System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种加速度估计方法,具体是一种编队无人机加速度估计方法。
技术介绍
1、近年来,无人机飞行受到越来越多的关注,自主化、智能化、集群化是无人机发展的未来趋势。无人机集群编队系统的应用领域主要包括:在军事上,无人机集群可以协同侦察、电子干扰和协同打击;在民用上,无人机集群可以执行协同搜救、反恐维稳、快递物流、飞行表演、精准农业和应急救灾等。为了完成作业任务并实现安全飞行,要求无人机编队能够进行必要的机动飞行,绕过山峰、障碍物、威胁区和雷暴区。因而,无人机编队的队形变换和队形保持是亟待解决的无人机关键技术之一。无人机编队队形变换与保持的过程可以理解为,从机相对领机或虚拟参考点的位置发生了变化,队形变换完成时,个体无人机在绝对坐标系的三个方向达到并保持期望的位置。
2、pd控制以其算法简单、可靠性高且鲁棒性好在工业控制领域广泛应用。为进一步提高系统的鲁棒性,引入自适应神经网络对编队领机或虚拟参考点加速度估计。由于rbf神经网络逼近任意非线性函数的能力较强,故采用rbf神经网络估计编队领机或虚拟参考点加速度,进一步,将编队领机或虚拟参考点加速度引入pd算法形成编队无人机的控制律,进一步,可获得整个飞行过程中每架无人机的加速度。通过对加速度的准确获取,可提高队形变换与保持的快速响应,并改善编队无人机的速度偏差与位置偏差较大等缺陷。对于rbf神经网络算法,高斯径向基函数中心、扩展常数以及权值调整自适应律的确定是编队领机或虚拟参考点加速度得以准确估计的关键,也是方法设计的重点和创新点。
技术
1、为了改善无人机队形变换与保持中速度偏差与位置偏差较大等缺陷,实现编队队形变换与保持的快速响应,提高无人机加速度估计的准确性是亟待解决的关键问题,由此提出了一种基于rbf神经网络的编队无人机加速度估计方法。
2、一种基于rbf神经网络的编队无人机加速度估计方法,所述方法包括:
3、步骤1:根据传感器信号,获得当前编队中每个从机与其期望位置的位置偏差ei,以及与其期望速度的速度偏差i=1,2,3表示绝对坐标系三个方向;
4、步骤2:将网络输入代入rbf神经网络的高斯径向基函数:
5、
6、其中,xi(k)、c·j(k)和σi(k)为列向量xi、c·j和σi中第k个元素;c·j为径向基函数中心矩阵c中第j列的列向量;c是一个n×p的矩阵,n为输入层神经元个数,基于网络输入xi的行数,即n=2,p为隐含层节点数量,取p=7,即:
7、
8、这里,c1max,c2max均大于0,且由智能算法获得;
9、扩展常数σi由下式求解:
10、
11、由此得到由hij(i=1,2,3;j=1,2,...,7)组成的矩阵h3×7:
12、
13、步骤3:计算当前飞行步t时实际权值其中,在飞行步t=0时为0,随飞行步t更新:
14、
15、其中,αi表示神经网络的学习速率,ki=[kpi kdi]t;αi,kpi,kdi为方法预设;
16、步骤4:计算rbf神经网络实际输出:
17、
18、其中,为编队中领机或虚拟参考点的加速度逼近值,i=1,2,3,即表示绝对坐标系三个方向之一的加速度逼近值;
19、步骤5:根据编队控制律控制无人机飞行,并估计编队中从机加速度;
20、进一步地,这里所采用的无人机编队控制律为其中,n=[n1,n2,n3]t为无人机机体坐标系三个方向上的过载;b为机体坐标系到绝对坐标系的旋转矩阵;pd算法中微分系数kd=diag(kd1,kd2,kd3),比例系数kp=diag(kp1,kp2,kp3),两者为方法预设参数;g=[0,0,g]t,g为当地重力加速度;为无人机编队领机或虚拟参考点在绝对坐标系三个方向上的加速度逼近值;编队中从机速度偏差为位置偏差为e=[e1,e2,e3];
