CN116628429B - 一种无人机平稳升降智能控制方法 - Google Patents
一种无人机平稳升降智能控制方法 Download PDFInfo
- Publication number
- CN116628429B CN116628429B CN202310919047.7A CN202310919047A CN116628429B CN 116628429 B CN116628429 B CN 116628429B CN 202310919047 A CN202310919047 A CN 202310919047A CN 116628429 B CN116628429 B CN 116628429B
- Authority
- CN
- China
- Prior art keywords
- data
- data point
- parameter
- current
- difference
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 3
- 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 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及飞行器技术领域,提出了一种无人机平稳升降智能控制方法,包括:获取数据参数及若干采集组;获取当前采集组,根据当前采集组两个数据参数的数值与采集组数据参数的均值获取数据参数的相关性;根据数据参数的相关性和差异获取数据点为噪声的可能性;根据采集组的数据参数的数值构建出三条曲线,并根据曲线的相似度以及相关性获取数据点为噪声数据点的可能性;根据数据点为噪声数据点以及噪声的可能性获取数据点的噪声近似程度,根据噪声近似程度获取数据点的显著值得到数据点为噪声数据点的最终可能性,并获取去噪效果评价;根据去噪效果评价完成无人机调控。本发明根据各个参数相关性分析获取去噪效果,增强了无人机升降的平稳性。
Description
技术领域
本发明涉及飞行器技术领域,具体涉及一种无人机平稳升降智能控制方法。
背景技术
无人机本体的数学模型是理想模型,在仿真研究中简化了很多实际的干扰项。而实际的飞行控制过程中,难免会出现控制偏差,具体原因多种多样。最常见的是大包线任务下,由于飞行状态、外界环境改变引起的控制偏差。机载的空速传感器,气压传感器,姿态角传感器,这些传感器属于外接设备,不同厂家生产的具有不同的精度,在不同的气压、温度环境下,精度也会不同。另外,这些传感器普遍存在校准的问题,不同环境下,校准得到的零点也会不同。机载导航设备受到干扰,例如磁罗盘、GPS天线等,也会影响无人机的飞行控制,导致偏差的出现。磁罗盘容易受到外界磁场干扰,随着外界环境变化,航向零点会漂移,有时甚至能达到几十度。GPS天线容易被云层遮挡,当参与定位的卫星数量减小,位置精度就会降低,导致航迹偏差的出现。在使用传感器采集无人机数据时,需要处理噪声以让采集的数据更加准确,然而在不同的环境下,无人机对噪声的处理程度有强有弱,在不同的环境下去噪效果不同,为此本发明给出了一个能够在不同场景都适用的无人机数据去噪方法。
发明内容
本发明提供一种无人机平稳升降智能控制方法,以解决无人机不同场景下去噪效果不同的问题,所采用的技术方案具体如下:
本发明一个实施例提供一种无人机平稳升降智能控制方法,该方法包括以下步骤:
获取无人机各项数据参数对应的数据,构成若干采集组;
将获取的最后一个采集组记为当前采集组,根据当前采集组的任意两个数据参数的数值与所有采集组数据参数的均值获取当前采集组两个数据参数的相关性;根据两个数据参数的相关性和数据参数在采集组中的差异获取当前采集组内每个数据点为噪声的可能性;根据每个采集组的数据参数的数值构建出参数变化曲线、斜率时间曲线以及斜率变化曲线,并根据曲线的相似度以及参数之间的相关性获取数据点为噪声数据点的可能性;
根据数据点为噪声数据点的可能性以及数据点为噪声的可能性获取数据点的噪声近似程度,根据噪声近似程度获取数据点的显著值,根据数据点的显著值、数据参数之间的相关性以及数据点为噪声数据点的可能性得到数据点为噪声数据点的最终可能性;根据数据点为噪声数据点的可能性获取去噪效果评价;
根据去噪效果评价选择合适的变化阈值去噪,并根据去噪后的采集组训练网络完成无人机调控。
优选的,所述根据当前采集组的任意两个数据参数的数值与所有采集组数据参数的均值获取当前采集组两个数据参数的相关性的方法为:
式中,表示第i个采集组内数据参数A的数值,/>表示第i个采集组内数据参数B的数值,/>表示数据参数A在所有采集组内的数值均值,/>表示数据参数B在所有采集组内的数值均值,/>表示采集组的数量,/>表示以自然常数为底的指数函数,/>表示数据参数A和数据参数B之间的相关性。
