автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая система управления посадкой дистанционно-пилотируемого летательного аппарата

Московский авиационный институт (государственный технический университет)

На правах рукописи

Фирсов Сергей Павлович

НЕЙРОСЕТЕВАЯ СИСТЕМА УПРАВЛЕНИЯ ПОСАДКОЙ ДИСТАНЦИОННО-ПИЛОТИРУЕМОГО ЛЕТАТЕЛЬНОГО АППАРАТА

Специальность 05.13.01 - Системный анализ, управление, обработка

информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Работа выполнена кафедре «Системы автоматического и интеллектуального управления летательными аппаратами» в Московском авиационном институте (государственном техническом университете)

Научный руководитель: к.т.н., доцент

Официальные оппоненты: Доктор технических наук кандидат технических наук Ведущая организация

Боголюбов Александр Александрович

Школин Владимир Петрович Гарцеев Илья Борисович НПКЦ "Новик-ХХ! век"

Защита состоится «_»_2006 г. в_часов

на заседании диссертационного совета Д 212.125.11 Московского авиационного института (государственного технического университета) по адресу: 125080, Москва, Волоколамское шоссе, д. 4, зал заседания Учёного Совета.

С диссертацией можно ознакомиться в библиотеке института Автореферат разослан « »_ 2005 г.

Ученый секретарь диссертационного совета к.т.н , доцент

Горбачёв Ю.В.

?зЯ,

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

В настоящее время дистанционно пилотируемые летательные аппараты (ДПЛА) получают большое распространение при решении различных задач, как в гражданских, так и в военных отраслях. При этом для современных ЛА характерны постоянно увеличивающийся объем информации, получаемой бортовыми датчиками, возросшие требования к точности и быстродействию систем обработки данных, необходимость принятия тактических решений за минимальное время и т.д. Решение этих задач часто превышает психофизиологические возможности человека. Одним из подходов, направленных на повышение степени автоматизации управления ЛА, его бортовым электронно-вычислительным оборудованием, является использование в его системе управления нейронных сетей (НС).

В данной работе рассматривается задача применения НС в системе управления (СУ) беспилотным ЛА в режиме его захода на посадку с применением механических средств захвата. Разработка технического средства, позволяющего повысить степень автоматизации ДПЛА в режиме посадки.

Целью исследования - является разработка нейросетевой системы управления автоматической посадкой ДПЛА.

Задачами исследования являются:

1. Провести анализ методов посадки ДПЛА и выбрать схему функционирования сигнальных ориентиров, установленных на посадочном месте.

2. Разработать метод посадки ДПЛА на основе нейросетевого подхода.

3. Разработать нейросетевой алгоритм для системы управления посадкой ДПЛА и проанализировать возможность его использования на практике.

Методы исследований. Решение поставленных в диссертационной работе задач проводилось на основе использования теории нейронных сетей, методов имитационного моделирования, а также методов теории и систем автоматического управления. Научная новизна работы состоит в следующем:

1. В качестве сигнальных ориентиров предложена новая схема расположения источников излучения светодальномера на посадочном месте, а приемников - на летательном аппарате, что создает принципиальную возможность определения линейно-угловых координат ДПЛА.

2. Разработана нейросетевая процедура управления ДПЛА, обеспечивающая его автоматическую посадку без трудоемких вычислений для выбора управляющих сигналов на рулевые органы.

3. Предложены ускоренный алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона, и алгоритм сегментации изображения на основе сочетания двух нейронных сетей - "растущего нейронного газа" и иерархической сети на соревновательных нейронах для распознавания зашумленных сигнальных ориентиров. Основным результатом работы является разработка нейросетевой системы

управления посадкой дистанционно-пилотируемого летательного аппарата Практическая ценность работы состоит в том, что:

1. Разработан нейросетевой алгоритм посадк л ^-^^дццд^д^" "РЦ помощи <

БИБЛИОТЕКА {

¿"то?!

I сиг-

нальных ориентиров, который обеспечивает повышение надежности работы системы управления ДПЛА, за счет использования НС, а также сокращение времени вычислений и принятия решений за счет параллельной обработки информации НС.

2. Показана высокая эффективность нейросетевого решения задачи посадки ДПЛА в условиях возникновения внешних помех, обеспечивая его попадание в цель с допустимым промахом от центра "ловушки".

3. Разработанный новый тип светодальномера позволяет эффективно измерять пространственно-угловое положение ДПЛА и в совокупности с нейросетевым подходом увеличивает точность при наведении в режиме посадки ДПЛА, а также снижает весогабарит-ные характеристики бортового оборудования, что является технически и экономически выгодным.

Внедрение. Разработанные алгоритмы внедрены в НПКЦ "Новик-ХХ1век" при проектировании системы управления ДПЛА, о чём имеется акт о внедрении. Разработана и внедрена в учебный процесс кафедрой №301 лабораторная работа "Задача посадки ДПЛА по телевизионному изображению с помощью самообучающейся нейронной сети" в рамках специальности 210100 "Управление и информатика в технических системах" для специализации 210102 "Интеллектуальные системы управления и информатики", о чем имеется акт о внедрении.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: X международном научно-техническом семинаре "Современные технологии в задачах управления, автоматизации и обработки информации", г. Алушта 2001; IV Всероссийской научно-технической конференции "Нейроинформатика-2002", Москва 2002г; XII Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2003; У-научной конференции молодых ученых, г. Санкт Петербург, ЦНИИ "Электроприбор", 2003г.; Х111 Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2004; XIV Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2005.

Публикации. По теме диссертационной работы опубликовано 14 работ, из них 10 - печатные.

Структура и объем диссертации. Диссертация состоит из введения, четырёх глав, выводов по каждой главе и общих выводов по работе, списка использованных источников, содержащего 62 наименований и приложений. Работа изложена на 124 страницах машинописного текста, содержит 58 рисунков и 11 таблиц и приложений на 11 страницах.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность темы исследования и его основные направления; сформулирована цель работы и ее научная новизна.

В первой главе представлена математическая модель беспилотного летательного аппарата. На основе этих уравнений в следующих главах определены законы управления ЛА в режиме его автоматической посадки. Проведен анализ известных на сегодняшний

день ДПЛА и методов их посадки. Выделены преимущества ДПЛА по результатам проведенного анализа:

1. отсутствие персонала на борту ЛА приводит к отсутствию необходимости установки бортовых системам жизнеобеспечения;

2. при управлении с земли один оператор может управлять несколькими ЛА. Для операторов ДПЛА не требуется дорогостоящая подготовка, как для летчиков, для их обучения используются исключительно тренажеры и симуляторы;

3. ДПЛА потребляют сравнительно меньше топлива, предъявляют существенно более низкие требования к аэродромам, меньше по размерам и более маневренны.

4. Разработка и производство ДПЛА требуют сравнительно небольших финансовых затрат и под силу небольшим предприятиям.

Проведен анализ методов посадки ДПЛА и на основе этого анализа составлена таблица, в которой приведены примеры современных ДПЛА, производимых в разных странах с указанием методов их посадки (Приложение 1.1).

