58、基于结构化神经网络的陆空监测四轴飞行器控制

基于结构化神经网络的陆空监测四轴飞行器控制

在一些开展经济活动的地区，常存在山脉和森林。为给这些地区的基础设施和农业发展提供信息支持，有时需要借助无人机技术进行陆空监测，尤其是四轴飞行器。为确保四轴飞行器在陆空监测时能自主机动，本文提出使用结构化分层神经网络控制模型。

1. 神经网络在控制系统中的应用概述

目前，人工神经网络是形成智能控制系统的主要范式之一。它解决控制问题的能力范围广泛，能有效用于仿真、评估、预测控制对象的参数，还能直接参与调控过程。神经网络控制模型需求不断，因其能处理精确和模糊数据，这对包括四轴飞行器在内的许多技术控制对象很常见。

神经网络的优势众多：
- 可构建鲁棒控制器，能灵活应对控制对象和环境参数变化以及各种传感器噪声。
- 拓扑特征使其能对复杂和非线性依赖关系进行建模，设计控制器时，无需设计者具备传统的内部参数相互影响知识，减轻了开发控制系统的难度。

不过，使用神经网络也有一些问题：
- 需要进行一定次数的控制器综合迭代。
- 开发过程高度依赖开发者的直觉和启发式知识。
- 需要预先准备训练样本（控制对象的行为场景），这本身是一项艰巨任务。
- 构建神经网络控制系统需要一些假设，如存在理想化数学模型。而且神经网络拓扑多样，难以提前确定最适合解决特定实际问题的拓扑，通常需通过经验或专家知识来选择。

2. 四轴飞行器控制的神经网络模型

2.1 三层神经网络

三层神经网络由输入层、隐藏层和输出层组成，可视为信号转换器，有5个输入和3个输出。网络根据突触连接权重和隐藏层非线性神经元的阈值转换输入信号，学习过程中调整这