基于启发式搜索算法的无人机航迹快速规划

基于无人机导航系统的自身特点,无人机在导航过程中会出现无法精确定位的情况,从而产生定位误差。如果不能及时校正随时间累积的定位误差,会使无人机无法到达预定目的地,从而导致飞行任务失败。为避免这种情况的发生,本文研究了考虑定位误差的无人机航迹快速规划问题。以航迹距离最短为目标,考虑定位误差校正约束与航迹约束,建立了混合整数规划模型。根据深度优先搜索算法与回溯算法的特点,设计了启发式深度优先搜索+回溯算法来求解问题,并在此算法基础上加入模拟退火机制对解的质量进行优化。以某飞行区域的数据为例进行仿真实验,结果表明启发式深度优先搜索+回溯算法可以快速有效地求解考虑定位误差的无人机航迹规划问题。     

基于改进PH曲线的无人机航迹规划

 航迹规划是无人机任务规划的重要组成部分。针对现有航迹规划存在的不足, 提出一种基于改进pythagorean hodo-graph(PH)曲线的航迹规划方法。该方法结合了PH 曲线的曲率连续性和粒子群优化算法的快速搜索特点, 将PH 曲线的控制点选取通过粒子群算法进行优化, 可以快速得到避障安全、满足最大曲率限制和曲率连续的最优PH 路径。仿真结果表明了该方法的有效性。     

基于智能超表面的无人机通信联合波束赋形与航迹规划

由于通信网络向"空-天-地-海"的立体架构发展,无人机(unmanned aerial vehicle,UAV)在通信中的应用受到了广泛的关注.与传统方式相比,以直射路径为主导信道的UAV通信方式具有更稳定、可靠性更高的通信性能.然而,随着高频信号的使用直射路径也更易受到复杂环境的影响.智能超表面(reconfigur...     

基于遗传算法的无人机航迹规划

研究了基于遗传算法的无人机全局路径规划算法,建立了综合评价航程总长度、威胁概率和平均地形高度的多目标优化函数,并针对此优化函数设计了基于相对距离转角的遗传算法编码方案,进化计算结果稳定,达到了利用三维地形规避威胁的目的.进而研究了基于路径规划点生成光滑航迹的鲁棒性算法,利用MATLAB和VRML接口实现了无人机全局航迹...     

基于固定翼无人机的航迹规划优化模型

无人机航迹规划是无人机研究领域中的重要方面,也是自主系统中不可分割的一个整体部分.文章在前人研究基础上,提出了一种基于有威胁情形中固定翼无人机的航迹规划优化模型.此模型对飞行航迹进行航迹平滑处理时,提出了一种基于微分几何原理的约束条件改进策略.     

基于乌贼算法的无人机航迹规划

乌贼算法是一种新型的启发式仿生优化算法。提出了一种基于乌贼算法的无人机航迹规划算法。所构建的概率地图采用概率密度函数来对各种威胁源进行建模,非常适合表述战场环境的不确定特性。乌贼算法与传统的启发式算法相比,拥有更快的收敛速度。在此基础上设计的基于乌贼算法的概率地图航迹规划算法能够有效的缩小概率地图的规划空间,使得航迹规划搜索范围减少、时间缩短。仿真实验表明,该方案比传统概率地图航迹规划方法更能满足无人机航迹规划的要求。     

基于NSGA-Ⅲ算法的多无人机协同航迹规划

当多架无人机协同作战时,需要进行协同航迹规划,以提升任务成功率.将协同航迹规划中的约束转换为多个目标后,对NSGA(Non-Dominated Sorting Genetic Algorithm)-Ⅲ算法与势场蚁群算法进行融合设计.算法首先对地图进行势场构建,使距离障碍物较近的节点不易被选择,并且引导搜索方向.然后对航...     

基于气象威胁场的无人机三维航迹规划

针对无人机航迹规划中气象威胁要素模糊性强、不确定性高等特点,提出了改进的BP神经网络的气象威胁度评估方法,对区域内气象威胁要素进行评估以建立表征气象威胁的气象威胁场。在所建立的气象威胁场上采用改进稀疏A*算法进行三维航迹规划,改进稀疏A*算法通过引入自适应操作提高了收敛速度以及效率。仿真结果表明,这种威胁评估方法可较为准确地评估区域内的气象威胁,改进稀疏A*算法能够准确、快速地在三维气象威胁场上寻找到最优航迹,具有一定的应用价值。     