При исследовании беспилотной посадки сделан ряд принципиальных выводов. Основным недостатком беспилотной посадки ЛА на основе использования аэродромных радиотехнических средств связан со сложностью подготовки ВПП со всей необходимой инфраструктурой. Алгоритм управления посадкой ДПЛА может строиться в виде логико-лингвистической модели действий пилота. В этом случае возможно использование базы знаний интеллектуальной СУ, на которую поступает обработанная информация с НС.

На основе характеристик реального ДПЛА проведены оценочные расчеты передаточных коэффициентов для продольного и бокового движения ДПЛА, используемые в дальнейшем при расчете углов отклонения рулей высоты и направления.

Выражения для вычисления отклонений руля высоты и руля направления выглядят следующим образом:

5в = киЬи + кй6 + кнШ + кйН, бн = ку/Ау/ + к.у + кг№ + к(1)

где V, у/ и V, у/ - углы тангажа, курса и их угловые скорости соответственно, Н, Ъ - высота ДПЛА, к. - передаточные коэффициенты.

На основании проведенного исследования в области технологий ИИ сделан обзор его направлений, приведены их преимущества, предложено применение одного из этих направлений для решения задачи посадки ДПЛА. В данной работе рассматривается возможность применения в СУ ДПЛА нейронной сети.

Посадка является одним из основных этапов полбта т.к. при некорректном наведении в точку посадки можно потерять сам аппарат и установленное на нем дорогостоящее оборудование. Надо учитывать и временные ограничения для принятия тактических решений, что иногда превышает психофизиологические возможности человека. В этом случае одним из вариантов решения подобных задач, может быть применение в системе управления ДПЛА методов ИИ.

На основе рассмотренных существующих систем управления посадкой ДПЛА и методов ИИ поставлены конкретные задачи исследований.

Во второй главе дано описание функционирования СУ ДПЛА в режиме его посадки. Предложен метод посадки ДПЛА на основе НС при помощи сигнальных ориентиров, установленных на "ловушке" и алгоритм данного метода.

В режиме посадки, на неподвижно установленные бортовые оптические приёмники (ОП) поступает излучение от сигнальных ориентиров, установленных на ловушке или в её окрестности. Предполагается, что часть ловушки, в процессе её наблюдения ОП ДПЛА, может закрываться возникающими помехами, например, рассеивающим и поглощающим излучение облаком (Рис.1). В нашем случае, ориентиры располагаются в заранее заданной конфигурации по периметру геометрической фигуры, центр которой совпадает с центром "ловушки".

В работе проведён выбор источников излучения ловушки. Определены условия применения и требования к надежности и точности, промышленных образцов источников в видимой, инфракрасной и ультрафиолетовой областях. Для распознавания источников излучения ловушки, используюися физические параметры, характеризующие это излучение. Данная информация поступает на НС и, в зависимости от физических характеристик сигнала, он либо причисляется к ориентиру, либо нет. Диапазон излучения, выбираемых для ловушки источников, определяется потребностью решаемых задач, возможностями приемных устройств, минимальными потерями на атмосферное рассеяние и поглощение, а также энергетикой, необходимой для работы источников излучения.

Рис.1 Схема посадки ДПЛА в "ловушку"

Предложено использовать излучатели в разных частях ловушки с разными частотами излучения, чтобы ориентироваться - с какой стороны ЛА подходит к ловушке. Из анализа [Приложение (2.1)] делается вывод, что, в данной задаче, одним из наиболее перспективных источников излучения является лазер.

Лазерные системы позволяют выбрать узкий спектр излучения, который можно провести через атмосферу с наименьшими потерями, что увеличит дальность приёма излучения, уменьшит энергозатраты на получение излучения и снизит «засветку» окружающего пространства. Лазеры позволяют выбрать длины волн излучения в невидимой для глаз человека части спектра, что может стать определяющим для решения прикладных задач (Приложение 22).

Использование импульсных полупроводниковых лазеров с электронной накачкой (ИПЛЭН), которые по КПД (до 10%) близки к высокоэффективным полупроводниковым инжекционным лазерам - представляется наиболее перспективной. К тому же, они имеют

малые габариты и потребляемую мощность и не требуют систем охлаждения.

Для определения положения ДПЛА в пространстве относительно плоскости «ловушки» измеряются с заданной частотой линейные (г,) и угловые размеры (<Д).

Так как в СУ посадкой ДПЛА находится НС, зададимся целью минимального использования комплекта традиционной бортовой аппаратуры для управления ДПЛА, используемого при посадке. На земле имеются источники излучения «ловушки», а на борту ДПЛА - ОП. В связи с этим, для измерения необходимых параметров пространственно-углового положения ДПЛА предложено применить светодальномеры.

Однако классическая схема светодальномера требует обязательного прохождения «измеряемым» световым лучом двойного расстояния: до измеряемого объекта и обратно, а определённая произвольность появления ДПЛА относительно плоскости «ловушки» влечет за собой необходимость применения сканирующей излучение системы. Всё это резко усложняет использования классической схемы светодальномера, и поэтому в данной работе предлагается использовать измерение расстояний между ДПЛА и ловушкой, по фронту сигнала излучения (принимаемого ОП, установленными на ЛА), от источников излучения «ловушки». Причём, это излучение генерируется одним лазером, установленном в районе ловушки.

Идея работы светодальномера состоит в следующем. Источник излучения испускает световой импульс длительностью Т[ с фронтом светового сигнала длительностью Тф, разделённый, например, оптической делительной головкой на «излучатели» ловушки Аг, А3 и А« (рис. 2). Три источника берутся в связи с тем, что по трем лучам однозначно определяется точка пересечения, в которой находится ЛА.

ОП "О", установленный на ЛА, регистрирует сигналы, пришедшие от «изучателей»

ловушки. Излучение исходит от одного лазера и оптическая длина пути в ловушке для разделённых лучей выдержана одинаковой. Время запаздывания Дту при регистрации на ОП луча, пришедшего от источника излучения "Аз" относительно источника "А2" зависит от разности гАз и тА2- Проводя математические преобразования, находим, что время прихода лучей на ОП ДПЛА от излучателя зависит лишь от разности расстояний между ДПЛА и конкретным излучателем ловушки.

В работе получена полная математическая модель нахождения пространственно-углового положения ДПЛА. Выражение для нахождения расстояния гв через регистрируемые передние фронты оптических сигналов:

где: Ус - скорость света в атмосфере;

I - расстояние между источниками излучения А3 и А2, /| - расстояние между источниками излучения Аз и А«.

Таким образом, имея три разнесённых в пространстве источника, излучения которых генерируются от одного лазера, и, основываясь на выведенных формулах (2 - 3), можно проводить измерения координат нахождения ДПЛА. Для этого нужно знать пространственное расположение источников излучения ловушки и заранее ввести эти данные в бортовую аппаратуру ДПЛА.

