[发明专利]一种无人机节能控制方法有效
申请号: | 201811104430.2 | 申请日: | 2018-09-20 |
公开(公告)号: | CN109375642B | 公开(公告)日: | 2021-06-22 |
发明(设计)人: | 贾华宇;马珺;张博 | 申请(专利权)人: | 太原理工大学 |
主分类号: | G05D1/10 | 分类号: | G05D1/10 |
代理公司: | 太原市科瑞达专利代理有限公司 14101 | 代理人: | 李富元 |
地址: | 030024 山西*** | 国省代码: | 山西;14 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 无人机 节能 控制 方法 | ||
1.一种无人机节能控制方法,其特征在于:按照如下的步骤进行
步骤一、无人机在飞行过程中,实时获取机载惯性测量单元IMU数据,获得实时的俯仰角数据、横滚角数据、偏航角数据、三个轴向速度和加速度数据;
步骤二、将无人机的俯仰角数据、横滚角数据、偏航角数据送入神经网络模型中,经神经网络模型处理后输出风的作用方向信息,神经网络模型处理过程按照如下步骤进行
一、随机建立初始神经网络模型,假设输入层节点的个数是n=3个,输出层神经元个数为m=4个,网络的隐含层有l=(m+n)1/2+a=3.5+a个节点,其中a为1—10之间的调节常数,
输入层神经元i到隐含层神经元j之间的连接权值ωij,隐含层神经元j到输出层神经元k之间的连接权值ωjk,隐含层和输出层节点的输入是前一层节点的输出的加权和,输入层到隐含层的偏置为aj,隐含层到输出层的偏置为bk,每个节点的激励程度由它的激发函数来决定,设学习速率为η,激励函数为g(x)选取为sigmoid函数,其形式为:
初始化模型,将所有权值ωij和ωjk设置为较小的随机数;
二、建立训练模型,隐含层输出Hj,以三层神经网络为例,其隐含层的输出格式为:xi为训练样本
输出层的输出Ok:
误差的计算,取误差公式为:
其中Yk为期望输出值,如果我们记Yk-Ok=ek,则E可以表示为:
以上式中,i=1…n,j=1…l,k=1…m;
三、将实验得到的样本数据送入一和二中建立的网络模型,训练所述模型,按照二所述模型计算系统的隐含层各个神经元输入和输出,
其中连接权值的更新公式为:
这是误差反向传播的过程,我们的目标是使得误差函数达到最小值,即minE,我们使用梯度下降法:
隐含层到输出层的权重更新为权重值减去误差对其的偏导数,误差对权重的偏导数推导如下:
则可得权重更新公式为:
ωjk=ωjk+ηHjek
输入层到隐含层的权重更新方式同理,误差对其偏导数如下推导:
其中:
可得权重的更新公式:
偏置的更新公式为:
隐含层到输出层的偏置更新公式:
偏置的更新公式为:
bk=bk+ηek
输入层到隐含层的偏置更新:
其中
所以得到偏置的更新公式为:
利用二所得网络实际输出与期望输出,计算误差函数对输出层的各神经元的偏导数,以上述计算公式修正各神经元节点连接权值;
四、判断算法迭代是否结束:我们判断误差是否足够小,以及迭代次数是否满足要求,即:
EεNNx
其中ε是设定的误差最小值,Nx是设定的最大迭代次数;
若未满足迭代结束条件则返回步骤二继续训练,若满足迭代终止条件则继续进行五;
五、继续将下一组训练样本送入神经网络,即使用下一组样本进入二,直至所有训练样本都得到训练且满足迭代终止条件,至此神经网络模型的训练过程结束,保存此时网络各个神经元的参数ωij、ωjk、aj、bk不变,即得到所需要的神经网络控制器,
六、将神经网络控制器搭载于无人机飞控系统,输入为各个时刻无人机IMU单元送入的姿态角数据,经过神经网络控制器判断后输出Ok即可得到无人机此时所受风的方向信息;
步骤三、通过风的方向信息以及三个轴向速度和加速度数据,通过模糊控制,得到风作用力度信息,按照实时风作用信息生成所述飞行策略,即根据经验设定阈值,当风作用力度信息小于阈值时,按照原有方式飞行,当风作用力度信息大于等于阈值时,给无人机施加垂直于风向的作用力,使无人机沿风作用方向垂直方向飞行,避开风的干扰。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于太原理工大学,未经太原理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811104430.2/1.html,转载请声明来源钻瓜专利网。