一种中小型无人机自主着舰风速预测方法与流程

本发明涉及无人飞行器气象数据预测领域，尤其是一种中小型无人机自主着舰海面风速预测方法。

背景技术：

中小型化是舰载无人作战飞机(unmannedcombataerialvehicle，ucav)的发展趋势，未来ucav将大量替代有人舰载飞机完成侦查、打击和搜救等任务。ucav自主着舰是指ucav在降落阶段，将机载设备和航母所采集的所有有用信息进行综合处理，以获得信息种类足够多、精度足够高的相对位置信息，使ucav在没有外界或人的干预下自动控制完成着舰降落的过程。据统计在舰载飞行器的整个飞行阶段，着陆/着舰事故占到总事故的80％左右，对于无人机着舰过程，海面气流扰动成为影响其着舰成功的重要因素之一。中小型ucav相对于大型ucav，其体积小、重量轻，虽然机动灵活，但在着舰阶段更易受到海面气流扰动的影响。黄华等在文献《“大气扰动及其对无人机自动着陆影响仿真研究”、系统仿真学报、2009、vol-21(21)、6821-6824》、《“风场扰动对无人机控制/导航影响效应仿真”、解放军理工大学学报、2012、vol-13(5)、565-570》中对以上结论进行了仿真验证。因此，ucav能够对风速进行准确的短期预测、并预先对自身的飞行状态进行调整，对于中小型ucav的安全着舰具有重要的意义。

李艳晴在文献《“风速时间序列预测算法研究”、北京科技大学博士论文、2015》中指出：目前对于风速的预测方法大致可分为：物理模型预测法、统计预测法和智能预测法。物理模型预测法是考虑风速产生背景，建立气象预报模型对风速变化进行模拟计算，实现风速预测。物理模型预测法因考虑季节、地理等背景因素，其模型较为复杂，需借助大型计算机辅助。以卡尔曼滤波为代表的统计预测方法，虽计算速度较快、实时性强，但对于非线性较强海面气流扰动，其预测准确度相对较低。神经网络等智能预测方法，对于非线性较强系统的预测准确度较高，但需要大量的历史数据进行网络训练，因此其时间消耗过大。另外，上述方法也只针对于固定点位置的风速预测。

由此可见，上述预测方法针对运动中的中小型ucav着舰风速预测显然存在不足，不适用于实时性较强的ucav机载设备，研究新的预测准确度高、运算实时性强的风速预测方法成为发展中小型ucav自主着舰的关键技术之一。

极限学习机(extremelearningmachine，elm)是一种单隐层前馈神经网络，其隐层权值和阈值随机赋值，再通过广义逆矩阵计算求得网络输出权值，尹刚等在文献《“自适应集成极限学习机在故障诊断中的应用”、振动、测试与诊断、2013、vol-13(5)、897-901》中指出：极限学习机比传统神经网络具有更快的计算速度，以及泛化能力更强。但是极限学习机隐层权值和阈值随机赋值，通常会导致某些节点参数对网络输出影响较小，从而使极限学习机网络性能下降。

智能蜂群算法是受蜂群采蜜时的个体分工、信息交流和相互协作启发，而提出的一种仿生优化方法，秦全德等在文献《“人工蜂群算法研究综述”、智能系统学报、2014、vol-9(2)、127-135》中指出：智能蜂群算法与传统优化方法相比，其搜索精度高、鲁棒性较强。

因此，本发明结合上述两种算法的优点，设计一种基于智能蜂群算法和极限学习机相结合的动态中小型ucav着舰风速预测方法。

技术实现要素：

为了克服现有技术的不足，本发明提供一种中小型无人机自主着舰风速预测方法，具体包括：

步骤a：参数初始化及数据采样存储：对智能蜂群算法和极限学习机网络参数进行初始化设置；对风速预测所需的极限学习机网络输入节点数据进行采集，并按照采集时间的先后顺序编号将其进行存储；对采集到的极限学习机网络输入节点数据进行归一化处理；

步骤b：极限学习机网络参数优化：根据当前时刻的前n个采样周期的极限学习机网络输入节点数据作为极限学习机网络训练样本数据，采用智能蜂群算法对极限学习机网络隐层节点权值和阈值进行优化计算，以优化计算得到权值和阈值作为极限学习机最终网络参数；

