CN113534837B - 基于生成对抗网络的无人机飞行状态融合控制***及控制方法 - Google Patents

Abstract

本发明公开一种基于生成对抗网络的无人机飞行状态融合控制***及方法。所述无人机包括多旋翼、固定翼、动力***及飞行控制***，所述飞行控制***控制所述动力***的输出功率进而融合调整所述多旋翼的旋转速度以及所述固定翼的迎角，原始飞行状态参数输出模组实时读取所述多旋翼及所述固定翼的额定工作参数，生成第一输入信号图像；实际飞行状态参数采集模组实时采集所述多旋翼及所述固定翼的实际工作参数，生成第二输入信号图像；生成器网络模组根据所述第二输入信号图像生成增强图片，判别器网络模组根据所述第一输入信号图像及所述增强图片输出判别结果。本发明提供的无人机控制***，实现所述多旋翼和所述固定翼的深度融合。

Description

基于生成对抗网络的无人机飞行状态融合控制***及控制 方法

【技术领域】

本发明涉及无人机技术领域，尤其涉及一种基于对抗网络模型在架构上将多旋翼和固定翼的无人机飞行状态融合的控制***及控制方法。

【背景技术】

近几年来，随着无人机行业飞速发展，无人机在短程运输投送领域的需求更加迫切。尤其是五公里到五十公里距离范围内、恶劣环境下的十千克到五十千克小载重量运投，使得无人机在生产和生活领域中的应用更加广泛。

按照对飞行过程中，提供动力的方式不同的区分，无人机被分为多旋翼无人机和固定翼无人机。其中，所述多旋翼无人机由于小巧便携，起降方便，展开迅速，成本低廉，环境适应性良好，成为短途运投的首选类型。但是，现有的多旋翼无人机有两大技术短板：续航时间短和载重量小。

为了解决上述技术问题：

现有技术将固定翼和多旋翼结合，由此形成“垂起固定翼无人机”***，该技术以固定翼无人机为主，主要利用多旋翼来解决固定翼无人机起降场地的问题，同时也保留了固定翼载重能力强、航程远的性能。其中所述固定翼和多旋翼的工作状态如下：

于起降阶段，所述固定翼不工作，由所述多旋翼工作，并控制所述无人机的起降。

于巡航阶段，所述多旋翼停止工作，由所述固定翼工作控制所述无人机的航行。但是，该种“垂起固定翼无人机”无法实现悬停和精准投放，不适用现有市场中的运输投送。其主要原因是在整个飞行过程中，该种“垂起固定翼无人机”仅仅是在起降阶段实施简单的固定翼和多旋翼模式切换，二者各自独立工作，并没有将固定翼和多旋翼进行深度融合，导致在航行过程中，需要精准定位和投放时，多旋翼处于停止工作状态，无法实现精准定位和投放。

另一方面，在自多旋翼工作状态切换至固定翼工作状态时，或者所述无人机的飞行状态发生变化时，鉴于所述无人机自身运动状态的惯性属性，导致切换的瞬间会存在飞行姿态剧烈变化或动力损耗严重的问题。

【发明内容】

为了解决现有技术中多旋翼和固定翼融合不够充分，导致多旋翼和固定翼结合的无人机无法实现长时间精准悬停和投放、于不同飞行状态之间不能够平稳顺畅切换、切换过程中动力损耗严重的技术问题。

鉴于此，本发明提供一种基于生成对抗网络的无人机飞行状态融合控制***及控制方法。

一种基于生成对抗网络的无人机飞行状态融合控制***，所述无人机包括上升、巡航、定点悬停及降落状态，所述无人机包括多旋翼、固定翼、动力***及飞行控制***，所述飞行控制***控制所述动力***的输出功率进而融合调整所述多旋翼的旋转速度以及所述固定翼的迎角，所述飞行控制***包括原始飞行状态参数输出模组、实际飞行状态参数采集模组及生成对抗网络模型，所述原始飞行状态参数输出模组实时读取所述多旋翼及所述固定翼的额定工作参数，生成第一输入信号图像；所述实际飞行状态参数采集模组实时采集所述多旋翼及所述固定翼的实际工作参数，生成第二输入信号图像；所述生成对抗网络模型包括生成器网络模组、判别器网络模组及损失函数，所述生成器网络模组根据所述第二输入信号图像生成增强图片，所述判别器网络模组根据所述第一输入信号图像及所述增强图片输出判别结果。

