基于FDNN的智能航天器控制器和控制方法与流程

文档序号:21777243发布日期:2020-08-07 19:43阅读:450来源:国知局
基于FDNN的智能航天器控制器和控制方法与流程

本发明涉及人工智能技术领域,更具体的说是涉及基于fdnn的智能航天器控制器和控制方法。



背景技术:

随着人工智能时代的到来,小到百姓生活,大到国家发展战略,随处可见人工智能的身影,对于我国重点发展的航天事业来说也不例外。新兴智能航天器的发展有助于对太空空间的探索。然而,目前智能航天器的发展道路并不顺利,其中有两个很重要的原因如下:一,目前热门的深度学习需要大量高功耗gpu运算,耗能巨大,而目前所发射航天器并不具备搭载大量gpu等有效载荷的能力。二、航天控制中数据的获取极为稀少且数据具有非常大的不确定性,因此对一般神经网络参数的调节较难,训练效果并不十分显著,不能依据一次成功的数据判断下一次目标任务的成功,需要综合学习判断。

现有技术中航天器轨道规划控制器存在如下问题:

1、对于临近轨道航天器轨迹规划问题目前来说通常以数值方法优化问题进行解决,优化问题涉及可控制变量参数庞大,利用传统优化方法进行轨迹优化问题求解时每次迭代参数更新量多运算量大,且更新效率不高也不一定能达到最优解,在航天器规划轨道决策问题中不具有决策实时性,无法满足现代航天器需要具备的自主规划最优轨道的能力。

2、传统深度学习神经网络进行实际问题求解时,网络结构一般固定化,因此对于数据所提取到的学习特征也是较为固定的模式。然而实际所获取数据带有非常大的不确定性,也就是说,随着获取数据量的增加,不可避免地出现一个关键的数据歧义性问题影响神经网络的输出结果,即大数据本身可能包含大量噪声和并不符合实际需要的不可预测、不确定输入数据。这样所涉及到的特征模糊性问题对数据理解和分类决策任务带来了很大的挑战。

因此,如何解决传统航天轨迹优化器中更新参数多,迭代次数多,迭代缓慢是本领域技术人员亟需解决的问题。



技术实现要素:

有鉴于此,本发明提供了一种基于fdnn的智能航天器控制器和控制方法,将模糊神经网络分类决策结果与航天器轨迹优化控制相结合,即基于分层混合的模糊神经网络的输出结果作为航天器轨迹优化控制中所需要调节的参数大小。该方法可以基于大量数据的前提下对新出现的情况进行快速判断,对需要调节校正修改的参数进行更新,以达到对航天器进行轨迹优化从而完成预定任务的目的,使得航天器轨迹优化问题得到快速有效解决,为航天器智能变轨、智能捕捉目标、智能着陆带来了新的思路和解决方案,是航天智能化路上重要的一步。

为了实现上述目的,本发明提供如下技术方案:

基于fdnn的智能航天器控制方法,具体的步骤如下:

输入已知数据;

对所述已知数据进行模糊表示和神经表示;

将所述模糊表示和神经表示的特征进行融合;

将融合的模糊表示和神经表示分配到其相应的类别中;

输出决策结果。

优选的,在上述的基于fdnn的智能航天器控制方法中,所述模糊表示的具体步骤包括:输入层中的每个节点都与多个隶属度函数连接,每个输入变量对应描述都将分配给对应的隶属度函数;

所述隶属度函数中μ和σ2分别是输入数据的均值和方差。

优选的,在上述的基于fdnn的智能航天器控制方法中,所述神经表示的具体步骤包括:fdnn各层完全连接,第l层上的每个节点都与(l-1)层的每一个节点相连接;

ai=wio(l-1)+bi;

具体计算公式如上所示,其中w和b表示连接权重和偏置;计算求出对应的输出。

优选的,在上述的基于fdnn的智能航天器控制方法中,将神经表示和模糊表示进行融合具体步骤如下:

将深层表示d节点的计算输出结果od和模糊表示f节点的计算输出结果of通过不同权重wd和wf融合在一起,对融合的信息进行深层转换。

优选的,在上述的基于fdnn的智能航天器控制方法中,融合的模糊表示和神经表示分配到其相应的类别中具体的步骤如下:采用soft-max函数将数据点分类为不同的类别;将(fi,yi)表示为第i个输入及其相应的真实标签,πθ(fi)表示fdnn从输入层到最后一个任务驱动层的转换结果;以soft-max函数计算得出结果用作输出结果;

其中,wc和bc表示决策分类结果中第c类所对应的回归系数和偏差,则是最终输入数据经过fdnn神经网络计算后,面向k种分类的决策结果,即最终计算所得预测决策结果。

一种基于fdnn的智能航天器控制器,包括:

模糊逻辑表示模块:通过模糊隶属度函数计算输入数据的模糊度;

全连接表示模块:利用神经学习将输入数据转换为神经表示形式;

融合模块:将神经表示特征和模糊表示特征进行融合;

任务驱动决策模块:将融合的模糊表示和神经表示分配到其相应的类别,输出决策结果。

经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于fdnn的智能航天器控制器和控制方法,将神经表示和模糊逻辑表示形式融合在一起进行特征学习,以实现可靠的数据分类。在模糊表示中,通过设置多个模糊隶属度的积进行运算来减少数据歧义。此外,神经深度表示减少了输入中的噪声,从而产生了许多干净的数据表示形式,可以与模糊逻辑表示形式“相遇”进行融合。将最终的输出结果机器设置为分类决策器时,fdnn可以生成更合理的功能,有着非常突出的分类准确性。与其他非fdnn的比较表明,模糊学习确实是进一步增强深度学习性能的一种可行方法。尽管最终输出结果的重点是数据分类,但为更通用的特征学习应用提出的fdnn与任务驱动层中的其他学习机灵活地连接在一起。

