CN116880538A - 高亚音速无人机大机动飞行控制系统及其方法 - Google Patents
高亚音速无人机大机动飞行控制系统及其方法 Download PDFInfo
- Publication number
- CN116880538A CN116880538A CN202311140603.7A CN202311140603A CN116880538A CN 116880538 A CN116880538 A CN 116880538A CN 202311140603 A CN202311140603 A CN 202311140603A CN 116880538 A CN116880538 A CN 116880538A
- Authority
- CN
- China
- Prior art keywords
- target
- training
- angle
- attitude
- aerial vehicle
- 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
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003247 decreasing effect Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 108
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000012546 transfer Methods 0.000 claims description 81
- 239000013598 vector Substances 0.000 claims description 78
- 230000036544 posture Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000012098 association analyses Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 13
- 230000004913 activation Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining 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
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
公开了一种高亚音速无人机大机动飞行控制系统及其方法。其首先获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角,接着,获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角,然后,分别对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析和关联编码以得到飞行姿势时序特征和目标姿势特征,最后,基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。这样,可以确保高亚音速无人机在高速飞行中保持稳定,同时具备高机动性和灵活性。
Description
技术领域
本公开涉及飞行控制领域,且更为具体地,涉及一种高亚音速无人机大机动飞行控制系统及其方法。
背景技术
高亚音速无人机是一种具有不超过1倍音速飞行能力的飞行器。相比传统亚音速或超音速飞行器,高亚音速无人机具有更高的飞行速度和机动性能,可以在短时间内快速穿越长距离,并且能够执行高难度的飞行动作。
飞行控制计算机是无人机的核心控制单元,负责实时计算和控制飞行器的各项参数。它能够根据传感器数据和飞行任务要求,实时调整飞行器的姿态、航向、速度等参数,以实现大机动性的飞行。
目前,飞行控制计算机通常是根据高亚音速无人机的当前姿态与目标姿态之间的差异来进行控制调整。具体来说,通过比较当前姿态和任务要求,飞行控制计算机可以确定需要调整的姿态参数。例如,如果任务要求飞行器保持水平飞行,但当前姿态有一定的俯仰角,那么飞行控制计算机会计算出需要减小俯仰角的调整量,并相应地控制飞行器的副翼和方向升降舵来实现调整。然而,由于飞行器需要快速响应和执行复杂的机动动作,当飞行器出现姿态偏差时,传统的控制系统往往无法提供足够的姿态调整能力,导致飞行器无法满足高亚音速飞行的要求,限制了其机动性能和任务执行能力。
因此,期望一种优化的高亚音速无人机大机动飞行控制系统。
发明内容
有鉴于此,本公开提出了一种高亚音速无人机大机动飞行控制系统及其方法,其可以确保高亚音速无人机在高速飞行中保持稳定,同时具备高机动性和灵活性。
根据本公开的一方面,提供了一种高亚音速无人机大机动飞行控制系统,其包括:飞行姿态数据采集模块,用于获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角;目标姿态数据采集模块,用于获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角;飞行姿态数据关联分析模块,用于对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征;目标姿态数据关联分析模块,用于对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征;以及角度控制模块,用于基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
