CN116842827A - 一种无人机飞控***电磁性能边界模型构建方法 - Google Patents
一种无人机飞控***电磁性能边界模型构建方法 Download PDFInfo
- Publication number
- CN116842827A CN116842827A CN202310694695.7A CN202310694695A CN116842827A CN 116842827 A CN116842827 A CN 116842827A CN 202310694695 A CN202310694695 A CN 202310694695A CN 116842827 A CN116842827 A CN 116842827A
- Authority
- CN
- China
- Prior art keywords
- flight control
- aerial vehicle
- unmanned aerial
- control system
- vehicle flight
- 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.)
- Pending
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 144
- 238000010276 construction Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000011985 exploratory data analysis Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000010287 polarization Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 93
- 230000006870 function Effects 0.000 description 39
- 239000013598 vector Substances 0.000 description 27
- 238000011176 pooling Methods 0.000 description 24
- 230000004913 activation Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005288 electromagnetic effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人机飞控***电磁性能边界模型构建方法,涉及无人机飞控***领域;该方法包括:获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对神经网络模型进行训练;将无人机飞控***当前状态以及当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;根据无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。本发明通过训练好的神经网络模型预测无人机飞控***在电磁干扰环境下的状态,从而能快速有效的确定电磁性能边界状态。
Description
技术领域
本发明涉及无人机飞控***技术领域,特别涉及一种无人机飞控***电磁性能边界模型构建方法。
背景技术
无人机与有人驾驶的飞机相比,重量轻、体积小、造价低、隐蔽性好,特别宜于执行危险性大的任务。无人机在军事和民事上都有广泛的应用前景。军事上,它可以空中侦察监视、对地攻击、电子干扰、通信中继、目标定位、攻击损伤有效评估等任务。在民用方面,可用于航空摄影、气象探测、勘探绘测、环境研究、核辐射探测、水灾监视、森林火灾防救、电力线路查巡等,还可用于边境巡逻与控制、交通巡逻或治安监控。
无人机飞控***作为无人机的大脑,是无人机最核心的控制单元。近年来为了使得无人机的航时更长,载荷更重,无人机的其他单元的重量都变得越来越小,电路的集成度越来越高。复合翼垂直起降无人机的飞行控制***的硬件***架构如图1所示。由SBG航姿参考***、GPS定位***、飞行控制计算机、固定翼操纵舵面及多旋翼电机等执行机构、无线传输设备和地面工作站等组成。飞行控制计算机通过PWM信号驱动执行机构,包括油门舵机、副翼舵机、升降舵机、方向舵机以及多旋翼电调等。
目前,各种电子设备如雷达电子设备、通信电子设备的频谱越来越宽,功率越来越大,采用的信号样式的种类也越来越多,这就使得无人机面临的电磁环境日益复杂多变,这就要求无人机飞控***能够承受复杂电磁环境的严苛考验。为了摸清复杂电磁环境对无人机飞控***的影响,通常会对无人机飞控***进行大量电磁干扰试验,从而实现无人机飞控***的电磁环境效应评估,然而在复杂电磁环境下无人机飞控***的电磁干扰效应评估的过程中,不能够穷尽所有的电磁信号参数组合,存在电磁环境效应评估不全面的问题。
