一种基于大数据的无人机风向神经网络的训练方法及系统与流程

1.本技术涉及神经网络技术领域，尤其涉及一种基于大数据的无人机风向神经网络的训练方法及系统。


背景技术：

2.随着无人机技术的不断发展，无人机在多个领域都发挥着重要的作用。无人机无驾驶舱，通常安装有自动驾驶仪、程序控制装置等设备，地面、舰艇上或母机遥控站人员通过雷达、终端等设备，对其进行跟踪、定位、遥控、遥测和数字传输，以控制无人机完成工作任务。
3.通常情况下，无人机在高空作业时，会受到风的影响，当遇到较为强烈的风时，为了防止无人机损坏，需要无人机感应风向参数，使用者根据传回的风向参数以及飞行需要实时设定无人机是螺旋桨偏向方向及转速，使无人机降落，暂时停止高空作业。
4.在无人机上安装一个风向检测设备虽然能够得到风向参数，但是对使用者的操作技术较为依赖，需要使用者根据风向参数变化情况进行操作，修改转速设定值都要由使用者操作，如果使用者缺经验，极有可能导致无人机在恶劣的风环境下损坏。


技术实现要素：

5.为了解决上述技术问题，本技术提供了一种基于大数据的无人机风向神经网络的训练方法及系统，用于训练第一初始神经网络，得到风向-偏向方向关系式，根据风向-偏向方向关系式自动计算目标无人机螺旋桨的偏向方向，并控制目标根据该偏向飞行，无需使用者判断当前风向参数变化情况并控制目标无人机飞行，提升无人机的智能化程度和实用性。
6.本技术第一方面提供了一种基于大数据的无人机风向神经网络的训练方法，包括：
7.获取目标无人机偏向方向训练样本集合，所述偏向方向训练样本集合中至少包含两组偏向方向训练样本，每组偏向方向训练样本中包含n个风向参数和所述目标无人机螺旋桨的偏向方向值；
8.根据所述偏向方向训练样本集合确定第一初始神经网络，所述第一初始神经网络的计算权值个数为n；
9.根据粒子群算法生成n个粒子，并根据所述n个粒子的位置参数生成n维初始矩阵参数，所述n维初始矩阵参数对应所述第一初始神经网络的初始计算权值和偏置值；
10.根据所述粒子群算法生成所述n个粒子的第一惯性权值，所述第一惯性权值用于表征所述n个粒子的运动趋势；
11.将所述偏向方向训练样本集合输入所述第一初始神经网络进行迭代训练并生成迭代训练的第一性能参数集合，所述第一性能参数集合表征所述n个粒子对于所述第一初始神经网络的优劣；
12.根据所述第一性能参数集合计算第一损失值；
13.根据所述第一损失值判断所述第一初始神经网络是否收敛；
14.当所述第一初始网络神经未收敛时，根据所述第一惯性权值更新所述n个粒子的位置信息以及所述n维初始矩阵参数，并根据更新后的所述n维初始矩阵参数更新所述第一惯性权值，重新训练所述第一初始神经网络；
15.当所述第一初始网络神经收敛时，根据所述n维初始矩阵参数生成风向-偏向方向关系式，训练完成后的第一初始神经网络用于计算目标无人机螺旋桨的偏向方向。
16.可选地，所述获取目标无人机偏向方向训练样本集合包括：
17.获取大数据中高空风速参数组集合，所述高空风速参数组集合中至少包含两组高空风向参数组，一组高空风向参数组中包含一次高空作业中，通过目标无人机上n个风向感应器获取到的n个风向参数，以及所述目标无人机螺旋桨的偏向方向值；
18.根据高空风向参数组集合生成偏向方向训练样本集合，所述偏向方向训练样本集合中至少包含两组偏向方向训练样本，一组偏向方向训练样本包含n个风向参数和所述目标无人机螺旋桨的偏向方向值。
19.可选地，所述根据所述第一性能参数集合计算第一损失值包括：
20.根据所述第一性能参数集合以及损失函数计算第一损失值。
21.可选地，在根据所述n维初始矩阵参数生成风向偏向方向关系式之后，所述训练方法还包括：
22.获取目标无人机的n个风向检测参数；
23.将所述n个风向检测参数代入风向-偏向方向关系式中，计算得到所述螺旋桨的偏向方向；
24.根据所述偏向方向控制所述目标无人机的螺旋桨。
25.可选地，所述方法还包括：
26.获取目标无人机螺旋桨对抗转速训练样本集合，所述螺旋桨对抗转速训练样本集合中至少包含两组偏向方向训练样本，每组偏向方向训练样本中包含m个风速参数以及所述目标无人机螺旋桨的对抗转速值；
