[发明专利]协同神经网络及其构建方法和飞行器自主避障方法

权利要求书

1.协同神经网络的构建方法，其特征在于，包括：

获取具有若干障碍物图像的样本库，采用主成分分析方法提取预处理后障碍物图像的特征向量；

将预处理后障碍物图像转换为列向量，通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集；

将向量集输入协同神经网络，选取向量集中设定比例的障碍物图像向量作为标准集，将向量集中余下障碍物图像向量作为训练集，并计算标准集中每一类别所有障碍物图像向量的均值作为其原型向量；

获取训练集中的障碍物图像向量，采用障碍物图像向量与其所在类的原型向量的正交伴随向量计算障碍物图像初始序参量；

根据障碍物图像初始序参量和图像识别动力学方程，获取满足设定条件的障碍物图像序参量；

当障碍物图像序参量与障碍物图像初始序参量所表征的类别不相同时，采用障碍物图像向量和与其对应类别的原型向量的平均值更新该类的原型向量；

当训练集中所有障碍物图像向量的障碍物图像序参量均满足设定条件时，通过所有原型向量构成的原型矩阵计算得到伪逆矩阵，完成协同神经网络的构建。

2.根据权利要求1所述的协同神经网络的构建方法，其特征在于，所述设定条件为序参量的一个分量等于1，其余分量均等于0。

3.根据权利要求1所述的协同神经网络的构建方法，其特征在于，所述采用主成分分析方法提取预处理后障碍物图像的特征向量的方法包括：

将预处理后的障碍物图像平铺展开形成N维列向量，并计算所有N维列向量的均值向量：

x‾=1mΣi=1mxi]]>

其中，为均值向量；m为障碍物图像的总数量；x_i为第i张障碍物图像的N维列向量；

采用障碍物图像的N维列向量和均值向量，计算障碍物图像的去均值向量：

Φi=xi-x‾]]>

计算所有障碍物图像的N维列向量构成的数据集的协方差矩阵：

C=1mΣi=1mΦiΦiT=AAT]]>

其中，()^T为转置；A＝[Φ₁,Φ₂,...,Φ_m]；

计算矩阵AA^T的特征向量u_i＝A*v_i，其中，v_i为A^TA的特征向量；所述A^TA中的m个特征值与特征向量对应于AA^T中前m个最大的特征值及特征向量；

计算矩阵AA^T的特征值，并按从大到小排序，截取前面K个特征值及对应的特征向量构成特征矩阵。