优选的,所述根据两个数据参数的相关性和数据参数在采集组中的差异获取当前采集组内每个数据点为噪声的可能性的方法为:
获取采集组内任意一个数据参数,将该数据参数记为第一数据参数,将除了第一数据参数外的数据参数记为第二数据参数,将当前采集组内第一数据参数与当前采集组内每个第二数据参数的数值差值的绝对值记为第一差值,将所有采集组内第一数据参数的数值的均值与所有采集组内每个第二数据参数的数值的均值差值的绝对值记为第二差值,将第一差值与每一个第二差值作差后取绝对值再与第一差值和第二差值对应的两个数据参数的相关性作差取绝对值得到第一绝对值,将第一数据参数与每个第二数据参数得到的第一绝对值累加得到当前采集组内第一数据参数对应的数据点为噪声的可能性。
优选的,所述将所有采集组内同一种数据参数提取出来构成参数变化曲线,并获取当前数据点和临近数据点的方法为:
参数变化曲线的横坐标为时间,纵坐标为数据参数每次采集的数值;每种数据参数得到一条参数变化曲线,在参数变化曲线内最后一个数据点记为当前数据点,对于当前数据点在参数变化曲线内向前依次选取预设数量个数据点作为当前像素点的预设像素点。
优选的,所述根据当前数据点和临近数据点的数值差异获取累计差异和累计斜率差异的方法为:
对于参数变化曲线,将当前数据点与其临近数据点的数值依次作差得到当前数据点与每个临近数据点的数值差异,将当前数据点与所有临近数据点的数值差异相加得到累计差异,将当前数据点与其最近的临近数据点的数值差异记为临近数值差异,在计算当前数据点的临近数值差异时,其临近数据点也存在临近数值差异,因此令当前数据点的临近数值差异与其每个临近数据点的临近数值差异作差得到斜率差异,将当前数据点与所有临近数据点的斜率差异累加得到累计斜率差异。
优选的,所述根据当前数据点和临近数据点的数值差异以及数值差异的差异获取斜率时间曲线和斜率变化曲线的方法为:
对于每个数据参数,将每个数据参数的当前数据点与临近数据点的数值差异构成一条曲线记为斜率时间曲线,斜率时间曲线中的纵坐标为该数据点的临近数值差异,横坐标为时间点,将当前数据点与其最近的临近数据点的斜率差异记为临近斜率差异,根据临近斜率差异得到每个数据参数的斜率变化曲线,斜率变化曲线的横坐标为时间点,纵坐标为每个数据点的临近斜率差异,斜率时间曲线和斜率变化曲线中的数据点只存在当前数据点与其临近数据点。
优选的,所述根据两个参数之间的相关性和其对应斜率时间曲线和斜率变化曲线的相似度获取当前数据点的噪声剥离程度的方法为:
式中,表示数据参数A和数据参数/>之间的相关性, />表示数据参数A对应的斜率时间曲线与数据参数/>对应的斜率时间曲线的相似度,/>表示数据参数A对应的斜率变化曲线与数据参数/>对应的斜率变化曲线的相似度,/>表示数据参数A对应的删除当前数据点后的斜率时间曲线与数据参数/>对应的删除当前数据点后的斜率时间曲线的相似度,/>表示数据参数A对应的删除当前数据点后的斜率变化曲线与数据参数/>对应的删除当前数据点后的斜率变化曲线的相似度,/>表示所采集的数据参数的种类数量,表示数据参数A对应的当前数据点的噪声剥离程度。
优选的,所述根据数据点的显著值、数据参数之间的相关性以及数据点为噪声数据点的可能性得到数据点为噪声数据点的最终可能性的方法为:
式中,表示数据参数A的当前数据点的显著值,/>表示数据参数/>的当前数据点的显著值,/>表示数据参数A和数据参数/>之间的相关性,/>表示线性归一化函数,/>表示数据参数A的当前数据点为噪声数据点的最终可能性。
优选的,所述获取无人机各项数据参数对应的数据,构成若干采集组的方法为:
使用传感器获取无人机的多项是数据参数,每个数据参数每次采集会获得一个数据,将每个数据参数所采集的数据按照采集时间排序得到一个采集组,每个数据参数对应一个采集组。
本发明的有益效果是:本发明通过结合采集数据对应历史数据参数进行分析,获取各个数据参数之间相关性,根据相关性进行分析,进而获取更精准的分析获取数据是否为噪声数据,从而使得可以更好的依据分析结果评价小波阈值去噪的去噪效果,进而可以获取更优选的去噪结果,大大增加了神经网络给出正确修正结果的准确性,保障了无人机升降过程的平稳性。
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,下面将对实施例或现有技术描述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为本发明一个实施例所提供的一种无人机平稳升降智能控制方法的流程示意图。
