文摘

为了有效地解决这个问题,雷达探测系统很难探测到“低、小、缓慢”无人机,高性能计算预警神经网络用于识别空中无人机实时提取目标图像空间类别和位置信息;PSO算法用于优化的参数anti-UAV确保anti-UAV不仅依赖因素也充分结合了视野因素的依赖迅速获得最优解决方案通过分析高性能计算预警神经网络。该算法用于初始化anti-UAV资源,提高算法的全局优化能力。最后,实验结果表明,提出的PSO算法具有更好的高性能计算预警性能满足实际需求的网络高性能计算预警神经网络。

1。介绍

与anti-UAV高性能计算预警分析技术的不断发展,方式为人们获取anti-UAV高性能计算预警信息也增加。其中,依靠其庞大的信息内容,anti-UAV高性能计算预警技术可以用来共享资源。通过使用计算机网络,anti-UAV高性能计算预警可以获得你需要的信息。虽然用户自己可以使用anti-UAV高性能计算预警快速获取相关数据,所需的数据信息无法通过一般的浏览和查询方法由于大量的数据信息(1,2]。为了有效地解决这个问题,Anti-UAV高性能计算预警技术应运而生。这种技术可以加快用户的访问数据信息,虽然还没有准确地获得所需的数据信息在这种情况下。传统的推荐方法大大减少了Anti-UAV高性能计算预警的准确性在处理批处理数据信息的请求。在anti-UAV高性能计算预警信息环境中,获得的目标信息数据可以从大量的数据信息和发送到目标用户同时确定的发展方向anti-UAV高性能计算预警。

关于传统anti-UAV测试方法的缺点,PSO算法计算方法采用anti-UAV检测方法,检测方法中的代码特征与真正的通知安全缺陷的特点,和相似性匹配度是用来检查anti-UAV代码缺陷(3]。这种方法可以用来更好的提高检测的准确性和工作效率缺陷,和处理情况,目前anti-UAV检测方法不能快速处理遗留anti-UAV和anti-UAV[的复杂结构4]。实时分析无人机飞行轨迹的连续时间域执行通过PSO算法获得的预测轨迹结果相应的下一个阶段,实现无人机的全面监测和预测在空中无人机的飞行行为。这种方法计算实时和高准确性和可以给anti-UAV能力机场、军事单位,禁飞区和其他重要场馆在机器视觉领域5- - - - - -8]。

2。方法和材料

2.1。无人机运动的数学模型

为了准确反映无人机的运动状态,促进仿真计算,无人机的弹性的影响没有考虑,假设和地球作为一个惯性参考系,无视地球曲率的影响在本文9]。无人机的潜浮性能建立一个模型。

无人机的运动方程在地面坐标系统如下:

无人机的运动方程在轨道坐标系中如下: 在那里, 无人机的位置;V无人机的飞行速度;α迎角;ε横摇角;γ是飞行路线角,β课程的角度;问螺旋角;T表示为无人机推力;D是阻力;l是升力;米的质量是无人驾驶的位置:重力加速度; 和 风加速和风的组件,分别在三个坐标轴。

为了更好地适应无人机控制稳定的要求,需要进一步考虑的速度和带宽约束状态量和输入量控制系统的设计过程。这个问题的困难在于如何从数学上描述的速度和带宽约束实际系统的控制命令。因此,一个二阶参考模型与非线性链接介绍,以反映实际系统控制命令的响应特性。二阶参考模型结构与振幅、速率和带宽约束如图1其中是饱和函数;是输入命令;是输出命令;命令的幅度上限约束,是命令的下限幅值约束;是命令的速度约束;和阻尼比和固有频率的二阶参考模型,分别为频率,根据这两个参数,命令带宽约束如下:

当二阶参考模型引入到控制系统设计过程,这个链接是输入的输入量设计 , , ,和这个链接可执行的输出控制量 , , 。与此同时,还可以提供的二阶参考模型链接的导数 , , }的虚拟控制变量,可以避免直接分析计算的虚拟控制变量。此外,引入二阶参考模型链接大大提高control-oriented建模的自主权。