根据本公开的另一方面,提供了一种高亚音速无人机大机动飞行控制方法,其包括:获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角;获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角;对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征;对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征;以及基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
根据本公开的实施例,其首先获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角,接着,获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角,然后,对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征,接着,对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征,最后,基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。这样,可以确保高亚音速无人机在高速飞行中保持稳定,同时具备高机动性和灵活性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统的框图。
图2示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统中所述飞行姿态数据关联分析模块的框图。
图3示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统中所述角度控制模块的框图。
图4示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统中进一步包括的训练模块的框图。
图5示出根据本公开的实施例的高亚音速无人机大机动飞行控制方法的流程图。
图6示出根据本公开的实施例的高亚音速无人机大机动飞行控制方法的架构示意图。
图7示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思为通过飞行控制计算机获取高亚音速无人机在飞行过程中的飞行姿态数据(俯仰角、横滚角和偏航角),以及,目标姿态数据,并在后端引入分析算法来进行所述飞行姿态数据和所述目标姿态数据的响应关联分析,以基于实际的姿态差异来实时自适应地进行飞行器的姿态自动调整,从而提高飞行器的姿态调整能力,使得高亚音速无人机大机动飞行控制系统更加智能化,通过这样的方式,能够确保高亚音速无人机在高速飞行中保持稳定,同时具备高机动性和灵活性。
图1示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统的框图示意图。如图1所示,根据本公开实施例的高亚音速无人机大机动飞行控制系统100,包括:飞行姿态数据采集模块110,用于获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角;目标姿态数据采集模块120,用于获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角;飞行姿态数据关联分析模块130,用于对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征;目标姿态数据关联分析模块140,用于对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征;以及,角度控制模块150,用于基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
具体地,在本公开的技术方案中,首先,获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角,并且,获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角。应可以理解,所述俯仰角是飞行器绕横轴旋转的角度,用来描述飞行器的上下倾斜状态;所述横滚角是飞行器绕纵轴旋转的角度,用来描述飞行器的左右倾斜状态;所述偏航角是飞行器绕垂直轴旋转的角度,用来描述飞行器的左右转向状态。这些姿态参数描述了飞行器在空间中的方向和倾斜程度。
接着,对于所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角来说,这些飞行姿态数据不仅在时间维度上具有着各自的动态变化规律,而且这些飞行姿态数据之间也具有着样本维度的关联关系。因此,在本公开的技术方案中,为了能够捕捉到所述高亚音速无人机的俯仰角、横滚角和偏航角在时间和样本维度上时序关联特征信息,需要将所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角分别按照时间维度和样本维度排列为飞行姿势时序输入矩阵,以此来整合所述高亚音速无人机的俯仰角、横滚角和偏航角在时序和样本上的分布信息。
继而,再将所述飞行姿势时序输入矩阵通过基于卷积神经网络模型的姿势时序特征提取器中进行特征挖掘,以提取出所述高亚音速无人机的俯仰角、横滚角和偏航角之间在时间维度和样本维度上的时序关联特征信息,从而得到飞行姿势时序特征向量,以此来反映出飞行器的飞行姿态时序特征。