步骤c：风速预测：采用智能蜂群算法优化后的极限学习机网络，结合当前时刻采样的极限学习机网络输入节点数据，对下一采样周期的风速进行在线预测；同时判断当前时刻是否满足极限学习机网络参数优化条件，当满足条件时进行极限学习机网络参数优化计算。

进一步的，步骤a实现参数初始化及数据采样存储，包括：

步骤a1：智能蜂群算法与极限学习机网络参数初始化：对智能蜂群算法和极限学习机的相关参数进行初始化人工设置，相关参数包括：智能蜂群算法的种群数量csize、迭代次数i、最大迭代次数imax、误差阈值egoal、优化参数尺度dparameter、迭代控制数ilimit、优化参数下限rlow、优化参数上限rup；极限学习机的网络输入节点数ninput、网络隐层节点数nhide、输出节点数nout、训练样本数n、输入节点参数采集次数z、输入节点参数采集周期tr、网络参数优化条件阈值num；

步骤a2：采集极限学习机网络输入节点数据并按时序存储：采集极限学习机网络输入节点数据g，并将其按时间序列保存到存储器中；极限学习机网络输入节点数据g＝[vwind,dwind,vuav,t,p,h]，其中：vwind为ucav所处空间点实时风速、dwind为风向、vuav为ucav航速、t为大气温度、p为大气压强、h为大气湿度；

步骤a3：采集数据归一化处理：对采集的极限学习机网络输入节点数据进行归一化处理，归一化处理公式为：

y＝2(g-gmin)/(gmax-gmin)-1(1)

式中：g为采集的极限学习机网络输入节点数据，y为采集的极限学习机网络输入节点归一化数据，gmax为g取值最大值，gmin为g取值最小值；

步骤b实现极限学习机网络参数优化，包括：

步骤b1：随机生成elm网络参数初始解：利用智能蜂群算法随机生成csize个种群的网络隐层节点权值和阈值组合向量xj作为极限学习机网络参数解向量，其中xj＝[aj,bj]，为极限学习机网络输入节点到网络隐层节点的权值，为极限学习机网络隐层节点阈值，xji为第j个种群中、第i个极限学习机网络参数解，其中j＝{1,2,…csize}为种群标号，i＝{1,2,…ninput×nhide+nhide}为种群中参数标号；

步骤b2：计算elm网络隐层节点输出值：利用前n个周期的极限学习机网络输入节点归一化数据yn作为训练样本数据，结合极限学习机网络参数解向量xj，计算每个极限学习机网络参数解向量xj所对应的网络隐层节点输出值，其计算表达式为：

式中：hj为极限学习机网络参数解向量xj所对应的网络隐层节点输出值，为aj的变换矩阵，b^t为极限学习机网络隐层节点阈值b的转置矩阵；

步骤b3：计算elm网络隐层节点权值：根据前n个周期的风速实际测量值ok(k＝{1,2,…n})，计算极限学习机网络参数解向量xj所对应的网络隐层节点到输出节点的权值其中βji表示第j个种群中、第i个网络隐层节点到输出节点的权值，网络隐层节点到输出节点的权值计算表达式为：

式中：h⁺为极限学习机网络隐层节点输出矩阵h的moore-penrose增广逆矩阵；

步骤b4：计算样本风速预测值：根据计算得到的极限学习机网络参数解向量xj所对应的网络隐层节点到输出节点的权值和前n个周期的极限学习机网络输入节点归一化数据yn，计算极限学习机网络参数解向量xj和第k个极限学习机网络输入节点归一化数据yk所对应的极限学习机网络输出风速预测值其中k＝{1,2,…,n}，其计算表达式为：

式中：为第j个极限学习机网络参数解向量xj和第k个极限学习机网络输入节点归一化数据yk所对应的风速预测值，其中k＝{1,2,…,n}；

步骤b5：计算elm网络参数解适应度值：利用适应度公式计算每个极限学习机网络参数解向量xj的适应度值，并存储其中最大适应度值所对应的极限学习机网络参数解向量到xbest变量中，xbest为极限学习机网络参数最优解向量，适应度值计算公式表示为：