2.2。控制器的设计

假设无人机的动力系统是一个一阶非线性系统: 在哪里

他们是飞行控制系统的状态和输入控制量; 系统矩阵和吗 同时是输入矩阵。控制系统的目的是建立一个合适的控制方案,以确保质量状态向量能够准确地跟踪理想约束 。定义跟踪误差如下:

此外,滑动面形式表示如下: 在哪里 是一个非零正定矩阵。在理想环境下,如果无人机系统的各种参数是已知的和持续的。理想的控制器可以设计如下:

其中, ,用方程(11)方程(S)得到以下方程:

在上面的公式中,如果K满足Huiwitza多项式时t趋于无穷时 。然而,系统的数学模型不能准确的获得,以及无人机将受到参数摄动和外部干扰在飞行。基于滑模控制的控制器无法处理这些不确定因素的影响。因此,有必要设计一个智能鲁棒控制系统实现准确跟踪的飞行轨迹。同时,系统必须有一定的抗干扰能力。

智能控制系统的设计如图2。

系统的识别和函数的近似可以通过纯粹的小波神经网络,实现,这也会导致其他问题,如网络结构的扩张。此外,可以实现递归神经网络的非线性系统的辨识,但它不是足够稳定和学习算法也更复杂。控制器基于PSO算法不仅可以解决稳定性问题也近似理想的数学模型,减少对数学模型的依赖。

本文的目的是减少高性能计算预警神经网络开销的前提下的底层网络底层网络资源有限,不支持和路径分割。anti-UAV二进制组合优化模型建立高性能计算预警神经网络问题。

首先,定义剩余可用的CPU和内存资源的底层节点 作为和 ,分别和剩余可用带宽资源潜在的联系 是 。

其中, 定义虚拟节点n分配给底层节点n, 定义虚拟链接吗n分配给下面的链接。

任何路径的可用带宽 表示为最小剩余带宽以及两个低级节点之间的路径。

让是一个二进制米×n矩阵,代表了高性能计算节点的早期预警的关系。每一个行向量和列向量代表一个虚拟节点和底层节点, |, ,当虚拟节点分配给底层节点 ,的价值 是1。否则,它是0。同样的anti-UAV请求,每个虚拟节点只能分配给一个底层节点,和两个虚拟节点不能同时分配给同一个底节点。正式约束条件如下:

剩下的底层节点的可用的CPU和内存资源需要能够满足虚拟节点 ,的节点在约束范围内要求的位置 ,之前可以提醒底层节点高性能计算。节点之间的距离和由欧几里得距离说()。剩余可用的CPU和内存资源的底层节点和节点约束,分别 在那里, , , 。

anti-UAV高性能计算预警神经网络模型本文图所示3(10]。(1)包括一个源节点和系统模型K(K> 2)接收节点配置,包设置需要广播K接收节点。在本文中,假设源节点在一段时间内。Δ内广播数据包t(2)接收节点向源节点发送ACK或否定信息,源节点接收和维护反馈矩阵表T,T= (K,N),矩阵元素T(我,j)表示是否正确接收节点接收到数据包。在这里, , 。(3)简而言之,在这里,我们假定所有控制发送即时消息证实或否定和不丢失。(4)的节点数据包损失率服从二项分布的参数 。

在这篇文章中,如果认为有n相同大小的数据包在网络中,他们需要发送和包和表达 。源节点编码随机线性异步接收节点或数据包丢失,和新包表示如下:

编码系数 从定义的区域是一个值随机选择吗 。后每一个接收节点接收n编码的数据包,它可以解码原始数据包通过下一个线性方程。

摘要介绍了PSO算法分为数据广播阶段和重新传输阶段。具体步骤如下:(1)源节点广播N数据包,K接收节点,每个数据包被发送在一个特定的时间间隔。源节点建立一个反馈矩阵T通过接收到的应答或否定的反馈信息和维护更新。(2)源节点进入重传后阶段在广播N包。所有丢失的数据包形成一组 ,和最大的系数的系数向量 (选择随机从有限域 )用于编码所有丢失的数据包生成编码包。丢失的数据包的最大数量在所有接收节点,由以下公式确定: (3)重发数据包编码后,每个接收节点的估计和显示自己的编码向量矩阵的安排G。 如果 意味着G没有达到完整的节点安排吗 ,然后节点将通知源节点编码数据包前需要转播的多少G可以达到完整的安排。表达所需的编码数据包通过 ,具体情况见以下公式(11]: 的公式, 如果接收节点收到一个在数据传输阶段,编码的数据包是0。如果节点失去了2编码数据包 。(4)源节点的更新根据每个接收节点并生成反馈价值新的编码数据包在传输阶段。所示的算法方程(4)。(5)(3)和(4)是重复,直到所有接收节点的向量矩阵等于N。这是 ,如果没有丢失的包,接收节点可以使用高斯消元法来解码原始数据包。

PSO算法是基于一个复杂的自适应系统,属于随机搜索算法。这也是集体智慧;大家一起来解决问题。属于卷积神经网络组算法,这是一个更重要的多变的参数和改进的算法中起着重要的作用。如果变大,速度将变得更小,这有利于整个检索。如果你使用减少时间,速度将会缩短,有利于本地搜索。如何控制的价值有效地解决这个问题是一个热点的研究过程。相关研究提出了一个线性递减惯性权重,即LDW,线性变化改进算法的收敛性。

的值的公式:是 ;t是当前迭代数;获得的最大价值。

当线性下降,初始收敛速度降低,然后减少,算法的多样性减少,局部最优。在本文中,我们使用一个非线性加权法来解决卷积神经网络群算法存在的缺陷。

根据上面的公式,当的价值t很小,近似的价值的值是相等的,当大,全球搜索是非常有利的。的过程中增加t,降低非线性和的值相对较小,所以算法的良好的局部搜索能力,保障和全局搜索和局部搜索可以灵活调整。一般来说,最好的设计问题可以解决通过网络的三层结构。因此,一个三层神经网络,即输入和输出和隐含层。(1)网络初始化:每一层都有一个相应的权系数,并给出一个随机小非零数字实现阈值初始化每个级别,并确定学习速度和神经元激发函数。(2)计算每一层的输出。首先,实现样本的输入 ,实现的输出 ,并计算神经元的输出由以下公式: 的公式:H属于隐层输出。的节点数量;一个是激活阈值函数;连接输入层和隐层的重量。O指的是输出层的输出。B是一个隐藏层和输出层之间的连接权重代表阈值。(3)计算错误e之间的网络输出O和预期的输出O₁。 (4)更新网络连接和阈值:

的值和可以调节网络错误e和上面的公式,和的值一个和b还可以调整吗e。

2.3。组成的系统

设计anti-UAV识别和轨迹预测神经网络,AUNN)。(AUNN)由4链接无人机的特征提取,无人机类型识别,无人机图像空间位置识别,和无人机图像空间轨迹预测,如图4。

首先,该算法可以获得多尺度深层语义特征信息的无人机航拍无人机图像被成像系统通过网络特征提取;随后,获得多尺度和高维特征图发送到无人机类型识别网络和无人机图像空间位置识别网络,找出目标无人机图像空间类别和位置。根据相应的无人机图像空间位置的变化趋势在一定时间域中心,无人机的历史运动轨迹改变了时间域构造。最后,结合历史运动轨迹,目标的运动轨迹预测未来无人机时域分析和输出与PSO算法,实时识别和跟踪的无人机在当前时域和未来的轨迹预测时域完成。