作为本发明的进一步改进，所述生成器网络模组采用的是Attention Unet，其中所述Attention Unet网络包括下采样、上采样和Attention gate，所述第二输入信号图像经过所述下采样，学习到所述第二输入信号图像的深层特征，所述深层特征经过反卷积上采样，最后输出所述增强图像。

作为本发明的进一步改进，所述判别器网络模组采用PatchGAN，将来自所述生成器网络模组输出的增强图像和第一输入信号图像输入到所述判别器网络模组中，得到n*n矩阵，最后输出判别结果，所述判别结果以所述矩阵的均值作为真/伪结果。

作为本发明的进一步改进，所述损失函数包括对抗损失函数、均方误差损失函数和VGG损失函数。

作为本发明的进一步改进，所述对抗损失函数为：

其中，其中D表示判别器网络模组，G表示生成器网络模组，x表示第二输入信号图像，G(x)表示增强图像，y表示第一输入信号图像，k为增益系数，v 为飞机空速。

作为本发明的进一步改进，所述均方误差损失函数为：

其中W表示输入图像的宽、H表示输入图像的高。

作为本发明的进一步改进，所述VGG损失函数为：

其中φⁱ是VGG模型的第i层卷积的特征输出，VGG损失函数能提高生成图像的清晰度。

作为本发明的进一步改进，总损失函数为：

Loss＝L_G+λ_MSEL_MSE+λ_VGGL_VGG

其中L_G是对抗损失函数，L_MSE是均方误差损失函数，L_VGG是VGG损失函数，λ_MSE是均方误差损失函数的惩罚系数，λ_VGG是VGG损失函数的惩罚系数。设定好损失函数，然后用图像数据对生成对抗网络模型不断的交替迭代训练，优化所述生成对抗网络模型的模型参数。

一种基于对抗网络的无人机飞行状态融合控制方法，其中所述无人机包括多旋翼、固定翼、动力***及飞行控制***，所述飞行控制***包括原始飞行状态参数输出模组、实际飞行状态参数采集模组及生成对抗网络模型，所述生成对抗网络模型包括生成器网络模组、判别器网络模组及损失函数，包括如下步骤：

步骤S01，提供原始飞行状态参数输出模组，读取所述多旋翼及所述固定翼的额定工作参数，生成第一输入信号图像；

步骤S02，提供实际飞行状态参数采集模组，实时采集所述多旋翼及所述固定翼的实际工作参数，生成第二输入信号图像；

步骤S03，将所述第二输入信号图像输入至所述生成器网络模组，获得增强图像；

步骤S04，将所述增强图像及所述第一输入信号图像输入至所述判别器网络模组，经判别后输出判别结果；

步骤S05，所述生成对抗网络模型根据步骤S03及步骤S04的输出结果对应反馈融合后的增强图像作为飞行控制信号驱动所述动力***调整所述多旋翼及所述固定翼的工作状态。

作为本发明的进一步改进，所述损失函数包括对抗损失函数、均方误差损失函数和VGG损失函数,其中：

所述对抗损失函数为：

其中，其中D表示判别器网络模组，G表示生成器网络模组，x表示第二输入信号图像，G(x)表示增强图像，y表示第一输入信号图像，k为增益系数，v 为飞机空速；

所述均方误差损失函数为：

其中W表示输入图像的宽、H表示输入图像的高；

所述VGG损失函数为：

其中φⁱ是VGG模型的第i层卷积的特征输出，VGG损失函数能提高生成图像的清晰度；

总损失函数为：

Loss＝L_G+λ_MSEL_MSE+λ_VGGL_VGG

其中L_G是对抗损失函数，L_MSE是均方误差损失函数，L_VGG是VGG损失函数，λ_MSE是均方误差损失函数的惩罚系数，λ_VGG是VGG损失函数的惩罚系数。设定好所述损失函数，然后用图像数据对生成对抗网络模型不断的交替迭代训练，优化所述生成对抗网络模型的模型参数。

