一种基于深度学习的飞机姿态控制方法与流程

本发明涉及深度学习和飞行控制领域，特别涉及一种基于深度学习的飞机姿态控制方法。
背景技术：
随着作战飞机朝着信息化、综合化、智能化方向发展，提供给飞行员的信息爆炸性增长，仅靠飞行员自身做出及时、正确的飞行决策几乎是不可能的。因此建立飞机姿态控制方法，并将其用于飞行员的辅助决策中，在当今战场环境下显得尤为重要。但是，目前存在的飞机姿态控制方法，大多是利用一定的公式计算出姿态参数。现有技术是在仿真计算之前，对双方的相对态势、位置和速度信息、姿态信息、武器状态、实验仿真时间以及机动方案进行初始化。初始化的数据包括：本机高度，敌机所在距离、方位、俯仰，本机与敌机的初始俯仰角、方位角、航向角、攻角、油门系数、减速板系数，本机与敌机的初始武器状态等等。在仿真的每一时刻，根据载机的所需速度指向、所需角速度指向和载机受力情况便可确定所需过载。之后用不同的修正方法修正所需过载的值，最后根据修正后的所需过载、所需速率等信息给出对飞机姿态控制量的计算。攻角变化率和过载的变化有关，倾斜角变化率和法向过载角度的变化有关，因此当得到所需过载后，便根据一定的公式计算出这两个控制量。现有技术是根据载机参数，分类并按照一定的规律计算出应有的飞机姿态控制量，其计算方式固定单一，步骤较多，无法智能化的去控制飞机姿态。技术实现要素：本发明的目的是克服上述现有技术中存在的问题，提供一种基于深度学习的飞机姿态控制方法。相比于现有的飞机姿态控制方法，本发明采用的方法是直接将载机参数输入至构建好的飞机姿态控制网络，进而得到姿态参数。本发明使用智能化方式构建出提取数据间联系的网络，省去了现有技术中的计算步骤，且准确率高。本发明的技术方案是：一种基于深度学习的飞机姿态控制方法，包括如下步骤：s1.实时采集飞机的47个状态数据，并对数据进行归一化处理；s2.将归一化处理后的数据输入飞机姿态控制网络，得到2个飞机姿态控制量，即攻角变化率和倾斜角变化率其中，a表示攻角，θ表示倾斜角，表示攻角变化率，表示倾斜角变化率，t表示当前时刻，t+δt表示经过一个步长后的时刻；s3.得到飞机姿态控制量后，据(式1)-(式2)进行积分，便可得到飞机所需的姿态参数，所述姿态参数为攻角at+δt与倾斜角θt+δt；上述步骤s1中所述的47个飞机状态数据，具体为：仿真时长、本机的生存概率、本机与敌机的在x,y,z轴的位置分量，本机与敌机在x,y,z轴的速度分量，本机在x,y,z轴的加速度分量，本机的航向角、横滚角、俯仰角，本机的攻角、油门系数、减速板系数，24个布尔变量；24个布尔变量包括雷达有无目标信息、飞行员是否看见目标、雷达传感系统有无目标信息、雷达传感系统是否可以预测目标、速率是否大于稳定飞行速率、切向加速度是否大于0，目标是否在前方、是否正在尾追目标、雷达是否在跟踪目标、是否有与目标发生碰撞的可能、是否还有未发射的导弹、目标距离是否大于300米、目标距离是否大于250米、是否有导弹捕获目标、是否有导弹准备发射、目标飞机是否在航炮的射击范围内、接近速率是否大于-1米/秒、目标距离是否大于500米、速率是否小于最有飞行速率、目标距离是否大于4000米、瞄准线角速率与速率之乘积是否大于60、目标距离是否大于1500米、目标的方位角是否小于100°。上述步骤s2中所述的飞机姿态控制网络，其构建方法如下：构建飞机姿态控制网络，就是构建攻角控制网络与倾斜角控制网络，具体构建步骤均如下：s21.进行多次空战模拟仿真，采集数据模块并归一化；s22.将归一化后的数据模块中的70％组数据作为训练集，30％组数据作为测试集；s23.设计两个结构相同的卷积神经网络，使用训练集对卷积神经网络进行训练，得到攻角控制网络与倾斜角控制网络；s24.将测试集的飞机状态数据输入至所训练的两个卷积神经网络中，对比卷积神经网络输出的飞机姿态控制量和测试集中的飞机姿态控制量，评估网络性能；s25.