27.根据所述螺旋桨对抗转速训练样本集合确定第二初始神经网络，所述第二初始神经网络的计算权值个数为m；
28.根据粒子群算法生成m个粒子，并根据所述m个粒子的位置参数生成m维初始矩阵参数，所述m维初始矩阵参数对应所述第二初始神经网络的初始计算权值和偏置值；
29.根据所述粒子群算法生成所述m个粒子的第二惯性权值，所述第二惯性权值用于表征所述m个粒子的运动趋势；
30.将所述螺旋桨对抗转速训练样本集合输入所述第二初始神经网络进行迭代训练并生成迭代训练的第二性能参数集合，所述第二性能参数集合表征所述m个粒子对于所述第二初始神经网络的优劣；
31.根据所述第二性能参数集合计算第二损失值；
32.根据所述第二损失值判断所述第二初始神经网络是否收敛；
33.当所述第二初始网络神经未收敛时，根据所述第二惯性权值更新所述m个粒子的位置信息以及所述m维初始矩阵参数，并根据更新后的所述m维初始矩阵参数更新所述第二
惯性权值，重新训练所述第二初始神经网络；
34.当所述第二初始网络神经收敛时，根据所述m维初始矩阵参数生成风速-对抗转速关系式，训练完成后的第二初始神经网络用于计算目标无人机螺旋桨的对抗转速。
35.可选地，所述获取目标无人机螺旋桨对抗转速训练样本集合包括：
36.获取大数据中高空风速参数组集合，所述高空风速参数组集合中至少包含两组高空风向参数组，一组高空风向参数组中包含一次高空作业中，通过目标无人机上m个风向感应器获取到的m个风向参数，以及所述目标无人机螺旋桨的对抗转速值；
37.根据高空风向参数组集合生成对抗转速值训练样本集合，所述偏向方向训练样本集合中至少包含两组对抗转速训练样本，一组偏向方向训练样本包含m风向参数和所述目标无人机螺旋桨的对抗转速值。
38.可选地，所述根据所述第二性能参数集合计算第二损失值包括：
39.根据所述第二性能参数集合以及损失函数计算第二损失值。
40.可选地，在根据所述m维初始矩阵参数生成风速-对抗转速关系式后，所述训练方法还包括：
41.获取目标无人机的m个风向检测参数；
42.将所述m个风向检测参数代入风向-对抗转速关系式中，计算得到所述螺旋桨的对抗转速；
43.根据所述对抗转速控制所述无人机的螺旋桨。
44.本技术第二方面提供了一种基于大数据的无人机风向神经网络的训练系统，包括：
45.第一获取单元，用于获取目标无人机偏向方向训练样本集合，所述偏向方向训练样本集合中至少包含两组偏向方向训练样本，每组偏向方向训练样本中包含n风向参数和所述目标无人机螺旋桨的偏向方向值；
46.第一确定单元，用于根据所述偏向方向训练样本集合确定第一初始神经网络，所述第一初始神经网络的计算权值个数为n；
47.第一生成单元，用于根据粒子群算法生成n个粒子，并根据所述n个粒子的位置参数生成n维初始矩阵参数，所述n维初始矩阵参数对应所述第一初始神经网络的初始计算权值和偏置值；
48.第二生成单元，用于根据所述粒子群算法生成所述n个粒子的第一惯性权值，所述第一惯性权值用于表征所述n个粒子的运动趋势；
49.第一输入单元，用于将所述偏向方向训练样本集合输入所述第一初始神经网络进行迭代训练并生成迭代训练的第一性能参数集合，所述第一性能参数集合表征所述n个粒子对于所述初始神经网络的优劣；
50.第一计算单元，用于根据所述第一性能参数集合计算损失值；
51.第一判断单元，用于根据所述损失值判断所述第一初始神经网络是否收敛；
52.第一更新单元，用于当所述初始网络神经未收敛时，根据所述第一惯性权值更新所述n个粒子的位置信息以及所述n维初始矩阵参数，并根据更新后的所述n维初始矩阵参数更新所述第一惯性权值，重新训练所述第一初始神经网络；
53.第三生成单元，用于当所述初始网络神经收敛时，根据所述n维初始矩阵参数生成
风向偏向方向关系式，训练完成后的第一初始神经网络用于计算目标无人机螺旋桨的偏向方向。
54.本技术第三方面提供了一种基于大数据的无人机风向神经网络的训练系统，包括：
55.中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；
