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技术

本发明专利技术涉及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，包括：将飞行器姿态控制的训练集分解成多份子训练集；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；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；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；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；判断训练的迭代次数超过给定阈值；是，则终止训练；否，则重新选择子训练集进行训练。本发明专利技术提升了种小样本条件下神经网络模型的分类任务性能。类任务性能。类任务性能。

【技术实现步骤摘要】
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


[0001]本专利技术涉及飞行器姿态控制
及神经网络
，尤其涉及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。

技术介绍

[0002]随着航天技术的不断发展，飞行器己在众多领域得到越来越广泛的应用。飞行器姿态控制系统是飞行器控制中的重要组成部分，它关系着入轨后的飞行器能否较好的发挥效能。飞行器姿态控制系统是一个多变量、非线性、时变的复杂系统。
[0003]传统飞行器姿态预测方法主要基于PID控制，PID控制虽然可以解决一般条件下的姿态控制问题，但是在飞行器受到较大干扰时会导致控制系统不稳定，需要较长的时间达到最优控制。
[0004]把传统的控制与神经网络技术相结合，可以通过人工智能模型的优化提高对飞行器姿态的控制。但目前飞行器的飞行数据较为有限，尤其对于一些特殊用途飞行器，其飞行试验及实际应用数据更是不足以支撑现有的人工智能模型学习，使得人工智能模型的任务性能受到限制。
[0005]但目前，基于数据增强的小样本学习方法缺乏有效的数据增强和模型训练准则。基于人工准则的数据增强方式虽然融合先验知识和数据结构信息，但是由于人工准则与机器学习模型结构的相容性具有不确定性，所以增强数据对人工智能模型性能提升效果受到限制。基于生成模型的数据增强方法利用变分自编码器(VAE)与对抗生成网络(GAN)等深度生成模型生成数据对源数据集进行数据增强。但是由于深度生成模型缺乏可解释性，因此生成的数据与人工智能模型结构的优化缺乏关联，因此对提升人工智能模型的任务性能具有不确定性。

技术实现思路

[0006]鉴于上述的分析，本专利技术旨在提供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，解决当人工智能模型的训练数据不足时，飞行器姿态控制任务性能受到限制问题。
[0007]本专利技术提供的技术方案是：
[0008]本专利技术公开了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，包括以下步骤：
[0009]步骤S1、将飞行器姿态控制的训练集分解成多份子训练集；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]进一步地，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。
[0015]进一步地，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
。
[0016]进一步地，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。
[0017]进一步地，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；
[0018]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；
[0019]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。
[0020]进一步地，所述第一生成器G1(x，φ1)的目标函数为；
[0021][0022]其中，α1为给定的权值参数；φ1为第一生成器的网络参数。
[0023]进一步地，所述第二生成器G2(x，φ2)目标函数为：
[0024][0025]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。
[0026]进一步地，所述第三生成器G3(x，φ3)目标函数为：
[0027][0028]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。
[0029]进一步地，第一生成器G1(x
i
，φ1)、第二生成器G3(x
i
，φ3)和第三生成器G2(x
i
，φ2)的重要性权值w
1i
、w
2i
和w
3i
为：
[0030][0031][0032][0033]其中，Jl(f(x，θ)，y)为损失函数l(f(x，θ)，y)关于θ的Jacobian矩阵；i＝n
k
‑1...n
k
。
[0034]进一步地，训练神经网络模型f的参数θ，其目标函数如下：
[0035][0036]其中，c是给定的权值系数。
[0037]本专利技术的有益效果：
[0038]本专利技术改进了基于生成模型的小样本数据增强方法。传统的生成模型生成的数据与神经网络模型结构的相容性具有不确定性，因此生成的增强数据对模型的影响性能有限。提出结合深度神经网络模型结构特点的三种数据增强方法和神经网络模型对增强数据的对抗训练方式，从不同角度克服神经网络模型在小样本条件下模型结构性能的退化现象，提升神经网络模型的分类任务性能。
附图说明
[0039]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0040]图1为本专利技术实施例中飞行器姿态控制数据增强和模型训练方法流程图。
具体实施方式
[0041]下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理。
[0042]本实施例公开了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，如图1所示，包括以下步骤：
[0043]步骤S1、将飞行器姿态控制的训练集分解成多份子训练集；...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王础，王俊，陈浩，李娜，张彤，张依漪，王佳佳，侯健，马静，王凤敏，
申请(专利权)人：北京京航计算通讯研究所，
类型：发明
国别省市：