[发明专利]基于卷积神经网络的无人机群行动方案快速评估方法

权利要求书

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。