[發明專利]基于獨立否決和聯合否決的無人機運用監測方法及系統

在審

• 申請號: 202310376340.3
• 申請日: 2023-04-11
• 公開（公告）號: CN116384695A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 何江彥;胡永江;席雷平;張曉良;劉杰;袁國剛;王永川;史鳳鳴;高喜俊;毛瓊
• 申請（專利權）人: 中國人民解放軍陸軍工程大學
• 主分類號: G06Q10/0631
• 分類號: G06Q10/0631;G06Q10/0635;G06Q10/0637
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉芳

1.一種基于獨立否決和聯合否決的無人機運用監測方法，其特征在于，所述方法包括：

確定影響無人機執行飛行任務的因素和所述因素的屬性閾值；所述影響無人機執行飛行任務的因素包括環境因素、裝備因素和人員因素；所述屬性閾值為獨立否決屬性閾值、聯合否決屬性閾值或者通過屬性閾值；

獲取當前時刻的無人機執行飛行任務的航線的環境因素的數據、所述無人機執行飛行任務的裝備因素的數據和所述無人機執行飛行任務的人員因素的數據；

將所述環境因素的數據輸入到對應的訓練好的廣義回歸神經網絡環境預測模型，確定設定時間段內的環境因素的預測值；

將所述裝備因素的數據輸入到對應的訓練好的廣義回歸神經網絡設備預測模型，確定設定時間段內的裝備因素的預測值；

當所述設定時間段內的環境因素的預測值和所述設定時間段內的裝備因素的預測值滿足獨立否決屬性閾值或者聯合否決屬性閾值時，生成預警信號；所述預警信號包括預警結果、預警的因素和改進措施；

當所述環境因素的預測值和所述裝備因素的預測值不滿足獨立否決屬性閾值和聯合否決屬性閾值時，應用評估算法確定所述環境因素的預測值和所述裝備因素的預測值的指標分值和指標權重，并根據所述指標分值和所述指標權重以及所述人員因素的數據輸出監測報告；所述監測報告包括裝備評分、飛行狀態、裝備性能和飛行人員素質。

2.根據權利要求1所述的基于獨立否決和聯合否決的無人機運用監測方法，其特征在于，所述確定影響無人機執行飛行任務的因素和所述因素的屬性閾值，具體包括：

根據無人機執行的飛行任務，確定所述影響無人機執行飛行任務的因素的獨立否決屬性閾值和聯合否決屬性閾值；當所述影響無人機執行飛行任務的因素中的單一因素滿足獨立否決屬性閾值時，無人機無法執行當前的飛行任務；當所述影響無人機執行飛行任務的因素中的多個因素同時滿足聯合否決屬性閾值時，無人機無法執行當前的飛行任務；

根據無人機執行的飛行任務，確定所述影響無人機執行飛行任務的因素的通過屬性閾值；當所述影響無人機執行飛行任務的因素滿足通過屬性閾值時，無人機能夠執行當前的飛行任務。

3.根據權利要求1所述的基于獨立否決和聯合否決的無人機運用監測方法，其特征在于，所述廣義回歸神經網絡環境預測模型和廣義回歸神經網絡設備預測模型的訓練過程具體包括：

獲取無人機執行飛行任務的航線的環境因素的歷史數據和所述無人機執行飛行任務的裝備因素的歷史數據，以及無人機執行飛行任務的航線的環境因素的所述設定時間段后的歷史數據和所述無人機執行飛行任務的裝備因素的所述設定時間段后的歷史數據；

以所述無人機執行飛行任務的航線的環境因素的歷史數據為輸入，以所述無人機執行飛行任務的航線的環境因素的所述設定時間段后的歷史數據為輸出，對對應的廣義回歸神經網絡環境預測模型進行訓練，得到初始訓練好的廣義回歸神經網絡環境預測模型；

以所述無人機執行飛行任務的裝備因素的歷史數據為輸入，以所述無人機執行飛行任務的裝備因素的所述設定時間段后的歷史數據為輸出，對對應的廣義回歸神經網絡設備預測模型進行訓練，得到初始訓練好的廣義回歸神經網絡設備預測模型；

應用果蠅優化算法，分別對所述初始訓練好的廣義回歸神經網絡環境預測模型和所述初始訓練好的廣義回歸神經網絡設備預測模型進行優化，得到訓練好的廣義回歸神經網絡環境預測模型和訓練好的廣義回歸神經網絡設備預測模型。

4.根據權利要求1所述的基于獨立否決和聯合否決的無人機運用監測方法，其特征在于，所述評估算法為層次分析法。

5.根據權利要求1所述的基于獨立否決和聯合否決的無人機運用監測方法，其特征在于，所述環境因素包括天候環境、電磁環境、地理環境和障礙物環境；所述裝備因素包括裝備基本性能、裝備適應性分析和裝備人員操作性分析；所述人員因素包括基本能力分析、飛行經驗分析和培訓情況分析。