应的训练好的广义回归神经网络设备预测模型,确定设定时间段内的装备因素的预测值;
预警信号生成模块,用于当所述环境因素的预测值和所述装备因素的预测值满足独立否决属性阈值或者联合否决属性阈值时,生成预警信号;所述预警信号包括预警结果、预警的因素和改进措施;
监测报告确定模块,用于当所述环境因素的预测值和所述装备因素的预测值不满足独立否决属性阈值和联合否决属性阈值时,应用评估算法确定所述环境因素的预测值和所述装备因素的预测值的指标分值和指标权重,并根据所述指标分值和所述指标权重以及所述人员因素的数据输出监测报告;所述监测报告包括装备评分、飞行状态、装备性能和飞行人员素质。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的基于独立否决和联合否决的无人机运用监测方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于独立否决和联合否决的无人机运用监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310376340.3A CN116384695B (zh) | 2023-04-11 | 2023-04-11 | 基于独立否决和联合否决的无人机运用监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310376340.3A CN116384695B (zh) | 2023-04-11 | 2023-04-11 | 基于独立否决和联合否决的无人机运用监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116384695A true CN116384695A (zh) | 2023-07-04 |
CN116384695B CN116384695B (zh) | 2024-01-26 |
Family
ID=86965342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310376340.3A Active CN116384695B (zh) | 2023-04-11 | 2023-04-11 | 基于独立否决和联合否决的无人机运用监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384695B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912309A (zh) * | 2024-03-15 | 2024-04-19 | 阿斯默特(成都)科技有限公司 | 一种飞行器风险预警方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427674A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
CN110187393A (zh) * | 2019-05-28 | 2019-08-30 | 吉林大学 | 一种基于广义回归神经网络的航磁补偿方法 |
CN110597264A (zh) * | 2019-09-25 | 2019-12-20 | 中国人民解放军陆军工程大学 | 无人机反制系统 |
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
CN111740796A (zh) * | 2020-06-05 | 2020-10-02 | 中国人民解放军陆军工程大学 | 无人机数据链电磁干扰态势预测方法及装置 |
US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
WO2022199032A1 (zh) * | 2021-03-22 | 2022-09-29 | 北京航空航天大学杭州创新研究院 | 模型构建方法、任务分配方法、装置、设备及介质 |
-
2023
- 2023-04-11 CN CN202310376340.3A patent/CN116384695B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
CN105427674A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
CN110187393A (zh) * | 2019-05-28 | 2019-08-30 | 吉林大学 | 一种基于广义回归神经网络的航磁补偿方法 |
CN110597264A (zh) * | 2019-09-25 | 2019-12-20 | 中国人民解放军陆军工程大学 | 无人机反制系统 |
CN111740796A (zh) * | 2020-06-05 | 2020-10-02 | 中国人民解放军陆军工程大学 | 无人机数据链电磁干扰态势预测方法及装置 |
WO2022199032A1 (zh) * | 2021-03-22 | 2022-09-29 | 北京航空航天大学杭州创新研究院 | 模型构建方法、任务分配方法、装置、设备及介质 |
US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912309A (zh) * | 2024-03-15 | 2024-04-19 | 阿斯默特(成都)科技有限公司 | 一种飞行器风险预警方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116384695B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
Awan et al. | Predicting weather events using fuzzy rule based system | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN116384695B (zh) | 基于独立否决和联合否决的无人机运用监测方法及系统 | |
CN111611085B (zh) | 基于云边协同的人机混合增强智能系统、方法、装置 | |
JP5023325B2 (ja) | リカレントニューラルネットワークを用いた不規則時系列データの学習・予測方法 | |
Khanum et al. | Towards a semantically enriched computational intelligence (SECI) framework for smart farming | |
Guan et al. | Optimization analysis of football match prediction model based on neural network | |
CN110689183A (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
Katz et al. | Learning an urban air mobility encounter model from expert preferences | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
CN112907970A (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
Pan et al. | Data-driven time series prediction based on multiplicative neuron model artificial neuron network | |
CN111724001A (zh) | 一种基于深度强化学习的飞行器探测传感器资源调度方法 | |
CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
CN113887717A (zh) | 一种基于深度学习预测神经网络训练时长的方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
Gao et al. | Short-term traffic flow prediction based on time-Space characteristics | |
CN116228040A (zh) | 一种面向智能体学习演进能力的评测方法 | |
CN116384814A (zh) | 基于机器学习对多因素影响下机场跑道容量的评估方法 | |
CN113688200B (zh) | 一种基于决策树的特殊人群行动轨迹收集方法及系统 | |
Shi et al. | The integrated methodology of rough set theory and artificial neural-network for construction project cost prediction |
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 |