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,其示出了本发明一个实施例提供的一种无人机平稳升降智能控制方法流程图,该方法包括以下步骤:
步骤S001,使用传感器采集各项数据得到采集组。
在无人机上放置数据传感器用来采集无人机在升降过程中的各项数据参数,每隔0.2s获取一次传感器上的无人机的各项参数,将每次采集的所有参数的数据作为一个采集组,并使用线性归一化的方法获取所有数据参数的数值的归一化值。在本实施例中各项数据参数以滚转角速率、俯仰角速率、偏航角速率、滚转角 、俯仰角、偏航角、最大滚转角速率、最大俯仰角速率、最大偏航角速率 、滚转角速率、俯仰角速率、偏航角速率为例进行叙述。
在本实施例中,每采集5组数据后进行一次无人机调控。
至此,获取了若干采集组进行调控。
步骤S002,根据采集组数值差异获取数据参数的相关性,基于相关性得到数据点为噪声的可能性,根据数值差异获取若干曲线,根据曲线相似度获取噪声剥离程度,基于此获取数据点为噪声数据点的可能性。
由于无人机在升降过程中,其无人机本身自带较大噪音,且无人机会受外部干扰导致传感器接收的信号存在噪声从而使得采集的数据存在噪声,进而影响对无人机平稳升降控制的调整,故需要对采集的数据进行去噪。
本实施例对于采集的所有数据使用小波变化去噪,对于小波变换的变化阈值,本实施例设定为[-5,5]的区间内,该区间为常用区间,变化阈值每次变换的最小单位为0.1,遍历变化阈值,通过以下步骤计算每个阈值下的去噪效果。
对于任意两个数据参数,根据数据参数在不同采集组的数值与数据参数在采集组的数值的均值获取两个数据参数之间的相关性,公式如下:
式中,表示第i个采集组内数据参数A的数值,/>表示第i个采集组内数据参数B的数值,/>表示数据参数A在所有采集组内的数值均值,/>表示数据参数B在所有采集组内的数值均值,/>表示采集组的数量,/>表示以自然常数为底的指数函数,/>表示数据参数A和数据参数B之间的相关性。/>表示第i个采集组中,数据参数A与数据参数B的差异与两个数据参数历史平均差异的差异,即当所求差异越小,则说明俩个参数的相关性越大。
将所采集到的所有采集组中最后一个采集组记为当前采集组,将每个采集组内的每个数据参数对应的数据记为一个数据点,根据所得到的两个数据参数的相关性以及当前采集组中数据点之间的差异获取当前采集组内的每个数据点为噪声的可能性,公式如下:
式中,表示当前采集组内数据参数A的数值,/>表示当前采集组内数据参数/>的数值,/>表示数据参数A在所有采集组内的数值均值,/>表示数据参数/>在所有采集组内的数值均值,/>表示数据参数A和数据参数/>之间的相关性,/>表示所采集的数据参数的种类数量,/>表示当前采集组内的数据参数A对应的数据点为噪声的可能性。
表示当前采集数据中数据参数A和数据参数/>的数值对应差异与历史数据中数值对应差异的差异,/>表示当前采集数据对应参数E、R的相关程度与历史数据获取的相关程度的差异。即当所求当前分析数据对应参数与其他参数对应差异与历史数据对应差异的差异越大,则说明当前数据越可能为噪声数据。
对于每一个数据参数,令每一个数据参数从采集开始到当前采集组的所有数值构成一条参数变化曲线,参数变化曲线的横坐标为时间,纵坐标为数据参数每次采集的数值。针对参数变化曲线通过获取连续时间段内的数据进行分析获取当前数据点作为噪声数据点的可能性。
对于每个数据参数得到的参数变化曲线,将参数变化曲线中当前采集组的数据点记为当前数据点,获取当前数据点的临近数据点,所述临近数据点表示为在参数变化曲线上当前数据点之前的m个数据点,在本实施例中令m取20,若当前数据点之前的数据点小于20大于5个个,那么当前数据点的临近数据点即为之前的所有像素点,若当前数据点之前的数据点小于等于3个时,那么此时参考样本太少,不对此时的数据点进行噪声数据点判断。
对于参数变化曲线,将当前数据点与其临近数据点的数值依次作差得到当前数据点与每个临近数据点的数值差异,将当前数据点与所有临近数据点的数值差异相加得到累计差异,累计差异越大,说明当前采集参数为异常数据可能性越大。将当前数据点与其最近的临近数据点的数值差异记为临近数值差异,在计算当前数据点的临近数值差异时,其临近数据点也存在临近数值差异,因此令当前数据点的临近数值差异与其每个临近数据点的临近数值差异作差得到斜率差异,将当前数据点与所有临近数据点的斜率差异累加得到累计斜率差异,累计斜率差异越大,说明当前数据点为噪声数据点的可能性越大。
将每个数据参数的当前数据点与临近数据点的数值差异构成一条曲线记为斜率时间曲线,斜率时间曲线中每个数据点的值为该数据点的临近数值差异也即纵坐标,横坐标为时间点,将当前数据点与其最近的临近数据点的斜率差异记为临近斜率差异,根据临近斜率差异同理得到每个数据参数的斜率变化曲线,斜率变化曲线的横坐标为时间点,纵坐标为每个数据点的临近斜率差异,斜率时间曲线和斜率变化曲线中的数据点只存在当前数据点与其临近数据点。
