[发明专利]小样本条件下的飞行器姿态控制数据增强和模型训练方法

说明书

本发明涉及一种小样本条件下的飞行器姿态控制数据增强和模型训练方法，包括：将飞行器姿态控制的训练集分解成多份子训练集；随机选取一份子训练集，训练第一生成器、第二生成器和第三生成器的神经网络参数；第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强；计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值；根据第一生成器、第二生成器和第三生成器的重要性权值，设置神经网络模型的目标函数；进行神经网络模型参数的训练；判断训练的迭代次数超过给定阈值；是，则终止训练；否，则重新选择子训练集进行训练。本发明提升了种小样本条件下神经网络模型的分类任务性能。

技术领域

本发明涉及飞行器姿态控制技术领域及神经网络技术领域，尤其涉及一种小样本条件下的飞行器姿态控制数据增强和模型训练方法。

背景技术

随着航天技术的不断发展，飞行器己在众多领域得到越来越广泛的应用。飞行器姿态控制系统是飞行器控制中的重要组成部分，它关系着入轨后的飞行器能否较好的发挥效能。飞行器姿态控制系统是一个多变量、非线性、时变的复杂系统。

传统飞行器姿态预测方法主要基于PID控制，PID控制虽然可以解决一般条件下的姿态控制问题，但是在飞行器受到较大干扰时会导致控制系统不稳定，需要较长的时间达到最优控制。

把传统的控制与神经网络技术相结合，可以通过人工智能模型的优化提高对飞行器姿态的控制。但目前飞行器的飞行数据较为有限，尤其对于一些特殊用途飞行器，其飞行试验及实际应用数据更是不足以支撑现有的人工智能模型学习，使得人工智能模型的任务性能受到限制。

但目前，基于数据增强的小样本学习方法缺乏有效的数据增强和模型训练准则。基于人工准则的数据增强方式虽然融合先验知识和数据结构信息，但是由于人工准则与机器学习模型结构的相容性具有不确定性，所以增强数据对人工智能模型性能提升效果受到限制。基于生成模型的数据增强方法利用变分自编码器(VAE)与对抗生成网络(GAN)等深度生成模型生成数据对源数据集进行数据增强。但是由于深度生成模型缺乏可解释性，因此生成的数据与人工智能模型结构的优化缺乏关联，因此对提升人工智能模型的任务性能具有不确定性。

发明内容

鉴于上述的分析，本发明旨在提供一种小样本条件下的飞行器姿态控制数据增强和模型训练方法，解决当人工智能模型的训练数据不足时，飞行器姿态控制任务性能受到限制问题。

本发明提供的技术方案是：

本发明公开了一种小样本条件下的飞行器姿态控制数据增强和模型训练方法，包括以下步骤：

步骤S1、将飞行器姿态控制的训练集分解成多份子训练集；

步骤S2、随机选取一份子训练集，训练第一生成器、第二生成器和第三生成器的神经网络参数；所述第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强；

步骤S3、计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值；

步骤S4、根据第一生成器、第二生成器和第三生成器的重要性权值，设置神经网络模型的目标函数；进行神经网络模型参数的训练；

步骤S5、判断训练的迭代次数超过给定阈值；是，则终止训练；否，则返回到步骤S2。

进一步地，所述飞行器姿态控制的训练集其中n为训练集中数据个数，x_i表示飞行器受力状态的6维向量，包括升力矢量、阻力矢量、法向过载、飞行器目前的偏航角、俯仰角和滚转角；y_i为表示飞行器下一时刻姿态预测结果的6维向量，包括下一个时刻的偏航角、俯仰角和滚转角、PID控制中的比例增益P、积分时间常数Ti和微分时间常数Pd。