一種基於多小波動態建模與脈衝神經網絡的飛行器決策識別方法與流程

2023-07-05 07:41:14 1

1.本發明涉及一種面向多源信息處理的複雜系統決策識別技術，屬於智能信息處理技術領域。


背景技術：

2.複雜系統在運行過程中生成的大規模、多類型的多源異構狀態信息與外部環境信息能夠有效表徵系統運動過程中的自身與環境狀況，是系統控制能力評估、智能決策控制與改進設計的全面科學的數據保障。但由於系統試驗數據在獲取過程中往往存在數據缺失、信噪比低、一致性差等數據不確定性問題，這就使得當前各計算系統對綜合信息的利用率較低，難以從大規模多源異構試驗數據中充分挖掘出有效信息，進而對複雜系統進行狀態評估與規劃決策。因此，研究有效的系統辨識與決策識別方法對提高複雜系統智能決策的可靠性有至關重要的作用。


技術實現要素：

3.本發明的技術解決問題是：針對特定任務需求下複雜系統多源異構傳感信息處理與智能自主決策問題，提供一種面向多源信息處理的複雜系統決策識別方法。
4.本發明的技術解決方案是：一種基於多小波動態建模與脈衝神經網絡的飛行器決策識別方法，包括：
5.針對飛行器特點與飛行任務需求，並根據設定的飛行參數開展仿真或真實飛行試驗，獲取多源傳感數據、飛行軌道數據與對應的決策指令數據；
6.對獲取的多源傳感數據進行預處理，提高多源傳感數據的一致性；
7.利用外生輸入的時變自回歸理論，構建面向飛行器軌道預測的多源數據時變動力學模型，模型的輸入為預處理後的多源傳感數據，輸出為飛行軌道數據，通過訓練得到；
8.針對多源數據時變動力學模型參數進行多小波基函數展開，獲得多小波時變動力學模型；
9.設計面向多小波時變動力學模型的模型結構選擇方法，得到具有稀疏多小波時變優化模型；
10.針對稀疏多小波時變優化模型，設計模型參數估計與辨識方法，並基於辨識參數進行模型重構；
11.利用重構出的時變模型，從辨識出的模型參數中提取其中的時域和頻域信息作為飛行狀態的關鍵作用信息，並將其作為後續智能決策模型的輸入；
12.構建基於脈衝神經網絡的控制指令生成與智能決策模型，其輸入為飛行狀態的關鍵作用信息，輸出為決策指令數據，並進行模型訓練，獲取訓練好的控制指令生成與智能決策模型。
13.優選的，所述的飛行器多源傳感數據包括飛行狀態數據和外部環境數據；所述的
飛行狀態數據包括速度、位置、方位角、俯仰角、飛行狀態模態參數；所述外部環境數據包括氣動力、溫度、外壓作用。
14.優選的，所述的預處理包括採樣間隔與數據格式的格式清洗與序列對準。
15.優選的，所述的多小波基函數採用b樣條小波基函數。
16.優選的，所述的模型結構選擇方法為從多小波時變動力學模型中選出重要模型項，從而得到由重要模型項組成的稀疏多小波時變優化模型，方法包括：
17.步驟1：設第一次選擇重要模型項的候選項集合為v1＝vi(t),i＝1,2,
…
,h，v1是多小波時變動力學模型中的所有模型項；飛行軌道數據為輸出測量值，表示為y＝y(t),t＝1,2,...,t，y是飛行軌道數據為輸出測量值集合，令t表示時間索引，p(y(t),vi(t))表示y(t)和vi(t)的聯合概率密度函數，p(y(t))與p(vi(t))分別表示y(t)與vi(t)邊際概率密度函數，並且
[0018][0019]
則，搜索的第一個重要模型項為令令
[0020]
步驟2：其餘模型項作為選擇第二重要模型項的候選項集合v2＝vi(t),i＝1,2,
…
,m,i≠l1,令得到
[0021][0022]
則搜索的第二重要項是並且有
[0023]
依此類推，直至滿足搜索過程截止準則。
[0024]
優選的，在每個單獨步驟使用信號誤差比率來作為終止單次搜索過程的評價準則；
[0025][0026]
第ii個單獨步驟下的誤差信號比率計算公式為：
[0027][0028]
當||r1(t)||2＜ρ或||r
ii
(t)||2＜ρ，則當前步驟即為最後一個搜索步驟，ρ是設定的通知容限。
[0029]
優選的，所述搜索過程截止準則：滿足或者ms＝m；其中，ms為搜索的截止
步數，每次搜索記為一步，m為預設設置的最大搜索步數。
[0030]
優選的，所述基於脈衝神經網絡的控制指令生成與智能決策模型包括自適應脈衝編碼器、特徵提取器、脈衝解碼器；
[0031]
