【技术实现步骤摘要】
四旋翼飞行器模型、辨识方法、系统及存储介质
本专利技术涉及非线性系统建模领域,特别是一种四旋翼飞行器模型、辨识方法、系统及存储介质。
技术介绍
实际中被控对象种类繁多,同时特性往往十分复杂,具有工作点时变、滞后、欠驱动、强耦合等非线性特性,尤其是面对多输入多输出的对象时难度更大,如四旋翼飞行器。对于四旋翼飞行器,可以通过系统辨识方法获得该被控对象非线性动态特性的精确模型,并设计基于该模型的先进控制策略。系统辨识模型相对于机理数学模型的优势在于系统辨识得到的模型适用范围广,抗干扰性更强,对物理结构分析依赖性不强,得到模型的代价更小等,具有很好的应用前景。在系统辨识中,解决非线性问题建模的思路可以分为三类。第一类是分段线性化,即分段构造多个线性模型,然后求解多个二次规划问题或者线性矩阵不等式,然而这种做法很难确定分段的区间和位置,在实际应用中有很大的难度;第二类是用直接使用非线性模型在线求解一个高阶的带约束的非线性优化问题,造成的问题则是计算量大,并且在实际控制中不能保证一定有可行解;第三类方法是使用局部线性化的方法,用一个离线辨识的全局非线性、局部线性模型或者在线辨识的仿射模型来描述非线性被控对象,然后在线求解一个QP问题来得到最优控制率。在实际应用中,快速精确地拟合出一个精度很高的模型非常困难,而一般的复杂系统都具有时变工作点,并且可以由一个局部线性模型很好地描述每个工作点处的动态特性。神经网络和SD-ARX结合是局部线性化模型的一种,如RBF-ARX,DBN-ARX等,神经网络具有强大的拟合能力,模 ...
【技术保护点】
1.一种四旋翼飞行器MTMLP-ARX模型,其特征在于,该模型表达式为:/n
【技术特征摘要】
1.一种四旋翼飞行器MTMLP-ARX模型,其特征在于,该模型表达式为:
其中,c表示当前时刻四旋翼飞行器的第c个输出通道,c1表示历史时刻四旋翼飞行器的第c1个输出通道,c2表示历史时刻四旋翼飞行器输入的第c2个,No,Ni分别为四旋翼飞行器的输出通道个数和输入个数;Yc(t)∈R为t时刻四旋翼飞行器的第c个通道输出值,即第c个通道预测输出,且有分别是t-x时刻四旋翼飞行器的第1,……,No个通道输出值;为系统t-k2时刻第c2个输入值;ε(t)∈R为高斯白噪声;p和q分别为MTMLP-ARX模型的输出阶次和输入阶次;为MTMLP-ARX模型第c个通道输出中的常数项;为MTMLP-ARX模型第c个通道输出中的系数;为MTMLP-ARX模型第c个通道输出中的系数;α,β分别表示MTMLP神经网络参数非共享部分和参数共享部分;Nβ分别表示MTMLP神经网络参数非共享部分c输出通道和参数共享部分的网络层数;lα,lβ分别表示MTMLP神经网络参数非共享部分和参数共享部分的第l层;jα,jβ分别表示MTMLP神经网络参数非共享部分和参数共享部分的当前层第j个神经元;分别为MTMLP神经网络参数非共享部分输出通道c和参数共享部分第l层神经元个数;MTMLP神经网络参数非共享部分和参数共享部分的激活函数φ(x)都为ReLU函数;分别为MTMLP神经网络参数非共享部分c输出通道和参数共享部分第l-1层所有神经元连接l层第j个神经元的权重;分别为MTMLP神经网络参数非共享部分输出通道c第l-1层第个神经元连接l层第j个神经元的权重;分别为MTMLP神经网络参数共享部分第l-1层第个神经元连接l层第j个神经元的权重;分别为MTMLP神经网络参数非共享部分输出通道c和参数共享部分第l-1层所有神经元连接l层第j个神经元的偏置;分别为MTMLP神经网络参数非共享部分输出通道c和参数共享部分第l层所有神经元的输出,为MTMLP神经网络参数共享部分第Nβ层所有神经元的输出;分别为MTMLP神经网络参数非共享部分输出通道c第l-1层第个神经元连接l层第j个神经元的权重,分别为MTMLP神经网络参数共享部分l-1层第个神经元连接l层第j个神经元的权重;分别为MTMLP神经网络参数非共享部分输出通道c第l层第个神经元的输出,分别为MTMLP神经网络参数共享部分第l层第个神经元的输出;W(t-1)为MTMLP-ARX模型的输入状态向量,由四旋翼飞行器的历史输出数据构成。
2.根据权利要求1所述的四旋翼飞行器MTMLP-ARX模型,其特征在于,所述MTMLP-ARX模型包括:
输入层,用于接收输入状态向量W(t-1);
多个共享层,用于对所述输入状态向量W(t-1)进行处理,通过激活函数计算的值,得到当前共享层的状态f1后,输入到下一共享层,在下一个共享层通过激活函数计算得到下一共...
【专利技术属性】
技术研发人员:彭辉,童立,吴锐,张丁匀,
申请(专利权)人:中南大学,
类型:发明
国别省市:湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。