相较于现有技术，本发明提供的基于对抗网络的无人机飞行状态融合控制方法。通过对无人机在起飞、降落、巡航、定点悬停及协调转弯过程中，所述飞行控制***同时通过所述多旋翼及所述固定翼配合协同工作，控制所述无人机的水平位置、竖直高度、前向速度、侧向速度和飞机航向角，使得所述无人机在起飞、降落、巡航、定点悬停及协调转弯过程中，所述多旋翼和所述固定翼同时工作。根据飞行状态，调整所述固定翼的迎角，以控制所述无人机在升力与阻力的比值最大的状态下飞行。提高所述无人机在高速飞行状态下的气动升力，降低***功耗。

其次，于所述生成对抗网络模型中的损失函数能更好的还原实际输入参数信息，克服了生成图片过度尖端纹理特征，缺少高频信息的缺点，VGG损失使得对抗网络模型在重新生成的所述增强图像，无论是底层特征像素值，还是高层抽象特征都更加接近所述第一输入信号图像效果。

更重要的是，在该无人机飞行控制过程中，所述无人机实际飞行状态和在飞行控制***控制下的预计飞行控制计划之间，通过对抗网络模型搭建反馈控制机制，增强所述无人机的飞行精确控制，减少损耗和在不同飞行状态之间切换不平滑引起的飞行参数误差及动力损耗。

【附图说明】

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明所揭示无人机的立体结构示意图；

图2是图1所示无人机的结构框图；

图3是图2所示飞行控制***的结构框图；

图4是图3所示生成器网络模组的结构框图；

图5是本发明所揭示一种基于生成对抗网络模型的无人机飞行状态融合控制方法流程图。

【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，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。

请结合参阅图1及图2，其中图1是本发明所揭示一种无人机的立体结构示意图，图2是图1所示无人机的结构框图。所述无人机10包括机身11、多个旋翼13、固定翼15、动力***17及飞行控制***19。所述多个旋翼13及所述固定翼15固定至所述机身11。所述动力***17输出动力调整所述多个旋翼13及所述固定翼15的工作状态。所述飞行控制***19控制所述动力***17的输出功率进而融合调整所述多旋翼13的旋转速度以及所述固定翼15的迎角。

所述机身11支撑固定所述多个旋翼13、所述固定翼15及所述动力***17。

所述多个旋翼13固定至所述机身11，并均匀分布至所述机身11四周。每一旋翼13自身通过旋转电机驱动螺旋桨的工作状态，即每一旋翼13的螺旋桨转速和旋转方向由所述旋转电机驱动。所述多个旋转电机分别与所述飞行控制***19电连接，并接收所述动力***17的控制信号，即所述动力***17接收所述飞行控制***19的控制信号驱动所述旋转电机转动，进而实现对所述旋翼 13的工作状态调整。所述旋转电机根据来自所述飞行控制***19的控制信号驱动所述螺旋桨在设定的旋转方向和旋转速度范围内工作，即所述动力***17对应输出动力调整所述多旋翼13的工作状态。

所述固定翼15固定至所述机身11顶端，并通过支撑电机与所述飞行控制***19电连接。所述支撑电机驱动所述固定翼15在飞行过程中相对水平方向的倾斜角度，即：迎角。所述固定翼15的迎角值变化对应调整所述无人机10 在飞行过程中的飞行阻力大小。

所述动力***17包括具多输出支路的多极输出驱动装置，其包括驱动所述多个旋翼13工作的旋转电机和调整所述固定翼15迎角的支撑电机。每一旋转电机及所述支撑电机对应所述动力***的其中一输出支路，通过协调所述多输出支路的旋转速度、旋转方向；所述支撑电机对应另一输出支路，对所述固定翼迎角的动态调整，进而实现所述无人机10在空间飞行状态的实时变化，不同状态之间平滑切换。

具体而言，所述无人机10在实际飞行过程中包括上升状态、巡航状态及降落状态，所述无人机10的动态飞行即是在上述三种工作状态之间任意切换。同时，所述无人机10于不同工作状态中，所述旋翼的旋转速度和旋转方向、所述固定翼的迎角共同融合作用。

请结合参阅图2及图3，其中图3是图2所示飞行控制***的结构框图。所述飞行控制***19与所述动力***17的输入轴对应电连接。所述飞行控制***19实时采集所述无人机10的飞行阻力值、速度值及高度值等，即所述无人机10的实际飞行状态参数值。所述飞行控制***19包括原始飞行状态参数输出模组191、实际飞行状态参数采集模组193及生成对抗网络模型195。