В работе проводится выбор параметров импульса излучения и компонент входного вектора НС для вычисления полезного сигнала, при помощи которого происходит корректировка курса ДПЛА

Определены параметры импульсного излучения, необходимые при использования его для измерения пространственно-угловых характеристик ДПЛА относительно ловушки. Проведена оценка длительности лазерного импульса, периода повторения импульсов и скважность импульсов в пакете, выбрана частота модуляции.

В качестве компонент, поступающих на НС, используем следующие величины: длину волны - X, скважность - Т, частоту модуляции сигнала - V, скважность между пакетами импульсов Т„.

В силу того, что предлагаемый метод светодальнометрии в известных литературных и иных источниках не упоминается и является новым, в диссертации он рассмотрен подробно. Предложена блок-схема «источников излучения» «ловушки». Все функциональные узлы лазерных средств навигационного оборудования (ЛСНО), кроме вынесенного аккумулятора (12 В), индикатора дальномера, необходимого на стадии обучения бортовой НС, и, непосредственно излучателей ловушки, можно разместить в небольшом герметичном корпусе. Блок-схема ЛСНО приведена на рис. 3.

Для измерения угла тангажа V на ДПЛА плоскость ловушки А2А3 предполагаем расположенной перпендикулярно горизонту.

(2)

(рг = агссо!

~ /,/2АГмУс + /,(Аг32 • Уа)2лтхУ„ + /,3(Аг3^) - /,(Аг32^)(АГ360 {1-11-1-~1х '(Аг32 • Ка)2)■ /,

.2

Продольная ось ЛА задаётся 2 группами ОП излучения. Первая группа ОП, данные которой используются при работе светодальномера, задаёт центр масс ЛА. Вторая группа аналогичных ОП, задающая продольную ось ЛА, установлена в районе хвостового оперенья на конструктивно заданном расстоянии ООт (рис. 4).

Рис. 3 Блок-схема излучателя

После математических преобразований, получаем угол тангажа равным:

--■ (4)

9 = агсфъ со*щ-1/2)1 гъ 8шц]+агс& Гг -180?

У (г+гт + ООг)(г+гт)

Для измерения угла курса ф на ДПЛА используются оптические излучатели ловушки, что и в светодальномере, разработанном в данной работе. Плоскость ловушки А2А3 также предполагаем установленной перпендикулярно горизонту.

Поперечная ось ЛА задаётся 2 группами ОП. Первая группа ОП, данные которой используются непосредственно при работе светодальномера, задаёт нам центр масс ЛА. Вторая группа аналогичных ОП, задающая поперечную ось ЛА, установлена на конце

крыла на конструктивно заданном расстоянии ООкр, причём, линия ОО^ перпендикулярна продольной оси ЛА ООт (рис. 5).

Рис. 4. Схема измерения угла тангажа ЛА Рис. 5. Схема измерения угла

крена ЛА

После теоретических преобразований,, получаем угол курса равным:

(5)

В третьей главе проведен анализ состояния и выбраны НС для СУ посадкой ДПЛА.

В работе, при обучении НС, предлагается использовать комбинацию прямых и градиентных методов, что существенно уменьшает объем необходимых вычислений для поиска глобального минимума с заданной точностью. В качестве такой комбинации предложено использовать градиентный метод и метод Холтона или ЛП-поиска.

Далее решается задачи посадки ДПЛА с использованием в его системе управления НС. Для обработки сигналов, поступающих на ОП ДПЛА в каждый момент времени, предложено использовать однослойную персептронную НС, которая успешно решает задачи распознавания и классификации. В ней происходит обработка каждого поступающего на нее входного вектора, представляющего собой совокупность параметров X, Т, V, Ти. По результатам обработки каждого входного вектора, он причисляется либо к ложному сигналу, либо к сигналу от ориентира. Далее, полезный сигал относится к тому или иному классу, в зависимости от того в какой части ловушки находится ориентир, испускающий данный сигнал. Полностью обученная сеть отвечает на вопрос - относится ли конкретный сигнал к помехе или к излучению ориентира, а также, к какому именно ориентиру он относится.

В нашем случае НС имеет 4 нейрона на входе, представленных вектором Х(Т, V, Г„, >>) и три выходных нейрона, по максимальному числу возможных классов, на которые могут быть разбиты входные сигналы от сигнальных ориентиров (Рис.6).

После проведенного обучения получилась матрица весов сети (таблица 1).

После обработки всех сигналов, поступивших на НС, при помощи нового метода измерения пространственно-углового положения, происходит расчет текущего положения ДПЛА. Предполагается, что в начальный момент режима посадки ДПЛА выводится на глиссаду и после этого начинается его автоматическая посадка. Глиссада в нашем случае строится из дискретно рассчитанных через каждый момент времени Дту заданных - Дту. Здесь г- длина глиссады, в нашем случае она равна 4000м, фх - угол наклона глиссады. После расчета текущего положения ДПЛА, оно сравнивается с заданным положением и в случае их несовпадения, вырабатывается сигнал рассогласования и происходит корректировка курса ДПЛА. В таблице 2 представлены Дти3 для некоторых моментов времени и различных углов фг-

Таблица 1

НС

Рис.6. Структура однослойной нейронной сети

В данной задаче динамическая обстановка может изменяться, поэтому дл оценки управляющего сигнала целесообразно использовать НС, способную к самообучению. В качестве такой сети была взята самообучающаяся сеть Кохонена, т. к. сети данного типа достаточно быстро обучаются и есть возможность проецирования многомерных данных в пространство меньшей размерности.

К,1 К,2 кп

0,5473639 0,4657464 0,6754638

0,8987874 0,7564743 0,7664893

0,7658785 0,6564883 0,8657843

0,8966454 0,9010113 0,8745213

Таблица 2.

5° <Рг-10° <Рг-15» <Рг =зо» (Рг-45»

г(м) Дт(не) г(м) Ат (не) г(м) Дт (не) г(м) Ат(не) г(м) Дт (не)

50 3,318122557 50 3,272638248 50 3,133255284 50 2,803208628 50 2,189514164

100 3,319388745 100 ЗД77666516 100 3,176588299 100 2,845058602 100 2,273584842

200 3319388763 200 3,280159182 200 3,198181263 200 2,865914754 200 2,315341908

500 3320401591 500 3,281687384 500 3,211125231 500 2,878417802 500 2340355103

10* 3320528191 101 3,282189941 103 3,215439075 101 2,882584651 10* 2348689166

2103 3,320591457 2103 3,282439177 2-105 3,217595927 2 10> 2,884668007 210' 2,352826273

310* 3,320612567 ЗЮ3 3,282525011 3103 3,218314861 з-ю* 2,885362453 З103 2354244823

4103 3320623123 4103 3,282679843 4103 3,218674421 4 103 2,885709677 4103 2354939271

В нашем случае входной вектор состоит из Ат,р (!) и АгцГ (//) (текущее значение Ати в момент времени /,). Обучающая выборка состоит из Атут (/>) и ДТуз (/, ). Для момента в обучающей выборке Ат^3 ((, ) остается постоянным, а в качестве Атут (Ь) для каждого из примеров берется несколько вариантов положения этой точки в окрестности, принадлежащей точке Атуз (/,) (рис.7).