式中：fitj为第j个极限学习机网络参数解向量xj所对应的适应度值；

步骤b6：生成elm网络参数候选解：根据已有的极限学习机网络参数解向量xj，应用候选解公式生成新的候选极限学习机网络参数解向量vj，并应用适应度值计算公式(5)计算新解vj的适应度值，其中并在vj和xj之间择优选择，如果vj的适应度值大于xj，则用vj替换xj，候选解公式表示为：

vji＝xji+φji(xji-xjm)(6)

式中：vji为新的极限学习机网络参数解，φji为[-1,1]之间的随机数，m为不等于i的正整数；

步骤b7：计算elm网络参数候选解概率：应用选择概率公式计算与xj相关的选择概率pj，并以选择概率pj选择已有的极限学习机网络参数解向量xj，根据候选解公式(6)进行相邻域搜索产生新解，并应用适应度值计算公式(5)计算新解适应度值，对vj和xj进行择优选择，其中选择概率公式为：

式中：pj为极限学习机网络参数解向量xj所对应的选择概率；

步骤b8：判断迭代次数是否达到门限，输出最优极限学习机网络参数解向量：根据迭代控制数ilimit，判断智能蜂群算法在ilimit次迭代后，是否发现新的适应度值更优的极限学习机网络参数解向量xj，如果没有发现新的适应度值更优的极限学习机网络参数解向量xj，则采用随机搜索公式随机搜索产生一个新解替换旧解；记录已搜索到的极限学习机网络参数解向量xj中的最优解向量到xbest变量中，智能蜂群算法迭代次数i＝i+1，如果i<imax，则转至步骤b2；否则，输出最优极限学习机网络参数解向量xbest；随机搜索公式为：

wji＝xjmin+rand(0,1)(xjmax-xjmin)(8)

式中：wji为新产生的第j个种群中、第i个极限学习机网络参数解，xjmin表示第j个种群中值最小的极限学习机网络参数解，xjmax表示第j个种群中值最大的极限学习机网络参数解；

步骤c：实现利用已优化的极限学习机网络对风速进行实时预测，包括：

步骤c1：利用优化训练后的极限学习网络对风速进行预测：根据智能蜂群算法迭代输出的最优极限学习机网络参数解向量xbest和当前时刻采集的极限学习机网络输入节点归一化数据y，并利用公式(4)对下一周期的风速进行在线预测；

步骤c2：判断当前输入节点参数采集次数z是否为极限学习机网络参数优化条件阈值num的整数倍，若当前输入节点参数采集次数z是num的整数倍，则转入步骤b利用智能蜂群算法对极限学习机网络参数进行在线优化；若z不是num的整数倍，则转入步骤c1继续对风速进行预测。

进一步的，步骤a1中智能蜂群算法的种群数量取值范围为5≤csize≤20、最大迭代次数取值范围为30≤imax≤200、误差阈值取值范围为0≤egoal≤5、迭代控制数10≤ilimit<imax；极限学习机的网络隐层节点数取值范围为5≤nhide≤50、训练样本数取值范围为n≥20、输入节点参数采集周期取值范围为tr≥0、网络参数优化条件阈值取值范围为num>0。

进一步的，步骤a1中智能蜂群算法的种群数量csize＝10、最大迭代次数imax＝50、误差阈值egoal＝5、优化参数尺度dparameter＝70、迭代控制数ilimit＝20、优化参数下限rlow＝0、优化参数上限rup＝1；极限学习机的网络输入节点数ninput＝6、输出节点数nout＝1、网络隐层节点数nhide＝10、训练样本数n＝100、输入节点参数采集周期tr＝1s。

进一步的，步骤b7中以选择概率pj选择已有的极限学习机网络参数解向量xj的方法为：对应每个pj随机生成一个取值区间为[0,1]的随机数rand(j)；如果pj>randj，则pj所对应的xj为选中的极限学习机网络参数解向量。