相应地,如图2所示,所述飞行姿态数据关联分析模块130,包括:飞行姿态数据时序排列单元131,用于将所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角分别按照时间维度和样本维度排列为飞行姿势时序输入矩阵;以及,飞行姿态时序特征提取单元132,用于将所述飞行姿势时序输入矩阵通过基于卷积神经网络模型的姿势时序特征提取器以得到飞行姿势时序特征向量作为所述飞行姿势时序特征。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,卷积神经网络的核心思想是通过卷积层和池化层来提取输入数据中的特征,并通过全连接层进行分类或回归。以下是卷积神经网络的几个关键组件:1.卷积层(Convolutional Layer):卷积层是卷积神经网络的核心部分,它通过应用一系列滤波器(也称为卷积核)来提取输入数据的特征,每个滤波器在输入数据上进行卷积操作,生成一个特征图(Feature Map),其中每个元素表示滤波器在对应位置的响应值,卷积操作可以捕捉输入数据中的局部空间关系,例如边缘、纹理等特征;2.激活函数(Activation Function):激活函数通常被应用于卷积层的输出,以引入非线性特性,常用的激活函数包括ReLU(Rectified Linear Unit)、Sigmoid和Tanh等,它们可以增加网络的表达能力和非线性拟合能力;3.池化层(Pooling Layer):池化层用于减小特征图的空间尺寸,并保留重要的特征信息,常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling),它们可以减少数据维度,提高计算效率,并具有一定的平移不变性;4.全连接层(Fully Connected Layer):全连接层将前面的卷积层和池化层的输出连接起来,并通过一系列的线性变换和非线性激活函数进行分类或回归,全连接层的输出可以表示为输入数据的高级抽象表示,用于最终的预测。卷积神经网络通过多个卷积层、激活函数、池化层和全连接层的堆叠来构建深层网络结构,可以学习到更复杂的特征表示,并在训练数据上进行端到端的优化。
然后,对于所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角来说,有关于飞行器的目标姿态中各个数据项之间也具有着关联关系,为了能够对于飞行器的目标姿态特征信息进行有效捕捉刻画,以此来提高姿态调整能力,在本公开的技术方案中,进一步将所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角排列为输入向量后通过基于全连接层的目标姿势信息提取器中进行特征挖掘,以提取出所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角之间的关联特征信息,从而得到目标姿势特征向量,以此来反映出所述高亚音速无人机的目标姿态特征。
相应地,所述目标姿态数据关联分析模块140,进一步用于:将所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角排列为输入向量后通过基于全连接层的目标姿势信息提取器以得到目标姿势特征向量作为所述目标姿势特征。应可以理解,全连接层(Fully Connected Layer)是卷积神经网络(CNN)中的一种常见层类型,也称为密集连接层或全连接层。它的作用是将前面的卷积层和池化层的输出连接起来,并通过一系列的线性变换和非线性激活函数进行分类或回归。在目标姿势信息提取器中,将目标俯仰角、目标横滚角和目标偏航角排列为输入向量后,可以将该向量输入到全连接层中。全连接层的每个神经元都与上一层的所有神经元相连接,因此它能够学习到输入数据的复杂特征表示。全连接层通过一系列的线性变换和非线性激活函数,可以将输入数据映射到一个高维特征空间中,这些特征可以捕捉到输入数据的抽象表示,有助于区分不同类别的目标姿势特征。全连接层的输出可以用于分类或回归任务,对于分类任务,可以使用softmax激活函数将输出转化为每个类别的概率分布,并选择概率最高的类别作为预测结果,对于回归任务,可以使用线性激活函数或其他适当的激活函数来预测目标姿势的具体数值。全连接层通常位于卷积神经网络的最后几层,将卷积层和池化层提取的特征进行整合和转换,以便进行最终的分类或回归。它在目标姿势信息提取器中的作用是从输入向量中提取目标姿势的特征表示,以便后续的任务处理和决策。
进一步地,计算所述目标姿势特征向量相对于所述飞行姿势时序特征向量的转移矩阵,以此来表示所述高亚音速无人机的目标姿态特征和飞行姿态特征之间的差异性转移关联特征信息,从而反映出飞行器的飞行姿态特征和目标姿态特征之间的差异程度。
特别地,在本申请的技术方案中,所述目标姿势特征向量和所述飞行姿势时序特征向量分别表达目标姿态数据的样本间关联特征和飞行姿态数据的多样本时序关联特征,考虑到时序表达维度上的差异,在计算所述目标姿势特征向量相对于所述飞行姿势时序特征向量的转移矩阵以提取样本空间关联域转移特征时,如果所述目标姿势特征向量和所述飞行姿势时序特征向量各自的样本关联特征作为前景对象特征,则在进行样本空间域转移特征表示的同时,也会引入背景分布噪声,并且,所述转移矩阵在进行向量-矩阵间高秩分布表示的同时,也会由于高维特征的样本空间维度对应性异质分布而引起所述转移矩阵相对于所述目标姿势特征向量和所述飞行姿势时序特征向量的样本间关联特征的样本空间概率密度映射误差,影响所述转移矩阵通过分类器得到的分类结果的准确性。
基于此,本申请对所述转移矩阵,例如记为进行特征尺度作为模仿掩码的秩排列分布软匹配,具体表示为:/>其中,/>是所述转移矩阵/>的第/>位置的特征值,/>是所述转移矩阵/>的尺度,即宽度乘以高度,/>表示所述转移矩阵/>的Frobenius范数的平方,/>表示所述转移矩阵/>的二范数,即谱范数/>,/>是/>的最大本征值,且/>是加权超参数,/>是所述优化转移矩阵的第/>位置的特征值。
这里,所述特征尺度作为模仿掩码的秩排列分布软匹配可以在将待类回归的高维特征映射到概率密度空间内时,将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声,并通过所述转移矩阵的不同范数进行的金字塔式秩排列分布的分布软匹配,从而有效捕捉概率密度分布的中心区域和尾部区域之间的相关性,避免了由于所述转移矩阵/>的高维特征的增益空间异质分布导致的概率密度映射偏差,这样,就提升了所转移矩阵通过分类器得到的分类结果的准确性。
进而,将所述优化转移矩阵作为飞行-目标姿态转移关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。这样,能够基于实际的姿态差异来实时自适应地进行飞行器的姿态自动调整,从而提高飞行器的姿态调整能力,使得高亚音速无人机大机动飞行控制系统更加智能化。