发明内容
本发明的目的是提供一种无人机飞控***电磁性能边界模型构建方法,通过预测电磁干扰环境下无人机飞控***的状态对无人机飞控***电磁性能边界状态进行预测判断。
为实现上述目的,本发明提供了如下方案:
一种无人机飞控***电磁性能边界模型构建方法,包括:
获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;所述干扰数据包括:干扰信号极化方向、干扰信号波形、干扰信号频率以及干扰信号场强;
构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;所述神经网络模型包括输入层、隐藏层和输出层;
将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;
根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。
可选地,在获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据之后,还包括:
对所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据进行特征转化;所述特征转化包括:探索性数据分析、特征清洗、特征生成和特征选择。
可选地,在所述特征清洗过程中,采用KNN算法和LOF算法确定异常值,并采用线性插值法对异常值进行替换。
可选地,所述方法还包括:确定所述神经网络模型中的监督数据;所述监督数据的确定具体包括:
获取所述无人机飞控***在无干扰环境下对应的控制率解算信息;所述控制率解算信息包括飞控各回路控制命令、飞控状态和舵机状态;
获取所述无人机飞控***在电磁干扰环境下对应的控制率解算信息;
基于无干扰环境下对应的控制率解算信息、电磁干扰环境下对应的控制率解算信息以及预设误差确定所述监督数据。
可选地,根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态,具体包括:
当所述无人机飞控***预测状态为正常状态时,确定无人机飞控***电磁性能边界正常;
当所述无人机飞控***预测状态为异常状态时,确定无人机飞控***电磁性能边界异常。
本发明还提供了一种无人机飞控***电磁性能边界模型构建***,包括:
数据获取模块,用于获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;所述干扰数据包括:干扰信号极化方向、干扰信号波形、干扰信号频率以及干扰信号场强;
模型构建及训练模块,用于构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;所述神经网络模型包括输入层、隐藏层和输出层;
预测模块,用于将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;
电磁性能边界状态确定模块,用于根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。
本发明还提供了一种电子设备,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无人机飞控***电磁性能边界模型构建方法。
本发明还提供了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无人机飞控***电磁性能边界模型构建方法。
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:
本发明提供了一种无人机飞控***电磁性能边界模型构建方法;该方法包括:获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。本发明通过训练好的神经网络模型预测无人机飞控***在电磁干扰环境下的状态,从而能快速有效的确定电磁性能边界状态。
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为飞行控制***的硬件***架构示意图;
图2为本发明实施例一提供的无人机飞控***电磁性能边界模型构建方法的流程图;
图3为一维卷积层运算示意图;
图4为最大池化操作示意图;
图5为神经网络模型工作示意图;
图6为真实值和预测值散点图。
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。