Из рис.7 видно, что пространство около каждой точки Дт^ {I, ) разбивается на сектора. В качестве примера здесь приведена только одна точка для момента времени /¡. Нейронная сеть на своем выходе после обучения сравнивает заданное отклонение рулей ДПЛА для конкретного момента времени Ь^, и текущее их отклонение и в результате выдается сигнал рассогласования на рули ДПЛА. Величина сигнала рассогласования д^, зависит от

того, в каком квадрате (окрестности точки Дто3 (/,), вверху или внизу относительно нее) находится точка Дт^7 (г,) (рис.7).

Например если текущее положение ДПЛА Лг^Д/,) находится в секторе 3, то НС выдает сигнал рассогласования на рули управления, равный - 0,5°, если в секторе 4, то + 0,5°, если в секторе 5, то сигнал рассогласования равен +1° и т.д. Структура сети Кохонена представлена на рис.8.

Рис.8 Структура сети Кохонена В главе III также предложен алгоритм сегментации изображения с достаточно явно выделенными интересующими нас элементами, на котором так же в некоторых случаях можно распознать дополнительные, скрытые полупрозрачной помехой, ориентиры. Применение данного подхода позволяет получить дополнительные сигнальные ориентиры, для последующей их обработки и увеличения точности наведения ЛА.

В четвертой главе представлена разработанная в данной работе структурная схема алгоритма функционирования СУ ДПЛА в режиме его посадки, проведено цифровое моделирование посадки ДПЛА в ловушку при помощи сигнальных ориентиров, с применением в СУ ДПЛА нейронной сети. В связи с тем, что предложенная методика является принципиально новой, то на начальном этапе моделирование проводилось для вертикальной и горизонтальной плоскостей раздельно.

В данной работе было предложено использовать в системе управления ДПЛА искусственные нейронные сети. Данные сети были выбраны и разобраны в третьей главе этой работы. Общая структурная схема функционирования системы управления с применением в ней искусственных нейронных сетей приведена на рис.9.

В данной системе сигнал с ОП, через блок согласования, поступает на однослойную нейронныю сеть, которая заменяет собой функцию блока распознавания и классификации ориентиров. После обработки каждого из сигналов, в случае, если данный сигнал был отнесён к помехе, на всех выходах НС отображаются нули «0» и работа с этим сигналом заканчивается. Если на одном из выходов НС отображается еденица «1», то как и в предыдущей схеме происходит фиксирование координат данного ориентира и времени при-

хода сигнала. Таким образом обрабатываются все сигналы и по результатам обработки, если видно недостаточное количество ориентиров, то полёт продолжается по текущей траектории. В случае, когда видно достаточное количество сигнальных ориентиров, данная информация поступает на сеть Кохонена. В качестве входных данных на НС поступают разности времён приходов на ОП ДПЛА излучений ориентиров Дту . В данной НС, которая заменяет собой блок вычисления удаления и угловых положений ДПЛА относительно ловушки и блок вычисления управляющего сигнала для органов управления ДПЛА, по алгоритму, описанному в третьей главе, происходит вычисление управляющего сигнала для органов управления ДПЛА. И, таким образом , происходит корректировка курса ДПЛА.

Электромагнитное излучение

Оптические приемника

т

Блок согласования

—Ч—Ъ—

Нейронная сеть

распознавания ориентиров

1 2 г к

Окончание работы с данным сигналом

Фиксирование координат ориентира (сигнала) и временя прихода сигнала

Еспхжию яеютиочюе штвепо ортшфов пл расчете новой трмкторин

Продолжение полета по траектории, рассчитанной в предыдущий момент времени_

Есаяпдш трвбумм хишчм-ио оркяцюшпркчшаонй 1рШ10(Ш

Нейронная сета для выработки сигнала управления

Органы управления ДПЛА

Рис. 9. Общая структурная схема функционирования системы управления посадкой ДПЛА на основе нейронных сетей. При моделировании на ЭВМ процесса посадки ДПЛА в "ловушку" предполагается, что в момент начала режима посадки ДПЛА выводится на глиссаду. Схема углового дви-

жения ДПЛА в вертикальной плоскости приведена на рис.10. На рисунке имеются следующие обозначения: в - угол наклона траектории; и - угол тангажа; Г - расстояние между ДПЛА и центром ловушки; ri - расстояние между ДПЛА и сигнальными ориентирами; Н - высота от центра масс ДПЛА до перпендикуляра к центру ловушки; L - расстояние между ДПЛА и "ловушкой" на горизонтальной плоскости; а - угол глиссады ДПЛА; а - угол атаки; / - высота "ловушки";

V - скорость движения ДПЛА в вертикальной плоскости. Предполагается, что скольжение Р отсутствует, V = const. С помощью приемника воздушного давления с датчиком углов атаки и скольжения измеряется угол атаки о: Положение ДПЛА в пространстве относительно плоскости ловушки находится при помощи разработанного в данной работе метода определения пространственно-углового положения объектов, который подробно описывается во второй главе.

лл

Рис.10 Схема углового движения ДПЛА в вертикальной плоскости

В случае необходимости, подается сигнал на управляющие органы ДПЛА и таким образом происходит корректировка его курса. Сигнал на рули высоты вычисляется по формуле (1).

На рис.12 представлены графики процессов регулирования, 1-без использования в СУ ДПЛА нейронной сети, 2-е применением НС.

По результатам моделирования, при возникновении возмущений в различных точках глиссады, в том числе в точке 3, изображенной на рис.11, перерегулирование при обработке сигнала не превышало 5%. При моделировании интервал интегрирования Д1 = 0.1сек. Максимальное начальное отклонение ДПЛА от глиссады по высоте из оценочных расчетов при начальных условиях: Ь = 4000 м, 1г = 15 м, У= 40 м/сек и Квфпом= 5 м/сек -составляет 456 м.

Результаты моделирования показали, что применение нейронной сети позволяет эффективно осуществлять управление полетом ДПЛА в сложной динамической обстановке, и максимально приблизить точность наведения к заданным требованиям. Ппогрешность наведения ДПЛА на ловушку будет зависеть лишь от длительности фронта сигнала, генерируемого выбранным промышленным лазером. В нашем случае, при длительности фрон-

та в 1нс находим инструментальную погрешность наведения ДПЛА: 1 не • У„ - 10"9 • 3- 10' <30,3 м.

Проводилось также моделирование движения ДПЛА в горизонтальной плоскости при его посадки в ловушку по сигнальным ориентирам

Схема углового движения ДПЛА в горизонтальной плоскости приведена на рис.11 На рисунке имеются следующие обозначения: \|/ - угол курса; г - расстояние между ЛА и целью; г,- расстояние между ЛА и сигнальными ориентирами; К-скорость движения ДПЛА в вертикальной плоскости; 1г - горизонтальный размер ловушки. Предполагается, что у =сопв^ а также отсутствует угол скольжения р.