期待anti-UAV缺陷的检查,通常基于社区的其他用户的行为,可以调整自己的参与行为。根据上述用户行为特征,anti-UAV缺陷探测管理器使用激励指导方针和其他方法来合理检查anti-UAV缺陷来提高用户的参与。这种管理方案管理anti-UAV缺陷检测信息资源智能。Anti-UAV高性能计算预警智能管理:Anti-UAV缺陷检验经理分析用户的行为数据和浏览历史,和其他用户资源,探讨了用户的需求,预测用户的行为倾向,并为用户提供个性化的服务,满足他们的需求,并最终实现的附加价值服务经验通过信息的组织和再生。

本文指的是企业知识管理和服务创新的互动机制模型,总结了anti-UAV高性能计算预警平台模型(见图5)澄清anti-UAV的缺点,如何配置信息,并使用数据来改善社区环境和提高用户参与的粘度。

任何信息资源的管理是一个过程,和检测缺陷的anti-UAV由几个相关的命令环,构成整个有机环。智能管理指的是信息资源的分析anti-UAV高性能计算预警基于上述三个链接资源的积累、资源安排和资源利用率。请参考图6的具体过程。

从图可以看出6资源存储环包含信息存储和信息收集。在资源存储链接,收集anti-UAV anti-UAV系统检测到的缺陷。数据排序链接包括排序结果的信息组织、信息分析、信息数据分析。对于目标用户数据,手机的系统数据进行了分析和比较,深入,智能操作使它有效和合理的。资源利用系统包括推荐链接,通过分析数据分类和组织目标用户,提供有效的、系统的数据到相应的用户,提高资源利用效率。

2.4。算法实现

为了快速直观地获得空中无人机的类别和位置信息,首先需要识别和定位的无人机图像或视频流数据被相机。定向在地面计算平台,针对多尺度和多目标无人机识别任务在空气环境中,无人机特征提取网络(UFEN)设计的支柱AUNN空中无人机的深层语义信息提取和使用YOLO V3意思(你只看一次)目标识别网络的中间层(脖子)和顶层(头)AUNN网络来完成图像空间目标分类和识别计算。

2.4.1。无人机特征提取网络

UFEN网络深残余网络,是由一个标准的卷积层,扩大卷积层,和一堆循环剩余模块。UFEN如图的网络结构7。

自从拍摄空中无人机地面平台,无人机地面检测单元的距离一般是45米。这时,语义信息的数量在前台的无人机图像远小于背景语义信息的数量,和整个彩色天空占据了背景。当使用相同的有效大小卷积内核,标准的接受域卷积和扩大的接受域卷积所示以下方程: 在哪里每个单元的接受域在第n个卷积层;我是第一个n−1层的卷积,卷积的索引值的每一层;和年代_我的大小和步长n卷积的卷积内核层,分别;d是扩张卷积系数。

通过比较方程(26)和(27),可以看出,在卷积的移动一步的前提下,内核是一样的输入图像大小,扩大了卷积在同一层的接受域网络比标准的卷积。空中无人机的照片,扩张卷积可以更有效地获取深度图像的语义特征和减少的背景环境的多个冗余的计算标准的卷积迭代过程。然而,由于卷积的不连续采样内核扩展卷积的计算过程中,对小型空中无人机目标,天空占据空间层次信息的损失,和无法重建小对象信息很容易发生,如图8(一个)。为了解决上述问题,扩大卷积模块具有锯齿形结构是用来取代标准卷积(12,13),以避免扩张卷积内核没有空间结构连接跳过或稀释的语义信息分无人机。扩大了卷积的计算方法具有锯齿结构的模块如下公式所示:

在公式(28):输入输入数据;功能是计算后获得的特征映射;是扩张卷积计算;1、2和5的膨胀系数。同时,高维扩张卷积的膨胀系数是控制,和最大的膨胀系数在扩张卷积如下:

在公式(29日):的接受域我th扩大卷积。扩大卷积模块结构的锯齿结构如图9和表1。

上面的混合和匹配后,锯齿形结构融合和卷积,和完整的覆盖计算特征点地图信息,如图8 (b)是意识到。即可以使用更大的接受域提取全局语义信息,也可以防止无知的目标特征信息。