进一步的，极限学习机网络参数优化条件阈值num＝100。

本发明方法采用智能蜂群算法和极限学习机对ucav着舰时所处空间风速进行预测，可以根据风速的变化对着舰时飞行姿态进行实时调整，从而减小大气扰动对自主着舰的影响、提高自主着舰的成功率；所采用的极限学习机网络对于风速的非线性模型具有较强的适应性，同时也避免了传统神经网络对大样本数据进行训练耗时的缺点，从而提高了风速预测的实时性要求。

下面结合附图和实施例对本发明作详细说明。

附图说明

图1是实施例中所需预测的ucav风速变化曲线图；

图2是本发明方法流程图；

图3是实施例中中采用本发明方法极限学习机网络参数优化适应度值变化曲线图；

图4是实施例中采用本发明方法对风速进行预测曲线图；

图5是实施例中采用本发明方法的风速预测误差曲线图；

图6是实施例中采用传统神经网络50次网络训练耗时曲线图；

图7是实施例中采用本发明方法50次网络训练耗时曲线图；

图8是实施例中未采用智能蜂群算法优化的极限学习机网络预测误差曲线图。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明一个实施例中ucav所需预测的风速变化曲线图如图1所示。

本发明在现有技术和需要解决的关键技术问题基础上，提出一种基于智能蜂群算法与极限学习机网络相结合的动态中小型ucav着舰风速预测方法，其预测方法步骤如图2所示，包括：

步骤a：参数初始化及数据采样存储。对智能蜂群算法和极限学习机网络参数进行初始化设置；对风速预测所需的极限学习机网络输入节点数据进行采集，并按照采集时间的先后顺序编号将其进行存储；对采集到的极限学习机网络输入节点数据进行归一化处理。

步骤b：极限学习机网络参数优化。根据当前时刻的前n个采样周期的极限学习机网络输入节点数据作为极限学习机网络训练样本数据，采用智能蜂群算法对极限学习机网络隐层节点权值和阈值进行优化计算，以优化计算得到权值和阈值作为极限学习机最终网络参数。

步骤c：风速预测。采用智能蜂群算法优化后的极限学习机网络，结合当前时刻采样的极限学习机网络输入节点数据，对下一采样周期的风速进行在线预测；同时判断当前时刻是否满足极限学习机网络参数优化条件，当满足条件时进行极限学习机网络参数优化计算。

其中，步骤a实现参数初始化及数据采样存储。具体实施过程如下：

步骤a1：智能蜂群算法与极限学习机网络参数初始化。对智能蜂群算法和极限学习机的相关参数进行初始化人工设置。其参数包括：智能蜂群算法的种群数量csize、迭代次数i、最大迭代次数imax、误差阈值egoal、优化参数尺度dparameter、迭代控制数ilimit、优化参数下限rlow、优化参数上限rup；极限学习机的网络输入节点数ninput、网络隐层节点数nhide、输出节点数nout、训练样本数n、输入节点参数采集次数z、输入节点参数采集周期tr、网络参数优化条件阈值num。

进一步的，上述步骤中智能蜂群算法的种群数量取值范围为5≤csize≤20、最大迭代次数取值范围为30≤imax≤200、误差阈值取值范围为0≤egoal≤5、迭代控制数10≤ilimit<imax；极限学习机的网络隐层节点数取值范围为5≤nhide≤50、训练样本数取值范围为n≥20、输入节点参数采集周期取值范围为tr≥0、网络参数优化条件阈值取值范围为num>0。

具体的，在本实施例中以上参数具体取值设定为：智能蜂群算法的种群数量csize＝10、最大迭代次数imax＝50、误差阈值egoal＝5、优化参数尺度dparameter＝70、迭代控制数ilimit＝20、优化参数下限rlow＝0、优化参数上限rup＝1；极限学习机的网络输入节点数ninput＝6、输出节点数nout＝1、网络隐层节点数nhide＝10、训练样本数n＝100、输入节点参数采集周期tr＝1s。

步骤a2：采集极限学习机网络输入节点数据并按时序存储。采集极限学习机网络输入节点数据(即风速预测所需的相关数据)g，并将其按时间序列保存到存储器中。极限学习机网络输入节点数据g＝[vwind,dwind,vuav,t,p,h]，其中：vwind为ucav所处空间点实时风速、dwind为风向、vuav为ucav航速、t为大气温度、p为大气压强、h为大气湿度。