通过分析不同数据参数之间不同曲线的相似度获取每个数据参数的当前数据点的噪声剥离程度,公式如下:
式中,表示数据参数A和数据参数/>之间的相关性, />表示数据参数A对应的斜率时间曲线与数据参数/>对应的斜率时间曲线的相似度,/>表示数据参数A对应的斜率变化曲线与数据参数/>对应的斜率变化曲线的相似度,/>表示数据参数A对应的删除当前数据点后的斜率时间曲线与数据参数/>对应的删除当前数据点后的斜率时间曲线的相似度,/>表示数据参数A对应的删除当前数据点后的斜率变化曲线与数据参数/>对应的删除当前数据点后的斜率变化曲线的相似度,/>表示所采集的数据参数的种类数量,表示数据参数A对应的当前数据点的噪声剥离程度。所述相似度的求取为余弦相似度。
若数据参数的相关性与所得到的斜率时间曲线和斜率变化曲线的越相似,当前数据点的噪声剥离程度越大,去掉当前数据点后,当前参数对应的斜率时间曲线和斜率变化曲线的相似度变化越小,当前数据点的噪声剥离程度越大,即当前数据点为噪声数据点的可能性越大。
根据所得到的每个数据参数的累计差异、累计斜率差异以及数据参数的当前数据点的噪声剥离程度得到当前数据点为噪声数据点的可能性,公式如下:
式中,表示数据参数A的累计差异,/>表示数据参数A的累计斜率差异,/>表示数据参数A对应的当前数据点的噪声剥离程度,/>表示数据参数A的当前数据点为噪声数据点的可能性。当所求数据参数与其相邻数据参数的数值差异越大,且数值变化值越大,根据曲线相似度获取的噪声剥离程度的值越小,当前数据点为噪声数据点的可能性越大,即所求/>、/>越大,/>越小,则说明数据参数A的当前数据点为噪声数据点的可能性越大。
至此,获取了每个数据参数的当前数据点为噪声数据点的可能性。
步骤S003,获取当前数据点的噪声近似程度,基于此获取当前数据点的显著值,根据显著值以及参数之间的相关性得到当前数据点为噪声数据点的最终可能性,并基于此得到每个采集组的去噪效果评价,并得到去噪后的采集组。
根据每个数据参数内当前数据点为噪声数据点的可能性以及当前数据点为噪声的可能性获取当前数据点的噪声近似程度,公式如下:
式中,表示数据参数A的当前数据点为噪声数据点的可能性,/>表示数据参数A的当前数据点为噪声的可能性,/>表示数据参数A的当前数据点的噪声近似程度。
对于每个数据参数的当前数据点,获取每个当前数据点在参数变化曲线中数值差异最小的K个数据点,将这些数据点记为相近像素点,在本实施例中K取15,根据每个当前数据点与其所有相近数据点的数值的差异的均值以及当前数据点的噪声近似程度获取当前数据点的显著值,公式如下:
式中,表示当前数据点的第k个相近数据点与当前数据点的数值的差值的绝对值,/>表示当前数据点的相近数据点的数量,/>表示数据参数A的当前数据点的噪声近似程度,/>表示数据参数A的当前数据点的显著值。
若当前数据点与其余所有数据点中最接近当前数据点的数值差异越大,则说明当前数据点越有可能噪声数据点,和其同样接近的数据点较少,此时得到其显著值较大,同理当前像素点的噪声近似成程度越大,噪声数据点的显著值越大,则当前数据点为噪声数据点的最终可能性越大。
由于无人机自身姿态,功率发生改变会导致不是噪声的数据点的显著值偏大,因此需要根据当前参数与其余参数的相关性进行修正得到当前数据点为噪声数据点的最终可能性,具体公式如下:
式中,表示数据参数A的当前数据点的显著值,/>表示数据参数/>的当前数据点的显著值,/>表示数据参数A和数据参数/>之间的相关性,/>表示线性归一化函数,/>表示数据参数A的当前数据点为噪声数据点的最终可能性。
若数据参数的当前数据点与其不相关的数据为噪声数据的可能性越大,则说明当前的数据异常是由无人机自身姿态,功率发生改变导致的。
将当前采集组中每个当前数据点为噪声数据点的最终可能性进行线性归一化,将归一化后的当前数据点为噪声数据点的最终可能性求均值作为当前采集组的噪声评价值。
利用上述方式,在每一个采集组为当前采集组时,在该采集组进行小波去噪前计算一次噪声评价值,在小波去噪后计算一次噪声评价值,根据小波变换前后采集组的噪声评价值的差异获取采集组的去噪效果评价,公式如下:
式中,表示采集组在小波去噪前的噪声评价值,/>表示采集组在小波去噪后的噪声评价值,/>表示线性归一化函数,/>为采集组的去噪效果评价。在此给定评估阈值,若采集组的去噪效果评价大于等于评估阈值,就停止小波去噪的变化阈值遍历,此时的变化阈值为当前采集组的最优阈值,在本实施例中评估阈值为0.7。
至此,获取了每个采集组使用最优阈值去噪后的采集组。
