[发明专利]一种基于泛化模糊竞争神经网的航路选择方法

说明书

技术领域

本发明属于无人机航路规划技术领域，具体地说是指一种基于泛化模糊竞争神经网的航路选择方法。

背景技术

神经网络是研究和利用人脑的某些结构机理以及人的知识和经验对系统进行学习和辨识。人们普遍认为，神经网络系统的智能性、鲁棒性均较好，能处理高维、非线性和不确定的问题，其显著特点是具有学习能力，不断修正神经元之间的连接权值，并离散存储在链接网络中，因此对非线性系统、难以建模的系统具有良好的映射和辨识能力。但是神经网络结构的选择目前尚缺乏理论依据，处于试凑阶段，并且神经网络结构缺乏明确的物理意义，一些人为定性的知识不易融入其中。另一方面，如何能在较少的时间内使神经网络能够训练到令人满意的程度，仍是这一领域的研究热点问题。

模糊逻辑是人工智能较早的形式，它吸取了人的思维具有模糊性的特点。其不需要精确的数学模型，是解决不确定性系统分析的一种有效途径。但是模糊系统由于采用了模糊集合理论导致其精度较低，规则的选择多采用试凑法，并且不具备学习能力。神经网络与模糊逻辑均属于人工智能的研究范畴，利用它们各自的长处和特点对难以数学建模的问题进行分析和描述，是许多学者的研究课题。

而如今的航路规划领域，产生了许多航路规划方法：基于图形的规划方法、决策型搜索方法、随机搜索方法和人工势场法等。这些航路规划方法均具备各自的特点或者解决某方面的问题，比如航路的光滑程度，航路的计算时间等等。但是从航路跟踪的角度，即航路实施的载体(比如机器人或无人机等)需要对这些航路具有一个统一的评判标准，从而根据实际情况和任务情况选择最适合的航路规划方法进行跟踪。

现有的航路评价方法大多采用含有所有目标函数的表达式，通过数学上的寻优找到最小代价从而完成评价。这种方式存在三种问题：(1)各子目标函数的标量不统一，权重系数很难选取。(2)目标函数是人为设定的，很难考虑全面。(3)最小评价值并没有数值/物理上的意义，只有相互比较才能显出优势，这就导致如果误差存在，很可能非最优航路却取得最小评价值。

许多因素影响着最优航路，尤其当飞行任务不同时，最优航路将倾向或侧重于某些特定因素。在航路规划中，真正最优的航路是很难找到的，比如威胁模型和代价函数等指标均是人为设定的优化内容，这意味着人的因素将参与到航路评价中来。如何寻找一种具有较好通用性、容错性，又能包括人为因素的评价方法，是非常具有实用价值的研究内容。

发明内容

针对现有技术中存在的问题，本发明提出一种基于泛化模糊竞争神经网的航路选择方法，该方法能够对已通过不同航路规划方法生成的航路进行评级，具有通用性，为地面操作人员或者决策系统进行最优航路选择提供依据。

本发明的一种基于泛化模糊竞争神经网的航路选择方法，具体包括如下步骤：

步骤一：设无人机的可飞航路有n条，n条航路构成航路集合，每条航路用离散点集合表示，然后确定每条航路的长度子目标函数值；

第i条航路的长度子目标函数值确定方法是：设航路包括m个离散点，其中第j个离散点为相邻离散点和构成航路的第j个航段，航路具有m-1个航段；对相邻离散点和的三维空间坐标进行曼哈顿距离计算，得到的曼哈顿距离就是航路的第j个航段的长度子目标函数值，则航路的长度子目标函数值由m-1个航段的长度子目标函数值求和得到。

步骤二：确定每条航路的安全避障距离子目标函数值；

当地形中有一个障碍时，第i条航路的安全避障距离子目标函数值为：