步骤a3：采集数据归一化处理。对采集的极限学习机网络输入节点数据进行归一化处理，归一化处理公式表示为：

y＝2(g-gmin)/(gmax-gmin)-1(1)

式中：g为采集的极限学习机网络输入节点数据；y为采集的极限学习机网络输入节点归一化数据；gmax为g取值最大值，gmin为g取值最小值。

步骤b实现极限学习机网络参数优化。具体实施过程如下：

步骤b1：随机生成elm网络参数初始解。利用智能蜂群算法随机生成csize个种群的网络隐层节点权值和阈值组合向量xj作为极限学习机网络参数解向量，其中xj＝[aj,bj]，为极限学习机网络输入节点到网络隐层节点的权值，为极限学习机网络隐层节点阈值；xji为第j个种群中、第i个极限学习机网络参数解，其中j＝{1,2,…csize}为种群标号，i＝{1,2,…ninput×nhide+nhide}为种群中参数标号。

步骤b2：计算elm网络隐层节点输出值。利用前n个周期的极限学习机网络输入节点归一化数据yn作为训练样本数据，结合极限学习机网络参数解向量xj，计算每个极限学习机网络参数解向量xj所对应的网络隐层节点输出值，其计算表达式为：

式中：hj为极限学习机网络参数解向量xj所对应的网络隐层节点输出值；为aj的变换矩阵；b^t为极限学习机网络隐层节点阈值b的转置矩阵。

步骤b3：计算elm网络隐层节点权值。根据前n个周期的风速实际测量值ok(k＝{1,2,…n})，计算极限学习机网络参数解向量xj所对应的网络隐层节点到输出节点的权值其中βji表示第j个种群中、第i个网络隐层节点到输出节点的权值。网络隐层节点到输出节点的权值计算表达式为：

式中：h⁺为极限学习机网络隐层节点输出矩阵h的moore-penrose增广逆矩阵。

步骤b4：计算样本风速预测值。根据计算得到的极限学习机网络参数解向量xj所对应的网络隐层节点到输出节点的权值和前n个周期的极限学习机网络输入节点归一化数据yn，计算极限学习机网络参数解向量xj和第k个极限学习机网络输入节点归一化数据yk，其中k＝{1,2,…,n}所对应的极限学习机网络输出风速预测值其计算表达式为：

式中：为第j个极限学习机网络参数解向量xj和第k个极限学习机网络输入节点归一化数据yk所对应的风速预测值，其中k＝{1,2,…,n}。

步骤b5：计算elm网络参数解适应度值。利用适应度公式计算每个极限学习机网络参数解向量xj的适应度值，并存储其中最大适应度值所对应的极限学习机网络参数解向量到xbest变量中，xbest为极限学习机网络参数最优解向量。适应度值计算公式表示为：

式中：fitj为第j个极限学习机网络参数解向量xj所对应的适应度值。

步骤b6：生成elm网络参数候选解。根据已有的极限学习机网络参数解向量xj，应用候选解公式生成新的候选极限学习机网络参数解向量vj，并应用适应度值计算公式(5)计算新解vj的适应度值，其中vj＝[vj1,vj2,…,vjninput×nhide+nhide]；并在vj和xj之间择优选择，如果vj的适应度值大于xj，则用vj替换xj。候选解公式表示为：

vji＝xji+φji(xji-xjm)(6)

式中：vji为新的极限学习机网络参数解；φji为[-1,1]之间的随机数；m为不等于i的正整数。

步骤b7：计算elm网络参数候选解概率。应用选择概率公式(7)计算与xj相关的选择概率pj，并以选择概率pj选择已有的极限学习机网络参数解向量xj，根据候选解公式(6)进行相邻域搜索产生新解，并应用适应度值计算公式(5)计算新解适应度值，对vj和xj进行择优选择。其中：

式中：pj为极限学习机网络参数解向量xj所对应的选择概率；

进一步的，步骤b7中以选择概率pj选择已有的极限学习机网络参数解向量xj的方法描述为：对应每个pj随机生成一个取值区间为[0,1]的随机数rand(j)；如果pj>randj，则pj所对应的xj为选中的极限学习机网络参数解向量。

