[发明专利]一种基于神经网络学习的集群协同制导方法

权利要求书

1.一种基于神经网络学习的集群协同制导方法，无人机集群通过任务目标分配模型自主分配各无人机对应任务目标。

2.根据权利要求1所述的集群协同制导方法，其特征在于，

所述任务目标分配模型采用神经网络学习方法获得。

3.根据权利要求2所述的集群协同制导方法，其特征在于，

任务目标分配模型的获得包括以下步骤：

S11、收集多个包含任务目标群的图像，对任务目标群进行识别；

S12、分析多个包含任务目标群的图像，设计图像中各无人机的任务目标；

S13、构建任务目标神经网络，对不同图像中各无人机的工作区域进行学习，得到任务目标分配算法。

4.根据权利要求3所述的集群协同制导方法，其特征在于，

在步骤S11中，包括以下子步骤：

S111、将RGB图像转化为YCbCr图像；

S112、对图像进行降噪；

S113、特征区域提取；

S114、将图像进行划分，将提取出来的特征点在图像中位置进行归纳；

S115、按特征区域识别任务目标；

S116、将任务目标的位置和等级输出。

5.根据权利要求3所述的集群协同制导方法，其特征在于，

在步骤S13中，包括以下子步骤：

S131、检查任务目标数量与无人机数量；

S132、设计任务目标神经网络的输入、输出、隐含层；

S133、构建任务目标神经网络。

6.根据权利要求5所述的集群协同制导方法，其特征在于，

在步骤S133中，

不同输入层对隐含层的输出为K_ij＝ω_ijx_i

隐含层的输出值L_j为：

输出层的输出M_k为：

任务目标神经网络学习过程更新式为：

其中，n为输入层节点个数，l为隐含层节点个数，m为输出层节点个数，ω_ij是输出层到隐含层的权重，ω_jk是隐含层到输出层的权重，a_ij是输入层到隐含层的偏置，b_jk是隐含层到输出层的偏置，δ是学习速率，g(x)是激励函数，j表示隐含层的节点符号，i表示输入层的节点符号，x_i表示输入层的输入，k表示不同的任务目标，k表示不同的输出层，ω′_ij为更新后的输出层到隐含层的权重，ω′_jk为更新后的隐含层到输出层的权重，a′_ij为更新后的输入层到隐含层的偏置，b′_jk为更新后的隐含层到输出层的偏置，e_k＝Y_k-M_k，Y_k为期望输出，所述期望输出是指各无人机及其对应任务目标。

7.根据权利要求1所述的集群协同制导方法，其特征在于，

无人机集群在到达任务地点后根据任务分配模型分配各无人机任务目标，包括：S21、无人机获取任务目标图像；

S22、任务目标识别；

S23、使用任务目标分配算法进行任务分配。

8.根据权利要求1所述的集群协同制导方法，其特征在于，

所述无人机通过构建弹道神经网络获取制导参数的方式自主规划执行任务路径。

9.根据权利要求1所述的集群协同制导方法，其特征在于，

所述构建弹道神经网络，包括以下子步骤：

PS01、制作弹道神经网络训练样本；

PS02、设定弹道神经网络模型。

10.一种基于神经网络学习的集群协同制导系统，包括多个无人机，

在所述无人机上，设置有任务目标分配模块。