[发明专利]基于改进生成对抗网络的无人作战仿真地图生成方法

说明书

本发明公开一种基于改进生成对抗网络的无人作战仿真地图生成方法：步骤一：建立具有典型特征的地图数据库；步骤二：数据库数据训练预处理；步骤三：构建基础生成对抗网络；步骤四：改进生成对抗网络结构设计；步骤五：生成数据地图化应用。本发明提供了一种无人作战地图数据的处理思路，在减小数据保存维度的同时，提升数据观察的直观性；提出一种生成对抗网络的阶梯性训练结构，通过多个生成器、判别器的交错网络，提升训练速度和精度；本发明对生成地图大小无约束，可生成任意维度的数据矩阵，并在映射为经纬度时按照需要设定比例，可对每一个网络的输出地图进行边缘平滑处理，实现多个地图相拼接，得到任意尺寸、任意地形组成的复杂地图。

技术领域

本发明是一种基于改进生成对抗网络的无人作战仿真地图生成方法，属于仿真技术领域。

背景技术

无人机是利用无线电遥控设备和自身的相关程序控制装置操纵的一种飞行器。当前民用无人机多用在农业、植保、航拍、灾难救援等方面。随着航空技术、无线电技术的发展，无人机的各种用途正在被开发出来，军用场景中也越来越多的出现无人机的身影。除了军用无人机的应用发展飞速，地面无人站车的应用也逐渐被人们所重视。由于无人作战系统具有安全系数高、成本较低等优点，其发展已经是必然趋势，提高其应用可靠性就显得十分重要了。

在无人系统仿真作战中，仿真的地图场景设置是一个非常重要的环节，这一环节直接影响到战术的设计以及无人系统的性能要求。无论是在设计无人系统本身结构，还是在设计控制律，在特定地图场景下的验证都是必要的。其中，足够有效、可靠的设计还可能以满足各种各样的作战场景为目标，这时则需要一定数量的复杂不确定性地图作为仿真的场景。本发明旨在设计一种复杂不确定性无人作战仿真地图的生成系统及方法

目前，无人作战的仿真场景多为简单的无约束平面，其中的障碍物也多为固定结构。使用这种类型地图时，所设计的系统结构或者控制律无法验证是否存在功能单一、普适性不强的可能性。生成对抗网络是一种深度学习模型，是复杂分布上无监督学习最具前景的方法之一，给定合适的训练集，生成对抗网络能够最终生成任意数量的数据，这些数据都带有训练集数据所有的特征，同时，通过调整迭代训练次数以及学习率等超参数，可以使得到的数据与训练集数据之间有合理的差异性。因此，通过生成对抗网络来生成仿真地图首先是可行的，其次生成的仿真地图也能具备复杂不确定性的特点。本发明通过自制具有地形特征的仿真地图数据、对基础生成对抗网络进行结构改进，提出一种基于改进生成对抗网络的无人作战仿真地图生成系统及方法，旨在解决复杂不确定性无人作战仿真地图的生成问题。

发明内容

本发明目的是提供一种基于改进生成对抗网络的无人作战仿真地图生成方法，旨在满足无人作战系统在作战仿真时对环境的不确定性要求问题，在具有充分复杂不确定性作战环境的基础上进行后续仿真，以优化无人系统控制性能设计、作战任务分配等，进一步提升无人系统的作战能力。

本发明是一种基于改进生成对抗网络的无人作战仿真地图生成方法，具体实现步骤如下：

步骤一：建立具有典型特征的地图数据库

S11、生成无特征地形数据

首先生成随机数据矩阵：

data＝normrnd(MU，SIGMA，m，n) (1)

其中normrnd()为随机数据生成函数，MU，SIGMA分别表示均值与标准差，m，n为生成数据的维度。

得到随机数据矩阵后，对数据进行下限隔断、放缩处理，如图1所示，即对所有数据矩阵中的高度数据进行判断，小于一定高度值的数据重新赋值为数据均值，并使所有高度数据同时倍增或者倍减相同的倍数。

得到一定高度范围的高度数据矩阵，矩阵的横、纵索引值可以对应换算成经纬度，因此由此得到的数据可作为地图生成的原始训练数据。

S12、对地形数据插入特征