相应地,如图3所示,所述角度控制模块150,包括:飞行-目标姿态转移关联单元151,用于计算所述目标姿势特征向量相对于所述飞行姿势时序特征向量的转移矩阵;软匹配优化单元152,用于对所述转移矩阵进行进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化转移矩阵;以及,角度控制分类单元153,用于将所述优化转移矩阵作为飞行-目标姿态转移关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。应可以理解,角度控制模块包括以下三个单元:1.飞行-目标姿态转移关联单元(Flight-TargetAttitude Transfer Correlation Unit):该单元的主要作用是计算目标姿势特征向量相对于飞行姿势时序特征向量的转移矩阵,它通过分析目标姿势特征向量和飞行姿势时序特征向量之间的关系,来推断目标姿势对应的副翼的角度和方向升降舵角度应该如何调整,这个单元可以根据输入的特征向量之间的关系,学习到目标姿态与飞行姿态之间的转换规律。2.软匹配优化单元;该单元的作用为对所述转移矩阵进行进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化转移矩阵。3.角度控制分类单元(Angle ControlClassification Unit):该单元的作用是将飞行-目标姿态转移关联特征矩阵通过分类器,以得到分类结果,转移矩阵是由飞行-目标姿态转移关联单元计算得到的特征矩阵,它反映了目标姿态特征向量与飞行姿态时序特征向量之间的关系,分类器会根据优化转移矩阵来判断当前时间点的副翼和当前时间点方向升降舵的角度应该增大还是减小,分类结果可以表示为一个二元值,例如"增大"或"减小",用于指示副翼和方向升降舵在当前时间点应该调整的方向。
更具体地,所述角度控制分类单元153,进一步用于:将所述优化转移矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括当前时间点的副翼的角度应增大,且当前时间点的方向升降舵的角度应增大(第一标签),以及,当前时间点的副翼的角度应减小,且当前时间点的方向升降舵的角度应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述转移矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本公开的技术方案中,所述的高亚音速无人机大机动飞行控制系统,其还包括用于对所述基于卷积神经网络模型的姿势时序特征提取器、所述基于全连接层的目标姿势信息提取器和所述分类器进行训练的训练模块。应可以理解,训练模块的作用是对基于卷积神经网络模型的姿势时序特征提取器、基于全连接层的目标姿势信息提取器和分类器进行训练。训练模块具体的功能如下:训练姿势时序特征提取器:姿势时序特征提取器是基于卷积神经网络模型构建的一部分,用于从飞行数据中提取特征,训练模块通过提供已标记的训练样本,将输入的飞行数据与对应的目标姿势标签进行配对,然后通过反向传播算法和优化方法,调整姿势时序特征提取器的权重和参数,使其能够准确地提取出与目标姿势相关的特征;训练目标姿势信息提取器:目标姿势信息提取器是基于全连接层的一部分,用于从目标姿势特征向量中提取目标姿势的特征表示,训练模块通过提供已标记的训练样本,将输入的目标姿势特征向量与对应的目标姿势标签进行配对,然后通过反向传播算法和优化方法,调整目标姿势信息提取器的权重和参数,使其能够准确地提取出与目标姿势相关的特征;训练分类器:分类器是用于将转移矩阵映射为副翼和方向升降舵角度调整的关键部分,训练模块通过提供已标记的训练样本,将输入的转移矩阵与对应的副翼和方向升降舵角度标签进行配对,然后通过反向传播算法和优化方法,调整分类器的权重和参数,使其能够准确地将转移矩阵分类为应增大或应减小副翼和方向升降舵角度的结果。通过训练模块的训练过程,系统可以学习到飞行数据与目标姿势之间的关系,并能够根据当前的飞行状态和目标姿势,做出相应的副翼和方向升降舵角度调整,实现高亚音速无人机的大机动飞行控制。
如图4所示,在一个具体示例中,所述训练模块200,包括:训练数据采集单元210,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的高亚音速无人机的训练俯仰角、训练横滚角和训练偏航角,所述高亚音速无人机的训练目标俯仰角、训练目标横滚角和训练目标偏航角,以及,所述当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小的真实值;训练飞行姿态数据时序排列单元220,用于将所述多个预定时间点的高亚音速无人机的训练俯仰角、训练横滚角和训练偏航角分别按照时间维度和样本维度排列为训练飞行姿势时序输入矩阵;训练飞行姿态时序特征提取单元230,用于将所述训练飞行姿势时序输入矩阵通过所述基于卷积神经网络模型的姿势时序特征提取器以得到训练飞行姿势时序特征向量;训练目标姿态关联特征提取单元240,用于将所述高亚音速无人机的训练目标俯仰角、训练目标横滚角和训练目标偏航角排列为输入向量后通过所述基于全连接层的目标姿势信息提取器以得到训练目标姿势特征向量;训练飞行-目标姿态转移关联单元250,用于计算所述训练目标姿势特征向量相对于所述训练飞行姿势时序特征向量的训练转移矩阵;训练软匹配优化单元260,用于对所述优化训练转移矩阵进行进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化训练转移矩阵;分类损失单元270,用于将所述优化训练转移矩阵作为飞行-目标姿态转移关联特征矩阵通过所述分类器以得到分类损失函数值;凸分解一致性损失单元280,用于计算所述训练转移矩阵的行列凸分解一致性因数以得到行列凸分解一致性损失函数值;以及,模型训练单元290,用于以所述分类损失函数值和所述行列凸分解一致性损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述基于卷积神经网络模型的姿势时序特征提取器、所述基于全连接层的目标姿势信息提取器和所述分类器进行训练。
