[发明专利]一种中小型无人机自主着舰风速预测方法

说明书

本发明提供了一种基于智能蜂群算法与极限学习机网络相结合的中小型无人机自主着舰风速预测方法，其包括：对智能蜂群算法和极限学习机网络相关参数进行初始化设置，实时采样极限学习机网络输入节点变量然后存储；利用采样数据对极限学习机网络进行训练并采用智能蜂群算法对极限学习机网络参数进行优化；利用已训练优化好的极限学习机网络和当前时刻采样的网络输入节点变量对下一周期的风速进行预测。本发明为中小型无人机安全着舰提供所需的实时风速预测方法，有利于中小型无人机根据预测风速对着舰控制进行自适应调整，提高中小型无人机自主着舰成功率。

技术领域

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(Unmanned Combat Aerial Vehicle，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(Extreme Learning Machine，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。

发明内容

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：