【技术实现步骤摘要】
本专利技术涉及翼伞动力学模型拟合，具体涉及一种基于ga-bp神经网络的翼伞动力学模型拟合方法及装置。
技术介绍
1、翼伞具有滑翔性能优良、操纵性强、稳定性好等特点，保证了系统具有良好的飞行品质，且能实现简单的转弯功能以及雀降无损着陆，能够从高空、远距离投放载荷，自主飞行、精确降落到目标点。若在运输机上加入任务规划系统，可以实现一架飞机对多套空投系统的控制，增强精确空投系统的灵活性。我国地理条件复杂自然灾害多发，近年来频繁发生严重的地质灾害，利用翼伞的精确空投系统就可以在救灾中发挥重要作用，如物资补给发放、伤员救助等。因此研究翼伞动力学模型具有重要的现实意义。
2、翼伞运动学和动力学模型是研究翼伞控制、导航及设计等问题的基础。传统的飞行器动力学模型通常基于经验公式和物理方程等方法建立，这种方法存在模型不准确、计算量大等问题。
3、且针对翼伞动力学分析，翼伞自主归航系统物伞系统动力学模型建立涉及因素众多，目前建立了从简单到复杂的多种动力学模型，从简单的三自由度质点动力学模型，到刚体六自由度动力学模型，以及考虑物伞间相对运动的九自由度动力学模型，和考虑物伞相对运动和伞绳弹性等因素的复杂的十五自由度动力学模型等等。尽管如此，由于影响物伞系统动力学特性因素非常多，如伞衣材料的柔性、伞绳材料的拉伸特性、气象环境、伞体和导航控制系统以及投放物资之间的连接方式等，无论多复杂的模型，基于传统的动力学方法，完全考虑这些因素的动力学模型都是不现实的。
技术实现思路
1、根据现有技
2、为了解决上述技术问题，本专利技术采用的技术方案为：
3、一种基于ga-bp神经网络的翼伞动力学模型拟合方法，包括以下步骤：
4、通过随机森林算法进行特征重要性分析，选出重要性值大于一定阈值的多个参数作为输入；
5、对翼伞飞行状态中的原始数据进行数据清洗，得到筛选后的数据；
6、将目标预测段翼伞的飞行轨迹分段处理，使筛选后的数据分为滑翔、左偏、右偏三个类别；
7、针对滑翔、左偏、右偏分别建立基于bp神经网络的翼伞动力学模型；
8、搭建ga-bp预测模型，采用遗传算法优化bp神经网络的权值和阈值，优化基于bp神经网络的翼伞动力学模型；
9、在bp神经网络中，采用三点推一点和五点推一点的推导方式分别对目标预测段轨迹进行整段预测并对比预测效果；
10、选择误差较小的推导方式对目标预测段获取目标预测段预测轨迹。
11、进一步地，数据清洗后对于缺失的数据进行线性插值填充。
12、进一步地，在bp神经网络中，输入数据为已知的三个点或五个点的x轴坐标、y轴坐标、z轴坐标、偏航角、水平速度、左电机电压反馈信号和右电机电压反馈信号，输出数据为下一个点的x轴坐标、y轴坐标、z轴坐标。
13、进一步地，根据飞行状态和推导方式，选择bp神经网络网络结构参数；
14、当飞行状态为滑翔时且通过三点推一点的推导方式时，隐含层层数为3，每层神经元为5；
15、当飞行状态为左偏时且通过三点推一点的推导方式时，隐含层层数为3，每层神经元为7；
16、当飞行状态为右偏时且通过三点推一点的推导方式时，隐含层层数为3，每层神经元为7；
17、当飞行状态为滑翔时且通过五点推一点的推导方式时，隐含层层数为5，每层神经元为7；
18、当飞行状态为左偏时且通过五点推一点的推导方式时，隐含层层数为2，每层神经元为5；
19、当飞行状态为右偏时且通过五点推一点的推导方式时，隐含层层数为5，每层神经元为5。
20、进一步地，bp神经网络的输出层激活函数选择线性激活函数，损失函数选用均方误差。
21、进一步地，将翼伞从降落开始到降落完成的轨迹分为n个目标预测段，将n个目标预测段的目标预测段预测轨迹作为整段预测轨迹。
22、进一步地，ga-bp预测模型通过将bp神经网络的初始权值和阈值作为遗传算法中的个体，通过选择、交叉、变异更新bp神经网络的权值和阈值。
23、一种基于ga-bp神经网络的翼伞动力学模型拟合装置，包括：
24、数据选择模块，用于通过随机森林算法进行特征重要性分析，选出重要性值大于一定阈值的多个参数作为输入；
25、数据清洗模块，用于对翼伞飞行状态中的原始数据进行数据清洗，得到筛选后的数据；
26、分类模块，用于将目标预测段翼伞的飞行轨迹分段处理，使筛选后的数据分为滑翔、左偏、右偏三个类别；
27、翼伞动力学模型建立模块，用于针对滑翔、左偏、右偏分别建立基于bp神经网络的翼伞动力学模型；
28、ga-bp预测模型建立模块，用于搭建ga-bp预测模型，采用遗传算法优化bp神经网络的权值和阈值，优化基于bp神经网络的翼伞动力学模型；
