王娜娜 徐輝

摘要：在無人機和地面站通信交互的過程中，由于各方面因素，例如頻率不同步、傳輸延時等，可能會造成無人機采集到的數(shù)據(jù)在傳輸期間發(fā)生錯誤，導(dǎo)致地面站接收到的數(shù)據(jù)有部分丟失。文章提出一種梯度下降優(yōu)化算法——梯度下降自適應(yīng)學(xué)習(xí)率算法（RMSPropwithNAG，RMSPN），對缺失數(shù)據(jù)集進行曲線擬合，得到丟失數(shù)據(jù)的近似值，對缺失數(shù)據(jù)集進行填補。實驗結(jié)果證明了該方法曲線擬合效果良好，估計值與實際值誤差較小，算法可行性高。

關(guān)鍵詞：無人機;數(shù)據(jù)缺失;梯度下降優(yōu)化算法;數(shù)據(jù)集;曲線擬合

中圖分類號：TP301.6 文獻標(biāo)識碼：A

文章編號：1009-3044（2020）13-0270-03

1引言

無人機（unmanned Aerial Vehicle，UAV）是利用無線電遙控設(shè)備和自備的程序控制裝置的不載人飛機[無人機地面控制站（Ground Controll Center，QGC，簡稱地面站）是一組對無人機發(fā)射和回收控制的設(shè)備，具有對無人機飛行平臺和任務(wù)載荷進行監(jiān)控和操縱的能力。它的能力包括航跡規(guī)劃、視頻回放、實時監(jiān)測、實時或離線地圖、通信數(shù)據(jù)鏈等在內(nèi)，集控制、通信、數(shù)據(jù)處理于一體，是無人機系統(tǒng)的指揮控制中心。地面站設(shè)備可安裝在平板、手機或者電腦上。

無人機的數(shù)據(jù)鏈系統(tǒng)對遙控指令進行準(zhǔn)確傳輸，具有無人機接收、發(fā)送信息的實時性和可靠性，能夠使信息及時有效的反饋，保證無人機順利、準(zhǔn)確的完成任務(wù)。無人機在空中向地面站發(fā)送數(shù)據(jù)時，數(shù)據(jù)量較大且要具備實時性，所以無人機在與地面站進行數(shù)據(jù)通信一般采取UDP通信協(xié)議。但是由于UDP協(xié)議允許出現(xiàn)丟包的情況，這可能就導(dǎo)致地面站接收的數(shù)據(jù)與無人機控制中心發(fā)送的數(shù)據(jù)出現(xiàn)不一致的情況。這種情況的出現(xiàn)可能會對監(jiān)控人員在數(shù)據(jù)處理及分析過程中產(chǎn)生非常大的影響，甚至?xí)绊懙胶罄m(xù)工作相應(yīng)的決策。如果此時能夠?qū)θ笔?shù)據(jù)做出合理的估計，那將會大幅度提高接收到的數(shù)據(jù)的準(zhǔn)確性和可靠性。

2相關(guān)工作

目前在數(shù)據(jù)傳輸過程中針對數(shù)據(jù)缺失現(xiàn)象有以下幾種處理辦法：1）將帶有缺失值的樣本全部丟棄。這種方法一般不可行，除非缺失數(shù)據(jù)集相較于整個數(shù)據(jù)集非常小或者缺失數(shù)據(jù)非常大。2）使用一個全局常量或特征均值替換缺失值。3）建立預(yù)測模型對缺失值進行學(xué)習(xí)，如利用回歸分析、多項式插值、貝葉斯估計、判定樹等方法，尋找最可能的值對缺失數(shù)據(jù)進行填補。

本文采用梯度下降法對數(shù)據(jù)集進行訓(xùn)練，得到缺失值的估計值，從而減少數(shù)據(jù)缺失對后續(xù)工作帶來的影響。

梯度下降算法可以總結(jié)為下面的問題：給出一個與參數(shù)θ有關(guān)的目標(biāo)函數(shù)Le，求得能夠使L最小的θ。針對此類問題，梯度下降算法通過不斷地向梯度負方向移動參數(shù)θ求解。梯度下降算法作為機器學(xué)習(xí)中較為常用的優(yōu)化算法，其核心思想就是基于梯度，通過對樣本的不斷迭代和更新，使得最后得到的預(yù)測值最接近真實值。