本发明的目的是提供一种无人机飞控***电磁性能边界模型构建方法,利用构建的模型准确地对无人机飞控***的电磁性能边界状态进行预测,解决无人机飞控***电磁干扰效应评估问题。
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所示,本实施例提供的无人机飞控***电磁性能边界模型构建方法,包括以下步骤:
S1:获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;所述干扰数据包括:干扰信号极化方向、干扰信号波形、干扰信号频率以及干扰信号场强。
S2:构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;所述神经网络模型包括输入层、隐藏层和输出层。
S3:将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态。
S4:根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。
进一步地,步骤S1具体包括:
预设多个飞行场景,将无人机飞行状态设定送入飞控子***。首先在无干扰情况下,记录无人机的状态、飞控控制率解算信息(飞控各回路控制命令、飞控状态、舵机状态等)。然后在不同干扰强度,不同频率,不同波形、不同极化方向等电磁干扰信号的作用下记录异常控制率解算信息(飞控各回路控制命令、飞控状态、舵机状态等)。
对比相同飞行场景下,不同的控制率解算信息(飞控各回路控制命令、飞控状态、舵机状态等),与干扰信号一起形成实验数据。
原始采集的数据无法直接使用于预测训练,例如:由于数据采集频率不同导致某些数据缺项;某些数据信号对电磁干扰不敏感;某些信号数据虽然有突变异常值,但是与电磁干扰无关等。对原始数据(电磁干扰、无人机飞行状态设定、飞控控制率解算信息等)分析处理,转化为模型可用的特征。特征转化过程分为探索性数据分析,特征清洗,特征生成和特征选择四个步骤。所获得的特征可以更好地向预测模型描述潜在规律,从而提高模型对未见数据的准确性。
(1)探索性数据分析:
选择好数据后,可以先做探索性数据分析(EDAExploratory Data Analysis)去理解数据本身的内部结构及规律。通过探索性数据分析,可以了解数据分布、缺失、异常及相关性等情况。
在不同电磁干扰环境下,收集无人机飞控***的工作参数(共有176余项)。首先将数据值恒定不变(包括全为空)的参数删除,减少需要分析的参数数量。采用过滤删除的方法,减少了工作参数86项(仍然剩余93项),通过数据分析,过滤掉对电磁干扰不敏感的工作参数变量。测试***共收集无人机飞控***176项工作参数,将这些工作参数作为输入,采用过滤删除的方法,减少了工作参数86项,输出剩余93项。
(2)特征清洗:
特征清洗除了能保障高质量的数据输出之外。也能够同步探索性数据分析。特征清洗和探索性数据分析的作用是相辅相成的,通过探索性数据分析,检阅数据的特征描述、分布推断以及结构上的优化,能更好的为特征清洗选择合适的清洗方法。而特征清洗后的数据则可以更有效的进行探索性数据分析。
采用了基于距离的方法KNN算法和基于密度的方法LOF发现了异常值,采用线性插值法对异常值进行了替换。
收集的数据由于人为或者自然因素可能引入了异常值(噪音),这会对模型学习进行干扰。通常需要处理人为引起的异常值,***采用基于距离的方法(KNN算法)和基于密度的方法(局部离群因子LOF算法)完成异常值的判定。例如:在施加一个频率为1GHz,强度50V/m,垂直极化的正弦波,飞控电压应该为24V左右,但测到1次飞控电压为48V,利用采用KNN算法和LOF算法完成异常值的判定,将该数据视为无效数据,去除。
在KNN算法中,常用的距离有三种,分别为曼哈顿距离、欧式距离和闵可夫斯基距离。设特征空间χ是n维实数向量空间Rn,xi,xj∈χ,xi,xj的Lp的距离定义为:
这里p≥1。
当p=1时,称为曼哈顿距离(Manhattan distance),公式为:
当p=2时,称为欧式距离(Euclidean distance),公式为:
当p=∞时,它是各个坐标距离的最大值,公式为:
采用线性插值的方法对数据缺失值进行填充,例如,将48V异常电压值去除后,利用线性差值法计算出飞控电压值为24.02V,填充进去即可。
两种方法相结合,既能够找出全局异常值,也能够最大范围内找到局部异常值。发现异常值后采用线性插值方法对异常值进行替换
(3)特征生成:
特征生成指的是在原始数据的基础上,根据实际问题领域的特点,通过一定的方法和技术,生成新的特征。而特征清洗则是对原始数据进行处理,去除数据中的无效信息、重复信息、噪声和错误信息,从而提高后续模型的预测性能,保证数据的质量和可用性。两者之间的联系在于,特征生成的过程中需要对原始数据进行清洗和处理,以保证生成的新特征的准确性和可用性。同时,在进行特征清洗时,也需要对生成的新特征进行相应的处理和清洗,以保证数据质量和可靠性。因此,特征生成和特征清洗是相互依存、相互促进的过程。