Так же как и в продольном движении предположим, что плоскость "ловушки" находится в радиальной плоскости земли.

А

Г4

Рис. 11. Схема углового движения ДПЛА в горизонтальной плоскости Сигнал на рули высоты вычисляется также по формуле (1)._

■ ■> I ¡еоге «5.1

№ » и* Ь« [«* К****, в*

о <* нв1П| а г /

(к № |М до»* (И»

||0 * О • I* А ✓

■1 ' ■>

Л/-.-Т.

/

г**' /

/

|' /' 4 »'/

.......

" ?5~ "з" "»"г "«в 'п Но

Рис.12 Графики процессов регулирования по тангажу Рис.13 Графики процессов регулирования по курсу

По результатам проведенного моделирования в горизонтальной плоскости, при возникновении возмущений в различных точках глиссады, в том числе в точке 3, изображенной на рис.11, перерегулирование при обработке сигнала также, как и для моделирования

в вертикальной плоскости не превышало 5%. В качестве начальных условий используются следующие численные данные: L= 4000 м; 1и = 10 м ; м; V = 40 м/сек;

На рис.13 представлены графики процессов регулирования, 1-без использования в СУ

ДПЛА нейронной сети, 2-е применением НС.

Результаты моделирования показали, что применение НС позволяет эффективно осуществлять управление полетом ДПЛА в сложной динамической обстановке, и максимально приблизить точность наведения к заданным требованиям.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1) Показана возможность нейросетевого подхода для решения задачи посадки ДПЛА при помощи механических средств захвата. На основании проведенного анализа произведен выбор однослойной НС и сети Кохонена для решения задачи посадки ДПЛА.

2) В качестве источника излучения для сигнальных ориентиров выбраны импульсные полупроводниковые лазеры. Предложен новый принцип построения светодальномера, когда источник и приемник разнесены по дальности, приведены теоретические обоснования такого светодальномера и схема практической реализации этого светодапьномера с использованием основных узлов и деталей, выпускаемых промышленностью.

3) Показана возможность практического применения светодальномера при определении линейно-угловых координат ДПЛА. Предложен новый метод измерения углов тангажа и курса при помощи разработанного в данной работе светодальномера.

4) Предложен алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

5) Предложен алгоритм сегментации изображения на основе сочетания двух нейронных сетей, 'растущего нейронного газа' (GNG) и иерархической сети на соревновательных нейронах, для распознавания сильно зашумленных сигнальных ориентиров. Благодаря этому алгоритму повышается точность наведения ДПЛА.

6) Результаты моделирования на ЭВМ показали эффективность работы системы посадки ДПЛА на основе НС с учетом внешних шумов.

ОСНОВНЫЕ ПОЛОЖЕНИЯ И РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ ОТРАЖЕНЫ В СЛЕДУЮЩИХ РАБОТАХ:

1. Боголюбов A.A., Лебедев Г.Н., Фирсов С.П. "Интеллектуальная система управления посадкой дистанционно пилотируемого летательного аппарата (ДПЛА) в "ловушку" с помощью самообучающейся нейронной сети". X международный научно-технический семинар "Современные технологии в задачах управления, автоматизации и обработки информации", г. Алушта 2001.

2. Лебедев Г.Н., Сергеев Г.Н., Фирсов С.П., Щеглов Д.Ю., Мирзоян Л.А. "Интеллектуальная система самообучения при управлении маршрутным полетом". Журнал "Приборы и Системы. Управление, Контроль, Диагностика". ООО издательство "Научтех-литиздат", Москва 9/2001г.

3.Боголюбов A.A., Фирсов С.П. "Интеллектуальная система управления дистанционно пилотируемым летательным аппаратом (ДПЛА) с помощью самообучающейся нейронной сети". IV Всероссийская научно-техническая конференция "Нейроинформатика-2002", Москва 23-25 января 2002г. Сборник научных трудов. Научная сессия МИФИ-2002.

4. Боголюбов A.A., Лебедев Г.Н., Фирсов С.П. " Применение самообучающейся искусственной нейронной сети для управления летательным аппаратом и его наведения в заданную точку " XII Международный научно-технический семинар "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2003.

5. Фирсов С.П." Биологические нейронные сети и развитие их искусственных прототипов " XII Международный научно-технический семинар "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2003.

6. Фирсов С.П. "Применение самообучающейся искусственной нейронной сети для наведения летательного аппарата в заданную точку" V-научная конференция молодых ученых, г. Санкг Петербург, ЦНИИ "Электроприбор", 2003г.

7. Фирсов С.П. " Применение нейросетевого алгоритма сегментации изображения в задаче корректировки курса летательного аппарата при помощи наземных ориентиров " V Международная научно-техническая конференция "Чкаловские чтения", г.Егорьевск, 2004.

8. Боголюбов A.A.; Лебедев Г.Н.; Фирсов С.П " Применение интеллектуальной системы управления на основе самообучающейся нейронной сети в задаче посадки дистанционно пилотируемого летательного аппарата". Х111 Международный научно-технический семинар "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2004

9. Фирсов С.П. " Метод определения пространственно-углового положения дистанционно пилотируемого летательного аппарата (ДПЛА), с установленной на его борту интеллектуальной системой управления " XIV Международный научно-технический семинар "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2005.

10. Боголюбов A.A., Фирсов С.П. "Оптимизация обучения нейронных сетей" XIV Международный научно-технический семинар "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2005.

11. Разработка методов построения интеллектуальных систем управления. Отчет о НИР индекс У ДК№621.39.681.5 "Исследование методов построения и развития интеллектуальных систем на основе принципов адаптации, самообучения и самоорганизации", 2002.

12. Разработка принципов многоуровневого управления перевода системы крупногабаритных космических объектов из одного состояния в другое. Отчет о НИР индекс УДК№621.39.681.5 "Исследование методов построения и развития интеллектуальных систем на основе принципов адаптации, самообучения и самоорганизации", 2003.

13. Разработка алгоритмов функционирования интеллектуальной системы распознавания образов. Отчет о НИР индекс УДК№621.39.681.5 "Исследование методов по-

строения и развития интеллектуальных систем на основе принципов адат а-ции, самообучения и самоорганизации", 2004.

14. Разработка эффективных алгоритмов получения новых знаний в интеллекпуаль-ных системах управления ЛА. Отчет о НИР индекс УДК№621.39.681.5 "Исследование методов построения и развития интеллектуальных систем на основе принципов адаптации, самообучения и самоорганизации", 2005.

Множительный цент? МАИ

Зак. от/2 /22005г. Тир.80 экз.

0 6-732

Введение.

Глава 1. Анализ функционирования системы управления ДПЛА в режиме посадки и общая постановка задачи.

1.1. Математическая модель движения ДПЛА.

1.2. Разделение пространственного движения ДПЛА на продольное и боковое.

1.3. Анализ известных ДПЛА и методов их посадки ДПЛА.

1.4. Общая схема ДПЛА и его основные характеристики.

1.5. Технологии искусственного интеллекта.

