RS-GA神经网络无人机受风情况估计

doi:10.3778/j.issn.1002-8331.1810-0397

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (4): 209-213.DOI: 10.3778/j.issn.1002-8331.1810-0397

RS-GA神经网络无人机受风情况估计

张博，贾华宇，马珺

1.太原理工大学物理与光电工程学院，太原 030024
2.太原理工大学电气与动力工程学院，太原 030024

出版日期:2020-02-15 发布日期:2020-03-06

Estimation of Air Condition for Unmanned Aerial Vehicle Based on RS-GA Neural Network

ZHANG Bo, JIA Huayu, MA Jun

1.College of Physics and Optoelectronics, Taiyuan University of Technology, Taiyuan 030024, China
2.College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan 030024, China

Online:2020-02-15 Published:2020-03-06

摘要/Abstract

摘要：

针对现有无人机（Unmanned Aerial Vehicle，UAV）风场估计方法中存在的计算复杂、需额外搭载传感器等问题，提出基于粗糙集遗传神经网络的无人机受风状态估计方法。该方法利用粗糙集分析方法对无人机上采集的姿态信息数据集进行约简；利用遗传算法全局搜索能力强的特点优化神经网络的初始权值；用简化的无人机数据集训练神经网络即得到所需神经网络风场估计模型。仿真结果表明，该方法具有较高的识别率以及较短的训练时间，证明了其在无人机风场估计上应用的有效性。

关键词: 无人机（UAV）, 受风状态估计, 粗糙集, 约简, 遗传算法, 神经网络

Abstract:

Aiming at the problems of complex calculation and additional sensors in the existing Unmanned Aerial Vehicle（UAV） wind field estimation method, a wind estimation method based on rough set genetic neural network is proposed. The method uses the rough set analysis method to reduce the attitude information data set collected on the UAV, optimizes the initial weight of the neural network by using the global search ability of the genetic algorithm, and trains the neural network with the simplified UAV data set. The required neural network wind field estimation model is obtained. The simulation results show that the proposed method has higher recognition rate and shorter training time, which proves its effectiveness in UAV wind field estimation.

Key words: Unmanned Aerial Vehicle（UAV）, wind estimation, rough set, reduction, genetic algorithm, neural network

张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.

ZHANG Bo, JIA Huayu, MA Jun. Estimation of Air Condition for Unmanned Aerial Vehicle Based on RS-GA Neural Network[J]. Computer Engineering and Applications, 2020, 56(4): 209-213.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.

RS-GA神经网络无人机受风情况估计

Estimation of Air Condition for Unmanned Aerial Vehicle Based on RS-GA Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics