【技术实现步骤摘要】
本专利技术涉及无人机。具体涉及一种无人机姿态预测控制方法。
技术介绍
1、目前无人机在军用领域和民用领域都得到了广泛的应用，要求其在城市地区安全运行完成诸如侦擦、检测、电力巡检诸多复杂任务，因此保证无人机系统稳定可显著提升无人机的工作效率及环境安全性。
2、近年来，随着无人机应用场景的不断扩大，无人机飞行姿态估计技术也在不断发展。对此，众多学者提出许多控制方法。例如：传统其利用无人机的线性效机动性模型设计；无人机反步控制，其思想为将非线性扰动观测器与控制器分开构建；然而上述控制方法难以应对较大的外界干扰和系统故障引起的姿态失控问题；同时目前存在在传统控制领域引用神经网络模型进行辅助控制，但是单一算法控制可能导致系统鲁棒性不足。
3、因此本专利技术基于无人机模糊控制系统，结合无人机姿态数据变化及神经网络模型，提出一种无人机姿态预测控制方法。
技术实现思路
1、本专利技术是要解决无人机受自身系统故障或外界环境因素影响所产生的整机不稳定问题，进而提供一种无人机姿态预测控制方法。
2、本专利技术涉及一种无人机姿态预测控制方法，所述方法主要包括如下步骤：
3、步骤一、ssa(奇异谱分析)数据预处理；
4、步骤二、改进lstm模型构建；
5、步骤三、模糊神经pid控制器构建；
6、步骤四、无人机系统搭建。
7、步骤一、ssa数据预处理
8、传感器采集无人机在不同环境中运行所产生的各项数据
9、(1)构建矩阵；通过构建矩阵，将原始序列数据转换为矩阵形式，为后续的奇异值分解做准备，设有一个时间序列为xn＝(x1，x2，...，xn)，n＞2，并且要求xn为非零序列；将时间序列分解嵌入到窗口长度为l的空间中形成轨迹矩阵x；
10、
11、式中：k＝n-l+1，n是时间序列的长度；
12、(2)奇异值分解
13、计算矩阵xxt并对其进行奇异值分解获得l个特征值λ(λ1，λ2，...，λl)，以及对应的特征向量u1，u2，...，ul；将x分解为若干个与其结构相同的初等矩阵：
14、x＝e1+e2+...ed (2)
15、式中d＝rank(x)，ei表示第i个奇异值分解分量，其数学模型表示为：
16、
17、式中：ui和表示为xxt第i个左右奇异向量；为轨迹矩阵x按降序排列的奇异值；
18、(3)特征分组
19、通过奇异值的累积贡献率将初等矩阵划分为k个不相交子集，根据贡献率的大小对矩阵进行排序，贡献率越大，表示该矩阵在时序序列中的贡献越大；
20、(4)主要成分重构
21、通过主要成分重构可将式(2)中的每个初等矩阵通过对角平均计算转换为时间序列；定义z为一个l×k阶的矩阵，其元素为zi，j(1≤i≤l，1≤j≤k)，令l*＝min(l，k)，k*＝max(l，k)，若l＜k，反之对角平均计算公式为：
22、
23、在ssa算法中，经过多次敏感性分析，原始时序数列长度为500，尝试不同的l取值并比较结果的稳定性和准确性，选择l＝240作为最佳窗口长度；对原始序列数据进行分解，根据贡献率进行分组，将贡献率大的轨迹数据重构为趋势项、周期项和噪声残差项3个分量。步骤二、改进lstm模型构建
24、lstm是一种特殊类型的循环神经网络。对于ssa输出的重构数据，将其视为lstm模型的一个特征δ为5个成分，成分包括速度v、加速度a、俯仰角滚转角θ、航向角ψ，对应的lstm模型输入将具有5个特征。将不同风速风向环境下采集的数据进行分类，分别在不同风速风向作为前提条件下进行lstm训练，使得lstm学习根据过去的信息来做出准确的预测。
25、(1)lstm组成。lstm中的关键组成部分包括单元状态、遗忘门ft、输入门it、输出门ot。这些门控单元允许lstm在处理序列数据时选择性地记忆和遗忘信息，从而更好地捕捉长期依赖关系。lstm三个门作用如下：
26、1)遗忘门：用于控制是否遗忘之前的记忆细胞状态中的信息。记忆细胞是lstm中负责存储和传递信息的关键部分，公式为：
27、ft＝σ(wf[ht-1，xt]+bf)
28、(5)
29、式中：ft表示遗忘门，wf是遗忘门的权重矩阵，[ht-1，xt]表示将上一时刻的隐藏状态ht-1和当前时刻的输入xt合并成一个向量，bf表示遗忘门的偏置项，σ表示sigmoid函数。
30、2)输入门：用于控制是否将当前输入信息加入到记忆细胞状态中。输入数据通过输入门来控制是否将其输入到记忆细胞状态中。公式为：
31、it＝σ(wi[ht-1，xt]+bi)
32、(6)
33、ct＝ft·ct-1+it·tanh(wc[ht-1，xt]+bc
34、(7)
35、式中：it是输入门的输出，表示当前时刻应该更新到记忆细胞的信息量，it∈(0，1)；wi为输入门的权重矩阵；wc表示输入门权重矩阵；bc表示输出门的偏置项；bi表示输入门偏置项；ct表示t时刻的记忆细胞输入状态。
36、3)输出门：用于控制从记忆细胞状态输出到隐藏状态的信息。使用lstm进行预测时，将传感器数据输入至lstm模型的输入门中。控制从记忆细胞状态中提取的信息与lstm的输出相结合，以生成并输出姿态预测结果。公式为：
37、ot＝σ(wo[ht-1，xt]+bo) (8)
38、ht＝ot·tanh(ct) (9)
39、式中：ot是输出门的输出，wo是输出门的权重矩阵，bo表示遗忘门的偏置项，ht表示t时刻的隐藏状态。
40、(2)lstm模型改进。针对无人机这一高精系统，为增强lstm模型的表达能力和适应性，因此提出对lstm网络结构动态调整。基于梯度信号，将lstm单元之间的连接方式定义为可变，根据输入序列的不同特征和重要性程度，动态调整lstm网络的层数和单元数量，改善模型的性能。
41、将上述lstm模型作为初始神经网络，设其包含b(b为动态数值)个隐藏层，其对应b-1个门控制单元。引入一标记向量m(b)，符号b表示lstm模型中的层数，m(b)取值0或本文档来自技高网...
【技术保护点】
1.一种无人机姿态预测控制方法，所述方法主要包括如下步骤：
2.根据权利要求1所述的一种无人机姿态预测控制方法，其特征在于，所述步骤一包括：
3.根据权利要求1所述的一种无人机姿态预测控制方法，其特征在于，所述步骤二包括：
4.根据权利要求1所述的一种无人机姿态预测控制方法，其特征在于，所述步骤三包括：
5.根据权利要求1所述的一种无人机姿态预测控制方法，其特征在于，所述步骤四包括：
【技术特征摘要】
1.一种无人机姿态预测控制方法，所述方法主要包括如下步骤：
2.根据权利要求1所述的一种无人机姿态预测控制方法，其特征在于，所述步骤一包括：
3.根据权利要求1所述的一种无人机姿态预测控制方法，...
【专利技术属性】
技术研发人员：冯雨芹，吴佳宁，韩嘉乐，王明雨，张少君，
申请(专利权)人：海南热带海洋学院崖州湾创新研究院，
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。