步骤S004,根据去噪后的采集组训练网络调控无人机。
将去噪后的采集组每5个一组对无人机进行调控,将去噪后采集组内的数据输入使用现有BP神经网络中,网络输入为五个采集组去噪后的数据,网络输出为数据对应参数调节值,网络训练方式为人为标记方式,即每获得五组采集数据,人为调控一次,获取人为调控的结果作为网络的参照,获取多次人为调试结果,将每次人为调试时对应的五组数据标记,网络损失函数使用L1损失函数。得到调控参数后,控制无人机或使用控制系统按照获取的对应参数对无人机进行调控,进而达到对无人机平稳升降的智能控制的目的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种无人机平稳升降智能控制方法,其特征在于,该方法包括以下步骤:
获取无人机各项数据参数对应的数据,构成若干采集组;
将获取的最后一个采集组记为当前采集组,根据当前采集组的任意两个数据参数的数值与所有采集组数据参数的均值获取当前采集组两个数据参数的相关性;根据两个数据参数的相关性和数据参数在采集组中的差异获取当前采集组内每个数据点为噪声的可能性;根据每个采集组的数据参数的数值构建出参数变化曲线、斜率时间曲线以及斜率变化曲线,并根据曲线的相似度以及参数之间的相关性获取数据点为噪声数据点的可能性;
根据数据点为噪声数据点的可能性以及数据点为噪声的可能性获取数据点的噪声近似程度,根据噪声近似程度获取数据点的显著值,根据数据点的显著值、数据参数之间的相关性以及数据点为噪声数据点的可能性得到数据点为噪声数据点的最终可能性;根据数据点为噪声数据点的可能性获取去噪效果评价;
根据去噪效果评价选择合适的变化阈值去噪,并根据去噪后的采集组训练网络完成无人机调控;
所述根据当前采集组的任意两个数据参数的数值与所有采集组数据参数的均值获取当前采集组两个数据参数的相关性的方法为:
式中,表示第i个采集组内数据参数A的数值,/>表示第i个采集组内数据参数B的数值,/>表示数据参数A在所有采集组内的数值均值,/>表示数据参数B在所有采集组内的数值均值,/>表示采集组的数量,/>表示以自然常数为底的指数函数,/>表示数据参数A和数据参数B之间的相关性。
2.根据权利要求1所述的一种无人机平稳升降智能控制方法,其特征在于,所述根据两个数据参数的相关性和数据参数在采集组中的差异获取当前采集组内每个数据点为噪声的可能性的方法为:
获取采集组内任意一个数据参数,将该数据参数记为第一数据参数,将除了第一数据参数外的数据参数记为第二数据参数,将当前采集组内第一数据参数与当前采集组内每个第二数据参数的数值差值的绝对值记为第一差值,将所有采集组内第一数据参数的数值的均值与所有采集组内每个第二数据参数的数值的均值差值的绝对值记为第二差值,将第一差值与每一个第二差值作差后取绝对值再与第一差值和第二差值对应的两个数据参数的相关性作差取绝对值得到第一绝对值,将第一数据参数与每个第二数据参数得到的第一绝对值累加得到当前采集组内第一数据参数对应的数据点为噪声的可能性。
3.根据权利要求1所述的一种无人机平稳升降智能控制方法,其特征在于,所述根据每个采集组的数据参数的数值构建出参数变化曲线、斜率时间曲线以及斜率变化曲线,并根据曲线的相似度以及参数之间的相关性获取数据点为噪声数据点的可能性的方法为:
将所有采集组内同一种数据参数提取出来构成参数变化曲线,并获取当前数据点和临近数据点;根据当前数据点和临近数据点的数值差异获取累计差异和累计斜率差异;根据当前数据点和临近数据点的数值差异以及数值差异的差异获取斜率时间曲线和斜率变化曲线;根据余弦相似度求同一种曲线两个数据参数的相似度,根据两个参数之间的相关性和其对应斜率时间曲线和斜率变化曲线的相似度获取当前数据点的噪声剥离程度;根据累计差异和累计斜率差异的乘积与当前数据点的噪声剥离程度的比值作为当前数据点为噪声数据点的可能性。
4.根据权利要求3所述的一种无人机平稳升降智能控制方法,其特征在于,所述将所有采集组内同一种数据参数提取出来构成参数变化曲线,并获取当前数据点和临近数据点的方法为:
参数变化曲线的横坐标为时间,纵坐标为数据参数每次采集的数值;每种数据参数得到一条参数变化曲线,在参数变化曲线内最后一个数据点记为当前数据点,对于当前数据点在参数变化曲线内向前依次选取预设数量个数据点作为当前像素点的预设像素点。
5.根据权利要求3所述的一种无人机平稳升降智能控制方法,其特征在于,所述根据当前数据点和临近数据点的数值差异获取累计差异和累计斜率差异的方法为:
对于参数变化曲线,将当前数据点与其临近数据点的数值依次作差得到当前数据点与每个临近数据点的数值差异,将当前数据点与所有临近数据点的数值差异相加得到累计差异,将当前数据点与其最近的临近数据点的数值差异记为临近数值差异,在计算当前数据点的临近数值差异时,其临近数据点也存在临近数值差异,因此令当前数据点的临近数值差异与其每个临近数据点的临近数值差异作差得到斜率差异,将当前数据点与所有临近数据点的斜率差异累加得到累计斜率差异。
6.根据权利要求3所述的一种无人机平稳升降智能控制方法,其特征在于,所述根据当前数据点和临近数据点的数值差异以及数值差异的差异获取斜率时间曲线和斜率变化曲线的方法为:
对于每个数据参数,将每个数据参数的当前数据点与临近数据点的数值差异构成一条曲线记为斜率时间曲线,斜率时间曲线中的纵坐标为该数据点的临近数值差异,横坐标为时间点,将当前数据点与其最近的临近数据点的斜率差异记为临近斜率差异,根据临近斜率差异得到每个数据参数的斜率变化曲线,斜率变化曲线的横坐标为时间点,纵坐标为每个数据点的临近斜率差异,斜率时间曲线和斜率变化曲线中的数据点只存在当前数据点与其临近数据点。
7.根据权利要求3所述的一种无人机平稳升降智能控制方法,其特征在于,所述根据两个参数之间的相关性和其对应斜率时间曲线和斜率变化曲线的相似度获取当前数据点的噪声剥离程度的方法为:
式中,表示数据参数A和数据参数/>之间的相关性, />表示数据参数A对应的斜率时间曲线与数据参数/>对应的斜率时间曲线的相似度,/>表示数据参数A对应的斜率变化曲线与数据参数/>对应的斜率变化曲线的相似度,/>表示数据参数A对应的删除当前数据点后的斜率时间曲线与数据参数/>对应的删除当前数据点后的斜率时间曲线的相似度,/>表示数据参数A对应的删除当前数据点后的斜率变化曲线与数据参数/>对应的删除当前数据点后的斜率变化曲线的相似度,/>表示所采集的数据参数的种类数量,/>表示数据参数A对应的当前数据点的噪声剥离程度。
8.根据权利要求1所述的一种无人机平稳升降智能控制方法,其特征在于,所述根据数据点的显著值、数据参数之间的相关性以及数据点为噪声数据点的可能性得到数据点为噪声数据点的最终可能性的方法为:
式中,表示数据参数A的当前数据点的显著值,/>表示数据参数/>的当前数据点的显著值,/>表示数据参数A和数据参数/>之间的相关性,/>表示线性归一化函数,/>表示数据参数A的当前数据点为噪声数据点的最终可能性。
9.根据权利要求1所述的一种无人机平稳升降智能控制方法,其特征在于,所述获取无人机各项数据参数对应的数据,构成若干采集组的方法为:
使用传感器获取无人机的多项是数据参数,每个数据参数每次采集会获得一个数据,将每个数据参数所采集的数据按照采集时间排序得到一个采集组,每个数据参数对应一个采集组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919047.7A CN116628429B (zh) | 2023-07-26 | 2023-07-26 | 一种无人机平稳升降智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919047.7A CN116628429B (zh) | 2023-07-26 | 2023-07-26 | 一种无人机平稳升降智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628429A CN116628429A (zh) | 2023-08-22 |
CN116628429B true CN116628429B (zh) | 2023-10-10 |
Family
ID=87597709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310919047.7A Active CN116628429B (zh) | 2023-07-26 | 2023-07-26 | 一种无人机平稳升降智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628429B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880700A (zh) * | 2012-09-24 | 2013-01-16 | 常州大学 | 一种三维点模型数据去噪方法 |
GB201411093D0 (en) * | 2014-06-21 | 2014-08-06 | Peirson Neil F | Method and apparatus for signal enhancement by reduction of noise |
CN108460481A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 基于循环神经网络的无人机侦察目标演变规律预测方法 |
