[發明專利]一種基于深度協同神經網絡的無人機自主降落方法

在審

• 申請號: 201710446953.4
• 申請日: 2017-06-14
• 公開（公告）號: CN107273929A
• 公開（公告）日: 2017-10-20
• 發明（設計）人: 孟繼成;魏源璋;楊濤
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙)51229
• 代理人: 李蕊

1.一種基于深度協同神經網絡的無人機自主降落方法，其特征在于，包括以下步驟：

S1.采集并預處理目標圖像為訓練樣本；

S2.將訓練樣本轉化為向量，并構建動力學方程：

ξ_k(n+1)-ξ_k(n)＝γ(λ_k-D+Bξ_k²(n))ξ_k(n)

其中，q為向量；v_k為初始原型向量；為v_k的正交伴隨向量；k表示k類中的一個；k｀表示對k個數求和；n表示迭代次數；γ表示迭代步長；ξ_k(n)為迭代n次時的序參量，表示q在最小二乘意義下于v_k上的投影；λ_k為大于零的注意參數；B、C分別為常系數；

S3.采用向量與動力學方程對神經網絡進行訓練，得到偽逆矩陣；

S4.采集并預處理待測圖像為待測樣本；

S5.將待測樣本轉化為待測向量；

S6.采用待測向量和偽逆矩陣得到待測輸出模式；

S7.根據待測輸出模式控制無人機是否降落。

2.根據權利要求1所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于，所述步驟S1包括以下步驟：

S11.獲取無人機通過其上的攝像頭采集的目標圖像，所述目標圖像包括執行降落、禁止降落、保持懸停三種類別；

S12.根據當前圖像所在的類別，將同一類別的目標圖像劃分至同一樣本圖像集中；

S13.剪裁每個樣本圖像集中的樣本圖像，直至所有樣本圖像的分辨率相同；

S14.將剪裁后的樣本圖像轉化為灰度圖像，作為訓練樣本。

3.根據權利要求1所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于，所述步驟S2包括以下步驟：

S21.將訓練樣本按像素點的灰度值轉換為列向量；

S22.對列向量進行零均值和歸一化處理后得到向量。

4.根據權利要求2所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于，所述步驟S3包括以下步驟：

S31.從每個類別的訓練樣本中各選擇一個向量作為初始原型向量，采用余下的向量訓練神經網絡；

S32.采用每個類別中余下的向量中任意一個向量作為初始向量，以獲得初始序參量，再通過動力學方程得到穩定序參量；

S33.計算輸出模式：

q_i(n)＝ξ_k(n)V^T，V＝(v₁,v₂,...v_i)

其中，q_i(n)為輸出模式；ξ_k(n)為穩定序參量；v₁至v_i為與初始向量對應的原型向量；V為由原型向量組成的原型矩陣；V^T為原型矩陣的轉置矩陣；

判斷輸出模式與初始向量是否相同：

(1)若相同，則將原型向量作為新的原型向量；

(2)若不相同，則采用初始向量與原型向量的平均值作為新的原型向量；

S34.重復步驟S32至S33，直到所有余下的向量讀取完畢，并得到由新的原型向量組成的新的原型矩陣；

S35.重復步驟S32到S34，直到新的原型矩陣中每個數值不再改變，獲取該矩陣的偽逆矩陣。

5.根據權利要求1所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于：所述待測樣本的獲取方法與訓練樣本的獲取方法相同。

6.根據權利要求1所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于：所述待測向量的獲取方法與向量的獲取方法相同。

7.根據權利要求1所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于，所述步驟S6包括以下步驟：

S61.采用偽逆矩陣和待測向量計算待測初始序參量；

S62.若待測初始序參量中模值的最大值小于預設的閾值，則返回步驟S4，繼續采集待測圖像，否則，執行步驟S63；

S63.將待測初始序參量通過動力學方程得到待測穩定序參量；

S64.采用待測穩定序參量得到待測輸出模式。

8.根據權利要求1所述的基于深度協同神經網絡的無人機自主降落方法，其特征在于，所述步驟S7中待測輸出模式對應有執行降落、禁止降落、保持懸停三種標志：

若待測輸出模式為執行降落標志，則地面系統輸出指令0001，無人機向目標位置降落；

若待測輸出模式為禁止降落標志，則地面系統輸出指令0000，無人機繼續巡航；

若待測輸出模式為保持懸停標志，則地面系統輸出指令0010，無人機懸停于當前位置。