摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-19页 |
1.1 课题研究背景和意义 | 第10-13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 无人机航迹规划环境建模研究现状 | 第14-15页 |
1.2.2 无人机航迹规划算法研究现状 | 第15-16页 |
1.2.3 无人机航迹规划约束条件研究现状 | 第16-17页 |
1.3 本论文研究的主要内容 | 第17-18页 |
1.4 本论文的组织结构 | 第18-19页 |
第2章 旋翼无人机规划原理和经典算法 | 第19-35页 |
2.1 引言 | 第19页 |
2.2 旋翼无人机概述 | 第19-22页 |
2.2.1 旋翼无人机的分类 | 第20-21页 |
2.2.2 旋翼无人机的结构组成和工作原理 | 第21-22页 |
2.3 旋翼无人机航迹规划的基本原理 | 第22-26页 |
2.3.1 旋翼无人机航迹规划的定义 | 第23页 |
2.3.2 旋翼无人机航迹规划系统 | 第23-24页 |
2.3.3 旋翼无人机航迹规划的流程 | 第24-25页 |
2.3.4 旋翼无人机航迹规划的应用原理 | 第25-26页 |
2.4 旋翼无人机航迹规划的相关经典算法 | 第26-34页 |
2.4.1 A~*算法 | 第26-31页 |
2.4.1.1 经典A~*算法 | 第27-29页 |
2.4.1.2 稀疏A~*算法 | 第29-31页 |
2.4.2 生物启发神经动力学模型算法 | 第31-34页 |
2.5 本章小结 | 第34-35页 |
第3章 基于改进稀疏A~*算法的航迹规划 | 第35-43页 |
3.1 引言 | 第35页 |
3.2 改进的稀疏A~*算法 | 第35-39页 |
3.2.1 改进经典A~*的代价函数 | 第35-36页 |
3.2.2 优化稀疏A~*的约束条件 | 第36-38页 |
3.2.3 改进稀疏A~*的算法流程 | 第38-39页 |
3.3 改进的稀疏A~*算法的可行性和复杂度分析 | 第39-40页 |
3.4 基于改进稀疏A~*算法的航迹规划仿真实验与分析 | 第40-42页 |
3.5 本章小结 | 第42-43页 |
第4章 基于改进神经动力学模型的航迹规划 | 第43-46页 |
4.1 引言 | 第43页 |
4.2 改进的生物启发神经动力学模型 | 第43-44页 |
4.3 改进的生物启发神经动力学模型的复杂度分析 | 第44页 |
4.4 基于改进神经动力学模型的航迹规划仿真实验与分析 | 第44-45页 |
4.5 本章小结 | 第45-46页 |
第5章 稀疏A~*与神经动力学融合算法 | 第46-71页 |
5.1 引言 | 第46页 |
5.2 稀疏A~*与神经动力学融合算法的总体方案 | 第46-47页 |
5.3 稀疏A~*与神经动力学融合算法的具体实现 | 第47-50页 |
5.3.1 A~*代价函数与神经元活性值状态方程的融合 | 第48-49页 |
5.3.2 A~*算法与神经元活性值状态更新过程的融合 | 第49-50页 |
5.3.3 稀疏A~*与神经动力学融合算法的航迹规划流程 | 第50页 |
5.4 稀疏A~*与神经动力学融合算法的性能分析 | 第50-53页 |
5.4.1 融合算法的复杂度分析 | 第51页 |
5.4.2 融合算法的优化性分析 | 第51页 |
5.4.3 融合算法的稳定性和收敛性分析 | 第51-53页 |
5.5 稀疏A~*与神经动力学融合算法的航迹规划仿真实验与分析 | 第53-56页 |
5.6 经典算法、改进算法与融合算法的航迹规划仿真实验对比与分析 | 第56-69页 |
5.6.1 仿真实验硬件配置和环境模型 | 第57页 |
5.6.2 稀疏A~*与神经动力学融合算法的参数设置 | 第57-59页 |
5.6.3 全局静态环境下的航迹规划仿真实验 | 第59-66页 |
5.6.3.1 多峰山地普通山体环境下的航迹规划实验 | 第59-64页 |
5.6.3.2 多峰山地凹形山体环境下的航迹规划实验 | 第64-66页 |
5.6.4 局部动态环境下的在线规划仿真实验 | 第66-69页 |
5.7 本章小结 | 第69-71页 |
结论 | 第71-74页 |
1. 全文总结 | 第71-72页 |
2. 研究展望 | 第72-74页 |
参考文献 | 第74-81页 |
附录A 攻读学位期间发表的论文情况 | 第81-82页 |
附录B 攻读学位期间参与科研工作情况 | 第82-83页 |
致谢 | 第83-84页 |