CN110246092A (zh) * | 2019-05-02 | 2019-09-17 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
CN110851913A (zh) * | 2019-10-10 | 2020-02-28 | 中国直升机设计研究所 | 一种直升机气动噪声确定方法 |
CN111428631A (zh) * | 2020-03-23 | 2020-07-17 | 中南大学 | 无人机飞控信号可视化识别分选方法 |
CN113553912A (zh) * | 2021-06-29 | 2021-10-26 | 北京蓬瑞宇兴科技有限公司 | 一种基于rgb分布的无人机图像处理方法 |
CN113819932A (zh) * | 2021-09-28 | 2021-12-21 | 北京卫星环境工程研究所 | 一种基于深度学习和数学拟合的布里渊频移提取方法 |
CN113920255A (zh) * | 2021-12-15 | 2022-01-11 | 湖北晓雲科技有限公司 | 基于点云数据的高效测绘系统 |
CN114216433A (zh) * | 2021-10-28 | 2022-03-22 | 江苏大学 | 基于自适应小波包降噪的植保无人机飞行态监测方法 |
CN114697128A (zh) * | 2022-04-13 | 2022-07-01 | 石家庄汇勤网络科技有限公司 | 通过人工智能决策的大数据去噪方法及大数据采集系统 |
CN116484177A (zh) * | 2023-05-04 | 2023-07-25 | 中国科学院地质与地球物理研究所 | 一种用于飞行平台电磁探测的运动诱导噪声预测消除方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8942964B2 (en) * | 2010-06-08 | 2015-01-27 | Southwest Research Institute | Optical state estimation and simulation environment for unmanned aerial vehicles |
WO2018152071A1 (en) * | 2017-02-15 | 2018-08-23 | Flir Systems, Inc. | Systems and methods for efficient enhanced image filtering by collaborative sharpening in similarity domain |
US10643308B2 (en) * | 2017-10-11 | 2020-05-05 | Gopro, Inc. | Double non-local means denoising |
US20220138911A1 (en) * | 2020-11-05 | 2022-05-05 | Massachusetts Institute Of Technology | Neural network systems and methods for removing noise from signals |
-
2023
- 2023-07-26 CN CN202310919047.7A patent/CN116628429B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880700A (zh) * | 2012-09-24 | 2013-01-16 | 常州大学 | 一种三维点模型数据去噪方法 |
GB201411093D0 (en) * | 2014-06-21 | 2014-08-06 | Peirson Neil F | Method and apparatus for signal enhancement by reduction of noise |
CN108460481A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 基于循环神经网络的无人机侦察目标演变规律预测方法 |
CN110246092A (zh) * | 2019-05-02 | 2019-09-17 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
CN110851913A (zh) * | 2019-10-10 | 2020-02-28 | 中国直升机设计研究所 | 一种直升机气动噪声确定方法 |