所述自適應脈衝編碼器是基於神經網絡的自適應脈衝編碼層，以全局生成脈衝信號；
[0032]
所述的特徵提取器是由一層或多層lif神經元層構成，用來提取脈衝序列的時空特徵信息；
[0033]
所述的脈衝解碼器根據脈衝序列的時空特徵信息，輸出辨識分類結果，所述分類結果即為決策控制指令。
[0034]
優選的，所述基於神經網絡的自適應脈衝編碼層中的每個神經元首先接收多個實數值作為輸入，然後經過一層或多層ann處理信息，最後通過lif神經元層產生脈衝序列作為輸出，以全局生成脈衝信號。
[0035]
優選的，所述輸入為ann工作模式；輸出為snn工作模式。
[0036]
本發明與現有技術相比有益效果為：本發明利用系統辨識與智能信息處理手段，充分挖掘複雜系統中的多源傳感器數據及決策指令之間的關聯關係，構建面向多源信息知識特徵提取的系統辨識動態分析模型與基於新型脈衝神經網絡的決策識別模型，通過準確檢測出多源信息之間的潛在關係特徵，並進一步辨識其與決策指令間的關聯規律，實現對複雜多源信息下決策指令的實時精準識別。
[0037]
(1)本發明深入研究飛行器控制系統與前沿智能信息處理手段，開發新型穩定可靠並能有效應對複雜空天環境的飛行器智能控制方法，對確保飛行器精準完成複雜飛行任務有重要的指導意義和應用價值。
[0038]
(2)本發明採用具有良好的逼近能力及較好的局部特徵的多小波方法對不同類型的信號進行建模求解。將複雜的時變參數用少數有限的多小波基函數展開，初始模型的時變特性轉化為多小波基函數的時不變特性，從而大大減少所求參數的數目，提高模型的泛化性能。同時，通過調節多小波函數的尺度參數，可以對不同類型的時變模型參數進行準確的辨識跟蹤，進而快速精確地跟蹤到模型參數的變化，為準確提取飛行狀態過程中時變模型的時頻關鍵信息提供關鍵的基礎。
[0039]
(3)針對飛行器飛行過程中決策指令生成的實時性要求，本發明結合snn具有更接近人腦神經網絡的工作機理，以及其低功耗、高性能的特點，提出構建基於snn的控制指令生成與智能決策模型，學習飛行狀態中的關鍵信息與決策控制指令之間的潛在關係，實現數據驅動下的智能決策。本項目的研究從數據驅動角度對飛行器智能控制系統展開深入研究，為探索新型智能飛行控制系統設計方法提供新的思路。
[0040]
本發明深入研究飛行器控制系統與前沿智能信息處理手段，開發新型穩定可靠並能有效應對複雜空天環境的飛行器智能控制方法，對確保飛行器精準完成複雜飛行任務有重要的指導意義和應用價值。
附圖說明
[0041]
圖1為本發明方法流程圖；
[0042]
圖2基於神經網絡的自適應脈衝編碼層
[0043]
圖3脈衝神經網絡中卷積操作和池化操作的簡化示意圖，(a)基於脈衝的卷積操作：(b)基於脈衝的平均池化操作；
[0044]
圖4脈衝神經網絡輸出層神經元行為模式，(a)脈衝放電頻率；(b)神經元累積膜電勢
具體實施方式
[0045]
下面結合附圖1-4及實例對本發明做詳細說明。
[0046]
如圖1所示，為本發明方法流程圖，具體步驟如下：
[0047]
(1)飛行器多源狀態數據獲取與預處理
[0048]
本發明旨在通過獲取飛行系統中的狀態信息及決策指令之間的潛在關聯實現對飛行器狀態的監測與決策控制，因此飛行器多源信息獲取與標準化預處理手段是首要前提。首先針對飛行器特點與飛行任務需求，並根據給定的飛行參數開展仿真或真實飛行試驗，獲取飛行速度、加速度、位置與角速度等多源傳感數據、飛行軌道數據與對應的決策指令。飛行數據的標準化預處理技術主要實現了對多源傳感數據的格式清洗與序列對準，解決多源數據中可能存在的採樣間隔、數據格式等一致性差的問題。
[0049]
(2)飛行器狀態信息的時變動力學系統模型構建
[0050]
利用外生輸入的時變自回歸模型(time-varying autoregressive with exogenous,tvarx)表徵該面向飛行器軌道預測的多源數據時變動力學模型。tvarx模型是關於參數線性的複雜多項式。tvarx模型具有輸出反饋項，這樣的模型增加了大量的模型信息，使得tvarx模型結構的準確性、模型精度有了很大程度的提升。
[0051]
設飛行器飛行軌道信息為y＝{y(t)}t＝1，2，
…
，t，其中t為數據長度。飛行器n個傳感數據為x1＝{x1(t)}，x2＝{x2(t)}，
