基于遗传算法优化神经网络的旋翼飞行器姿态控制方法技术

本发明专利技术涉及一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，包括以下步骤：创建初始种群T，并对数据进行预处理；确定编码方式；确定适应度函数；遗传算法的遗传操作；将得到的最优解代入BP神经网络模型的权值和阈值；计算误差，若未达到要求，则利用误差反向传播算法更新神经网络模型的权值和阈值；若达到要求，则将BP神经网络模型的输出作用于PID控制器，PID控制器通过调整惯性环节系数Kp、积分环节系数Ki和微分环节系数Kd来调节控制强度和效果，输出理想控制信号；旋翼飞行器的姿态得到理想控制，恢复到理想的飞行姿态。本发明专利技术有效地避免了神经网络陷入局部极小值的缺点。

Attitude control of Rotorcraft Based on genetic algorithm and neural network optimization

The present invention relates to an attitude control method for rotor aircraft based on genetic algorithm optimized neural network, which includes the following steps: creating initial population T and preprocessing the data; determining coding method; determining fitness function; genetic operation of genetic algorithm; and substituting the optimal solution into the weight of BP neural network model. Values and thresholds; calculation errors, if not meet the requirements, then use error back-propagation algorithm to update the weights and thresholds of the neural network model; if it meets the requirements, the output of the BP neural network model acts on the PID controller, the PID controller by adjusting the inertia link coefficient Kp, integral link coefficient Ki and differential link coefficient Kd. The control intensity and effect are adjusted to output the ideal control signal, and the attitude of the rotorcraft is ideally controlled to return to the ideal flight attitude. The invention effectively avoids the defect that the neural network falls into the local minimum value.

【技术实现步骤摘要】
基于遗传算法优化神经网络的旋翼飞行器姿态控制方法
本专利技术涉及旋翼飞行器姿态控制
，特别是涉及一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法。
技术介绍
传统PID控制器因为其原理简单，技术成熟，鲁棒性强，适用于环境恶劣的工业生产现场等优点一直得到普遍的应用，然而传统PID控制是基于准确模型的，而且系统特性变化与控制量之间是线性映射关系。若采用常规PID控制器，以一组固定不变的参数去适应一些参数变化、干扰众多的控制系统，将无法得到令人满意的控制效果，甚至当参数变化范围太大时，系统性能会明显变差。因此传统PID控制在解决大时滞、参数变化大和模糊不确定性的过程控制问题时无法获得良好的动态和静态效果。在四旋翼飞行器的飞行过程中，PID控制器中的控制参数整定需要熟练的技巧和足够的时间，且调整好的控制参数不会适应外界环境的变化，很难达到预设的目标，从而影响控制效果。神经网络以其很强的适应于复杂和多目标控制要求的自学习能力，并能以任意精度逼近任意非线性连续函数的特性，引起了控制界的关注。神经网络控制不需要精确的数学模型，是解决不确定性系统控制的一种有效途径，所以将神经网络结合PID控制器是现代控制界的一种趋势。但是，在神经网络的使用过程中，人们发现神经网络因为采用梯度下降法，在寻找最优解的过程中容易陷入局部范围内的极小值。尽管BP网络，特别是各种二阶梯度算法的应用使用权值搜索的收敛速度加快，但是当目标函数在权值空间存在着许多局部极小值，梯度搜索仍然不能有效避免陷入局部极小值的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，避免神经网络陷入局部极小值的缺点。本专利技术解决其技术问题所采用的技术方案是：提供一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，包括以下步骤：(1)创建初始种群T，并对数据进行预处理；(2)确定编码方式和采用的BP神经网络结构，所述BP神经网络结构包括：输入层、隐含层和输出层，其中，输入层有a个神经元，隐含层有b个神经元，输出层有c个神经元，则种群个体的染色体位数为a×b+b+b×c+c；(3)确定适应度函数，适应度函数采用BP神经网络误差函数的倒数；(4)遗传算法的遗传操作，包括对种群中的每一个个体进行选择、交叉、变异和适应度值评估；(5)将得到的最优解代入BP神经网络模型的权值和阈值；计算误差，若未达到要求，则利用误差反向传播算法更新神经网络模型的权值和阈值；若达到要求，则将BP神经网络模型的输出作用于PID控制器，PID控制器通过调整惯性环节系数Kp、积分环节系数Ki和微分环节系数Kd来调节控制强度和效果，输出理想控制信号。所述步骤(2)中确定的编码方式为实数编码方式。所述步骤(3)中适应度函数为其中，s表示种群中的每个个体，xi表示神经网络的实际输出，yi表示神经网络的期望输出，t表示种群中的个体数，适应度函数值越大，说明实际输出与期望输出之间的差越小。所述步骤(4)中的选择操作具体为：通过计算选择概率，选择出较优的个体构成一个新的种群NewT，其中，fi表示个体的适应度值。所述步骤(4)中的交叉操作具体为：选择算数交叉，假设在两个个体NewT1和NewT2之间进行算数交叉，则得到的新个体为：其中，a为交叉参数，取值范围为0～1。所述步骤(4)中的变异操作具体为：采用基本位变异，将选择概率小的个体位串取反，得到新的个体。所述步骤(5)中利用误差反向传播算法更新神经网络模型的权值和阈值时，采用的误差函数为e(k)＝rin(k)-rout(k),k＝1,2,…，其中，e(k)为第k次的误差，rin(k)为第k次的输入，rout(k)为第k次的输出。有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术既延续了传统PID控制适应性强，鲁棒性强的特点；又兼顾了神经网络不需要精确的数学模型，能有效解决不确定控制系统；同时采用遗传算法，有效地避免了神经网络陷入局部极小值的缺点，从而达到对小型四旋翼飞行器姿态控制的良好效果。附图说明图1是本专利技术的流程图；图2是本专利技术的原理图；图3是本专利技术实施例所使用的小型四旋翼飞行器结构图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。图1为本专利技术实施例方法流程图，图2是本专利技术的原理图，如图1和图2所示，本专利技术的实施方式涉及一种基于遗传算法优化神经网络PID参数的小型四旋翼飞行器(见图3)姿态控制方法，具体按以下步骤进行：(1)创建初始种群T，并对数据进行预处理。(2)确定编码方式，本实施方式采用三层BP神经网络结构，设输入层有a个神经元节点，隐含层有b个神经元节点，输出层有c个神经元节点，则种群个体的染色体位数为a×b+b+b×c+c。由于得到的数目较大，所以采用实数编码的方式。(3)确定适应度函数，适应度函数采用误差函数的倒数，公式为：其中，s表示种群中的每个个体，xi表示神经网络的实际输出，yi表示神经网络的期望输出，t表示种群中的个体数，适应度函数值越大，说明实际输出与期望输出之间的差越小。(4)遗传算法的遗传操作，包括对种群T中的每一个个体进行选择、交叉、变异和适应度值评估。(4.1)选择操作，计算选择概率选择出较优的个体构成一个新的种群NewT，其中，fi表示个体的适应度值。(4.2)交叉操作，因为遗传算法使用实数编码，所以选择算数交叉，假设在两个个体NewT1和NewT2之间进行算数交叉，则得到的新个体为：其中，a为交叉参数，取值范围为0～1。(4.3)变异操作，因为遗传算法使用实数编码，所以采用基本位变异操作，将选择概率小的个体位串(或称字符串)取反从而得到新的个体。(4.4)适应度值计算操作，根据适应度函数计算适应度值，当符合要求或者达到最大迭代次数，则转至步骤(5)；否则重复步骤(4)。(5)将步骤(4)得到的最优解代入BP神经网络模型的权值和阈值。计算误差，若未达到要求，则利用误差反向传播算法更新神经网络模型的权值和阈值；若达到要求，则神经网络PID控制器输出理想控制信号。其中，利用误差反向传播算法对遗传算法得到的最优解进行再次取优，误差函数的计算方式为e(k)＝rin(k)-rout(k),k＝1,2,…，其中，e(k)为第k次的误差，rin(k)为第k次的输入，rout(k)为第k次的输出。(6)小型四旋翼飞行器的姿态得到理想控制，恢复到理想的飞行姿态。不难发现，本专利技术既延续了传统PID控制适应性强，鲁棒性强的特点；又兼顾了神经网络不需要精确的数学模型，能有效解决不确定控制系统；同时采用遗传算法，有效地避免了神经网络陷入局部极小值的缺点，从而达到对小型四旋翼飞行器姿态控制的良好效果。本文档来自技高网...