通过探索性数据分析和特征清洗两个步骤,工作参数变量已经大大减少。剩余有效的基础特征参量13项。
陀螺仪测量飞行姿态信息三项:俯仰角Pitch,滚转角Roll,姿态角Yaw),单位为度。
俯仰角速度AngRateX,滚转角速度AngRateY,姿态角速度AngRateZ,单位为度/秒;
校正空速CAS,单位米/秒;
真实空速TAS,单位米/秒;
速度计测量参数三项(三个轴向的加速度测量值AccX、AccY、AccZ);
飞控工作电压(电压),单位是伏;
气压高度(Height),单位是米。
上面13项采集到的基础特征参量不能直接使用,而需要做出一些变化转换。
假定在没有电磁干扰的情况下,预定的基础特征参量取值为Y向量。在一定强度的电磁干扰下,采集到的基础特征参量取值为Y′向量。如下式进行计算:
计算结果ΔY即为新产生的特征值。它描述了飞控***在电磁辐射干扰下飞行状态的变化。
(4)特征选择:
特征选择用于筛选出显著特征、摒弃非显著特征。
特征选择和特征生成并不是独立的,它们之间存在一定的联系。在实际应用中,通常会先进行特征选择,然后再进行特征生成。通过特征选择,可以筛选出最相关的特征,然后通过特征生成进一步增强这些特征的表达能力,从而提高模型的性能。
这里是这样做的:
第一种:基于探索性数据分析结果,采用过滤法对特征参量进行选择。计算每一个特征参量的数据缺失率(按照采样周期在一段时间内未能测得的数据个数与应测得的数据个数之比用百分数表示,取阈值90%)和单值率(特征采样值单个值的最大占比,取阈值75%)。计算出的数据缺失率和单值率低于阈值则保留,大于等于阈值的特征则被删除过滤掉。其计算公式如下:
数据集中缺失值的数量为N,数据集的总量为M。单值率=(只出现一种取值的样本数)/(总样本数)。
第二种:采用计算相关系数的方法对特征进行过滤。特征间相关性高会浪费计算资源,影响模型的解释性。特别对线性模型来说,会导致拟合模型参数的不稳定。采用方差膨胀因子(阈值8),person相关系数(阈值0.9)和Chi2检验(阈值为0.85)等方法,计算特征值之间两两的相关性,结果发现没有超过阈值的强相关特征。为了保证预测的准确性,对弱相关性的特征都予以了保留。
1)方差膨胀因子(Variance InflationFactor,以下简称VIF),是指解释变量之间存在多重共线性时的方差与不存在多重共线性时的方差之比。其计算公式如下:
其中R2是线性回归中的拟合优度/决定系数,描述了回归方程解释因变量的百分比。
2)person相关系数,相关系数也叫简单相关系数或者线性相关系数,用来检测两个连续型变量之间的线性相关程度。其计算公式为:
X和Y分别是两个变量的值,N表示样本数量
3)Chi2检验是通过查表或者进行计算来确定卡方分布的临界值,然后将计算得到的卡方值与临界值进行比较,以确定是否拒绝原假设。其计算公式如下:
Oi表示观察值,即实际值,Ei表示期望值。
进一步地,步骤S2具体包括:
(1):构建模型结构(主要有神经网络结构设计、激活函数的选择、模型权重如何初始化、网络层是否批标准化、正则化策略的设定)
(2):模型编译(主要有学习目标、优化算法的设定)、模型训练
(3):超参数调试(主要有划分数据集,超参数调节及训练)。
神经网络由输入层、隐藏层与输出层构成。不同的层数、神经元(计算单元)数目的模型性能也会有差异。
CNN输入层的输出等于输入本身,即输出一个与输入矩阵大小相同的矩阵。输入层的主要作用是将原始数据进行格式化,以便后续层次能够理解和处理这些数据。通常输入层会对输入数据进行一些简单的预处理。
输入层:为数据特征输入层,输入数据特征维数就对应着网络的神经元数(注:输入层不计入模型层数)。该模型中输入层输入数据为:无人机状态(静止、匀速飞行、加速上升等);干扰信号极化方向(垂直极化、水平极化);干扰信号波形(连续波、方波、窄带高功率微波、超宽带等);,干扰信号频率、干扰信号强度。
隐藏层:即网络的中间层(可以很多层),其作用接受前一层网络输出作为当前的输入值,并计算输出当前结果到下一层。隐藏层的层数及神经元个数直接影响模型的拟合能力。本发明共采用卷积层3层,池化层3层,全连接层1层,Softmax层1层。
1)卷积层:
卷积层主要是由卷积核和激活函数组成的。在1D-CNN中,卷积核是一个一维的权重向量,它与输入序列进行卷积,同时利用前向传递算法实现信息的传递。卷积核的大小通常是可调的,这意味着输入序列中的每个值都会被卷积一次。
将多个输出卷积结果输入到池化层,通常是指将多个卷积层的输出结果在通道维度上进行堆叠,形成一个更深的特征图。假设我们有k个不同的一维卷积核对输入信号进行卷积操作,得到k个不同的输出特征向量,分别为o1,o2,…,ok,它们的形状均为[batch_size,length,channel],其中length是特征向量的长度,channel是特征向量的通道数。