1.6. Общая постановка задачи.

1.7. Выводы к главе 1.

Глава 2. Решение задачи посадки ДПЛА при помощи сигнальных ориентиров.

2.1. Описание функционирования системы управления ДПЛА в режиме его посадки.

2.2. Выбор источников излучения ловушки.

2.3. Система навигационного оборудования захода на посадку ДПЛА.

2.4. Светодальномер для линейно-угловых измерений положения ДПЛА в пространстве.

2.4.1. Теоретическое обоснование предлагаемого светодалыюмера для линейно-углового измерения положения ДПЛА в решаемой задаче.

2.4.2. Алгоритм коррекции отклонения рулей управления.

2.4.3. Выбор параметров импульса излучения и компонент входного вектора НС для вычисления полезного сигнала, при помощи которого происходит корректировка курса ДПЛА.

2.4.4. Предлагаемая практическая реализация светодальномера для линейно-угловых измерения положения ДПЛА в пространстве.

2.5. Определение линейно-угловых координат ДПЛА в данной задаче с помощью светодальномера.

2.5.1. Движение ДПЛА в вертикальной плоскости.

2.5.2. Движение ДПЛА в горизонтальной плоскости.

2.6. Вычисление угла тангажа при помощи светодальномера, разработанного в данной работе.

2.7. Вычисление угла курса при помощи светодальномера, разработанного в данной работе.

2.8. Выводы к главе 2.

Глава 3. Искусственные нейронные сети и их применение в системе управлении ДПЛА. Выбор сети для решения задачи.

3.1. Искусственные нейронные сети.

3.2. Алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

3.3. Решение задачи посадки ДПЛА с использованием в его системе управления НС.

3.4. Сегментация изображения.

3.4.1. Сегментация изображения с помощью нейронных сетей.

3.4.2. Предобработка выходных данных.

3.4.3. Растущий нейронный газ (GNG) для группирования данных по цвету.

3.4.4. Иерархическая нейронная сеть на соревновательных нейронах для формирования кластеров в пятимерном пространстве (HCNN).

3.4.5. Дополнительные возможности обработки.

3.5. Выводы к главе 3.

Глава 4. Решение задачи посадки ДПЛА с помощью нейронной сети в ловушку.

4.1. Моделирование движения ДПЛА в вертикальной плоскости при его посадки в ловушку по сигнальным ориентирам.

4.2. Моделирование движения ДПЛА в горизонтальной плоскости при его посадки в ловушку по сигнальным ориентирам.

4.3. Выводы к главе 4.

В настоящее время дистанционно пилотируемые летательные аппараты (ДПЛА) получают все большее распространение при решении различных задач, как в гражданских, так и в военных отраслях. При этом для современных JIA характерны: постоянно увеличивающийся объем информации, получаемой бортовыми датчиками; возросшие требования к точности и быстродействию систем обработки данных; необходимость принятия тактических решений за минимальное время и т.д. Это выдвигает перед персоналом, управляющим современными JIA, задачи, решение которых часто превышает психофизиологические возможности человека. Одним из подходов, направленных на повышение степени автоматизации управления JTA, его бортовым электронно-вычислительным оборудованием, является использование нейронных сетей. Необходимость применения искусственного интеллекта в бортовых системах JIA обусловлена тем, что многие из подзадач, решаемых в рамках ее функционирования, либо вообще не могут быть решены стандартными аналитическими методами, либо применение этих методов ограничивается накладываемыми ими требованиями к производительности и быстродействию системы. Применение нейронных сетей в авиации нашло свою нишу в решении следующих задач — выбор оптимального маршрута полета, облет препятствий, распознавание наземных и воздушных целей и т.д.

В данной работе рассматривается задача применения нейронной сети в системе управления беспилотным JIA в режиме его захода на посадку с применением механических средств захвата (см. рис.1). В искусственных нейронных сетях (ИНС) для обработки сигнала используются явления, аналогичные происходящим в нейронах живых существ.

Рис. 1. Посадка ДПЛА при помощи механических средств захвата В настоящее время, разработка технического средства, позволяющего повысить степень автоматизации ДПЛА в режиме посадки и улучшающего скорость обработки данных его системой управления, является весьма актуальной задачей.

Целью исследования - является разработка нейросетевой системы управления автоматической посадкой ДПЛА. Задачами исследования являются:

1. Провести анализ методов посадки ДПЛА и выбрать схему функционирования сигнальных ориентиров, установленных на посадочном месте.

2. Разработать метод посадки ДПЛА на основе нейросетевого подхода.

3. Разработать нейросетевой алгоритм для системы управления посадкой ДПЛА и проанализировать возможность его использования на практике.

Методы исследований. Решение поставленных в диссертационной работе задач проводилось на основе использования теории нейронных сетей, методов имитационного моделирования, а также методов теории и систем автоматического управления.

Достоверность результатов подтверждается использованием научно обоснованных методов теории и систем автоматического управления и методов теории искусственного интеллекта, а также результатами моделирования на ЭВМ.

Практическая значимость

1. Разработанный нейросетевой алгоритм посадки ДПЛА в "ловушку" при помощи сигнальных ориентиров обеспечивает повышение надежности работы системы управления ДПЛА, за счет использования НС, а также сокращение времени вычислений и принятия решений за счет параллельной обработки информации НС.

2. Показана высокая эффективность нейросетевого решения задачи посадки ДПЛА в условиях возникновения внешних помех, обеспечивая его попадание в цель с допустимым промахом от центра "ловушки".

3. Разработанный новый тип светодальномера позволяет эффективно измерять пространственно-угловое положение ДПЛА и в совокупности с нейросетевым подходом увеличивает точность при наведении в режиме посадки ДПЛА, а также снижает весогабаритные характеристики бортового оборудования, что является технически и экономически выгодным.

Научная новизна работы состоит в следующем:

1. В качестве сигнальных ориентиров предложена новая схема расположения источников излучения светодальномера на посадочном месте, а приемников - на летательном аппарате, что создает принципиальную возможность определения линейно-угловых координат ДПЛА.

2. Разработана нейросетевая процедура управления ДПЛА, обеспечивающая его автоматическую посадку без трудоемких вычислений для выбора управляющих сигналов на рулевые органы.

3. Предложены ускоренный алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона, и алгоритм сегментации изображения на основе сочетания двух нейронных сетей — "растущего нейронного газа" и иерархической сети на соревновательных нейронах для распознавания зашумленных сигнальных ориентиров.

Реализация результатов.

Разработанные алгоритмы внедрены в НПКЦ "Новик-ХХ1век" при проектировании системы управления ДПЛА, о чём имеется акт о внедрении. Разработана и внедрена в учебный процесс кафедрой №301 лабораторная работа "Задача посадки ДПЛА по телевизионному изображению с помощью самообучающейся нейронной сети" в рамках специальности 210100 "Управление и информатика в технических системах" для специализации 210102 "Интеллектуальные системы управления и информатики", о чем имеется акт о внедрении.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: X международном научно-техническом семинаре "Современные технологии в задачах управления, автоматизации и обработки информации", г. Алушта 2001; IV Всероссийской научно-технической конференции "Нейроинформатика-2002", Москва 2002г; XII Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2003; V-научной конференции молодых ученых, г. Санкт Петербург, ЦНИИ "Электроприбор", 2003 г.; Х111 Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2004; XIV Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2005.