当执行深层语义特征提取多尺度无人机目标,由于网络的不断深化和循环迭代的数量增加,功能图的大小会降低每个卷积计算。小型无人机目标用更少的语义信息有一个较小的特征映射区在每一层。当网络深度太大,小目标的特征信息很难区别,和内部细节纹理的深层语义信息将被削弱。为了提高小目标的识别效率,有必要对凝结深层语义信息和保留浅特征信息14,15]。UFEN使用剩余模型。每个剩余模块由两个剩余单位。每个剩余单元如图10包括卷积层、批归一化层和激活功能层。其中,激活函数使用ReLU漏水。每个剩余模块可以集成内部的浅层语义信息和深层语义信息模块,连接每个亚节网络快捷方法,整合大型,低维特性和小型,高维特性来改善多尺度目标识别的准确性,控制梯度传播,防止梯度扩散或梯度爆炸。UFEN中的剩余模块结构如图11。UFEN共有5剩余模块,分别连接到5扩张卷积模块。第一个残的残模块将downsample图片一次,将预测将采样的照片在过去的3倍。5剩余模块UFEN的周期是1、2、8、8和4分别。卷积核的具体数量如表所示2。

2.4.2。无人机目标识别网络

UFEN后完成无人机目标的特征提取和生成3尺度的特征图13×13日26日×26日,52×52岁,分别AUNN将使用YOLO V3意思目标识别网络识别特征映射组。

YOLO V3意思目标识别网络将网格识别区域地图上输入功能,和网格划分的数量对应于输入的大小特征映射。锚箱在每个网格地图的功能是负责识别和检测,和信息N包含在每个网格表示如下: 在哪里 , , , 的坐标和尺寸信息预测当前帧的中心点;目标是否包括在当前网格和目标位置的准确性; 的概率是目标在帧属于类型。如果目标中心落在某个特性的语义信息像素点地图,网格将检测目标在这方面,B是锚箱的数量,和阿宝信心值是检测目标的概率和借据(十字路口在联盟),下列公式所示: 在哪里P(对象)是否有目标在网格中。如果它存在,值为1,值为0,如果它不存在;借据是同时发生的比率,即事实真理目标和范围产生的帧pred生成的目标识别,表达式如下公式所示:

博士的公式:检测结果;GT是地面真理,结果的交叉检测目标和地面真理如图12。

通过计算检测目标区间之间的借据框架和地面真理,网络可以区分前景目标和背景的目标。

在不同尺度特征图,当每个划分网格划分内部目标,它需要预测类内部的概率c目标,即第i个目标的概率落在网格中 :

YOLO V3意思网络中的每个网格必须首先计算里面是否有一个目标。确定一个目标时存在,将评价目标的分类根据其类别预测概率。当目标的预测某个类别的概率超过阈值,大于其他分类预报值,目标被认为是当前的类别。判断目标的位置信息,YOLO V3将不断学习和正确的意思锚箱的大小通过微调迭代,这样的结果预测帧接近真相。调整过程的公式所示:

在公式(34):和左上角的坐标是相应的网格在不同尺度特征图; , , 和预测框之间的偏差,真理框架;和的长度和宽度尺寸锚盒子,最后,坐标吗和左上角的预测框架和相应的长度和宽度和预测的盒子。

无人机轨迹预测网络将无人机空间历史时域运动轨迹作为输入数据,使用长期和短期记忆网络PSO算法学习无人机的飞行行为特征,并使用现有的图像空间位置预测时域迭代,位置图像的空间在未来时间域。

长期和短期记忆网络优化是一个RNN网络,克服了梯度爆炸和梯度消失的问题。相比与传统的递归神经网络(RNN) LSTM有一个额外的“忘记门”机制,决定是否要忘记的内容时刻通过输入和输出之间的相关性在某个时刻和前一时刻,所以,只有重要的信息保留在所有时间15]。PSO算法的结构单元如图13。

是当前无人机图像空间运动轨迹在时间域的输入;是无人机图像空间运动轨迹的预测在接下来的时域输出;一个PSO算法是计算单位。每个单元连接从始至终,计算单位在同一层将使用前一层的输出作为下一层的输入;σ(乙状结肠)和双曲正切激活功能。

