买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开了一种数据驱动的无人机风扰模型在线风扰估计方法，在实际应用中不需要进行复杂而繁琐的风扰理论模型，而是采用数据驱动的策略，离线训练得到一组能够显示风扰特征的神经网络特征量，避免了在线更新神经网络参数的庞大计算量；利用最小二乘算法对神经网络特征量进行线性组合，可以利用在线实时反馈数据，在线调整线性组合的参数，实现自适应的估计效果。本发明方法利用多任务学习的概念，将神经网络特征作为共享层，将特征的线性组合作为顶层，将计算量庞大的神经网络特征训练过程放在线下进行，将计算量较小的最小二乘算法在线运行，既能充分利用神经网络的强大表征能力，又可以使在线计算量能够满足实时运行的要求。

主权项：1.一种数据驱动的无人机风扰模型在线风扰估计方法，其特征在于，具体步骤包括：步骤一：构建风扰估计器：将不同的风扰环境定义为不同的风扰任务，针对不同的风扰任务构建底层参数共享HPS框架，所述HPS框架的底层为共享层，顶层为单线性层；其中所有的风扰任务在底层参数共享，在顶层参数独立；所述共享层采用神经网络结构，共享层以风扰下无人机的状态数据作为输入，输入的状态数据经神经网络训练得到每个采样时间点下的神经网络特征量；共享层的输出为神经网络特征量；所述单线性层以所述神经网络特征量为输入，对神经网络特征量进行线性组合，单线性层的输出为风扰估计结果；步骤二：利用训练数据针对所构建的风扰估计器中的共享层进行离线训练；步骤三：将步骤二训练好的风扰估计器部署到无人机上，获取所述无人机的实时状态数据，利用实时状态数据对风扰估计器中的单线性层进行在线训练，获得自适应的风扰估计结果；所述步骤二中，利用训练数据针对所构建的风扰估计器中的共享层进行离线训练，具体为：第一步、针对共享层所采用的神经网络结构，设置神经网络结构的超参数，所述超参数包括架构、学习率、批大小和最大迭代次数；第二步、随机初始化共享层盛景网络结构的参数Θ；第三步、记录当前共享层的神经网络结构的参数Θ；第四步、针对每个风扰任务的数据集，执行下面的过程，获得共享层神经网络结构的：S401、将共享层神经网络结构的参数重设为步骤三中的Θ值；S402、在任务数据集Di中抽取一批数据di用于当前的训练；S403、将数据集的N个无人机状态数据s1,s2,...,sN输入神经网络，得到M个神经网络特征k1,k2,...,kM；S404、运行线性最小二乘算法，对神经网络特征进行线性组合，得到最小残差平方和，作为损失值Ji；利用神经网络训练优化器Adam，根据损失值运行反向传播算法，对网络共享层神经网络结构的参数Θ进行更新；S405、从任务数据集Di中抽取测试集ti，和di进行相同的步骤S403～S404，并记录共享层神经网络结构的参数变化量ΔΘi；第五步、根据公式Θ＝Θ+β∑ΔΘi进行网络共享层参数的更新，其中β为设定的更新系数；第六步、判断当前迭代次数是否大于最大迭代次数，若不大于则返回第三步；否则结束训练，并保存共享层神经网络结构的所有参数，即为优化后的共享层参数Θ*，即建立了风扰估计器中共享层的神经网络特征模型km；所述步骤三中，利用实时状态数据对风扰估计器中的单线性层进行在线训练，采用的是批量最小二乘算法；所述步骤三中，利用实时状态数据对风扰估计器中的单线性层进行在线训练，具体包括如下步骤：根据当前时刻t的无人机的实时状态量，运行共享层神经网络，得到神经网络特征向量φt： 其中分别为t时刻的第1～第m个神经网络特征；更新t时刻的两个中间变量Qt和Kt： Kt＝Qtφt其中Pt为第三个中间变量的t时刻值，Pt-1为第三个中间变量的t-1时刻值；根据上一时刻的顶层参数风扰估计值为 更新顶层参数更新律为: 其中adt为t时刻的实际风扰量；更新中间变量Pt，为下一次递推运算做准备： 利用以上过程，在单线性层实现对神经网络特征的在线线性组合，实现对风扰的实时估计。

全文数据：

权利要求：

百度查询： 北京理工大学 一种数据驱动的无人机风扰模型在线风扰估计方法