…
，xn＝{xn(t)}，t＝1，2，
…
，t，面向飛行器軌道預測的多源數據時變動力學系統模型可以表示為：
[0052][0053]
其中，核函數an(t，τ)描述了第n個傳感數據xn與輸出y(t)之間的線性關係，核函數b(t，τ)為輸出的時變自回歸模型係數，它們都是時間t和當前時刻與歷史時刻的時間遲滯τ之間的函數，an(t，τ)與b(t，τ)是模型中需要估計的模型參數；n表示輸入傳感信號的數目，m表示前饋過程的模型階次，my表示反饋過程的模型階次。
[0054]
(3)針對tvarx模型參數進行多小波基函數展開，獲得多小波時變動力學模型；
[0055]
小波理論證明，一個平方可積標量信號f可以用多解析度小波基函數分解來逼近，如下所示：
[0056][0057]
其中和ψ
j，k
(x)＝2
j/2
ψ(2jx-k)，j0，j，k∈z(z表示整數)是尺度函數φ(x)和母小波ψ(x)的平移和展開形式，和β
j，k
表示小波展開係數。此外，當尺度函數的解析度尺度級足夠大時，即存在整數j，則可將式(2)簡化為：
[0058][0059]
因此，選定一組具有緊支撐性和良好的泛化能力的多小波基函數{π
μ
(t)：μ＝1，
2，
…
，l}對式(1)中待估計的模型參數an(t，τ)與b(t，τ)進行展開：
[0060][0061]
其中，l表示多小波基函數的最大數目。因此，多小波時變動力學模型可以表示為：
[0062][0063]
進一步，上式可以寫成線性參數回歸形式：
[0064][0065]
其中，λi是待估參數集合，vi(t)是(5)中的展開模型項，h是基於多小波基函數展開的模型項中候選項總數。由此，時變自回歸模型係數估計問題轉化成了基於基函數的時不變係數估計問題。
[0066]
(4)設計面向多小波時變動力學模型的模型結構選擇方法，得到具有較低計算複雜度與較高模型泛化性的稀疏多小波時變優化模型；
[0067]
上述構建模型過程中得到的初始多小波時變動力學模型，因模型結構複雜而不能很好地揭示大量飛行狀態相關的多源數據與飛行軌道預測信息之間的時變關係。為了保證提出的建模算法能夠快速準確地得到既簡單又有效的模型結構，本部分對原始模型進行模型結構選擇。
[0068]
模型結構選擇是系統辨識過程中的重要步驟，從含有大量冗餘的候選模型項集合中選擇少數有意義的重要候選項或回歸項以產生簡約模型。例如，由公式(5)描述的多小波基函數展開模型可能涉及大量候選項。並且，候選項集合中可能存在大量高度線性相關項，進而可能導致辨識模型出現過擬合，所以無法通過最大似然法獲得可靠的辨識結果。因此，確定最終模型中應包括哪些回歸因子是非常重要的。
[0069]
對於任意兩個時間序列數據x與y，p(x)與p(y)分別表示邊際概率密度函數，p(x,y)表示聯合概率密度函數。因此，兩個時間序列數據之間的互信息i(x,y)可以被定義為：
[0070][0071]
對於公式(5)中構建的面向飛行器多源數據的多小波基函數展開式，應用提出的for-mi算法實現候選項選擇的過程總結如下：
[0072]
步驟1：步驟1：設第一次選擇重要模型項的候選項集合為v1＝vi(t),i＝1,2,
…
,h，v1是多小波時變動力學模型中的所有模型項；飛行軌道數據為輸出測量值，表示為y＝y(t),t＝1,2,
…
,t，y是飛行軌道數據為輸出測量值集合，令t表示時間索引，p(y(t),vi(t))表示y(t)和vi(t)的聯合概率密度函數，p(y(t))與p(vi(t))分別表示y(t)與vi(t)的邊際概率密度函數，並且
[0073][0074]
第一個重要模型項為並且有並且有
[0075]
誤差信號比率(error-to-signal ratio,esr)作為準則用來終止搜索過程：
[0076][0077]
若||r1(t)||2＜ρ，則結束本步搜索，稀疏多小波時變優化模型則由第一個重要模型項組成。
[0078]
步驟2：其餘模型項作為選擇第二重要模型項的候選項集合v2＝vi(t),i＝1,2,
…
,m,i≠l1,令我們可以得到
[0079][0080]
則第二重要項是並且有並且有esr為
[0081][0082]
若||r2(t)||2＜ρ，則結束本步搜索，稀疏多小波時變優化模型則由第一個重要模型項和第二個重要模型項組成。