重塑轨迹矩阵C将从左到右的LSTM单位。输入信息的时间t传入,矩阵的左端LSTM单位 ,和矩阵通过从右端 。其中,矩阵乘以一个系数乘法器,然后加法器的线性叠加,最后是获得。

的左边是与输入矩阵系数矩阵,乙状结肠函数通过一个线性计算单位。系数的乘数系数x矩阵转移过程。表达式所示以下方程: 在哪里和是训练过程中可以学到待定系数。LSTM“忘记门”的,如果乙状结肠的输出函数是1,输入将会完全记得;如果输出是0,输入将被完全遗忘了;如果是0∼1的中间值,输入将被铭记。

最后,LSTM通过输入信息通过“忘记门”再次生成一个输出 。 生成两个部分。一部分是传递到同一层单元,传递给下一层,另一个是单位。然后最终的输出轨迹预测时间tLSTM单位如下:

通过以上计算,AUNN已经能够获得目标的类别信息和位置信息无人机,以及项目连续帧识别的中心点位置目标的无人机时域坐标获取历史时域无人机图像空间的运动轨迹,并使用PSO算法来预测时域无人机在未来的位置。的反馈流计算过程如图14。

3所示。实验结果和分析

在训练阶段最初的学习速率设置为0.001,和学习速率逐渐增加在第一两代人。当迭代次数380次,学习速率降低,直到学习速率达到0.000001,而不会降低,损失函数的进一步融合,学习速率曲线如图15。

为了验证AUNN的计算能力,构造了一个图像数据集空中无人机识别基于军用和民用领域。总共有760图像数据集,它分为侦察、负载/控制和进攻目标根据无人机的结构、功能、和可执行的任务。每种类型的无人机的数据成分如表所示3。

验证平台是DELLZ840, CPU的配置中央处理单元是Intel Xeon e5 - 2643 V3,主要的频率是3。4 GHz, GPU是方形住宅区P5000,和正在运行的32 GB内存,计算环境是Ubuntu 18.04。在测试期间,IVFNN编程语言Python 3.7, Tensorflow 2.0和3.2 Opencv,辅助高层api。

AUNN完成训练后,网络的总损失曲线如图16。经过40000次迭代,最终丧失稳定约为0。从损失曲线,可以看出AUNN网络训练结果比较理想。

AUNN网络训练曲线有很好的收敛状态,没有梯度爆炸,分散,消失,等,证明了本研究设计的网络学习能力具有良好的特性。AUNN的平均目标识别率为82%,平均轨迹预测率为80%,计算速度是24帧/秒。网络的无人机识别和轨迹预测效果如图17。数据(17日)∼17 (c)17图网络的识别效果指挥无人机侦察无人机,并攻击无人机;数据17日(d)∼17 (f)对应的接下去轨迹预测效果3类型的无人机。

根据图所示的结果17,AUNN可以准确地识别和定位目标在空中无人机在地面平台。与此同时,它可以预测未来无人机图像空间时域基于当前无人机图像空间轨迹实现快速、准确预警的“低、小、缓慢”无人机目标,并提供机器视觉对anti-UAV系统的支持。

4所示。结论

浊度,不平衡和不稳定的高性能计算预警神经网络在使用过程中在日常使用过程中更重要。摘要PSO算法可以实现支持向量回归模型的优化处理。同时构建网络高性能计算预警模型,它使用三组不同时间粒度数据MAWI数据集进行详细分析与样本分析。最后,实验结果表明,本文提出的方法具有较好的预警高性能计算的性能,可以有效地解决网络高性能计算的早期预警问题。最后,无人机的飞行状态曲线是通过仿真,验证了该控制律设计的有效性。因此,这种方法可以解决在复杂情况下无人机的飞行控制问题。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这个研究是由科技研究与开发计划的项目中国铁路公司的项目号码是J2020S001。本文作者感谢项目支持。