梯度下降算法主要有三種，小批量梯度下降算法（Mini-Batch Gradient Descent，MBGD）批量梯度下降算法（Batch Gradi-ent Descent，BGD）以及隨機梯度下降算法（Stochastic GradientDescent，SGD）。這三種算法的主要區(qū)別在于使用多少數(shù)據(jù)來計算目標(biāo)函數(shù)的梯度。不同的方法主要在準(zhǔn)確性和優(yōu)化速度之間做權(quán)衡。但是如何選擇合適的學(xué)習(xí)率和學(xué)習(xí)率調(diào)整策略以及如何跳出最優(yōu)解，需要選擇合適的優(yōu)化算法解決_31。

目前常用的梯度下降算法的優(yōu)化算法有NAG、RM-SProp、Adadelta等。

3 RMSPN算法

3.1算法分析

文章提出的優(yōu)化算法結(jié)合了RMSProp和NAG的特點，既可以抑制動蕩，加快學(xué)習(xí)效率，并且能夠解決深度過深時，訓(xùn)練便會提前結(jié)束的問題，同時該算法適合處理非平穩(wěn)目標(biāo)。RM-SPN采用RMSProp的特點，引入一個動量衰減參數(shù)r，在每輪迭代中都讓r減少一定的比例。這種做法可以限制算法在垂直方向上的動蕩，擴大算法在水平方向上的步長，加快算法收斂速度。同時，RMSPN如同NesterovAcceleratedGradient（NAG，涅斯捷羅夫梯度加速）一樣，引入一個動量v（velocitvl，在面對某一面較為陡峭的目標(biāo)函數(shù)曲面時，RMSPN在計算梯度的同時，在損失函數(shù)中減去動量項，這種計算方式預(yù)估了下一次參數(shù)所在的位置。這種做法可以阻止算法過快的更新，防止跳過最小值，這種做法在RNNs中有較好的工作效果。

RMSPN還隱式地應(yīng)用了模擬退火。在向最小值移動的過程中，RMSPN會如同RMSProp一樣自動降低步長，以免跳過最小值。

3.2算法過程

從訓(xùn)練集中的隨機抽取一批容量為m的樣本{x1，x2，...xm}，以及相關(guān)的輸出yi，在每輪迭代中首先計算下降梯度g，根據(jù)梯度g和衰減速率p計算出新的衰減參數(shù)r，同時在迭代中更新動量v，最后更新需要得到的參數(shù)θ。數(shù)據(jù)迭代在達到條件后停止。

4實驗分析

文章算法在MATLAB2017環(huán)境下實現(xiàn)，使用數(shù)據(jù)集為無人機采集的真實數(shù)據(jù)。圖1-a為原始數(shù)據(jù)散點圖，圖1-b為缺失數(shù)據(jù)集散點圖，圖2-a為原始數(shù)據(jù)擬合圖，圖2-b為缺失數(shù)據(jù)集擬合圖。

從圖1可以看到，（b）相比較（a）中的數(shù)據(jù)缺失較多。

在圖2（a1中使用RMSPN算法，可以看出基本每個數(shù)據(jù)坐標(biāo)點都在算法得到的數(shù)據(jù)曲線上。在缺失數(shù)據(jù)集中使用RMsPN算法擬合的原始數(shù)據(jù)曲線坐標(biāo)圖如圖2fb）所示，可以明顯看出該數(shù)據(jù)曲線與圖2（a）效果相差較小，并且曲線光滑，基本覆蓋到了每個坐標(biāo)點，擬合效果較好。

5結(jié)論

無人機在向地面站傳輸數(shù)據(jù)時出現(xiàn)少傳錯傳的情況可能會對數(shù)據(jù)處理及分析產(chǎn)生很大的影響。文章提出的優(yōu)化算法對缺失數(shù)據(jù)集進行曲線擬合，得到丟失數(shù)據(jù)的近似值，對缺失數(shù)據(jù)集進行填補，可以有效地降低這種影響。

實驗證明該優(yōu)化算法能夠加快訓(xùn)練收斂速度，減少迭代時間，使得到的模擬曲線更加貼合原數(shù)據(jù)擬合曲線，估計值與真實值誤差較小，表明該方法具有可行性。