特别地,在本公开的技术方案中,这里,计算所述训练目标姿势特征向量相对于所述训练飞行姿势时序特征向量的训练转移矩阵时,所述训练转移矩阵的每个行特征向量与转移源向量的内积是转移目的向量的相应位置的特征值,因此,所述训练转移矩阵的行特征向量之间的一致性决定了所述训练转移矩阵的整体特征分布关联度。
因此,考虑到所述训练转移矩阵在行方向上与转移源向量的内积关联性,因此,如果使得所述训练转移矩阵在高维特征空间内的流形表达在行方向和列方向对应的不同分布维度上保持一致,则可以提升所述训练转移矩阵的行特征向量之间的一致相关性。
因此,本公开的申请人在分类损失函数之外,进一步引入所述训练转移矩阵的行列凸分解一致性因数来作为损失函数。
相应地,在一个具体示例中,所述凸分解一致性损失单元270,用于:以如下损失公式计算所述训练转移矩阵的行列凸分解一致性因数以得到所述行列凸分解一致性损失函数值;其中,所述损失公式为:其中,/>表示所述训练转移矩阵的第/>位置的特征值,/>和/>分别是所述训练转移矩阵第/>个行向量的均值向量和列向量的均值向量,/>表示向量的一范数,/>表示矩阵的Frobenius范数,是特征向量的长度,且/>、/>和/>是权重超参数,/>表示/>函数,表示所述行列凸分解一致性损失函数值。其中,/>和/>分别是矩阵/>对应行向量的均值向量和列向量的均值向量,/>和/>是矩阵/>的宽度和高度。
也就是,考虑到所述训练转移矩阵的行和列维度的表达特性,所述行列凸分解一致性因数针对所述训练转移矩阵/>在行和列所代表的子维度上的分布差异性,通过所述训练转移矩阵/>所表示的特征流形的几何凸分解,来对不同维度上的流形的有限凸多面体的集合进行平展化,并以子维度关联的形状权重的形式来约束几何凸分解,从而促进所述训练转移矩阵/>的特征流形在行和列所代表的可分解维度上的凸几何表示的一致性,以使得所述训练转移矩阵在高维特征空间内的流形表达在与行方向和列方向对应的不同分布维度上保持一致,从而提升所述训练转移矩阵的行特征向量之间的一致相关性。这样,能够实时基于飞行器实际的飞行姿态和目标姿态之间的姿态差异来自适应地进行飞行器的姿态自动调整,从而提高飞行器的姿态调整能力,以此来确保高亚音速无人机在高速飞行中保持稳定,同时具备高机动性和灵活性。
综上,基于本公开实施例的高亚音速无人机大机动飞行控制系统100被阐明,其可以基于实际的姿态差异来实时自适应地进行飞行器的姿态自动调整,从而提高飞行器的姿态调整能力,使得高亚音速无人机大机动飞行控制系统更加智能化。
如上所述,根据本公开实施例的所述高亚音速无人机大机动飞行控制系统100可以实现在各种终端设备中,例如具有高亚音速无人机大机动飞行控制算法的服务器等。在一个示例中,高亚音速无人机大机动飞行控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该高亚音速无人机大机动飞行控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该高亚音速无人机大机动飞行控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该高亚音速无人机大机动飞行控制系统100与该终端设备也可以是分立的设备,并且该高亚音速无人机大机动飞行控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5示出根据本公开的实施例的高亚音速无人机大机动飞行控制方法的流程图。图6示出根据本公开的实施例的高亚音速无人机大机动飞行控制方法的系统架构的示意图。如图5和图6所示,根据本公开实施例的高亚音速无人机大机动飞行控制方法,其包括:S110,获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角;S120,获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角;S130,对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征;S140,对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征;以及,S150,基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
在一种可能的实现方式中,对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征,包括:将所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角分别按照时间维度和样本维度排列为飞行姿势时序输入矩阵;以及,将所述飞行姿势时序输入矩阵通过基于卷积神经网络模型的姿势时序特征提取器以得到飞行姿势时序特征向量作为所述飞行姿势时序特征。
在一种可能的实现方式中,对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征,包括:将所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角排列为输入向量后通过基于全连接层的目标姿势信息提取器以得到目标姿势特征向量作为所述目标姿势特征。