56.所述存储器为短暂存储存储器或持久存储存储器；
57.所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行第一方面及第一方面的可选方式的任意一种所述方式。
58.本技术第四方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行第一方面及第一方面的可选方式的任意一种所述方式。
59.从以上技术方案可以看出，本技术实施例具有以下优点：
60.本技术中，在获取到目标无人机训练样本后，将训练样本输入第一初始神经网络中进行迭代训练并得到第一性能参数集合，根据第一性能参数集合计算损失值，根据损失值判断该第一初始网络神经是否训练完成，在判断完成后得到风向-偏向方向关系式，当获取到目标无人机的风向检测参数时，能够根据风向-偏向方向自动计算目标无人机螺旋桨的偏向方向，并控制目标无人自动调整螺旋桨的角度进行对，无需使用者判断当前风向参数变化情况并控制目标无人机飞行，提升无人机的智能化程度和实用性。
附图说明
61.为了更清楚地说明本技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
62.图1为本技术中基于大数据的无人机风向神经网络的训练方法一个实施例示意图；
63.图2-1和图2-2为本技术中基于大数据的无人机风向神经网络的训练方法另一个实施例示意图；
64.图3为本技术中基于大数据的无人机风向神经网络的训练系统一个示意图；
65.图4为本技术中基于大数据的无人机风向神经网络的训练系统另一个示意图；
66.图5为本技术中基于大数据的无人机风向神经网络的实体装置的一个示意图。
具体实施方式
67.本技术实施例提供了一种基于大数据的无人机风向神经网络的训练方法及系统，用于训练第一初始神经网络，得到风向-偏向方向关系式，根据风向-偏向方向关系式自动计算目标无人机螺旋桨的偏向方向，并控制目标根据该偏向飞行，无需使用者判断当前风向参数变化情况并控制目标无人机飞行，提升无人机的智能化程度和实用性。
68.下面对本技术中的基于大数据的无人机风向神经网络的训练方法进行简要描述：
69.请参阅图1，图1为本技术中的基于大数据的无人机风向神经网络的训练方法的一个实施例，本方法可以应用在训练系统上执行，下面进行具体描述，包括：
70.101、训练系统获取目标无人机偏向方向训练样本集合，偏向方向训练样本集合中
至少包含两组偏向方向训练样本，每组偏向方向训练样本中包含n个风向参数和目标无人机螺旋桨的偏向方向值
71.本实施例中，神经网络训练师指对人工神经网络的训练，在对神经网络进行训练时，需要向网络输入足够多的样本，通过一定算法调整网络的结构，主要是调节权值，使网络的输出与预期值相符，这样的过程就是神经网络训练。因此，训练系统首先需要获取到目标无人机偏向方向训练样本集合，该训练样本合集可以从大数据云平台中获取，也可以从本地预先存储的数据库中获取，该样本集合中包含多组偏向方向训练样本，一般情况下，样本的数量越多训练结果越接近预期值，每一组训练样本包括一次高空飞行中，目标无人机通过n个风向感应器获取的n个风向参数和目标无人机的螺旋桨的偏向方向值，螺旋桨的偏向方向值为为了防止目标无人机在恶劣风环境下损坏，通过当前风向参数调整的螺旋桨进行对抗的角度的值。
72.102、训练系统根据偏向方向训练样本集合确定第一初始神经网络，第一初始神经网络的计算权值个数为n
73.本实施例中，训练系统通过训练偏向训练样本集合确定第一初始神经网络，通常情况下会选择一个典型的神经网络框架，神经网络的特征之一，就是从数据样本中学习，因此训练系统可以通过训练样本的数据自动确定网络权值参考的值，并通过训练样本确定该第一初始神经网络的权值个数为n。
74.103、训练系统根据粒子群算法生成n个粒子，并根据n个粒子的位置参数生成n维初始矩阵参数，n维初始矩阵参数对应第一初始神经网络的初始计算权值和偏置值