将这k个特征向量在通道维度上进行堆叠,即按照通道维度进行拼接,得到一个更深的特征向量,形状为[batch_size,length,k*channel],其中k为卷积核的数量,channel为每个卷积核的输出通道数。然后,将这个深度特征向量输入到池化层中进行降采样,以减少特征向量的维度,同时保留重要的特征信息。
图3所示为一维卷积层运算示例。图中卷积核尺寸为3×1,并以固定步幅遍历输入,每次与被卷区域对应的数值相乘、再作和,得到一个logits值,然后卷积核移动1个步幅,重复以上操作,直到卷积核遍历完输入的所有区域。假设第l层是卷积层,则该层的一维卷积运算式为:
其中,为l层的第j个卷积计算后得到的向量;M为输入特征向量的个数;/>为l层的第i个输入特征向量;/>表示相关运算;/>为l层与第i个输入特征向量进行卷积的第j个卷积核;/>为l层的第j个偏置向量。
卷积层属于隐藏层,卷积运算之后通常会利用激活函数对每一个卷积输出的logits值进行非线性映射变换,来增加网络模型的非线性特性。考虑到收敛速度和过拟合问题,本发明采用修正线性单元(Rectified LinearUnit,ReLU)作为隐含层激活函数,该激活函数无梯度耗散问题,比Sigmoid函数有更快的收敛速度,同时可以提高网络的稀疏性,有效防止过拟合问题。ReLU定义为:
式中,为l层的第j个卷积计算后第i个输出;/>为/>的激活值。
2)池化层:
池化,就是将输入张量的各个子矩阵进行维度压缩。常见的池化层:
平均池化(meanpooling):计算图像区域的平均值作为该区域池化后的值。
最大池化(max pooling):选图像区域的最大值作为该区域池化后的值。
本发明采用最大池化进行下采样,具体的最大池化操作示例如图4所示,图中池化窗口为2×1,并以步幅2移动,遍历输入。第l+1层是池化层,则该层池化计算式为:
其中,为l层中第j个特征向量的第t个神经元的激活值;w为池化区域的宽度;为l+1层神经元对应的池化结果。
3)分类层:
分类层是一个全连接层,也称为输出层,通常用于将模型中间层得到的特征向量转换为最终的预测结果。它的作用是将池化层得到的结果进行扁平化处理,并将其输入到全连接层中,以生成最终的输出。分类层由一个全连接隐含层和一个Softmax层组成,其中全连接层把前面池化层的输出展平为一维特征向量,并首尾全连接,隐含层的激活函数为ReLU;Softmax是Logistic回归的推广,主要用于多分类问题。
在整个网络中,池化层和分类层之间是有紧密关联的。池化层用于提取特征,它的输出就是特征向量或特征图。这些特征向量或特征图会被输入到分类层中,分类层会根据这些特征向量或特征图计算出属于各个类别的概率,并生成最终的预测结果。因此,分类层的输出就是预测的结果。
假设类别标签y∈{1,2,…,K},给定一个样本x,则样本x属于类别k的概率为:
其中,Θ为Softmax回归模型中所有训练参数,Θ=[θ1,θ2,…,θk];为归一化函数。
为了使模型的输出与预期值达到一致,需要衡量输出与预期值之间的距离,而衡量这个距离的函数便是损失函数。损失函数有很多种,不过当处理多分类问题时,通常会采用交叉熵损失函数,其数学表达式为
式中,m为样本个数或者输入的批量大小;I{·}为指标函数,当{·}值为真时,指标函数值为1,否则指标函数值为0。
为了使模型的损失函数值达到最小,就需要对神经网络进行权值优化调整,并由优化器利用反向传播算法来完成,数学描述为:
式中,θ*为模型的最优参数;L(·)为损失函数;f(·)和y分别为模型的输出值和目标值。
常用的激活函数:
Sigmod激活函数计算公式:
tanh激活函数计算公式:
Relu激活函数计算公式:
Relu=max(0,x) (17)
输出层:CNN的输出层通常是全连接层,它的输入是前一层的输出,也就是一个特征向量。这个特征向量经过全连接层的计算,得到一个输出向量,其维度通常等于分类的类别数。这个输出向量可以被视为每个类别的概率,因为它们的值都在0到1之间,并且它们的和为1。
其计算过程为:首先,全连接层会将展平后的特征向量作为输入。这里的展平是指将多维的特征数据转换成一维向量。然后,每个神经元(类别)都有权重和偏置值,权重用来调整输入特征向量对该类别得分贡献的影响,偏置则用于调整总体得分水平。最后,把经过权重和偏置修正后的结果通过激活函数(一般是ReLU或softmax函数)进行激活,就可以得到对应类别的得分(也可以理解为该样本属于对应类别的概率)。
因此,输出层的作用是将卷积神经网络的特征映射转换成对不同类别的分类概率。输出层为最终结果输出的网络层。该模型中输出数据为无人机飞控***状态即各个参数的数据值.
