基于双层神经网络模型参数辨识的变结构多模型自主导航方法.docx

基于双层神经网络模型参数辨识的变结构多模型自主导航方法
基于双层神经网络模型参数辨识的变结构多模型自主导航方法
摘要：
近年来，自主导航技术在无人驾驶汽车、无人机等领域得到了广泛的研究和应用。在自主导航过程中，精确的环境感知和准确的位置估计是关键问题之一。本文提出了一种基于双层神经网络模型参数辨识的变结构多模型自主导航方法，通过分析导航系统建模过程中的系统误差，利用双层神经网络模型来辨识和补偿误差，进而提高导航系统的精确度和鲁棒性。实验结果表明，该方法有效地提高了导航系统的导航精度和鲁棒性。
关键词：自主导航；双层神经网络；模型参数辨识；变结构多模型
1.引言
自主导航是无人驾驶汽车、无人机等自主体系结构的核心部分，是实现智能化、自主化导航的关键技术。在自主导航过程中，导航系统需要准确地感知环境信息，并根据环境信息进行位置估计和路径规划。然而，由于传感器误差、系统模型不准确等原因，导航系统往往存在误差累积和鲁棒性不足的问题。因此，提高导航系统的精确度和鲁棒性成为当前研究的热点之一。
2.相关工作
在过去的研究中，很多学者针对自主导航系统中的误差问题提出了各种方法。例如，基于卡尔曼滤波器的传感器融合方法可以有效地减小传感器误差。然而，卡尔曼滤波器方法对系统模型的准确性要求较高，且难以应对非线性和非高斯噪声的问题。因此，为了进一步提高导航系统的精确度和鲁棒性，本文提出了一种基于双层神经网络模型参数辨识的变结构多模型自主导航方法。
3.方法介绍
本文提出的方法包括两个主要步骤：双层神经网络模型参数辨识和变结构多模型控制。首先，通过收集导航系统的输入输出数据，建立双层神经网络模型来描述导航系统的动态特性。在建模过程中，考虑到系统误差的复杂性，我们采用了双层神经网络模型来提高建模的准确性。第一层网络用于辨识模型参数，第二层网络用于进一步优化辨识结果和补偿误差。然后，通过多模型控制器来对不同情况下的误差进行补偿。多模型控制器由多个子模型组成，每个子模型对应一种不同的误差模式。通过根据当前误差模式选择合适的子模型，可以实现导航系统的自适应校正。
4.实验结果
在实验中，我们使用了实际采集的导航系统数据来验证所提出方法的可行性和有效性。实验结果表明，相比于传统的方法，基于双层神经网络模型参数辨识的变结构多模型自主导航方法在导航精度和鲁棒性方面有明显的提高。另外，所提出的方法还具有较好的适应性和实时性，在不同的环境和工况下都能稳定运行。
5.结论
本文提出了一种基于双层神经网络模型参数辨识的变结构多模型自主导航方法。通过双层神经网络模型的建立和多模型控制器的应用，该方法能够有效地补偿导航系统中存在的误差，提高导航精度和鲁棒性。实验结果表明所提出的方法具有较好的性能和适应性，可以在实际应用中得到有效地应用。
参考文献：
[1]Zhang,H.,Dong,Y.,&Wang,D.(2018).Adecentralizedcontrolstrategyformulti-robotsystembasedonneuralnetworksandmodelpredictivecontrol.JournalofIntelligent&RoboticSystems,92(1),187-206.
[2]Liu,K.,Zhang,N.,&Liu,Y.(2019).AdaptivefuzzyslidingmodecontrolforquadrotorUAVswithuncertainmodelanddisturbance.IEEEAccess,7,72431-72440.
[3]Wang,H.,Li,H.,&Guo,Z.(2020).Distributedformationcontrolformulti-agentsystemsbasedondynamicmodelusingSOSMapproach.InternationalJournalofComputerMathematics,97(2),361-384.