所述原始飞行状态参数输出模组191实时读取来自无人机10的所述多旋翼 13的额定工作参数、所述固定翼15的额定工作参数，生成所述无人机10的原始工作状态飞行曲线，作为第一输入信号图像1910。

所述实际飞行状态参数采集模组193实时采集所述无人机10的所述多旋翼 13的实际工作参数、所述固定翼15的实际工作参数，生成所述无人机10的实际工作状态飞行曲线，作为第二输入信号图像1930。具体而言，所述实际飞行状态参数采集模组193包括旋转电机的旋转速度感应器、固定翼与水平方向夹角检测器、高度感应器、飞行速度感应器及阻力感应器等，分别实时感应所述无人机10的旋转电机的旋转速度、迎角、飞行高度参数、飞行速度参数及飞行阻力值，绘制成飞行曲线，作为所述第二输入信号图像1930。

所述生成对抗网络模型195包括生成器网络模组1951、判别器网络模组 1953及损失函数1955。

请参阅图4，是图3所示生成器网络模组的结构框图。所述生成器网络模组 1951采用的是Attention Unet。其中所述Attention Unet网络包括下采样、上采样和Attentiongate。所述第二输入信号图像1930经过下采样，学习到所述第二输入信号图像1930的深层特征，所述深层特征经过反卷积上采样，最后输出增强图像19510。

所述Attention Unet网络优势是可以抓取不同层次的特征，将它们通过特征叠加的方式整合，可以承载更多所述第二输入信号图像1930的信息，更好的生成增强图像19510。

所述判别器网络模组1953接收来自所述原始飞行状态参数输出模组191输出的第一输入信号图像1910及来自所述生成器网络模组1951生成的增强图像 19510，给出判别结果19530，即所述增强图像19510与所述第一输入信号图像1910之间的真伪，通过不断的迭代训练，获得更加接近所述第一输入信号图像 1910的增强图像19510。

所述判别器网络模组1953采用PatchGAN，将来自所述生成器网络模组1951 输出的增强图像19510和第一输入信号图像1910输入到所述判别器网络模组 1953中，得到n*n矩阵，最后输出所述判别结果19530，所述判别结果以所述矩阵的均值作为真/伪结果。

所述损失函数1955计算图像损失，优化生成对抗网络模型195的模型参数，所述损失函数1955包括对抗损失函数、均方误差损失函数和VGG损失函数,其中：

所述对抗损失函数为：

其中，其中D表示判别器网络模组，G表示生成器网络模组，x表示第二输入信号图像，G(x)表示增强图像，y表示第一输入信号图像，k为增益系数，v 为飞机空速。

所述均方误差损失函数为：

其中W表示输入图像的宽、H表示输入图像的高。

所述VGG损失函数为：

其中φⁱ是VGG模型的第i层卷积的特征输出，VGG损失函数能提高生成图像的清晰度。

总损失函数为：

Loss＝L_G+λ_MSEL_MSE+λ_VGGL_VGG

其中L_G是对抗损失函数，L_MSE是均方误差损失函数，L_VGG是VGG损失函数，λ_MSE是均方误差损失函数的惩罚系数，λ_VGG是VGG损失函数的惩罚系数。设定好所述损失函数，然后用图像数据对所述生成对抗网络模型不断的交替迭代训练，优化所述生成对抗网络模型的模型参数，训练好的所述生成对抗网络模型能对所述第二输入信号图像有更好的增强效果。

与相关技术相比，在本发明基于生成对抗网络的无人机飞行状态融合控制***10中，所述判别器网络模组1953采用PatchGAN保证了增强图像19510 的所有顺利光滑过渡，更接近额定的所述第一输入信号图像。

同时，于所述生成对抗网络模型195中的损失函数能更好的还原实际输入参数信息，克服了生成图片过度尖端纹理特征，缺少高频信息的缺点，VGG损失使得对抗网络模型在重新生成的所述增强图像，无论是底层特征像素值，还是高层抽象特征都更加接近所述第一输入信号图像效果。

