基于卷积神经网络的无人机群行动方案快速评估方法

摘要

本发明基于卷积神经网络的无人机群行动方案快速评估方法，步骤一：数据输入与处理，输入的行动方案由任务分配、资源分配、飞机动作序列组成，分别用矩阵表示，再将其合并为一个方案矩阵。步骤二：构建卷积神经网络，将方案矩阵输入到卷积层，提取特征信息后，将卷积层输出到池化层，进行数据降维，再输出到卷积层，经多次卷积‑池化处理后的数据输出到全连接层，得到行动方案评估的预测值。步骤三：将预测值与Anylogic推演平台输出值的差值对神经网络进行训练。步骤四：将方案信息输入到训练好的神经网络，输出值为该方案的快速评估结果。本发明方法评估速度大大提高；提升了评估的准确度和客观性；解决了行动方案复杂、维度过多的问题。

权利要求

1.一种基于卷积神经网络的无人机群行动方案快速评估方法，其特征在于：该方法具体步骤如下：

步骤一：数据输入与处理，输入的行动方案由任务分配、资源分配、飞机动作序列组成，分别用矩阵表示三部分内容；首先把任务时序矩阵、资源矩阵和动作矩阵分别转化为三个一维向量，然后将三个一维向量合为一，组成一个1×N维向量，最后将1×N维向量转化为m×n的方案矩阵P，如果m×n＞N,则在1×N维向量增加k个零，使之满足以下公式m×n＝N+k；

步骤二：CNN模型构建：将步骤一的方案矩阵输入到卷积层，提取特征信息后，将卷积层输出到池化层，进行数据降维，然后再输出到卷积层，进行多次卷积池化处理，神经网络的层数要根据行动方案的复杂度来确定，行动方案越复杂，神经网络层数就越多；设有5架飞机联合执行的一个多目标救援任务，参考LeNet-5卷积神经网络的结构，由一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层组成，卷积核的数量设置的依据是行动方案的复杂度，行动方案越复杂卷积核的数量需要越多；将卷积-池化处理后的信息输出到全连接层，全连接层对特征进行重新拟合，减少特征信息的丢失，得到预测值h；

其中w表示全连接层神经网络的权重，全连接层有t个神经网络，b代表全连接层的偏置，x代表最后一层池化层的输出，f代表激活函数；

步骤三：神经网络训练：通过计算预测值h与推演平台的输出值y来训练神经网络中的参数；首先利用预测值h与推演平台的输出值y计算损失函数J(θ)：其中m代表训练数据的个数，θ代表神经网络的参数，包括卷积层和全连接层的权重、偏置；

更新神经网络的参数θ，α代表学习速率，J(θ)代表损失函数：

步骤四：方案信息输入到训练好的神经网络，则神经网络的输出值作为该方案的快速评估结果。

说明书

基于卷积神经网络的无人机群行动方案快速评估方法

技术领域

[0001] 本发明属于无人机群任务规划领域，涉及一种基于卷积神经网络的无人机群行动方案快速评估方法，该方法可以对行动方案进行快速评估。技术背景

[0002] 无人机又称为无人驾驶飞行器(Unmanned Aerial Vehicle，UAV)，在其使用过程中，不需要搭载操作人员，以空气动力提供升力，能够通过远程遥控飞行或在预定程序的控制下进行自主飞行，通过搭载任务设备执行特定任务。随着自动化、计算机等各种技术的不断发展和应用，无人机的技术更为密集，结构日趋复杂，功能也为强大。另外无人机任务需求也更为广泛，无人机更多的情况下需要在富含不确定性因素的复杂动态环境下，执行各种任务。无人机系统自身复杂性的提高和任务需求难度的增加，对无人机飞行控制提出了新的更高要求，多无人机协同任务执行已经成为无人机使用的必然选择。协同分配多无人机的任务，自动生成与优化各架无人机的任务计划，针对突发状况进行在线调整与重规划，实现对多无人机的协调指挥控制，以提高任务执行效率，减轻地面控制人员的压力，保证任务完成效果和无人机的自身安全。

[0003] 目前针对无人机群的方案生成的研究算法生大多需要建立评估函数来评价一个方案的优劣，评估函数的好坏直接决定了方案生成算法的效果。AnyLogic是一款应用广泛的，对离散、系统动力学、多智能体和混合系统建模和仿真的工具，它能够比较真实准确的反映无人机群行动的过程和结果。使用仿真推演平台评价方案的优劣虽然准确度高，但是推演速度太慢，严重影响行动方案的优化效率。有人提出使用BP神经网络和径向基神经网络建立评估函数，但是这两种神经网络只能解决简单行动方案的评估问题，如果方案信息包含目标分配、路径规划、资源分配、动作序列等内容，BP神经网络和径向基神经网络将会变得异常复杂。因此如何快速评估无人机群行动方案是亟待解决的问题。