21、进一步地,编队中从机加速度a=g+bn;
22、步骤6:若无人机编队未达到目标区域,更新飞行步t,转至步骤1-5对飞行过程中的编队无人机的加速度继续进行估计;若无人机编队达到目标区域,停止加速度估计。
23、进一步地,获得c1max,c2max的所述智能算法为改进的智能水滴算法,算法中的水滴代表个体无人机,水滴的速度和加速度模拟无人机的速度和加速度;
24、所述智能水滴算法求解c1max,c2max的步骤包括:
25、预步骤1:确定水滴跟踪训练轨迹,确定算法的迭代停止条件;
26、预步骤2:土壤表格参数设定:预设的c1max的最大值和c2max的最大值作为土壤表格的长度和宽度方向上的边界尺寸,并在长、宽两个维度上等分,形成网格,每个网格分别代表一组(c1max,c2max),对网格内的土壤含量赋初值;
27、预步骤3:水滴参数初始化:确定水滴个数m,水滴的初始位置在以所述训练轨迹的起始点为中心,半径为r的范围内随机设定,水滴的速度和加速度分别在无人机飞行速度和加速度范围内随机选取;r为算法预设;
28、预步骤4:计算水滴在当前所在网格位置u选择下一网格位置v的概率p(u,v)k:
29、
30、其中,χs+χd=1,χs、χd是算法预设的参数;φ是下一可行网格位置的集合;
31、εs取极小正数,用于确保分母不为0,g(soil(u,v)k)用于确保网格位置v处网格内的土壤含量soil(u,v)k为非负:
32、
33、||xm,k||v代表当前第k步第m个水滴位于集合φ任意一个网格位置v时到达所述训练轨迹目标区域处绝对坐标系三个方向上的位置偏差ei和速度偏差组成的矩阵的范数;
34、预步骤5:根据选取集合φ中各元素的概率值,确定水滴到达的下一个网格位置w;
35、预步骤6:计算网格位置w处土壤含量的变化量δsoil(u,w)k:
36、
37、其中,αs是算法预设的参数;
38、预步骤7:更新网格位置w处的土壤含量soil(w)k:
39、soil(w)k=(1-ρ)soil(w)k-1-ρδsoil(u,w)k
40、其中,ρ∈(0,1),是算法预设的参数;
41、预步骤8:判断水滴途径的网格数量是否达到预设值,若是,转至预步骤9,否则,转至预步骤4;
42、预步骤9:判断是否满足迭代停止条件,如果不满足迭代停止条件,转至预步骤3;如果满足迭代停止条件,算法迭代停止,转至预步骤10;
43、进一步地,所述算法迭代停止条件为:智能水滴算法预设的迭代次数。
44、预步骤10:查找土壤表格中土壤含量最少的网格位置,该位置的(c1max,c2max)作为输出结果。
45、与现有技术相比,本专利技术的有益效果是:1本文档来自技高网...
【技术保护点】
1.一种基于RBF神经网络的编队无人机加速度估计方法,其特征在于,所述方法包括:
2.一种如权利要求1所述的编队无人机加速度估计方法,其特征在于,获得c1max,c2max的所述智能算法为改进的智能水滴算法,算法中的水滴代表个体无人机,水滴的速度和加速度模拟无人机的速度和加速度;所述改进的智能水滴算法求解c1max,c2max的步骤包括:
【技术特征摘要】
1.一种基于rbf神经网络的编队无人机加速度估计方法,其特征在于,所述方法包括:
2.一种如权利要求1所述的编队无人机加速度估计方法,其特征在于,获得c1max,c...
【专利技术属性】
技术研发人员:商园春,李云庆,
申请(专利权)人:上海电子信息职业技术学院,
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。