[发明专利]协同神经网络及其构建方法和飞行器自主避障方法

说明书

技术领域

本发明涉及计算机领域，具体涉及一种协同神经网络及其构建方法和飞行器自主避障方法。

背景技术

飞行器最早出现在20世纪20年代，最初在军事上作为训练的靶机使用，随着科学技术的发展进步，飞行器在社会生产生活中得到了广泛的应用，飞行器的产品种类也越来越丰富，而且随着生产制造工艺和产品设计等各方面的优化，使得飞行器的制造成本进一步降低，并得到了广泛的普及。

但现今，传统的飞行器都是采用手持遥控器或计算机安装地面站的方式来控制飞行器的飞行。由于飞行器飞行环境的不确定性以及飞行控制方式的复杂性，因此对飞行器操作者的操作水平提出了较高的要求。然而由于飞行器其自身结构的特殊性和飞行高度属于低空域的特点，在实际飞行过程中容易发生碰撞，损坏飞行器，甚至造成炸机的风险。因此在飞行器自主导航过程中对障碍物的判断和避障成了飞行器飞行控制领域一个十分重要的问题。

发明内容

针对现有技术中的上述不足，本发明提供了一种协同神经网络及其构建方法和飞行器自主避障方法，其能够通过构建的协同神经网络对飞行器采集的图像中的障碍物进行快速准确识别及根据障碍物做出准确的避障措施。

为了达到上述发明目的，本发明采用的技术方案为：

第一方面，提供一种协同神经网络的构建方法，其包括：

获取具有若干障碍物图像的样本库，采用主成分分析方法提取预处理后障碍物图像的特征向量；

将预处理后障碍物图像转换为列向量，通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集；

将向量集输入协同神经网络，选取向量集中设定比例的障碍物图像向量作为标准集，将向量集中余下障碍物图像向量作为训练集，并计算标准集中每一类别所有障碍物图像向量的均值作为其原型向量；

获取训练集中的障碍物图像向量，采用障碍物图像向量与其所在类的原型向量的正交伴随向量计算障碍物图像初始序参量；

根据障碍物图像初始序参量和图像识别动力学方程，获取满足设定条件的障碍物图像序参量；

当障碍物图像序参量与障碍物图像初始序参量所表征的类别不相同时，采用障碍物图像向量和与其对应类别的原型向量的平均值更新该类的原型向量；

当训练集中所有障碍物图像向量的障碍物图像序参量均满足设定条件时，通过所有原型向量构成的原型矩阵计算得到伪逆矩阵，完成协同神经网络的构建。

进一步地，所述设定条件为序参量的一个分量等于1，其余分量均等于0。

进一步地，所述采用主成分分析方法提取预处理后障碍物图像的特征向量的方法包括：

将预处理后的障碍物图像平铺展开形成N维列向量，并计算所有N维列向量的均值向量：

其中，为均值向量；m为障碍物图像的总数量；x_i为第i张障碍物图像的N维列向量；

采用障碍物图像的N维列向量和均值向量，计算障碍物图像的去均值向量：

计算所有障碍物图像的N维列向量构成的数据集的协方差矩阵：

其中，()^T为转置；A＝[Φ₁,Φ₂,...,Φ_m]；

计算矩阵AA^T的特征向量u_i＝A*v_i，其中，v_i为A^TA的特征向量；所述A^TA中的m个特征值与特征向量对应于AA^T中前m个最大的特征值及特征向量

计算矩阵AA^T的特征值，并按从大到小排序，截取前面K个特征值及对应的特征向量构成特征矩阵。

进一步地，通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集的计算公式为其中，U为特征矩阵；为Φ_i的转置。

进一步地，将预处理后障碍物图像转换为列向量后还包括对所述列向量进行零均值和归一化处理，之后特征矩阵映射得到所有列向量特征提取后构成向量集。

进一步地，所述障碍物图像初始序参量的计算公式为：

其中，ξ_k(0)为障碍物图像初始序参量；为初始原型向量v_k的正交伴随向量；q为向量集中的障碍物图像向量；k为障碍物图像类别；

所述图像识别动力学方程为：