Публикации. По теме диссертационной работы опубликовано 14 работ, из них 10 - печатные.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Объем диссертации 124 страниц текста, включает 58 рисунков, 11 таблиц.

3.6. Выводы к главе 3

1. Проведен анализ состояния нейронных сетей на сегодняшний день. На основании данного анализа составлены: блок схема классификации нейронных сетей по видам и блок схема алгоритмов обучения для НС.

2. Предложен алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

3. На основании проведенного анализа произведен выбор однослойной нейронной сети и сети Кохонена для решения задачи посадки ДПЛА.

4. Предложен алгоритм сегментации изображения на основе сочетания двух нейронных сетей, GNG и иерархической сети на соревновательных нейронах, для распознавания сильно зашумленных сигнальных ориентиров.

1. Дмитриевский А.А., Лысенко Л.Н. "Прикладные задачи теории оптимального управления движением беспилотных ЛА", Москва, 1989.

2. Михалев И.А. и др. "Системы автоматического управления самолетом", Москва, 1987.

3. Бюшгенс Г. С., Студнев Р. В. Динамика пространственного движения самолета.- М.: Машиностроение, 1967.

4. Иванов В. А., Чемоданов Б. К., и др. Математические основы теории автоматического регулирования,- М.: Высшая школа, 1971.-754 с.

5. Лебедев А. А., Карабанов В. А. Динамика систем управления беспилотными летательными аппаратами. Москва, 1965.

6. Микеладзе Н. Л., Титов В. Н. "Беспилотные летательные аппараты" Москва: ,2001.

7. В.П. Бурдаков, Ю.И.Данилин, «Физические проблемы космической тяговой энергетики», М., Атомиздат, 1969г.

8. Крымский Г. и др. «Геомагнетизм и аэрономия», Москва, 1994.

9. Краев А. П. Основы геоэлектрики. Ч. 1. М.-Л., Гостехиздат, 1951.

10. Лунина Л. В. К вопросу о происхождении электрического поля атмосферы. Диссертация. М., 1976.

11. Митра С. К. Верхняя атмосфера. М., Изд-во иностр. лит., 1955.

12. Коккони Г., Моррисон Ф. В. «Источники искусственного излучения». Москва, 1999г.

13. Шавлов А., Фогель С, Далберджер Л., Оптические квантовые генераторы (лазеры), пер. с англ., М. 1992.

14. Справочник по лазерам, под ред. А. М. Прохорова, пер. с англ. т. 1 -2, М., 1988.

15. Летохов В. С., Селективное действие лазерного излучения на вещество, «УФН», 1990, т. 125, в. 1, с. 57.

16. О'Шиа Д., Коллен Р., Роде У., Лазерная техника, пер. с англ., М., 2001.

17. Звелто О., Физика лазеров, пер. с англ., М., 1979.

18. Рубинов А. П., и др., Оптические квантовые генераторы на красителях и их применение, в кн.: Итоги науки и техники. Радиотехника, т. 9, М., 1976; Лазеры на красителях, пер. с англ. 31., 1976.

19. Minsky М, and Papert S., 1969. Perseptrons. Cambridge, MA: MIT Press. (Русский перевод: Минский M. Л., Пайперт С. Персептроны. -М. Мир. -1971).

20. Терехов В. А., Ефимов Д.В. и др. "Нейросетевые системы управления", СПб.: С.-Петербургского университета, 1999

21. Rosenblatt F Principle of neurodynamics.- N.Y.: Spartan, 1992.

22. Weyraere N, Martens J.P. On the initialization and optimization of multilayer perception // Trans. Neural Networks, .1997. P. 738-751.

23. Hebb D. O. 1949. Organization of behavior. New York: Science Editions.

24. Haykin S. Neural networks, a comprehensive foundation., -N.Y.: Macmillan College Publishing Company, 1998.

25. Станислав Оссовский "Нейронные сети для обработки информации", Москва, "Финансы и статистика", 2002.

26. Grossberg S. 1982. Studies of mind and brain. Boston: Reidel.

27. Grossberg S. 1984. Classical and instrumental learning by neural networks. Progress in theoretical biology, vol.3, pp. 51-141. New York: Academic Press.

28. Widrow В., Hoff M Adaptive switching circuits II Proc; IRE WESCON Convention Record, 1970.

29. Cichocki A., Unbehauen R. Neural networks for solving systems of linear equations and related problems // IEEE Trans. CAS, 1992. Vol. 39.

30. Kohonen T. The self organising map // Proc. of 1БЕЕ, 1993.

31. Kohonen T. Self-organizing maps. Berlin: Springer Verlag. 1995.

32. Kohonen т., Kangas 1., Laakson 1. SOMPAK, the se 1 forganizing map program package. Technical Report. Finland, Helsinki: University, 1996.

33. Kohonen T. 1991. Self-organization and associative memory. 2d ed. New-York, Springer-Verlag.

34. Прэтт У.К. Цифровая обработка изображений./ Пер. с англ. М.: Мир, 1982, кн. 1, 2, 790 с. (William К. Pratt. Digital Image Processing. - A Willey — Interscience Publication. John Willey and Sons. 1978.)

35. Martinet M, Berkovich S., Schulten N. "Neural-gas" network for vector quantization and its application to time series prediction // Trans. Neural Networks, 1993.

36. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. М.: Машиностроение. 1995.

37. Доброленский Ю.П. и др. Автоматика управляемых снарядов. Гос. научно-техническое издательство "Оборонгиз", Москва 1963

38. Справочник по физике, А.С. Енохович, М. 1986

39. Физический энциклопедический словарь, том 4, Москва, 1985г.

40. Олихов И.М. ИПЛЭН. Новое поколение приборов квантовой электроники. Электроника: НТБ, 1998, №3-4.

41. Зуев В.Е., Фадеев В.Е. Лазерные навигационные устройства. -М.: Радио и связь, 1987.

42. Лазеры в медицине. М.: Наука, 1998.

43. Патент РФ № 2 063 097 на изобретение "Лазер", приоритет от 22.03.1994 г.

44. Кондрашков А. В., Электрооптические дальномеры, М., 1959; Проворов К. Л., Радиогеодезия, М., 1965; Бородулин Г. И.

45. Обзор современной светодальномерной аппаратуры, «Геодезия и картография», 1970, №7.

46. ГОСТ 19223—73. Светодальномеры. Типы. Основные параметры и технические требования.

47. Генике А. А., Ларин Б. А., Назаров В. М., Геодезические Базовые дальномеры, М., 1994.

48. Кондрашков А. В., Электрооптические и радиогеодезические измерения, М, 1972.