29、对比模块，用于在bp神经网络中，采用三点推一点和五点推一点的推导方式分别对目标预测段轨迹进行整段预测并对比预测效果；
30、目标预测段预测轨迹获取模块，用于选择误差较小的推导方式对目标预测段获取目标预测段预测轨迹。
31、一种基于ga-bp神经网络的翼伞动力学模型拟合设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行计算机程序时，执行上述任一项所述基于ga-bp神经网络的翼伞动力学模型拟合方法的步骤。
32、一种计算机存储介质，其特征在于：所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述基于ga-bp神经网络的翼伞动力学模型拟合方法的步骤。
33、与现有技术相比，本专利技术具有以下优点和有益效果：
34、本专利技术根据翼伞不同的飞行状态采用不同的bp神经网络进行预测，考虑了翼伞实际的飞行状态，采用遗传算法进一步优化和三点推一点和五点推一点的推导方式进行选择，不需要建立复杂的动力学模型，且不依靠经验公式和物理方程，就能够得到最优的预测方案，结果准确，计算速度快，计算量小。
35、本专利技术提供的基于ga-bp神经网络的翼伞动力学模型拟合方法，非线性处理能力强：翼伞动力学模型往往涉及到复杂的非线性关系，传统方法在处理这些非线性问题时可能存在困难。而神经网络作为一种非线性模型，具备较强的非线性处理能力，可以更好地拟合复杂的翼伞动力学模型。
36、适应能力强：神经网络能够通过学习大量的数据，并自动调整模型参数，从而适应各种不同情况下的输入输出关系。这使得神经网络在面对翼伞动力学模型变化较大、参数不确定的情况下更具有优势。
37、本文档来自技高网...
【技术保护点】
1.一种基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于：
3.根据权利要求2所述的基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于：
4.根据权利要求2所述的基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于：
5.根据权利要求2所述的基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于：
6.根据权利要求1所述的基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于：
7.根据权利要求1所述的基于GA-BP神经网络的翼伞动力学模型拟合方法，其特征在于：
8.一种基于GA-BP神经网络的翼伞动力学模型拟合装置，其特征在于，包括：
9.一种基于GA-BP神经网络的翼伞动力学模型拟合设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行计算机程序时，执行上述权利要求1-7任一项所述基于GA-BP神经网络的翼伞动
10.一种计算机存储介质，其特征在于：所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述权利要求1-7任一项所述基于GA-BP神经网络的翼伞动力学模型拟合方法的步骤。
...【技术特征摘要】
1.一种基于ga-bp神经网络的翼伞动力学模型拟合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ga-bp神经网络的翼伞动力学模型拟合方法，其特征在于：
3.根据权利要求2所述的基于ga-bp神经网络的翼伞动力学模型拟合方法，其特征在于：
4.根据权利要求2所述的基于ga-bp神经网络的翼伞动力学模型拟合方法，其特征在于：
5.根据权利要求2所述的基于ga-bp神经网络的翼伞动力学模型拟合方法，其特征在于：
6.根据权利要求1所述的基于ga-bp神经网络的翼伞动力学模型拟合方法，其特征在于：
7.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：余刚，张帆，杨伟，刘德政，王乙坤，许文祥，杨沫，
申请(专利权)人：湖北文理学院，
类型：发明
国别省市：
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。