所述损失函数根据所述第二输入信号图像感知飞行损耗，并调整所述增强图像，进一步反馈所述判别结果19530，使得所述增强图像19510更加接近所述第一输入信号图像1910，改善飞行增强效果。

请参阅图5，是本发明所揭示一种基于生成对抗网络模型的无人机飞行状态融合控制方法流程图。所述基于生成对抗网络模型的无人机飞行状态融合控制***应用于所述无人机10的飞行状态控制，其包括如下步骤：

步骤S01，提供原始飞行状态参数输出模组191，读取所述多旋翼13及所述固定翼15的额定工作参数，生成第一输入信号图像1910；

步骤S02，提供实际飞行状态参数采集模组193，实时采集所述多旋翼13 及所述固定翼15的实际工作参数，生成第二输入信号图像1930；

步骤S03，将所述第二输入信号图像1930输入至所述生成器网络模组195，获得增强图像19510；

步骤S04，将所述增强图像19510及所述第一输入信号图像1910输入至所述判别器网络模组1953，经判别后输出所述判别结果19530；

步骤S05，所述生成对抗网络模型195根据步骤S03及步骤S04的输出结果对应反馈融合后的增强图像19510作为飞行控制信号驱动所述动力***17调整所述多旋翼13及所述固定翼15的工作状态。

当所述无人机10工作时，所述多旋翼13及所述固定翼15同步工作。所述飞行控制***19的实际飞行状态参数采集模组193采集所述多旋翼13、所述固定翼15的实际工作参数，作为第二输入信号图像1930传输至所述对所述生成抗网络模型195；同时所述原始飞行状态参数采集模组191读取所述多旋翼13、所述固定翼15的额定工作参数，生成第一输入信号图像1910。在实际飞行过程中，所述第一输入信号图像1910与所述第二输入信号图像1930存在差异，当该差异较大时，会导致所述无人机10的卡顿、飘逸现象，不能精准控制器飞行状态。

所述判别器网络模组1953融合所述第一输入信号图像1910及所述第二输入信号图像1930输出合成所述飞行控制信号，并输出增强飞行参数，动态修改正所述飞行控制***19对所述动力***17输出功率的动态控制，满足实际飞行的需求；所述损失函数根据所述实际工作参数感知飞行损耗，并调整所述增强飞行参数增强，反馈控制所述动力***17的输出功率，改善飞行增强效果。

所述无人机10在实际飞行过程中，包括起飞过工作状态、巡航工作状态及降落飞行状态。根据实际飞行需要，不断调整所述无人机10的实际飞行状态，使得所述无人机10在不同飞行状态之间平滑切换，于切换的瞬间，所述生成对抗网络模型19依据所述第一输入信号图像1910、第二输入信号图像1930，对应反馈所述飞行控制信号以增强控制所述无人机10的平滑切换，减少损耗，提高巡航能力及精准控制所述无人机10的飞行状态。

更重要的是，在该过程中，所述无人机10实际飞行状态和在飞行控制***控制下的预计飞行控制计划之间，通过对抗网络模型搭建反馈控制机制，增强所述无人机10的飞行精确控制，减少损耗和在不同飞行状态之间切换不平滑引起的飞行参数误差及动力损耗。

相较于相关技术，本发明提供的多旋翼13和固定翼15融合的飞行控制方法。通过对无人机10在巡航过程中，所述控制***同时通过所述多旋翼及所述固定翼配合协同工作，控制所述无人机10的位置，使得所述无人机在巡航过程中，所述多旋翼和所述固定翼同时工作。根据所述飞行状态，调整所述固定翼的迎角，以控制所述无人机在所述升力与所述阻力的比值最大的状态下飞行。提高所述无人机在高速飞行状态下的气动升力，降低***功耗。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于生成对抗网络的无人机飞行状态融合控制***，所述无人机包括上升、巡航及降落状态，所述无人机包括多旋翼、固定翼、动力***及飞行控制***，所述飞行控制***控制所述动力***的输出功率进而融合调整所述多旋翼的旋转速度以及所述固定翼的迎角，其特征在于，所述飞行控制***包括原始飞行状态参数输出模组、实际飞行状态参数采集模组及生成对抗网络模型，所述原始飞行状态参数输出模组实时读取所述多旋翼及所述固定翼的额定工作参数，生成第一输入信号图像；所述实际飞行状态参数采集模组实时采集所述多旋翼及所述固定翼的实际工作参数，生成第二输入信号图像；所述生成对抗网络模型包括生成器网络模组、判别器网络模组及损失函数，所述生成器网络模组根据所述第二输入信号图像生成增强图片，所述判别器网络模组根据所述第一输入信号图像及所述增强图片输出判别结果，所述损失函数包括对抗损失函数、均方误差损失函数和VGG损失函数，