这里,本领域技术人员可以理解,上述高亚音速无人机大机动飞行控制方法中的各个步骤的具体操作已经在上面参考图1到图4的高亚音速无人机大机动飞行控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图7示出根据本公开的实施例的高亚音速无人机大机动飞行控制系统的应用场景图。如图7所示,在该应用场景中,首先,获取所述高亚音速无人机的目标俯仰角(例如,图7中所示意的D1)、目标横滚角(例如,图7中所示意的D2)和目标偏航角(例如,图7中所示意的D3),然后,将所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角输入至部署有高亚音速无人机大机动飞行控制算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述高亚音速无人机大机动飞行控制算法对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行处理以得到用于表示当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种高亚音速无人机大机动飞行控制系统,其特征在于,包括:飞行姿态数据采集模块,用于获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角;目标姿态数据采集模块,用于获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角;飞行姿态数据关联分析模块,用于对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征;目标姿态数据关联分析模块,用于对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征;以及角度控制模块,用于基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
2.根据权利要求1所述的高亚音速无人机大机动飞行控制系统,其特征在于,所述飞行姿态数据关联分析模块,包括:飞行姿态数据时序排列单元,用于将所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角分别按照时间维度和样本维度排列为飞行姿势时序输入矩阵;以及飞行姿态时序特征提取单元,用于将所述飞行姿势时序输入矩阵通过基于卷积神经网络模型的姿势时序特征提取器以得到飞行姿势时序特征向量作为所述飞行姿势时序特征。
3.根据权利要求2所述的高亚音速无人机大机动飞行控制系统,其特征在于,所述目标姿态数据关联分析模块,进一步用于:将所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角排列为输入向量后通过基于全连接层的目标姿势信息提取器以得到目标姿势特征向量作为所述目标姿势特征。
4.根据权利要求3所述的高亚音速无人机大机动飞行控制系统,其特征在于,所述角度控制模块,包括:飞行-目标姿态转移关联单元,用于计算所述目标姿势特征向量相对于所述飞行姿势时序特征向量的转移矩阵;软匹配优化单元,用于对所述转移矩阵进行进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化转移矩阵;以及角度控制分类单元,用于将所述优化转移矩阵作为飞行-目标姿态转移关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
5.根据权利要求4所述的高亚音速无人机大机动飞行控制系统,其特征在于,所述软匹配优化单元,用于:以如下软匹配公式对所述转移矩阵进行进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述优化转移矩阵;其中,所述软匹配公式为:其中,/>是所述转移矩阵/>的第/>位置的特征值,/>是所述转移矩阵/>的尺度,/>表示所述转移矩阵/>的Frobenius范数的平方,/>表示所述转移矩阵/>的二范数,且/>是加权超参数,/>是所述优化转移矩阵的第/>位置的特征值。
6.根据权利要求5所述的高亚音速无人机大机动飞行控制系统,其特征在于,还包括用于对所述基于卷积神经网络模型的姿势时序特征提取器、所述基于全连接层的目标姿势信息提取器和所述分类器进行训练的训练模块,其中,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的高亚音速无人机的训练俯仰角、训练横滚角和训练偏航角,所述高亚音速无人机的训练目标俯仰角、训练目标横滚角和训练目标偏航角,以及,所述当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小的真实值;训练飞行姿态数据时序排列单元,用于将所述多个预定时间点的高亚音速无人机的训练俯仰角、训练横滚角和训练偏航角分别按照时间维度和样本维度排列为训练飞行姿势时序输入矩阵;训练飞行姿态时序特征提取单元,用于将所述训练飞行姿势时序输入矩阵通过所述基于卷积神经网络模型的姿势时序特征提取器以得到训练飞行姿势时序特征向量;训练目标姿态关联特征提取单元,用于将所述高亚音速无人机的训练目标俯仰角、训练目标横滚角和训练目标偏航角排列为输入向量后通过所述基于全连接层的目标姿势信息提取器以得到训练目标姿势特征向量;训练飞行-目标姿态转移关联单元,用于计算所述训练目标姿势特征向量相对于所述训练飞行姿势时序特征向量的训练转移矩阵;训练软匹配优化单元,用于对所述优化训练转移矩阵进行进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化训练转移矩阵;分类损失单元,用于将所述训练转移矩阵作为飞行-目标姿态转移关联特征矩阵通过所述分类器以得到分类损失函数值;凸分解一致性损失单元,用于计算所述训练转移矩阵的行列凸分解一致性因数以得到行列凸分解一致性损失函数值;以及模型训练单元,用于以所述分类损失函数值和所述行列凸分解一致性损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述基于卷积神经网络模型的姿势时序特征提取器、所述基于全连接层的目标姿势信息提取器和所述分类器进行训练。
7.根据权利要求6所述的高亚音速无人机大机动飞行控制系统,其特征在于,所述凸分解一致性损失单元,用于:以如下损失公式计算所述训练转移矩阵的行列凸分解一致性因数以得到所述行列凸分解一致性损失函数值;其中,所述损失公式为:其中,/>表示所述训练转移矩阵的第/>位置的特征值,/>和/>分别是所述训练转移矩阵第/>个行向量的均值向量和列向量的均值向量,/>表示向量的一范数,/>表示矩阵的Frobenius范数,是特征向量的长度,且/>、/>和/>是权重超参数,/>表示/>函数,表示所述行列凸分解一致性损失函数值。