基于SUKF的机载无源定位算法

提出了相位差变化率与SUKF算法相结合的单站无源定位方法.通过Matlab仿真,对SUKF与原始的UKF和成熟的EKF进行了比较.结果表明:与UKF相比,SUKF降低了运算复杂度,在保证了UKF的定位精度的同时减少了计算量;并且SUKF和UKF算法均无需去计算EKF中的雅克比矩阵,实现简单,具有更高的收敛速度和定位精度.     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。     

结合Transformer模型与深度神经网络的数据到文本生成方法

数据到文本的生成是指从结构化数据生成连贯文本的一种自然语言处理方法。近年来,由于端到端训练的深度神经网络的应用,数据到文本生成的方法显示出了巨大潜力。该方法能够处理大量数据自动生成连贯性文本,常用于新闻写作、报告生成等场景。然而,已有研究中对于数据中具体数值、时间等数据信息的推理存在较大缺陷,无法充分利用数据间的结构信息给出合理的生成指引,并且生成过程容易出现语义与句法分离训练的问题。因此,文中提出一种结合Transformer模型与深度神经网络的数据到文本生成方法,并提出一个用于内容规划的Transformer Text Planning(TTP)算法,有效地解决上述问题。在Rotowire公开数据集上进行方法验证,实验结果表明,文中方法性能优于已有数据到文本生成模型,可直接应用于结构化数据到连贯性文本的生成任务中,具有一定的实际应用价值。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.     

WLAN indoor location method based on artificial neural network

WLAN indoor location method based on artificial neural network (ANN) is analyzed.A three layer feed-forward ANN model offers the benefits of reducing time cost of the layout of an indoor location system, saving storage cost of the radio map establishment and enhancing real-time capacity in the on-line phase.According to the analysis of SNR distributions of recorded beacon signal samples and discussion about the multi-mode phenomenon, the one map method is proposed for the purpose of simplifying ANN input values and increasing location performances.Based on the simulations and comparison analysis with other two typical indoor location methods, K-nearest neighbor (KNN) and probability, the feasibility and effectiveness of ANN-based indoor location method are verified with average location error of 2.37m and location accuracy of 78.6% in 3m.     

改进型遗传神经网络在模式分类中的应用

为研究图像和语音的模式分类,提出一种采用可变长度串遗传算法(VGA)的进化神经网络.该算法可以全局搜索优化神经网络的结构,找到神经网络接近最优的连接权,再通过反向传播算法(BP),在该优化结构中找到最优连接权.对语音数据和SPOT图像数据的验证结果表明,在模式分类中,采用该算法的分类器(VGA-BP)的分类性能较贝叶斯(Bayes)分类器、最近邻规则(k-NN)分类器具有更高的分类精度.     

基于动态模糊神经网络的入侵检测系统

针对传统的网络安全防范技术存在的缺陷和入侵检测在动态安全模型中的重要地位和作用,提出了基于模糊理论、神经网络和遗传算法结合的新方法--动态模糊神经网络,并且给出基于动态模糊神经网络的入侵检测系统构建体系.该系统在实际应用中收到了较好的效果.     

基于遗传算法的动态递归网络的股价预测

为了对股票市场进行更准确地监测预报,根据股市的动态特性,提出了应用动态递归神经网络进行实时建模预测,并采用遗传算法进行在线学习,提高了网络性能,较好的描述了股市的动态特性。通过对某上证股价的预测,验证了该法的有效性。     

基于实时工况的动态物料搬运路径规划

文章针对生产系统物料需求环境复杂多变以及生产过程中各种扰动所导致的搬运路径的不确定性问题,研究了物料搬运路径规划的重规划驱动机制以及扰动发生时的重规划策略;建立了包含多需求点、多搬运工具的多目标动态重规划搬运路径模型,以搬运时间、成本最小作为模型的优化目标,在扰动发生及到达重规划周期时间的情况下重新生成搬运路径;结合智能优化算法对该模型实例进行仿真计算,验证该规划方法可以增强搬运系统敏捷性并有效减少物料搬运的成本。     

基于递阶进化规划的RBF网络设计新方法

针对RBF神经网络的特点 ,提出一种递阶进化规划算法 ,利用此方法同时对网络的拓扑结构和网络参数 (权值、隐节点中心和形状参数 )进行优化 ,克服梯度算法需要求导且易陷入局部极小的弱点 ,分别对单入单出和多入单出非线性函数的建模问题进行了仿真 ,验证了该算法的有效性     

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。