在实际问题解决中,首先,模糊表示提供了一种更为简单方便的方法来减少输入数据之间的不确定性。这种减少歧义性的重要追求是模糊系统的必不可少的特性,几乎不能被其他学习系统所取代。其次,高斯模糊表示很自然地会产生在(0,1)范围内的软逻辑值(模糊表示)。而神经表示输出结果中的每个数值大小也在(0,1)的范围内。也就是说模糊表示和神经输出的数量值在一个相似的范围内,这使得这两个输出结果在一定程度上很容易在融合部分融合,且具有较好的融合效果。第三,模糊表示部分允许任务驱动的参数学习。在这里,不能自适应情况而针对特定情况的手工参数调整步骤可以通过反向传播通过智能的数据驱动学习来代替。

除此之外,本发明将模糊神经网络分类决策结果与航天器轨迹优化控制相结合,即基于分层混合的模糊神经网络的输出结果作为航天器轨迹优化控制中所需要调节的参数大小。该方法可以基于大量数据的前提下对新出现的情况进行快速判断,对需要调节校正修改的参数进行更新,以达到对航天器进行轨迹优化从而完成预定任务的目的。这样做,使得航天器轨迹优化问题得到快速有效解决,为航天器智能变轨、智能捕捉目标、智能着陆带来了新的思路和解决方案,是航天智能化路上重要的一步。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。

图1附图为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

航天器的发射往往伴随着特定的目标任务,因此目标任务的完成需要在特定时刻对航天器执行特定指令,对其轨迹进行规划控制以达到完成目标任务的目的。传统航天器轨迹规划控制往往是由地面发射指令,空间航天器接收指令完成,而新发展的智能航天器需要在目标任务下结合已有数据对轨迹进行自主规划控制。

航天器轨迹规划控制部分,针对航天器空间目标操作任务的约束和本身的任务特性,对航天器建立运动学和动力学描述分析,研究适用于特定任务的轨迹优化策略和完成任务历程,分析目标任务执行优劣的评价指标。基于空间操作任务执行的评价指标分析结果,给出量化的多指标综合最优的性能指标设计方法,研究包含航天器轨道参数、姿态角甚至目标航天器或物体的运动参数在内的多指标综合最优运动规划参数方法。

结合此分析结果,利用基于分层混合的模糊神经网络结构系统对已知信息进行输入计算,经过模糊表示、神经表示和融合部分,最终获得任务驱动的分类决策结果以此作为航天器轨迹规划需要控制的参数,完成此任务下航天器轨迹规划。此外可以结合实况信息多次分析以校正和检验轨迹规划结果。

本发明实施例公开了基于分层混合的模糊神经网络结构(hierarchicalfusedfuzzydeepneuralnetwork,以下简称:fdnn)如图1所示分为四个学习部分。对于输入数据遵循两条路径进行学习表示,分别构成模糊逻辑表示和全连接表示部分。这两条路径的表示在融合部分中组合在一起。最后一层是与分类决策相关联的任务驱动部分,用于将数据点分配到不同类别决策中。在本发明描述中,用l表示fdnn层数,ai表示该层中i结点的输入,oi表示该层中i结点的输出。在每部分介绍中,仅讨论所涉及到的当前层,不会采用其他符号进行区分。

模糊逻辑表示模块:输入层中的每个节点都与多个隶属度函数连接,每个输入变量对应描述都将分配给对应的隶属度函数。模糊隶属度函数计算输入节点属于某个模糊集的程度。值得注意的是,在此输入变量是输入向量的一维。

这里选择的高斯模糊隶属度函数中μ和σ2分别是输入数据的均值和方差。在模糊规则层执行“and”模糊逻辑运算,将对应序号的高斯模糊隶属度结果相乘即为最终高斯模糊结果,即:ωi定义了连接到i的第(l-1)层上的节点集,在这种情况下,第(l-1)层是输入层。这部分的输出是模糊度。

全连接表示模块:这部分利用神经学习概念将输入转换为某些高级表示形式,各层完全连接,这意味着第l层上的每个节点都与(l-1)层的每一个节点相连接。

ai=wio(l-1)+bi;

具体计算公式如上所示,其中w和b表示连接权重和偏置。由此,可以计算求出该部分对应的输出。

融合模块:在fdnn中,利用模糊和全连接神经部分分别减少输入数据的不确定性和偶然噪声来寻求更好的特征表示。从某种意义上来说,这里所提到的设计模型是将模糊部分的输出视为特征,而不是其原始模糊基础。因此,在神经网络设置中也执行特征融合步骤是非常直观的。在本文中,将神经表示和模糊表示与密集连接的融合层结合起来。

将深层表示d节点的计算输出结果od和模糊表示f节点的计算输出结果of通过不同权重wd和wf融合在一起,对融合的信息进行深层转换。

在融合层之后放置多个全连接层,对融合的信息进行深层转换,即将模糊表示和神经表示合并在一起,此时数据输出不再是模糊度。

任务驱动决策模块:将融合的模糊表示和神经表示分配到其相应的类别中。在这里采用soft-max函数将数据点分类为不同的类别。将(fi,yi)表示为第i个输入及其相应的真实标签,πθ(fi)表示fdnn从输入层到最后一个任务驱动层的转换结果;以soft-max函数计算得出结果用作输出结果;

其中,wc和bc表示决策分类结果中第c类所对应的回归系数和偏差,则是最终输入数据经过fdnn神经网络计算后,面向k种分类的决策结果,即最终计算所得预测决策结果。

本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。

对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1