划分数据集训练模型前,常用的HoldOut验证法(此外还有留一法、k折交叉验证等方法),把数据集分为训练集和测试集,并可再对训练集进一步细分为训练集和验证集,以方便评估模型的性能。①训练集(training set):用于运行学习算法,训练模型。②开发验证集(development set)用于调整模型超参数、EarlyStopping、选择特征等,以选择出合适模型。③测试集(test set)只用于评估已选择模型的性能,但不会据此改变学习算法或参数。
神经网络模型如图5所示,在此模型中,将模型左侧五个参数作为输入进入到一维卷积神经网络模型,经过一维卷积神经网络模型进行卷积、池化、全连接、Softmax等操作从而得到右侧的14个输出参数。下表为针对本发明所采用的卷积神经模型的输入以及输出数据的示例表。
表1输入及输出数据示例表
超参数调试,神经网络模型的超参数是比较多的:数据方面超参数如验证集比例、batch size等;模型方面如单层神经元数、网络深度、选择激活函数类型、dropout率等;学习目标方面如选择损失函数类型,正则项惩罚系数等;优化算法方面如选择梯度算法类型、初始学习率等。可以用人工经验调节、网格搜索(grid search或for循环实现)、随机搜索(random search)、贝叶斯优化(bayesian optimization)等方法进行超参调试。
本发明采用网格搜索法进行超参数调试。这种方法是一种传统的超参数搜索方法,通过遍历所有可能的超参数组合,来找到最优的超参数组合。虽然这种方法比较耗时,但是它可以找到最优的超参数组合。
网格搜索通过指定一组超参数的可能取值范围,在本发明中,设置超参数取值范围为batch_size=[5,10,15],epochs=[80,100,150],learning_rate=[0.0001,0.001,0.01],padding=[0,1,2],创建一个超参数网格,将所有可能的参数组合列出。针对每个参数组合,建立一个CNN模型,并在训练集上进行训练和验证。计算每个模型在验证集上的准确率或损失,并记录下来。通过遍历所有可能的组合,记录模型的性能指标,得到最好的超参数组合batch_size=5,epochs=150,learning_rate=0.0001,padding=2,优化器选择AdamW。具体超参数见表1。
表2一维卷积神经网络模型超参数
机器学习学习的目标是极大化降低损失函数,但这不仅仅是学习过程中对训练数据有良好的预测能力,根本上还在于要对新数据(测试集)能有很好的预测能力。
评估模型误差的指标评估模型的预测误差常用损失函数的大小来判断,如回归预测的均方损失。对于一些任务,用损失函数作为评估指标并不直观,所以像分类任务的评估还常用f1-score,可以直接展现各种类别正确分类情况。
评估模型拟合(学习)效果,常用欠拟合、拟合良好、过拟合来表述,通常,拟合良好的模型有更好泛化能力,在未知数据(测试集)有更好的效果。
可以通过训练误差及验证集误差评估模型的拟合程度。从整体训练过程来看,欠拟合时训练误差和验证集误差均较高,随着训练时间及模型复杂度的增加而下降。在到达一个拟合最优的临界点之后,训练误差下降,验证集误差上升,这个时候模型就进入了过拟合区域。表3为指标评估模型,图6为真实值和预测值散点图。
表3指标评估模型
进一步地,步骤S3中在对神经网络模型进行训练时还需要监督数据:
获取所述无人机飞控***在无干扰环境下对应的控制率解算信息;所述控制率解算信息包括飞控各回路控制命令、飞控状态和舵机状态;
获取所述无人机飞控***在电磁干扰环境下对应的控制率解算信息;
基于无干扰环境下对应的控制率解算信息、电磁干扰环境下对应的控制率解算信息以及预设误差确定所述监督数据。
进一步地,步骤S4具体包括:
根据表2可以看出通过训练好的神经网络模型能够预测所述无人机飞控***预测状态,并判断无人机飞控***状态为正常还是异常。当所述无人机飞控***预测状态为正常状态时,确定无人机飞控***电磁性能边界正常;当所述无人机飞控***预测状态为异常状态时,确定无人机飞控***电磁性能边界异常。
本发明通过构建并训练神经网模型,从而能够预测无人机飞控***在电磁干扰环境下的状态,并快速有效的确定电磁性能边界状态,进而能够进行无人机飞控***电磁效应评估。
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,下面提供了一种无人机飞控***电磁性能边界模型构建***。
该***包括:
数据获取模块,用于获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;所述干扰数据包括:干扰信号极化方向、干扰信号波形、干扰信号频率以及干扰信号场强;
模型构建及训练模块,用于构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;所述神经网络模型包括输入层、隐藏层和输出层;
预测模块,用于将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;
电磁性能边界状态确定模块,用于根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。
实施例三
本发明实施例三提供一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一提供的无人机飞控***电磁性能边界模型构建方法。
在实际应用中,上述电子设备可以是服务器。
在实际应用中,电子设备包括:至少一个处理器(processor)、存储器(memory)、总线及通信接口(CommunicationsInterface)。
其中:处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口,用于与其它设备进行通信。
处理器,用于执行程序,具体可以执行上述实施例所述的方法。
具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecificIntegratedCircuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器,用于存放程序。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
实施例四
基于实施例三的描述,本发明实施例四提供一种存储介质,其上存储有计算机程序,计算机程序可被处理器执行以实现实施例一的无人机飞控***电磁性能边界模型构建方法。