步骤b8：判断迭代次数是否达到门限，输出最优极限学习机网络参数解向量。根据迭代控制数ilimit，判断智能蜂群算法在ilimit次迭代后，是否发现新的适应度值更优的极限学习机网络参数解向量xj；如果没有发现新的适应度值更优的极限学习机网络参数解向量xj，则采用随机搜索公式(8)随机搜索产生一个新解替换旧解。记录已搜索到的极限学习机网络参数解向量xj中的最优解向量到xbest变量中，智能蜂群算法迭代次数i＝i+1，如果i<imax，则转至步骤b2；否则，输出最优极限学习机网络参数解向量xbest。随机搜索公式为：

wji＝xjmin+rand(0,1)(xjmax-xjmin)(8)

式中：wji为新产生的第j个种群中、第i个极限学习机网络参数解；xjmin表示第j个种群中值最小的极限学习机网络参数解；xjmax表示第j个种群中值最大的极限学习机网络参数解。

如图3所示，横坐标为智能蜂群算法迭代次数，纵坐标为极限学习机网络参数适应度值。利用智能蜂群算法对极限学习机网络参数进行迭代优化，随着迭代次数的增加极限学习机网络参数的适应度逐渐变强。

步骤c：实现利用已优化的极限学习机网络对风速进行实时预测。具体实施过程如下：

步骤c1：利用优化训练后的极限学习网络对风速进行预测。根据智能蜂群算法迭代输出的最优极限学习机网络参数解向量xbest和当前时刻采集的极限学习机网络输入节点归一化数据y，并利用公式(4)对下一周期的风速进行在线预测。

如图4所示，横坐标为时间，纵坐标为风速预测值。采用优化训练后的极限学习机网络对风速进行预测的曲线图，与实际的风速变化趋势相一致。其预测误差如图5所示，图5中横坐标同样为时间，纵坐标为风速预测值与实际测量风速间的差值，其误差相对较小，均值为0.4587m/s。

步骤c2：判断当前输入节点参数采集次数z是否满足极限学习机网络参数在线优化条件，既当前输入节点参数采集次数z是否为num的整数倍。若当前输入节点参数采集次数z是num的整数倍，则转入步骤b利用智能蜂群算法对极限学习机网络参数进行在线优化；若z不是num的整数倍，则转入步骤c1继续对风速进行预测。

此外，由于硬件条件的限制和算法复杂度的实际，当num取值过小时，极限学习机网络会因为训练过于频繁，而导致风速预测实时性降低；而当num取值过大时，又会因为极限学习机网络参数适应度降低，而导致风速预测精度降低。因此在本实施例中具体的极限学习机网络参数优化条件阈值num＝100，100为极限学习机网络参数优化条件阈值num的相对最优取值。

通过采用上述技术方案，本发明具有以下优点：本发明采用智能蜂群算法和极限学习机对ucav着舰时所处空间风速进行预测，可以根据风速的变化对着舰时飞行姿态进行实时调整，从而减小大气扰动对自主着舰的影响、提高自主着舰的成功率；所采用的极限学习机网络对于风速的非线性模型具有较强的适应性，同时也避免了传统神经网络对大样本数据进行训练耗时的缺点，从而提高了风速预测的实时性要求。图6为传统神经网络对风速进行预测前进行50次网络训练的耗时曲线图，横坐标为训练次数，纵坐标为训练耗时，50次训练的平均耗时为0.6577s。而图7为本发明所用方法对风速进行预测前进行50次网络训练的耗时曲线图，其50次训练的平均耗时为0.2243s。

所采用的智能蜂群算法对极限学习机网络隐含层节点参数进行在线优化，避免了隐含层节点参数随机选取所造成的网络预测结果平均精度不高的缺点，从而提高了网络预测的精度。所采用的步进在线式网络参数训练方法，可以有效提高预测网络对大气扰动时变系统的适应性，从而进一步提高了网络预测精度。图8为未采用智能蜂群算法对极限学习机网络隐含层节点参数进行在线优化时，风速预测误差曲线图。图8中横坐标为时间，纵坐标为风速预测误差值，误差均值为0.8725m/s。其误差均值要高于图5中本发明所采用方法时的误差均值0.4576m/s。