无人机动力学网络预测模型的建模、使用方法及相关设备技术

本公开的实施方式提供了无人机的动力学网络预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备，属于计算机和通信技术领域。所述建模方法包括：获取无人机的飞行数据，其中所述飞行数据包括训练数据；使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。本公开的建模方法，能够实现无人机的动力学网络预测模型的建模。测模型的建模。测模型的建模。

【技术实现步骤摘要】
无人机动力学网络预测模型的建模、使用方法及相关设备


[0001]本公开涉及计算机和通信
，具体而言，涉及无人机动力学网络预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备。

技术介绍

[0002]目前固定翼无人机的动力学模型建模一般可以分为机理分析建模方法和基于飞行数据的参数辨识。传统建模方法对于气动数据一般采用计算流体动力学(CFD)数值计算或风洞吹风的方法获得，但是这些方法一般会进行一定简化，无法有效的分析非定常参数量。而使用实际飞行数据进行辨识，得到的系统模型与实际运行过程中的动力学特性比较接近，但其以确定表达式呈现的形式使得其并不具备不确定环境下的动态最优。
[0003]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0004]本公开实施例提供动力学网络预测模型的建模、使用方法及装置、计算机可读存储介质和电子设备，能够实现无人机动力学网络预测模型的建模。
[0005]本公开的其他特性和优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机的动力学网络预测模型的建模方法，其特征在于，包括：获取无人机的飞行数据，其中所述飞行数据包括训练数据；使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。2.根据权利要求1所述的方法，其特征在于，所述飞行数据还包括测试数据，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：使用所述测试数据对所述无人机的动力学网络预测模型进行测试以完成所述动力学网络预测模型的建模。3.根据权利要求1所述的方法，其特征在于，还包括：对所述飞行数据进行归一化处理。4.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：将所述长短时记忆神经网络的输出作为所述全连接神经网络的输入。5.根据权利要求1所述的方法，其特征在于，还包括：通过分析网络层数对拟合误差的影响，确定网络层数；通过分析各网络层的神经元个数对拟合误差的影响，确定各网络层的神经元个数。6.根据权利要求1所述的方法，其特征在于，所述无人机的动力学网络预测模型包括1层长短时记忆神经网络和4层全连接神经网络。7.根据权利要求6所述的方法，其特征在于，4层所述全连接神经网络包括输入层、第一隐含层、第二隐含层和输出层，其中，所述输入层包括13个神经元，所述第一隐含层包括64个神经元，所述第二隐含层包括64个神经元，所述输出层包括6个神经元。8.根据权利要求7所述的方法，其特征在于，所述第一隐含层和所述第二隐含层的激活函数为线性整流函数，所述输出层的激活函数为归一化指数函...

【专利技术属性】
技术研发人员：沙承贤，
申请(专利权)人：北京京东乾石科技有限公司，
类型：发明
国别省市：