【技术实现步骤摘要】
本专利技术涉及落点预测，尤其涉及基于adam的bp神经网络落点偏移预测方法。
技术介绍
1、无人机震源勘探是指利用无人机进行地质勘探、资源勘查、灾害监测等活动，其中准确预测震源落点对于提高勘探效率和精度至关重要。在这个领域中，已知的参数如风速、风向、投掷高度、投掷角度、初速度和震源质量，都是影响落点预测的关键因素。
2、准确预测震源落点对于勘探任务至关重要。首先，它能够提高勘探的精度，确保勘探设备或物料准确到达目标区域，从而提高勘探数据的准确性和可靠性。其次，精确预测落点有助于提高作业效率，减少无人机的搜索范围，节省时间和资源。此外，对于在危险或难以接近的地区进行勘探时，准确预测落点可以确保无人机和震源的安全投放，减少潜在的安全风险。最后，精确投掷震源有助于减少对环境的干扰和破坏，特别是在生态敏感区域的勘探作业中，有利于环境保护。因此，准确预测震源落点不仅对勘探任务本身至关重要，而且在维护安全和保护环境方面也具有重要意义。
3、现有的震源落点预测方法为使用传统的运动学方程计算，此方法存在以下局限性：首先，这些方程往往忽略了复杂环境因素对物体运动的影响，如风速变化和空气阻力等。其次，为了方便计算，运动学模型通常对现实世界进行简化，这可能导致预测结果与实际情况有所偏差。此外，运动学方程在处理非线性因素时表现不佳，例如变风速和不规则地形的影响。
技术实现思路
1、为解决上述问题，本专利技术提供一种基于adam的bp神经网络落点偏移预测方法，具有高精度、适应性强、数
2、为实现上述目的，本专利技术提供了基于adam的bp神经网络落点偏移预测方法，包括以下步骤：
3、s1、数据收集与预处理，其中收集的数据包括投掷角度、初速度、初始风速、初始风向和投掷高度下的震源实际落点；
4、s2、构建bp神经网络，并将收集的数据作为bp神经网络的输入变量，同时设定预测目标为震源落点的偏移量以及偏移角度；
5、s3、bp神经网络初始化；
6、s4、基于adam优化器优化bp神经网络；
7、s5、迭代训练，直至优化后的bp神经网络收敛或者达到最大迭代次数。
8、优选的，步骤s1所述的预处理包括数据清洗、特征工程以及数据标准化或归一化，且针对初始风向，将风向角度转换为正弦和余弦值。
9、优选的，步骤s2所述的bp神经网络包括输入层、隐藏层和输出层，且输出层的神经元数量与预测目标的数量相同。
10、优选的，在步骤s2中，在输入变量中引入捕捉输入变量之间关系的交叉特征。
11、优选的，步骤s3所述的bp神经网络初始化方法为随机初始化、xavier初始化或者he初始化。
12、优选的，在步骤s4中，adam优化器的参数包括学习率、和两个指数衰减率以及白化参数，其中和分别用于计算梯度一阶矩和二阶矩的指数衰减。
13、优选的，步骤s5具体包括以下步骤：
14、s51、从采集数据中获取训练样本，并进行前向传播；
15、s52、计算损失函数及其对参数的梯度，并使用均方误差作为损失函数衡量预测值和实际值之间的差异：
16、；
17、；
18、式中，表示损失函数；表示样本数量；表示训练数据的真实输出；表示bp神经网络对于训练数据的预测值；损失函数关于模型参数的梯度表示为损失函数对参数的偏导数，其中是模型的参数向量，m是参数的总个数；表示训练数据的真实输出；表示bp神经网络对于训练数据的预测值；
19、s53、使用adam算法更新参数；
20、s54、循环步骤s51-s53，直至所有训练样本都被处理过，此时若bp神经网络性能满足设定要求，则保存bp神经网络，否则返回s4进行调优。
21、本专利技术具有以下有益效果：
22、1、高精度预测能力：通过基于adam算法优化的bp神经网络模型，能够精确预测无人机挂载震源从高空投掷的落点偏移量，即可以在投掷之前准确地预测目标落点，提高了投掷的精确度；
23、2、适应性强：能够适应各种投掷条件下的动态变化，包括投掷角度、初速度、风速、风向、投掷高度等因素的变化，无论是在复杂的气象条件下还是在不同的环境中，该模型都能够有效地进行预测，具有较强的适应性；
24、3、数据驱动：通过收集大量历史投掷数据，并结合环境因素数据进行分析和预测，使得模型的预测能力随着数据的不断积累和更新而不断提升，具有良好的实时性和可持续性；
25、4、快速稳定的训练过程：采用了adam算法作为优化器，在bp神经网络的训练过程中能够实现自适应学习率，使得网络在训练过程中更加稳定和快速，即可以更高效地训练模型，减少了训练时间，提高了训练效率；
26、5、具有一定的扩展性，可以应用于其他类似的投掷预测问题，如火箭发射、导弹投放等领域。
27、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.基于Adam的BP神经网络落点偏移预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于Adam的BP神经网络落点偏移预测方法，其特征在于：步骤S1所述的预处理包括数据清洗、特征工程以及数据标准化或归一化，且针对初始风向，将风向角度转换为正弦和余弦值。
3.根据权利要求1所述的基于Adam的BP神经网络落点偏移预测方法，其特征在于：步骤S2所述的BP神经网络包括输入层、隐藏层和输出层，且输出层的神经元数量与预测目标的数量相同。
4.根据权利要求3所述的基于Adam的BP神经网络落点偏移预测方法，其特征在于：在步骤S2中，在输入变量中引入捕捉输入变量之间关系的交叉特征。
5.根据权利要求1所述的基于Adam的BP神经网络落点偏移预测方法，其特征在于：步骤S3所述的BP神经网络初始化方法为随机初始化、Xavier初始化或者He初始化。
6.根据权利要求1所述的基于Adam的BP神经网络落点偏移预测方法，其特征在于：在步骤S4中，Adam优化器的参数包括学习率、和两个指数衰减率以及白化参数，其中和分别用于计算梯
7.根据权利要求1所述的基于Adam的BP神经网络落点偏移预测方法，其特征在于：步骤S5具体包括以下步骤：
...【技术特征摘要】
1.基于adam的bp神经网络落点偏移预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于adam的bp神经网络落点偏移预测方法，其特征在于：步骤s1所述的预处理包括数据清洗、特征工程以及数据标准化或归一化，且针对初始风向，将风向角度转换为正弦和余弦值。
3.根据权利要求1所述的基于adam的bp神经网络落点偏移预测方法，其特征在于：步骤s2所述的bp神经网络包括输入层、隐藏层和输出层，且输出层的神经元数量与预测目标的数量相同。
4.根据权利要求3所述的基于adam的bp神经网络落点偏移预测方法，其特征在于：在步骤s...
【专利技术属性】
技术研发人员：钱荣毅，柴炜亮，潘兴东，祁昭林，
申请(专利权)人：中国地质大学北京，
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。