49. Ф. Уоссермен "Нейрокомпьютерная техника: Теория и практика", Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, Москва, 1999г.51. http://dplagrant.narod.ru/

50. Болховитинов О.В., Иванов В.В., Новожилов А.А., Савинов А.Ю. Боевые авиационные комплексы и их эффективность: Под ред. О.В. Болховитинова. М.: Изд. ВВИА им. проф. Н.Е. Жуковского, 1990.

51. Володин В.В., Юргенсон А.А. Авиационная и ракетная техника на международных авиасалонах 2004г. Аналитический обзор по материалам международных выставок. М.: ОАО "В/О Авиаэкспорт".54. http://dpla.ru/55. http://informacia.ru/armia.htm

52. Ландсберг Г.С. Оптика. Издательство "Наука", Москва 1986.

53. Медынский М.М., Антоний Е.В. Численные методы нелинейной оптимизации: алгоритмы и программы. М.: Издательство МАИ, 2003 - 192с.

54. Halton J.H. A retrospective and prospective survey of the Monte Carlo method // SIAM Rev/ 1970/ 12/#1/ 1-63.

55. Halton J.H., Handscomb D.C. A method for increasing the efficiency of Monte Carlo integrations. J.Assoc.Comput.Machinery, 1957, 4, #3, 329-340.

56. Соболь И.М. Многомерные квадратурные формулы и функции Хаара.-М.: Наука, 1969.

57. Гуляева Ю.В. Нейрокомпьютеры в системах обработки изображений. Москва 2003.

58. Белогородский C.JI. Автоматизация управления посадкой самолета. Москва 1972.1. ГЛАВА 4

59. РЕШЕНИЕ ЗАДАЧИ ПОСАДКИ ДПЛА С ПОМОЩЬЮ НЕЙРОНОЙ СЕТИ В ЛОВУШКУ

60. Электромагнитное излучение

61. Рис.4.1. Общая структурная схема функционирования системы управленияпосадкой ДПЛА

62. Электр о магнитное излучение

63. Моделирование движении ДПЛА в вертикальной плоскости при его посадки в ловушку по сигнальным ориентирам

64. В данном параграфе рассматривается моделирование на ЭВМ процесса посадки ДПЛА в "ловушку".

65. Предполагается, что в момент начала режима посадки ДПЛА выводится на глиссаду.

66. Структурная схема функционирования системы представлена на рис.4.2. Схема углового движения ДПЛА в вертикальной плоскости приведена на рис.4.3

67. На рисунке имеются следующие обозначения: О угол наклона траектории; и - угол тангажа;г — расстояние между ДПЛА и центром ловушки;rf расстояние между ДПЛА и сигнальными ориентирами;

68. Н высота от центра масс ДПЛА до перпендикуляра к центру ловушки;1.расстояние между ДПЛА и "ловушкой" на горизонтальной плоскости;0 угол глиссады ДПЛА; а - угол атаки;1 высота "ловушки";

69. V скорость движения ДПЛА в вертикальной плоскости; Предполагается, что У =const, скольжение р отсутствует.1. ЛА

70. Рис.4.3 Схема углового движения ДПЛА в вертикальной плоскости

71. С помощью приемника воздушного давления с датчиком углов атаки и скольжения измеряем соответственно угол атаки а и угол скольжения Р .

72. Направление вектора воздушной скорости V в связной системе координат определяется углами а и Р . В связи с тем, что в данном случае по условиям задачи скольжение отсутствует, то соответственно направление

73. У определяется только углом атаки а. Таким образом, можно постоянноконтролировать вектор скорости V, поддерживая его при помощи рулей высоты.

74. Рис.4.5. Приемник воздушного давления с датчиком углов атаки и скольжения: 1-приемиик полного давления; 2-0тверстия приемника статического давления; 3 и 4-флюгеры; ^,-угол отклонении флюгера

75. Положение ДПЛА в пространстве относительно плоскости ловушки мы находим при помощи разработанного в данной работе метода определения пространственно-углового положения объектов, который подробно описывается во второй главе данной работы.

76. На рис.4.6 представлены графики процессов регулирования, 1-без использования в СУ ДПЛА нейронной сети, 2-е применением НС.1.isur. н» 1

77. Рис.4,6 Графики процессов регулирования

78. НсекУса =10"*-3-10в = 0.3м для данного выбранного промышленного лазера.

79. Моделирование движения ДПЛА в горизонтальной плоскости при его посадки в ловушку по сигнальным ориентирам

80. На рисунке имеются следующие обозначения: \|/ угол курса;г — расстояние между ЛА и целью;rt расстояние между ЛА и сигнальными ориентирами;

81. Уг — скорость движения ДПЛА в горизонтальной плоскости.

82. Предполагается, что Ke=const, а также отсутствует угол скольжения р. Система наведения работает следующим образом.

83. Рис.4.7. Схема углового движения ДПЛА в горизонтальной плоскости

84. По результатам проведенного моделирования в горизонтальной плоскости, при возникновении возмущений в различных точках глиссады, в том числе в точке 3, изображенной на рис.4.7, время регулирование составляло 9 секунд.

85. В качестве начальных условий используются следующие численные данные: L = 4000 м; la = 15 м; V = 40 м/сек;

86. По результатам проведенных оценочных расчетов 62. были получены графики допустимых боковых отклонений Z и области допустимых боковых отклонений, изображенные на рис.4.8 и рис.4.9.

87. Рис.4.8 График допустимых Рис.4.9 Область допустимыхбоковых отклонений боковых отклонений

88. На рис.4.10 представлены графики процессов регулирования, 1-без использования в СУ ДПЛА нейронной сети, 2-е применением НС.р- -) Figure No. 1 ВЕН'

89. У» fcdt <£т** insert look щкЬ* ДОh А ? / ээ о

90. Рис.4,10 Графики процессов регулирования

91. Результаты моделирования показали, что применение нейронной сети позволяет эффективно осуществлять управление полетом ДПЛА в сложнойдинамической обстановке, и максимально приблизить точность наведения к заданным требованиям.43. Выводы к главе 4

92. Предложена структурная схема функционирования системы управления посадкой ДПЛА.

93. Проведено моделирование процесса посадки ДПЛА по сигнальным ориентирам. Результаты моделирования подтверждают возможность применение нейронной сети и эффективность ее работы при решении задачи посадки ДПЛА.1. ЗАКЛЮЧЕНИЕ

94. На основании проведенных теоретических и экспериментальныхисследований можно сделать следующие выводы:

95. Показана возможность нейросетевого подхода для решения задачи посадки ДПЛА при помощи механических средств захвата. На основании проведенного анализа произведен выбор однослойной НС и сети Кохонена для решения задачи посадки ДПЛА.

96. Показана возможность практического применения светодальномера при определении линейно-угловых координат ДПЛА. Предложен новый метод измерения углов тангажа и курса при помощи разработанного в данной работе светодальномера.

97. Предложен алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

98. Результаты моделирования на ЭВМ показали эффективность работы системы посадки ДПЛА на основе НС с учетом внешних шумов.