75.本实施例中，粒子群算法是利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解，可以利用粒子群算法的全局搜索能力来优化神经网络的拓扑结构、连接权值和阈值，以提高神经网络的泛化能力和学习性能，从而改进神经网络的整体搜索效率。通过粒子群算法可以在搜索空间中随机生成n个粒子，搜索空间代表一组可供搜索的神经网络架构，在这里空间指代算法中的可供选择使用的参数，根据n个粒子的位置参数生成n维初始矩阵参数，n维初始矩阵参数分别对应第一初始神经网络的初始计算权值和偏置值，并且该计算权值以及偏置值会在神经网络学习过程中不断的进行调整，直至达到训练目标。
76.104、训练系统根据粒子群算法生成n个粒子的第一惯性权值，第一惯性权值用于表征n个粒子的运动趋势
77.本实施例中，训练系统根据粒子群算法生成n个粒子的惯性权值，惯性权值用于表征n个粒子的运动趋势，即粒子能保持前一时刻运动状态的能力。惯性权重较大，则算法的全局搜索能力较强，找到全局较优解的概率较大；反之，则局部搜索能力较强，收敛速度较快。
78.105、训练系统将偏向方向训练样本集合输入第一初始神经网络进行迭代训练并生成迭代训练的第一性能参数集合，第一性能参数集合表征n个粒子对于第一初始神经网络的优劣
79.本实施例中，训练系统将所有的偏向方向训练样本集合输入至第一初始神经网络中进行迭代训练，并将每一次的迭代结果生成第一性能参数集合，第一性能参数集合表征n个粒子对于第一初始神经网络的优劣。
80.106、训练系统根据第一性能参数集合计算第一损失值
81.根据第一性能参数集合计算第一损失值，第一损失值越大，说明神经网络在知道风向参数后得到螺旋桨偏向方向值越不精准，性能越差。第一损失值越小，说说明神经网络在知道风向参数后得到螺旋桨偏向方向值越精准，性能越好。
82.107、训练系统根据第一损失值判断第一初始神经网络是否收敛
83.本实施例中，在得到第一损失值后，可以判断第一损失值是否达到收敛状态，当损失值一直处于变动状态，可以判断第一初始神经网络未收敛；当第一损失值基本不再变动，可以判断第一初始神经网络收敛。还可以根据第一损失值是否达到预设的收敛值来判断第一初始神经网络是否收敛，例如得到的第一损失值趋近于数值0.11，小于预设的收敛条件值0.15，则可以判断该第一初始神经网络收敛。当第一初始神经网络未收敛，执行步骤108，当第一初始神经网络收敛，执行步骤109。
84.108、当第一初始网络神经未收敛时，训练系统根据第一惯性权值更新n个粒子的位置信息以及n维初始矩阵参数，并根据更新后的n维初始矩阵参数更新第一惯性权值，重新训练第一初始神经网络
85.本实施例中，在未收敛的情况下，需要重新对第一初始神经网络进行训练。训练系统可以根据第一惯性权值来更新n个粒子的位置信息，并根据n个粒子的位置参数重新生成对应的n维初始矩阵参数，并根据更新后的n维初始矩阵参数更新第一惯性权值，继续对第一初始神经网络进行训练。在重新训练后，若还未收敛，需要重复上述操作，直至第一初始神经网络达到收敛，在收敛后，执行不走109。
86.109、当第一初始网络神经收敛时，训练系统根据n维初始矩阵参数生成风向-偏向方向关系式，训练完成后的第一初始神经网络用于计算目标无人机螺旋桨的偏向方向
87.本实施例中，在第一初始神经网络收敛的情况下，训练系统确定当前n维初始矩阵参数为最优参数，并根据该n维初始矩阵参数生成风向-偏向方向关系式，在得到风向-偏向方向关系式将目标无人机得到的风向参数输入至该关系式中，可得到目标无人机螺旋桨需要偏向的偏向方向值。
88.本实施例中，训练系统在获取到目标无人机训练样本后，将训练样本输入第一初始神经网络中进行迭代训练并得到第一性能参数集合，根据第一性能参数集合计算损失值，根据损失值判断该第一初始网络神经是否训练完成，在判断完成后得到风向-偏向方向关系式，当获取到目标无人机的风向检测参数时，能够根据风向-偏向方向自动计算目标无人机螺旋桨的偏向方向，并控制目标无人自动调整螺旋桨的角度进行对，无需使用者判断当前风向参数变化情况并控制目标无人机飞行，提升无人机的实用性，降低了无人机损坏概率。
