基于深度协同神经网络的无人机避障系统设计与实现

发布时间：2021-08-17 04:55

　　现如今,旋翼无人机广泛应用于社会生活的不同领域,例如航拍,植保、探测、侦查等。避障是无人机飞行的一个研究重点,其主要通过采取不同的传感器检测其周围环境中的障碍物,并采取一定的避让措施,保证无人机的飞行安全。深度学习是如今科学技术领域最热门的话题之一,基于深度学习理论的研究也层出不穷,本文主要研究基于协同学原理构建的深度协同神经网络,相对于传统的协同神经网络性能有了很大提升,相比目前热门的深度神经网络,网络模型更小,识别速度更快。并提出适用于该网络的检测与识别方法,将其应用于无人机避障系统的设计,实现无人机对周围环境的认知、障碍物避让,保障无人机飞行的安全。首先,本文介绍了协同学理论的基本思想和关键概念。接着介绍了基于协同学理论的的神经网络模型:协同神经网络。阐述了协同神经网络的数学模型、结构模型和运行流程,详尽的说明了协同学和协同神经网络的各项特性。并以协同学原理和传统深度神经网络的模型结构为基础结合PCA算法,构建深度协同神经网络,并详细描述了深度协同神经网络的模型结构、运行过程和算法步骤。为后续研究适用于深度协同神经网络的检测与识别算法提供了充分的理论支持。其次,本文分析了传统的滑... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 相关研究的国内外状态
        1.2.1 协同神经网络研究现状
        1.2.2 基于深度学习的检测与识别算法研究现状
        1.2.3 无人机避障算法研究现状
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 协同学与协同识别理论
    2.1 协同学
        2.1.1 协同学的基本思想
        2.1.2 协同学的关键概念
    2.2 协同神经网络
        2.2.1 协同神经网络的数学模型
        2.2.2 协同神经网络的结构
        2.2.3 协同神经网络的运行过程
    2.3 基于PCA特征的深度协同神经网络
        2.3.1 PCA特征提取
        2.3.2 深度协同神经网络的模型结构
        2.3.3 深度协同神经网络的运行过程
    2.4 本章总结
第三章 无人机避障检测识别算法
    3.1 基于金字塔采样的滑窗扫描方法
    3.2 基于区域提名的的卷积神经网络
        3.2.1 卷积神经网络模型
        3.2.2 基于区域提名的CNN检测算法
    3.3 无需区域提名的目标检测算法
        3.3.1 YOLO检测算法
        3.3.2 SSD检测算法
    3.4 基于深度协同识别的无人机检测识别算法
    3.5 本章总结
第四章 无人机避障系统设计与实现
    4.1 系统总体框架
    4.2 障碍物数据集的制作以及样本预处理
    4.3 障碍物检测与识别
    4.4 无人机避障实现
        4.4.1 无人机地面站的建立
        4.4.2 传统无人机避障方法
        4.4.3 避障功能介绍
        4.4.4 避障测试
    4.5 本章总结
第五章 总结与展望
    5.1 总结
    5.2 后续展望
致谢
参考文献
攻读硕士学位期间取得的研究成果



本文编号：3347100