根据评估结果调整卷积神经网络的参数，进而得到最优网络；其中所述飞机姿态控制网络包括数据模块、攻角控制网络、倾斜角控制网络；所述的数据模块从空战模拟系统中采集得来，由多组数据组成，其中每组数据含有每一仿真步长时47个飞机状态数据与2个飞机姿态控制量；所述的攻角控制网络与倾斜角控制网络是使用相同结构的卷积神经网络构建的；所述数据模块中47个飞机状态数据作为攻角控制网络与倾斜角控制网络的输入，2个飞机姿态控制量分别作为攻角控制网络与倾斜角控制网络的输出。上述步骤s23中所设计的卷积神经网络，其结构如下：卷积神经网络按照输入层、4个卷积层、5个全连接层、输出层的顺序进行连接，且每一层的输出需经过tanh函数运算；输入层输入数据矩阵大小为7×7×1，输出层输出数据矩阵大小为1×1；第一层卷积层有10个2×2×1大小的卷积核；第二层卷积层有10个1×1×10大小的卷积核；第三层卷积层有10个2×2×10大小的卷积核；第四层卷积层有10个3×3×10大小的卷积核；5个全连接层的神经元个数分别为80、60、50、30、10。上述步骤s23中所述的使用训练集对卷积神经网络进行训练，其特征在于，包括如下步骤：(1)初始化卷积神经网络，将训练集的飞机状态数据输入至卷积神经网络，得到实际飞机姿态控制量；(2)将实际飞机姿态控制量与训练集中的飞机姿态控制量进行对比计算，得到误差函数；误差函数为平均误差函数,即理论飞机姿态控制量与实际飞机姿态控制量差值平方的二分之一；(3)反向计算每一个神经元的误差项；(4)计算权重与偏置的梯度；(5)根据误差项和梯度更新权重与偏置；(6)重复步骤(1)-(5)，直到满足精度要求或达到迭代次数。上述步骤s24中所述的评估网络性能的评价指标包括：(1)均方误差；(2)拟合优度。本发明的有益效果：1.本发明提供的基于深度学习的飞机姿态控制方法，能够直接将载机参数输入至构建好的飞机姿态控制网络，省去现有技术中的大量计算步骤。2.深度学习擅长从大量数据中寻找规律，提取规律，因此，构建基于深度学习的飞机姿态控制网络，经过层层的特征提取与组合，能够提取出数据间的联系。卷积神经网络作为深度学习中的一种具有代表性的网络，具有权值共享和局部连接的思想，这使得它具有参数少、提取特征能力强、收敛速度快的优势。本发明使用卷积神经网络方法构建的飞机姿态控制网络，实现了准确度高的效果。3.本发明将飞机姿态控制与智能化联系在一起，在日益复杂化的战场环境下，可以为飞行员提供辅助决策，具有良好的发展前景。附图说明图1是本发明的飞机姿态控制的实现步骤；图2是本发明的飞机姿态控制网络的组成；图3是本发明的卷积神经网络的数据结构；图4是本发明的飞机姿态控制网络的构建步骤。具体实施方式下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。本实例提供了一种基于深度学习的飞机姿态控制方法，其流程图如图1所示，具体步骤如下：s1.实时采集飞机的状态数据，并对数据进行归一化处理。s2.将归一化后的数据输入飞机姿态控制网络，便可得到飞机姿态的控制量。其中，飞机姿态控制量为攻角变化率和倾斜角变化率其中，a表示攻角，θ表示倾斜角，表示攻角变化率，表示倾斜角变化率，t表示当前时刻，t+δt表示经过一个步长后的时刻；s3.得到飞机姿态控制量后，据(式3-式4)进行积分，便可得到飞机所需的姿态参数。姿态参数为攻角at+δt与倾斜角θt+δt。本实例中，s2所述的飞机姿态控制网络的组成如图2所示，包括数据模块、攻角控制网络、倾斜角控制网络。本实例中，攻角控制网络与倾斜角控制网络是使用相同结构的卷积神经网络构建的。数据模块是由空战模拟系统中采集得来的，本实例中共采集了16628组数据，每组数据包含每一个仿真步长时47个飞机状态数据与2个飞机姿态控制量。其中，训练集采用了11628组数据，测试集采用了5000组数据。本实例中，47个飞机状态数据为：仿真时长、生存概率、本机与敌机的在x,y,z轴的位置分量，本机与敌机在x,y,z轴的速度分量，本机的航向角、横滚角、俯仰角，本机的攻角、油门系数、减速板系数，24个布尔变量。24个布尔变量包括雷达有无目标信息、飞行员是否看见目标、雷达传感系统有无目标信息、雷达传感系统是否可以预测目标、速率是否大于稳定飞行速率、切向加速度是否大于0，目标是否在前方、是否正在尾追目标、雷达是否在跟踪目标、是否有与目标发生碰撞的可能、是否还有未发射的导弹、目标距离是否大于300米、目标距离是否大于250米、是否有导弹捕获目标、是否有导弹准备发射、目标飞机是否在航炮的射击范围内、接近速率是否大于-1米/秒、目标距离是否大于500米、速率是否小于最有飞行速率、目标距离是否大于4000米、瞄准线角速率与速率之乘积是否大于60、目标距离是否大于1500米、目标的方位角是否小于100°。本实例中，2个飞机姿态控制量为攻角变化率、倾斜角变化率。本实例中，攻角控制网络与倾斜角控制网络所需的输入数据相同，为47个飞机状态数据。攻角控制网络所需的输出数据为攻角变化率、倾斜角控制网络所需的输出数据为倾斜角变化率。本实例中，卷积神经网络的数据结构如图3所示。卷积神经网络按照输入层、4个卷积层、5个全连接层的顺序依次进行连接，且每层的输出均需经过tanh函数运算。在47个飞机状态数据的基础上加入2个始终为0的量作为输入，以满足输入层输入数据矩阵大小为7×7×1。使用第一个卷积层中10个2×2×1大小的卷积核对输入数据进行卷积步长为1的卷积操作，卷积后的结果经过tanh激活函数处理，得到6×6×10大小的特征图，作为第二个卷积层的输入。第二个卷积层有10个1×1×10大小的卷积核，对本层的输入数据卷积得到6×6×10大小的特征图；第三个卷积层有10个2×2×10大小的卷积核，对本层的输入数据卷积得到5×5×10大小的特征图；第四个卷积层有10个3×3×10大小的卷积核，对本层的输入数据卷积得到3×3×10大小的特征图。5个全连接层的神经元个数分别为80、60、50、30、10。将经过卷积层计算得到的3×3×10大小的特征图展开，可得到90个数据，将此90个数据输入到全连接层。将全连接层输出的数据输入至输出层，最终输出矩阵大小为1×1的数据。构建飞机姿态控制网络，就是构建攻角控制网络与倾斜角控制网络，参见图4，构建步骤如下：s21.进行多次空战模拟仿真，采集数据模块并归一化；s22.将归一化后的数据模块中的70％组数据作为训练集，30％组数据作为测试集；s23.设计两个结构相同的卷积神经网络，使用训练集对卷积神经网络进行训练，得到攻角控制网络与倾斜角控制网络；s24.将测试集的飞机状态数据输入至所训练的两个卷积神经网络中，对比卷积神经网络输出的飞机姿态控制量和测试集中的飞机姿态控制量，得到评价指标；s25.根据评价指标调整卷积神经网络的参数，进而得到最优网络。本实例中，s23中对攻角控制网络训练的步骤可分为六步。第一步：设计卷积神经网络的结构与参数。卷积神经网络结构如图3所示。第二步：将训练集的飞机状态数据输入至卷积神经网络，得到实际输出的攻角变化率。7×7×1大小的输入数据矩阵经过四个卷积层的计算，得到3×3×10大小的特征图。卷积层的计算公式为d为卷积核的深度；f为卷积核的宽度和高度；x为输入数据；w为权重；wb为偏置；f为激活函数；a为卷积后所得数据；i与j为位置索引；上标l表示l层的元素，l-1表示l-1层的元素。本实例中，卷积核的宽度等于高度，卷积核个数为1，卷积步长为1。卷积层的运算用矩阵表示为al＝f(conv(wl，xl-1)+wk)(式6)其中，conv为卷积操作。将卷积层输出的3×3×10大小的特征图展开后得到90个数据，将其输入至5个全连接层，并先后进行计算。全连接层的计算公式为y＝f(wt*x+b)(式7)y为输出矩阵；x为输入矩阵；w为权重矩阵；b为偏置矩阵；f为激活函数；*为矩阵乘法操作。第三步：将实际输出的攻角变化率与理论攻角变化率进行对比计算，得到误差函数ed。误差函数为平均误差函数，即理论攻角变化率与实际输出的攻角变化率差值平方的二分之一。t为输出层的理论攻角变化率；y为输出层实际输出的攻角变化率。第四步：反向计算每一个神经元的误差项。本实例中，对于输出层，误差项δ＝f′(x)*(t-y)(式9)x为输出层神经元的输入数据；f′为激活函数的导数；对于隐含层，误差项为l-1层第i个神经元的误差项；为第l层第k个神经元的误差项；为第l层第k个神经元与第l-1层第i个神经元之间的连接权重；为第l-1层第i个神经元的输入；n为第l层神经元的个数。将隐含层误差项的计算用矩阵表示为其中，为矩阵中每个对应元素相乘。对于d＝1的卷积层，误差项的计算用矩阵表示为δls为将δl周围补一圈0后的矩阵；wlf为将wl旋转180°后的矩阵；xl-1为第l-1层的输入数据矩阵。对于d>1的卷积层，第l-1层特征图的第i个通道只能和卷积核的第i个通道进行卷积。因此，反向计算误差项时，可以使用式12，用卷积核的第i个通道权重对δl进行操作，进而得到δl-1。对于卷积核个数n>1的卷积层，误差项的计算用矩阵表示为第五步：计算权重与偏置的梯度。对于卷积层，的梯度为为第l-1层神经元的输出；为第l层的权重；i,j,m,n为位置索引。偏置项的梯度为对于全连接层，的梯度为为第l-1层第i个神经元与第l层第j个神经元之间的连接权重；为第l-1层神经元的输出。第六步：根据误差项和梯度更新卷积神经网络的权重与偏置。本实例中，s23中对倾斜角控制网络的训练步骤与对攻角控制网络的训练步骤相同。本实例中采用了两个评价指标，分别为均方误差、拟合优度。均方误差指的是mse，它是计算预测值和真值差值平方的期望值，经常被用于全面评估网络的好坏。mse越小，证明网络性能越好。拟合优度可用来判断拟合的程度，计算公式为拟合优度越接近于1，代表网络性能越好。本实例中，得到测试集的评价指标，并依据评价指标来评估网络性能，进而调整网络参数。最终发现，当卷积层数为4，全连接层为5时所构建的攻角控制网络与倾斜角控制网络性能达到最优。本实例中攻角控制网络的测试集评价指标如表1，倾斜角控制网络的测试集评价指标如表2.表1攻角变化率的测试集评价指标卷积层数全连接层数均方误差拟合优度450.0072690.908723表2倾斜角变化率的测试集评价指标卷积层数全连接层数均方误差拟合优度450.0116540.956799由上表可得，使用卷积神经网络所构建的飞机姿态控制网络在攻角变化率与倾斜角变化率的计算上具有很高的精度，可以满足所需姿态控制的要求。综上所述，本发明提供的基于深度学习的飞机姿态控制方法具备如下技术优点：1.能够直接将载机参数输入至构建好的飞机姿态控制网络，省去现有技术中的大量计算步骤。2.深度学习擅长从大量数据中寻找规律，提取规律，因此，构建基于深度学习的飞机姿态控制网络，经过层层的特征提取与组合，能够提取出数据间的联系。卷积神经网络作为深度学习中的一种具有代表性的网络，具有权值共享和局部连接的思想，这使得它具有参数少、提取特征能力强、收敛速度快的优势。本发明使用卷积神经网络方法构建的飞机姿态控制网络，实现了准确度高的效果。3.本发明将飞机姿态控制与智能化联系在一起，在日益复杂化的战场环境下，可以为飞行员提供辅助决策，具有良好的发展前景。以上实施例仅用以说明本发明的技术方案而非限制，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。当前第1页12