8.一种高亚音速无人机大机动飞行控制方法,其特征在于,包括:获取预定时间段内多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角;获取所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角;对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征;对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征;以及基于所述飞行姿势时序特征和所述目标姿势特征,确定当前时间点的副翼的角度应增大或应减小,且当前时间点的方向升降舵的角度应增大或减小。
9.根据权利要求8所述的高亚音速无人机大机动飞行控制方法,其特征在于,对所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角进行时序协同分析以得到飞行姿势时序特征,包括:将所述多个预定时间点的高亚音速无人机的俯仰角、横滚角和偏航角分别按照时间维度和样本维度排列为飞行姿势时序输入矩阵;以及将所述飞行姿势时序输入矩阵通过基于卷积神经网络模型的姿势时序特征提取器以得到飞行姿势时序特征向量作为所述飞行姿势时序特征。
10.根据权利要求9所述的高亚音速无人机大机动飞行控制方法,其特征在于,对所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角进行关联编码以得到目标姿势特征,包括:将所述高亚音速无人机的目标俯仰角、目标横滚角和目标偏航角排列为输入向量后通过基于全连接层的目标姿势信息提取器以得到目标姿势特征向量作为所述目标姿势特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140603.7A CN116880538B (zh) | 2023-09-06 | 2023-09-06 | 高亚音速无人机大机动飞行控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140603.7A CN116880538B (zh) | 2023-09-06 | 2023-09-06 | 高亚音速无人机大机动飞行控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116880538A true CN116880538A (zh) | 2023-10-13 |
CN116880538B CN116880538B (zh) | 2024-01-09 |
Family
ID=88271881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311140603.7A Active CN116880538B (zh) | 2023-09-06 | 2023-09-06 | 高亚音速无人机大机动飞行控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880538B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117382435A (zh) * | 2023-10-17 | 2024-01-12 | 浙江加力仓储设备股份有限公司 | 基于倾角监测的车速控制方法及其系统 |
CN117555249A (zh) * | 2023-12-29 | 2024-02-13 | 广东福临门世家智能家居有限公司 | 智能家居的门窗控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0672389A (ja) * | 1992-03-09 | 1994-03-15 | Kawasaki Heavy Ind Ltd | 回転翼航空機の自動飛行装置 |
KR20170074539A (ko) * | 2015-12-22 | 2017-06-30 | 한국항공대학교산학협력단 | 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법 |
CN115329932A (zh) * | 2022-08-05 | 2022-11-11 | 中国民用航空飞行学院 | 基于数字孪生的飞机着陆姿态监视方法 |
CN116449694A (zh) * | 2022-12-05 | 2023-07-18 | 电子科技大学 | 基于自适应变参的三自由度直升机鲁棒输出反馈控制方法 |
CN116520870A (zh) * | 2023-07-04 | 2023-08-01 | 天之翼(苏州)科技有限公司 | 一种无人机飞行姿态远程控制方法及系统 |
CN116679548A (zh) * | 2023-06-29 | 2023-09-01 | 电子科技大学 | 基于时变观测器的三自由度直升机鲁棒输出反馈控制方法 |
-
2023
- 2023-09-06 CN CN202311140603.7A patent/CN116880538B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0672389A (ja) * | 1992-03-09 | 1994-03-15 | Kawasaki Heavy Ind Ltd | 回転翼航空機の自動飛行装置 |
KR20170074539A (ko) * | 2015-12-22 | 2017-06-30 | 한국항공대학교산학협력단 | 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법 |
CN115329932A (zh) * | 2022-08-05 | 2022-11-11 | 中国民用航空飞行学院 | 基于数字孪生的飞机着陆姿态监视方法 |
