[发明专利]小样本条件下的飞行器姿态控制数据增强和模型训练方法

权利要求书

1.一种小样本条件下的飞行器姿态控制数据增强和模型训练方法，其特征在于，包括以下步骤：

步骤S1、将飞行器姿态控制的训练集分解成多份子训练集；

步骤S2、随机选取一份子训练集，训练第一生成器、第二生成器和第三生成器的神经网络参数；所述第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强；

步骤S3、计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值；

步骤S4、根据第一生成器、第二生成器和第三生成器的重要性权值，设置神经网络模型的目标函数；进行神经网络模型参数的训练；

步骤S5、判断训练的迭代次数超过给定阈值；是，则终止训练；否，则返回到步骤S2。

2.根据权利要求1所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，所述飞行器姿态控制的训练集其中n为训练集中数据个数，x_i表示飞行器受力状态的6维向量，包括升力矢量、阻力矢量、法向过载、飞行器目前的偏航角、俯仰角和滚转角；y_i为表示飞行器下一时刻姿态预测结果的6维向量，包括下一个时刻的偏航角、俯仰角和滚转角、PID控制中的比例增益P、积分时间常数Ti和微分时间常数Pd。

3.根据权利要求2所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，

对所述飞行器姿态控制的训练集采用平均分解的方式，分解成n_t份子训练集；子训练集的形式为{(x_i,y_i)}_k,k＝1…n_t。

4.根据权利要求2所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，

用于姿态预测的所述神经网络模型为f(x,θ)；神经网络模型中间层的输出是f′(x,θ)，其中θ为神经网络的参数；所述神经网络模型的分类任务训练过程等价于求解的优化问题；其中l(f(x_i,θ),y_i)为分类任务的交叉熵损失函数。

5.根据权利要求4所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，

训练所述第一生成器，用于使得生成器生成数据在原始空间中与真实数据距离较大；同时在神经网络模型中间层的输出与真实数据距离较小的数据；

训练所述第二生成器，用于使得生成器生成数据在原始空间中与真实数据距离较小，同时关于神经网络的损失函数的梯度较大；

训练所述第三生成器，用于使得生成器生成数据在与原始数据相近的前提下，使得神经网络模型输出的结果与理想数据结果距离较远。

6.根据权利要求5所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，所述第一生成器G₁(x，φ₁)的目标函数为；

其中，α₁为给定的权值参数；φ₁为第一生成器的网络参数。

7.根据权利要求5所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，所述第二生成器G₂(x，φ₂)目标函数为:

其中，Jl(f(x，θ)，y)为损失函数l(f(x，θ)，y)关于θ的Jacobian矩阵,α₂为给定的权值参数，φ₂为第二生成器的网络参数。

8.根据权利要求5所述的飞行器姿态控制数据增强和模型训练方法，其特征在于，所述第三生成器G₃(x，φ₃)目标函数为:

其中，l(f(x，θ)，y)为损失函数,α₃为给定的权值参数，φ₃为第三生成器的网络参数。