CN111428631A (zh) * | 2020-03-23 | 2020-07-17 | 中南大学 | 无人机飞控信号可视化识别分选方法 |
CN113553912A (zh) * | 2021-06-29 | 2021-10-26 | 北京蓬瑞宇兴科技有限公司 | 一种基于rgb分布的无人机图像处理方法 |
CN113819932A (zh) * | 2021-09-28 | 2021-12-21 | 北京卫星环境工程研究所 | 一种基于深度学习和数学拟合的布里渊频移提取方法 |
CN114216433A (zh) * | 2021-10-28 | 2022-03-22 | 江苏大学 | 基于自适应小波包降噪的植保无人机飞行态监测方法 |
CN113920255A (zh) * | 2021-12-15 | 2022-01-11 | 湖北晓雲科技有限公司 | 基于点云数据的高效测绘系统 |
CN114697128A (zh) * | 2022-04-13 | 2022-07-01 | 石家庄汇勤网络科技有限公司 | 通过人工智能决策的大数据去噪方法及大数据采集系统 |
CN116484177A (zh) * | 2023-05-04 | 2023-07-25 | 中国科学院地质与地球物理研究所 | 一种用于飞行平台电磁探测的运动诱导噪声预测消除方法 |
Non-Patent Citations (1)
Title |
---|
一种基于模糊C均值和均值滤波的点云去噪算法;许龙;黄翔;李根;;机械制造与自动化(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628429A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111272165B (zh) | 一种基于特征点标定的智能车定位方法 | |
CN109949375B (zh) | 一种基于深度图感兴趣区域的移动机器人目标跟踪方法 | |
CN111239757B (zh) | 一种路面特征参数自动提取方法及系统 | |
CN110517311A (zh) | 基于叶片病斑面积的病虫害监测方法 | |
CN109255302A (zh) | 目标物识别方法及终端、移动装置控制方法及终端 | |
CN104932522A (zh) | 一种飞行器的自主降落方法和系统 | |
CN110726415B (zh) | 一种自适应的水下多波束同步定位与建图方法 | |
CN117278643B (zh) | 基于云边协同的车载云标定数据传输系统 | |
CN117332341B (zh) | 基于物联网的飞机轮挡数据智能管理方法及系统 | |
CN109857128B (zh) | 无人机视觉定点降落方法、系统、设备及存储介质 | |
CN111666855A (zh) | 基于无人机的动物三维参数提取方法、系统及电子设备 | |
CN106406092B (zh) | 一种适用于直升机自适应飞行控制的鲁棒辨识方法 | |
CN110532621A (zh) | 一种飞行器气动参数在线辨识方法 | |
CN113050636A (zh) | 一种叉车自主拾取托盘的控制方法、系统及装置 | |
CN112802199A (zh) | 基于人工智能的高精度测绘点云数据处理方法与系统 | |
CN116628429B (zh) | 一种无人机平稳升降智能控制方法 | |
CN110879602A (zh) | 基于深度学习的无人机控制律参数调节方法及系统 | |
CN117408913B (zh) | 待测物体点云去噪方法、系统及装置 | |
CN107273659A (zh) | 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法 | |
CN116414153B (zh) | 基于人工智能的无人机起降校正方法 | |
WO2024041308A1 (zh) | 一种位置信息处理方法、装置、芯片、中控模组及车辆 | |
CN111814585A (zh) | 无人机近地空作物苗情遥感监测方法、装置及存储介质 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN110175639B (zh) | 一种基于特征选取的短期风电功率预测方法 | |
CN115439655A (zh) | 基于点云深度学习的平菇生长监测方法 |
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 |