[发明专利]一种基于深度学习的飞机姿态控制方法

权利要求书

1.一种基于深度学习的飞机姿态控制方法，其特征在于，包括如下步骤：

S1.实时采集飞机的47个状态数据，并对数据进行归一化处理；

所述步骤S1中所述的47个飞机状态数据，具体为：

仿真时长、本机的生存概率、本机与敌机的在X,Y,Z轴的位置分量，本机与敌机在X,Y,Z轴的速度分量，本机在X,Y,Z轴的加速度分量，本机的航向角、横滚角、俯仰角，本机的攻角、油门系数、减速板系数，24个布尔变量；

所述24个布尔变量包括雷达有无目标信息、飞行员是否看见目标、雷达传感系统有无目标信息、雷达传感系统是否可以预测目标、速率是否大于稳定飞行速率、切向加速度是否大于0，目标是否在前方、是否正在尾追目标、雷达是否在跟踪目标、是否有与目标发生碰撞的可能、是否还有未发射的导弹、目标距离是否大于300米、目标距离是否大于250米、是否有导弹捕获目标、是否有导弹准备发射、目标飞机是否在航炮的射击范围内、接近速率是否大于-1米/秒、目标距离是否大于500米、速率是否小于最有飞行速率、目标距离是否大于4000米、瞄准线角速率与速率之乘积是否大于60、目标距离是否大于1500米、目标的方位角是否小于100°；

S2.将归一化处理后的数据输入飞机姿态控制网络，得到2个飞机姿态控制量，即攻角变化率和倾斜角变化率其中，a表示攻角，θ表示倾斜角，表示攻角变化率，表示倾斜角变化率，t表示当前时刻，t+Δt表示经过一个步长后的时刻；

在所述步骤S2中，构建所述的飞机姿态控制网络，就是构建攻角控制网络与倾斜角控制网络，具体构建步骤均如下：

S21.进行多次空战模拟仿真，采集数据模块并归一化；

S22.将归一化后的数据模块中的70％组数据作为训练集，30％组数据作为测试集；

S23.设计两个结构相同的卷积神经网络，使用训练集对卷积神经网络进行训练，得到攻角控制网络与倾斜角控制网络；

S24.将测试集的飞机状态数据输入至所训练的两个卷积神经网络中，对比卷积神经网络输出的飞机姿态控制量和测试集中的飞机姿态控制量，评估网络性能；

S25.根据评估结果调整卷积神经网络的参数，进而得到最优网络；

其中所述飞机姿态控制网络包括数据模块、攻角控制网络、倾斜角控制网络；

所述的数据模块从空战模拟系统中采集得来，由多组数据组成，其中每组数据含有每一仿真步长时47个飞机状态数据与2个飞机姿态控制量；

所述的攻角控制网络与倾斜角控制网络是使用相同结构的卷积神经网络构建的；

所述数据模块中47个飞机状态数据作为攻角控制网络与倾斜角控制网络的输入，2个飞机姿态控制量分别作为攻角控制网络与倾斜角控制网络的输出；

S3.得到飞机姿态控制量后，据(式1)-(式2)进行积分，便可得到飞机所需的姿态参数，所述姿态参数为攻角a_t+Δt与倾斜角θ_t+Δt；

2.如权利要求1所述的一种基于深度学习的飞机姿态控制方法，其特征在于，步骤S23中所设计的卷积神经网络，其结构如下：

卷积神经网络按照输入层、4个卷积层、5个全连接层、输出层的顺序进行连接，且每一层的输出需经过tanh函数运算；

输入层输入数据矩阵大小为7×7×1，输出层输出数据矩阵大小为1×1；

第一层卷积层有10个2×2×1大小的卷积核；

第二层卷积层有10个1×1×10大小的卷积核；

第三层卷积层有10个2×2×10大小的卷积核；

第四层卷积层有10个3×3×10大小的卷积核；

5个全连接层的神经元个数分别为80、60、50、30、10。