[0083]
步驟3：後續重要模型項的選擇以同樣的方式進行，直到第ms步截止(ms滿足或者ms＝m，其中ρ是設定的通知容限，m為預設設置的最大搜索步數)。
[0084]
由此，獲得ms個有意義數目的變量子集或候選項子集。
[0085]
(5)針對稀疏多小波時變優化模型，設計模型參數估計與辨識方法，並基於辨識參數進行模型重構；
[0086]
根據記錄的輸出軌道預測y以及少數選擇的有意義的模型項時不變展開模型係數的估計結果可以通過極大似然估計方法得到。進一步可以根據公式(4)重構出時變模型核函數，進而根據公式(1)重構出表徵模型。
[0087]
基於時變模型參數特點，提取飛行器飛行狀態表徵模型中的時域和頻域信息作為飛行狀態的作用信息，並將其作為輸入送入到智能決策模型。
[0088]
(6)基於脈衝神經網絡的控制指令生成與智能決策模型構建
[0089]
面向飛行器狀態數據的多小波時變非線性系統特徵，構建基於脈衝神經網絡(snn)的智能決策模型，實現對飛行狀態的識別與控制指令的生成。與傳統感知機神經網絡相比，snn中的神經元使用脈衝點火序列進行信息處理，並且採用了脈衝時間編碼方法將輸入變量編碼為脈衝點火時間。為了模擬生物神經元信息處理模式，snn的信息處理使用了非線性的指數族函數，代替了傳統感知機神經元的處理模式，可以任意逼近非線性函數，模擬生物神經網絡信號，這種機制大大提高了神經元的計算能力。每個樣本經過脈衝編碼後送入snn。相比傳統神經元模型，脈衝神經元模型具有功耗更低，更加適合併行計算的特點。所提出的基於脈衝神經網絡的控制指令生成與智能決策模型構建方法如下：
[0090]
a.自適應脈衝編碼器
[0091]
脈衝神經網絡模擬生物神經元細胞接收脈衝序列作為輸入，不同的輸入數據往往需要採取不同的編碼方案將外界刺激編碼為離散的脈衝序列。相關研究表明使用獨立於的脈衝神經網絡模型的編碼方法一方面會損失一定程度原始信息特徵，另一方面會導致仿真周期的增長從而產生梯度消失。為了解決上述問題，對於傳統非脈衝流輸入數據，結合數據特點添加了一個基於神經網絡的自適應脈衝編碼層以全局生成脈衝信號，如圖2所示。該層中的每個神經元首先接收多個實數值作為輸入(ann工作模式)，然後經過一層或多層ann處理信息，最後通過lif神經元層產生脈衝序列作為輸出(snn工作模式)。
[0092]
b.特徵提取器
[0093]
一旦輸入數據被編碼為脈衝序列，就能夠以與構造傳統深度神經網絡模型相似的方式構造脈衝神經網絡。特徵提取層定義了一層或多層lif神經元層用來提取脈衝序列的時空特徵信息，不同神經元層之間的連接方式可以為全連接、卷積以及循環連接等，同時不同層之間可以使用最大池化、平均池化等操作降低特徵維度。圖3描述了由lif神經元在三個仿真步長上組成的二維卷積操作和平均池化操作。可以看到，針對脈衝驅動的卷積操作，在每個仿真周期中，輸入脈衝序列與權重核進行卷積操作，產生輸入電流通過lif脈衝神經元層積累突觸後膜電勢，一旦膜電勢超過閾值，神經元發放脈衝序列同時膜電勢復位，否則膜電勢發生洩漏並繼續傳遞到下一個仿真周期；對於基於脈衝驅動的平均池化操作，通過固定的權重核參數得到神經元的平均膜電勢並發放脈衝序列，在保留空間拓撲信息的基礎上降低了特徵維度。
[0094]
c.脈衝解碼器
[0095]
解碼器的作用是根據實際任務對輸出層脈衝神經元產生的信號進行解碼。圖4分別展示了輸出層脈衝神經元的放電頻率和膜電勢。脈衝發射頻率的高低代表對不同類別的響應程度，如圖4中的(a)所示，理想狀態下，在輸出層真實類別對應的神經元發放脈衝頻率最高，而其餘神經元大部分時刻處於靜息態。相應的，在圖4中的(b)中展示了輸出神經元膜電勢在仿真周期內的變化。
[0096]
綜上所述，本部分設計的具有編碼-特徵提取-解碼層次結構的脈衝神經網絡模型的形式為輸入數據首先通過編碼器產生脈衝序列，然後基於中間層的特徵提取器充分地提取脈衝序列的時空特徵，最後針對任務需求設計解碼器輸出最終辨識分類結果。值得注意的是，卷積層、池化層、全連接層等網絡參數在所有的仿真周期內共享。
[0097]
(7)對模型進行實驗驗證與性能評估。
[0098]
本發明未詳細說明部分屬於本領域技術人員的公知常識。