[发明专利]无人机动力学网络预测模型的建模、使用方法及相关设备

权利要求书

1.一种无人机的动力学网络预测模型的建模方法，其特征在于，包括：

获取无人机的飞行数据，其中所述飞行数据包括训练数据；

使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模；

其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。

2.根据权利要求1所述的方法，其特征在于，所述飞行数据还包括测试数据，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：

使用所述测试数据对所述无人机的动力学网络预测模型进行测试以完成所述动力学网络预测模型的建模。

3.根据权利要求1所述的方法，其特征在于，还包括：

对所述飞行数据进行归一化处理。

4.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：

将所述长短时记忆神经网络的输出作为所述全连接神经网络的输入。

5.根据权利要求1所述的方法，其特征在于，还包括：

通过分析网络层数对拟合误差的影响，确定网络层数；

通过分析各网络层的神经元个数对拟合误差的影响，确定各网络层的神经元个数。

6.根据权利要求1所述的方法，其特征在于，所述无人机的动力学网络预测模型包括1层长短时记忆神经网络和4层全连接神经网络。

7.根据权利要求6所述的方法，其特征在于，4层所述全连接神经网络包括输入层、第一隐含层、第二隐含层和输出层，其中，所述输入层包括13个神经元，所述第一隐含层包括64个神经元，所述第二隐含层包括64个神经元，所述输出层包括6个神经元。

8.根据权利要求7所述的方法，其特征在于，所述第一隐含层和所述第二隐含层的激活函数为线性整流函数，所述输出层的激活函数为归一化指数函数。

9.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：

通过忽略牛顿算法的高阶项并引入可变因子作为所述无人机的动力学网络预测模型的权值调整规则。

10.根据权利要求1所述的方法，其特征在于，使用所述训练数据对所述无人机的动力学网络预测模型进行训练以完成所述动力学网络预测模型的建模包括：

通过对比不同数值的学习速率的收敛速度和稳定性选择所述无人机的动力学网络预测模型的学习速率；

通过对比不同数值的训练次数的仿真效果选择所述无人机的动力学网络预测模型的学习速率。

11.一种无人机的动力学网络预测模型的使用方法，其特征在于，包括：

获取无人机的飞行数据；

根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；

其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。

12.一种无人机的动力学网络预测模型的预测装置，其特征在于，包括：

获取模块，配置为获取无人机的飞行数据；

预测模块，配置为根据所述飞行数据，使用所述无人机的动力学网络预测模型对所述无人机的角加速度和线加速度进行预测；

其中所述无人机的动力学网络预测模型包括长短时记忆神经网络和全连接神经网络。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至11中任一项所述的方法。

14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的方法。