CN116449694A (zh) * | 2022-12-05 | 2023-07-18 | 电子科技大学 | 基于自适应变参的三自由度直升机鲁棒输出反馈控制方法 |
CN116679548A (zh) * | 2023-06-29 | 2023-09-01 | 电子科技大学 | 基于时变观测器的三自由度直升机鲁棒输出反馈控制方法 |
CN116520870A (zh) * | 2023-07-04 | 2023-08-01 | 天之翼(苏州)科技有限公司 | 一种无人机飞行姿态远程控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘蓉;陆宇平;肖前贵;: "高适应性低成本大型无人机导航与控制系统", 南京航空航天大学学报, no. 1 * |
浦黄忠;甄子洋;王道波;胡勇;: "高亚音速无人机姿态确定与控制系统设计", 传感器与微系统, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117382435A (zh) * | 2023-10-17 | 2024-01-12 | 浙江加力仓储设备股份有限公司 | 基于倾角监测的车速控制方法及其系统 |
CN117382435B (zh) * | 2023-10-17 | 2024-05-03 | 浙江加力仓储设备股份有限公司 | 基于倾角监测的车速控制方法及其系统 |
CN117555249A (zh) * | 2023-12-29 | 2024-02-13 | 广东福临门世家智能家居有限公司 | 智能家居的门窗控制方法及系统 |
CN117555249B (zh) * | 2023-12-29 | 2024-05-14 | 广东福临门世家智能家居有限公司 | 智能家居的门窗控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116880538B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116880538B (zh) | 高亚音速无人机大机动飞行控制系统及其方法 | |
Zhang et al. | Deep transfer network: Unsupervised domain adaptation | |
Bodapati et al. | Feature extraction and classification using deep convolutional neural networks | |
CN109348707A (zh) | 针对基于深度神经网络的q学习修剪经验存储器的方法和装置 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN110321870B (zh) | 一种基于lstm的掌静脉识别方法 | |
CN108416270B (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
KR101887267B1 (ko) | 부분구조 학습기법과 영상데이터를 이용한 신경망 학습 방법 및 장치 | |
CN104462818B (zh) | 一种基于Fisher准则的嵌入流形回归模型 | |
CN111738403A (zh) | 一种神经网络的优化方法及相关设备 | |
CN113168509A (zh) | 通过球体回归的n-球体上的坐标估计 | |
CN111079790A (zh) | 一种构建类别中心的图像分类方法 | |
CN112966555A (zh) | 一种基于深度学习和部件先验的遥感影像飞机识别方法 | |
Bicer et al. | Sample efficient interactive end-to-end deep learning for self-driving cars with selective multi-class safe dataset aggregation | |
Tushar et al. | Faster convergence and reduction of overfitting in numerical hand sign recognition using DCNN | |
CN104463878A (zh) | 一种新的深度图像局部描述符方法 | |
CN113589272A (zh) | 一种目标跟踪设备值班日志自动生成方法 | |
CN117070741B (zh) | 酸洗机组的控制方法及其系统 | |
Bui et al. | Deep learning architectures for hard character classification | |
CN106778579B (zh) | 一种基于累计属性的头部姿态估计方法 | |
Liu et al. | Multi-digit recognition with convolutional neural network and long short-term memory | |
Madokoro et al. | Adaptive Category Mapping Networks for all-mode topological feature learning used for mobile robot vision | |
Wang | Research on the Optimal Machine Learning Classifier for Traffic Signs | |
CN110673642B (zh) | 无人机着陆控制方法、装置、计算机设备及存储介质 | |
Rahmania et al. | Exploration of the impact of kernel size for yolov5-based object detection on quadcopter |
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 |