【技术保护点】
1.一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，其特征在于，包括以下步骤：(1)创建初始种群T，并对数据进行预处理；(2)确定编码方式和采用的BP神经网络结构，所述BP神经网络结构包括：输入层、隐含层和输出层，其中，输入层有a个神经元，隐含层有b个神经元，输出层有c个神经元，则种群个体的染色体位数为a×b+b+b×c+c；(3)确定适应度函数，适应度函数采用BP神经网络误差函数的倒数；(4)遗传算法的遗传操作，包括对种群中的每一个个体进行选择、交叉、变异和适应度值评估；(5)将得到的最优解代入BP神经网络模型的权值和阈值；计算误差，若未达到要求，则利用误差反向传播算法更新神经网络模型的权值和阈值；若达到要求，则将BP神经网络模型的输出作用于PID控制器，PID控制器通过调整惯性环节系数Kp、积分环节系数Ki和微分环节系数Kd来调节控制强度和效果，输出理想控制信号。

【技术特征摘要】
1.一种基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，其特征在于，包括以下步骤：(1)创建初始种群T，并对数据进行预处理；(2)确定编码方式和采用的BP神经网络结构，所述BP神经网络结构包括：输入层、隐含层和输出层，其中，输入层有a个神经元，隐含层有b个神经元，输出层有c个神经元，则种群个体的染色体位数为a×b+b+b×c+c；(3)确定适应度函数，适应度函数采用BP神经网络误差函数的倒数；(4)遗传算法的遗传操作，包括对种群中的每一个个体进行选择、交叉、变异和适应度值评估；(5)将得到的最优解代入BP神经网络模型的权值和阈值；计算误差，若未达到要求，则利用误差反向传播算法更新神经网络模型的权值和阈值；若达到要求，则将BP神经网络模型的输出作用于PID控制器，PID控制器通过调整惯性环节系数Kp、积分环节系数Ki和微分环节系数Kd来调节控制强度和效果，输出理想控制信号。2.根据权利要求1所述的基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，其特征在于，所述步骤(2)中确定的编码方式为实数编码方式。3.根据权利要求1所述的基于遗传算法优化神经网络的旋翼飞行器姿态控制方法，其特征在于，所述步骤(3)中适应度函数为其中，s表示种群中的每个个体，xi表示...

【专利技术属性】
技术研发人员：丁仁强，周武能，程航洋，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31