本发明实施例二提供的无人机飞控***电磁性能边界模型构建***以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网性能。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带、磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本发明中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。
一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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***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)
1.一种无人机飞控***电磁性能边界模型构建方法,其特征在于,包括:
获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;所述干扰数据包括:干扰信号极化方向、干扰信号波形、干扰信号频率以及干扰信号场强;
构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;所述神经网络模型包括输入层、隐藏层和输出层;
将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;
根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。
2.根据权利要求1所述的无人机飞控***电磁性能边界模型构建方法,其特征在于,在获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据之后,还包括:
对所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据进行特征转化;所述特征转化包括:探索性数据分析、特征清洗、特征生成和特征选择。
3.根据权利要求2所述的无人机飞控***电磁性能边界模型构建方法,其特征在于,在所述特征清洗过程中,采用KNN算法和LOF算法确定异常值,并采用线性插值法对异常值进行替换。
4.根据权利要求1所述的无人机飞控***电磁性能边界模型构建方法,其特征在于,所述方法还包括:确定所述神经网络模型中的监督数据;所述监督数据的确定具体包括:
获取所述无人机飞控***在无干扰环境下对应的控制率解算信息;所述控制率解算信息包括飞控各回路控制命令、飞控状态和舵机状态;
获取所述无人机飞控***在电磁干扰环境下对应的控制率解算信息;
基于无干扰环境下对应的控制率解算信息、电磁干扰环境下对应的控制率解算信息以及预设误差确定所述监督数据。
5.根据权利要求1所述的无人机飞控***电磁性能边界模型构建方法,其特征在于,根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态,具体包括:
当所述无人机飞控***预测状态为正常状态时,确定无人机飞控***电磁性能边界正常;
当所述无人机飞控***预测状态为异常状态时,确定无人机飞控***电磁性能边界异常。
6.一种无人机飞控***电磁性能边界模型构建***,其特征在于,包括:
数据获取模块,用于获取无人机飞控***当前状态以及当前电磁干扰环境的干扰数据;所述干扰数据包括:干扰信号极化方向、干扰信号波形、干扰信号频率以及干扰信号场强;
模型构建及训练模块,用于构建神经网络模型;并以无人机飞控***历史状态以及历史电磁干扰环境的干扰数据作为训练数据对所述神经网络模型进行训练;所述神经网络模型包括输入层、隐藏层和输出层;
预测模块,用于将所述无人机飞控***当前状态以及所述当前电磁干扰环境的干扰数据,输入至训练好的神经网络模型中,得到无人机飞控***预测状态;
电磁性能边界状态确定模块,用于根据所述无人机飞控***预测状态确定无人机飞控***电磁性能边界状态。
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权利要求1-5中任一项所述的无人机飞控***电磁性能边界模型构建方法。
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1-5中任一项所述的无人机飞控***电磁性能边界模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694695.7A CN116842827A (zh) | 2023-06-13 | 2023-06-13 | 一种无人机飞控***电磁性能边界模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694695.7A CN116842827A (zh) | 2023-06-13 | 2023-06-13 | 一种无人机飞控***电磁性能边界模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842827A true CN116842827A (zh) | 2023-10-03 |
Family
ID=88164392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310694695.7A Pending CN116842827A (zh) | 2023-06-13 | 2023-06-13 | 一种无人机飞控***电磁性能边界模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842827A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407826A (zh) * | 2023-12-14 | 2024-01-16 | 中国电子科技集团公司第十研究所 | 一种机载无线电导航***异常检测方法、设备及存储介质 |
CN118246353A (zh) * | 2024-05-29 | 2024-06-25 | 成都飞机工业(集团)有限责任公司 | 机载设备电磁敏感性边界获得方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR102263893B1 (ko) * | 2020-02-17 | 2021-06-15 | 한국철도기술연구원 | 지자기 교란 환경에서 3차원 자기장 지도를 이용한 멀티콥터의 측위 및 자세 추정 시스템 및 그 제어방법 |
CN113159447A (zh) * | 2021-05-12 | 2021-07-23 | 中国人民解放军陆军工程大学 | 一种激光雷达电磁环境效应预测方法及*** |