所述对抗损失函数为：

其中，D表示判别器网络模组，G表示生成器网络模组，x表示第二输入信号图像，G(x)表示增强图像，y表示第一输入信号图像，k为增益系数，v为飞机空速，所述均方误差损失函数为：

其中W表示输入图像的宽、H表示输入图像的高，

所述VGG损失函数为：

其中φⁱ是VGG模型的第i层卷积的特征输出，VGG损失函数能提高生成图像的清晰度，

总损失函数为：

Loss＝L_G+λ_MSEL_MSE+λ_VGGL_VGG

其中L_G是对抗损失函数，L_MSE是均方误差损失函数，L_VGG是VGG损失函数，λ_MSE是均方误差损失函数的惩罚系数，λ_VGG是VGG损失函数的惩罚系数。

2.根据权利要求1所述的基于生成对抗网络的无人机飞行状态融合控制***，其特征在于，所述生成器网络模组采用的是Attention Unet，其中所述Attention Unet网络包括下采样、上采样和Attention gate，所述第二输入信号图像经过所述下采样，学习到所述第二输入信号图像的深层特征，所述深层特征经过反卷积上采样，最后输出所述增强图像。

3.根据权利要求2所述的基于生成对抗网络的无人机飞行状态融合控制***，其特征在于，所述判别器网络模组采用PatchGAN，将来自所述生成器网络模组输出的增强图像和第一输入信号图像输入到所述判别器网络模组中，得到n*n矩阵，最后输出判别结果，所述判别结果以所述矩阵的均值作为真/伪结果。

4.根据权利要求1所述的基于生成对抗网络的无人机飞行状态融合控制***，其特征在于，设定好所述损失函数，然后用图像数据对所述生成对抗网络模型不断的交替迭代训练，优化所述生成对抗网络模型的模型参数。

5.一种基于生成对抗网络的无人机飞行状态融合控制方法，其中所述无人机包括多旋翼、固定翼、动力***及飞行控制***，所述飞行控制***包括原始飞行状态参数输出模组、实际飞行状态参数采集模组及生成对抗网络模型，所述生成对抗网络模型包括生成器网络模组、判别器网络模组及损失函数，其特征在，包括如下步骤：

步骤S01，提供原始飞行状态参数输出模组，读取所述多旋翼及所述固定翼的额定工作参数，生成第一输入信号图像；

步骤S02，提供实际飞行状态参数采集模组，实时采集所述多旋翼及所述固定翼的实际工作参数，生成第二输入信号图像；

步骤S03，将所述第二输入信号图像输入至所述生成器网络模组，获得增强图像；步骤S04，将所述增强图像及所述第一输入信号图像输入至所述判别器网络模组，经判别后输出判别结果；

步骤S05，所述生成对抗网络模型根据步骤S03及步骤S04的输出结果对应反馈融合后的增强图像作为飞行控制信号驱动所述动力***调整所述多旋翼及所述固定翼的工作状态，

所述损失函数包括对抗损失函数、均方误差损失函数和VGG损失函数,其中：

所述对抗损失函数为：

其中，其中D表示判别器网络模组，G表示生成器网络模组，x表示第二输入信号图像，G(x)表示增强图像，y表示第一输入信号图像，k为增益系数，v为飞机空速；

所述均方误差损失函数为：

其中W表示输入图像的宽、H表示输入图像的高；

所述VGG损失函数为：

其中φⁱ是VGG模型的第i层卷积的特征输出，VGG损失函数能提高生成图像的清晰度；

总损失函数为：

Loss＝L_G+λ_MSEL_MSE+λ_VGGL_VGG

其中L_G是对抗损失函数，L_MSE是均方误差损失函数，L_VGG是VGG损失函数，λ_MSE是均方误差损失函数的惩罚系数，λ_VGG是VGG损失函数的惩罚系数。