发明内容

[0004] 本发明的目的提供一种基于卷积神经网络的无人机群行动方案快速评估方法，用于模拟仿真平台，能够得到一个相对准确的方案评估值，从而改善方案生成优化的效果。

[0005] 本发明的基本思路为：卷积神经网络的输入是一个矩阵，如何将任务矩阵、资源矩阵、动作矩阵合并，提出以下思路：首先把三个矩阵转为一维向量，然后将三个一维向量合为一，组成一个一维向量，最后将一维向量转化为m*n的矩阵，这种思路的优点是适用性和扩展性强，将来增加新的矩阵也比较容易。方案矩阵作为输入量x，受局部感受野概念的启发，利用卷积层中的卷积核对输入量x进行扫描抽取方案的特征信息，池化层对特征信息进行降维处理，然后再输出到卷积层，经过多次的卷积池化处理，最终将结果输出到一个全连接层得到最终的预测值，推演后的评估值作为输出量y，通过计算预测值和输出量y对神经网络进行训练。

[0006] 本发明基于卷积神经网络的无人机群行动方案快速评估方法，该方法具体步骤如下：

[0007] 步骤一：数据输入与处理，输入的行动方案由任务分配、资源分配、飞机动作序列组成，分别用矩阵表示三部分内容，然后任务矩阵、资源矩阵和动作矩阵合并为一个方案矩阵。

[0008] 步骤二：构建卷积神经网络，将方案矩阵输入到卷积层，提取特征信息后，将卷积层输出到池化层，进行数据降维，然后再输出到卷积层，经过多次卷积-池化处理后的数据输出到全连接层，最终得到行动方案评估的预测值。

[0009] 步骤三：根据步骤二得到的预测值与Anylogic推演平台的输出值的差值对神经网络进行训练。

[0010] 步骤四：将方案信息输入到训练好的神经网络，则神经网络的输出值就是该方案的快速评估结果。

[0011] 本发明的基于卷积神经网络的无人机群行动方案快速评估方法，其技术效果为：

[0012] 1)相对于仿真推演平台，评估速度大大提高。

[0013] 2)相对于传统的方案评估函数，提升了方案评估的准确度和客观性。

[0014] 3)卷积神经网络具有局部感知和参数共享的特点，较好的解决了行动方案复杂、维度过多的问题。

附图说明

[0015] 图1是基于卷积神经网络的无人机群行动方案快速评估方法流程图。

[0016] 图2入数据处理流程图。

[0017] 图3卷积神经网络全连接层原理图。

具体实施方式

[0018] 以下结合附图和技术方案，进一步说明本发明的具体实施方式。

[0019] 本发明一种基于卷积神经网络的无人机群行动方案快速评估方法，如图1所示，具体包括如下步骤：

[0020] 步骤一：数据输入与处理，输入的行动方案由任务分配、资源分配、飞机动作序列组成，分别用矩阵表示三部分内容；如图2所示，首先把任务时序矩阵、资源矩阵和动作矩阵分别转化为三个一维向量，然后将三个一维向量合为一，组成一个1×N维向量，最后将1×N维向量转化为m×n的方案矩阵P，如果m×n＞N,则在1×N维向量增加k个零，使之满足以下公式

[0021] m×n＝N+k；

[0022] 步骤二：CNN模型构建：将步骤一的方案矩阵输入到卷积层，提取特征信息后，将卷积层输出到池化层，进行数据降维，然后再输出到卷积层，进行多次卷积池化处理，神经网络的层数要根据行动方案的复杂度来确定，行动方案越复杂，神经网络层数就越多。假设是一个有5 架飞机联合执行的一个多目标救援任务，参考LeNet-5卷积神经网络的结构，由一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层组成，卷积核的数量设置的主要依据是行动方案的复杂度，行动方案越复杂卷积核的数量需要越多。将卷积-池化处理后的信息输出到全连接层，全连接层主要对特征进行重新拟合，减少特征信息的丢失，得到预测值h，如图 3所示。

[0023]

[0024] 其中w表示全连接层神经网络的权重，全连接层有t个神经网络，b代表全连接层的偏置， x代表最后一层池化层的输出，f代表激活函数。

[0025] 步骤三：神经网络训练：通过计算预测值h与推演平台的输出值y来训练神经网络中的参数。首先利用预测值h与推演平台的输出值y计算损失函数J(θ)：

[0026]

[0027] 其中m代表训练数据的个数，θ代表神经网络的参数，包括卷积层和全连接层的权重w、偏置b。

[0028] 更新神经网络的参数θ，包括卷积层和全连接层的权重w、偏置b，α代表学习速率， J(θ)代表损失函数：

[0029]

[0030] 步骤四：方案信息输入到训练好的神经网络，则神经网络的输出值可作为该方案的快速评估结果。