CN114236448A (zh) * | 2021-11-23 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种基于大数据的计量装置故障检修*** |
-
2023
- 2023-06-13 CN CN202310694695.7A patent/CN116842827A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102263893B1 (ko) * | 2020-02-17 | 2021-06-15 | 한국철도기술연구원 | 지자기 교란 환경에서 3차원 자기장 지도를 이용한 멀티콥터의 측위 및 자세 추정 시스템 및 그 제어방법 |
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 |
CN113159447A (zh) * | 2021-05-12 | 2021-07-23 | 中国人民解放军陆军工程大学 | 一种激光雷达电磁环境效应预测方法及*** |
CN114236448A (zh) * | 2021-11-23 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种基于大数据的计量装置故障检修*** |
Non-Patent Citations (3)
Title |
---|
(沙)阿卜杜勒哈密特·苏巴西 等: "《机器学习实践 基于Python进行数据分析》", 1 January 2022, 机械工业出版社, pages: 7 - 9 * |
余道杰 等: ""无人机定位***电源分配网络电磁干扰行为级分析与预测"", 《强激光与粒子束》, vol. 35, no. 05, 31 May 2023 (2023-05-31), pages 42 - 48 * |
王耀: ""低空无人机数据链电磁环境实时感知及预警技术研究"", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, 15 January 2023 (2023-01-15), pages 1 - 71 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407826A (zh) * | 2023-12-14 | 2024-01-16 | 中国电子科技集团公司第十研究所 | 一种机载无线电导航***异常检测方法、设备及存储介质 |
CN118246353A (zh) * | 2024-05-29 | 2024-06-25 | 成都飞机工业(集团)有限责任公司 | 机载设备电磁敏感性边界获得方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN116842827A (zh) | 一种无人机飞控***电磁性能边界模型构建方法 | |
JP6742554B1 (ja) | 情報処理装置およびそれを備えた電子機器 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
US20090063115A1 (en) | Linear programming support vector regression with wavelet kernel | |
CN113570029A (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
CN109191418B (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
Guo et al. | Intelligent active fault-tolerant system for multi-source integrated navigation system based on deep neural network | |
Zhang et al. | Self-blast state detection of glass insulators based on stochastic configuration networks and a feedback transfer learning mechanism | |
CN113888351A (zh) | 光伏***的功率预测方法、装置及电子设备 | |
US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
CN112417981A (zh) | 基于改进FasterR-CNN的复杂战场环境目标高效识别方法 | |
CN112801059A (zh) | 图卷积网络***和基于图卷积网络***的3d物体检测方法 | |
CN117333681B (zh) | 一种基于加权稀疏的高光谱异常目标检测方法及*** | |
EP3588441A1 (en) | Imagification of multivariate data sequences | |
Sun et al. | HRRP target recognition based on soft-boundary deep SVDD with LSTM | |
Moskalenko et al. | Model and training methods of autonomous navigation system for compact drones | |
Zhao et al. | A novel binary bat algorithm with chaos and Doppler effect in echoes for analog fault diagnosis | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
Huang et al. | Deep continuous convolutional networks for fault diagnosis | |
CN113221709B (zh) | 用于识别用户运动的方法、装置及热水器 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
Zhang et al. | A novel target tracking method based on OSELM | |
Prystavka et al. | RECOGNITION OF AERIAL PHOTOGRAPHY OBJECTS BASED ON DATA SETS WITH DIFFERENT AGGREGATION OF CLASSES. |
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 |