89.本实施例中，训练系统在可以通过大数据获取高空风速参数组集合，并通过该集合生成偏向方向训练样本集合，下面将结合附图对该实施例进行详细的说明。
90.本技术实施例将结合图2-1与图2-2进行描述，下面进行具体描述，包括：
91.201、训练系统获取大数据中高空风速参数组集合，高空风速参数组集合中至少包含两组高空风向参数组，一组高空风向参数组中包含一次高空作业中，通过目标无人机上n个风向感应器获取到的n个风向参数，以及目标无人机螺旋桨的偏向方向值
92.202、训练系统根据高空风向参数组集合生成偏向方向训练样本集合，偏向方向训
练样本集合中至少包含两组偏向方向训练样本，一组偏向方向训练样本包含n风向参数和目标无人机螺旋桨的偏向方向值
93.本实施例中，所述目标无人机具有一定的通讯能力，当目标无人机在每一次高空飞行作业时，都会将n个风向感应器获取到的n个风向参数以及目标无人机螺旋桨的偏向方向上传至大数据云平台中存储，大数据云平台根据接收到的数据信息生成高空风速参数组集合，或者将获取到的n个风向参数以及目标无人机螺旋桨的偏向方向发送至训练系统中进行存储，训练系统通过大数据云平台或者通过本地获取该高空风向风速参数组结合并根据该高空风向风速参数组集合生成偏向方向训练样本集合。
94.203、训练系统根据偏向方向训练样本集合确定第一初始神经网络，第一初始神经网络的计算权值个数为n
95.204、训练系统根据粒子群算法生成n个粒子，并根据n个粒子的位置参数生成n维初始矩阵参数，n维初始矩阵参数对应第一初始神经网络的初始计算权值和偏置值
96.205、训练系统根据粒子群算法生成n个粒子的第一惯性权值，第一惯性权值用于表征n个粒子的运动趋势
97.206、训练系统将偏向方向训练样本集合输入第一初始神经网络进行迭代训练并生成迭代训练的第一性能参数集合，第一性能参数集合表征n个粒子对于第一初始神经网络的优劣
98.本实施例中的步骤203至步骤206与前述图1所示的实施例中的步骤102至105类似，此处不再赘述。
99.207、训练系统根据第一性能参数集合以及损失函数计算第一损失值
100.本实施例中，练系统根据第一性能参数集合以及损失函数来计算第一损失值，损失函数就是用来度量模型的预测值与真实值的差异程度的运算函数，将训练样本送入第一初始神经网络后，通过前向传播输出预测值，然后损失函数会计算出预测值和真实值之间的差异值，也就是第一损失值。可以使用多组损失函数计算第一损失值，以使得得到的第一损失值更加准确。
101.208、训练系统根据第一损失值判断第一初始神经网络是否收敛
102.209、当第一初始网络神经未收敛时，训练系统根据第一惯性权值更新n个粒子的位置信息以及n维初始矩阵参数，并根据更新后的n维初始矩阵参数更新第一惯性权值，重新训练第一初始神经网络
103.210、当第一初始网络神经收敛时，训练系统根据n维初始矩阵参数生成风向-偏向方向关系式，训练完成后的第一初始神经网络用于计算目标无人机螺旋桨的偏向方向
104.本实施例中的步骤208至步骤210与前述图1所示的实施例中的步骤107至109类似，此处不再赘述。
105.211、训练系统获取目标无人机的n个风向检测参数
106.212、训练系统将n个风向检测参数代入风向-偏向方向关系式中，计算得到螺旋桨的偏向方向
107.213、训练系统根据偏向方向控制目标无人机的螺旋桨
108.本实施例中，在得到风向-偏向方向关系式后，目标无人机再次进行高空作业飞行时，检测到的n个风向检测参数被训练系统获取，该训练系统将得到的参数输入至风向-偏
向方向关系式中进行计算，最终得到目标无人机的螺旋桨应该偏向方向，并根据得到的偏向方向控制目标无人机按照此偏向方向改变螺旋桨的方向。通过将n个风向检测参数代入风向-偏向方向关系式中，就可以得到螺旋桨的偏向方向，无需操作员人工进行判断控制，而是训练系统根据偏向方向进行控制，提高了目标无人机的智能化程度以及实用性。
109.214、训练系统获取大数据中高空风速参数组集合，高空风速参数组集合中至少包含两组高空风向参数组，一组高空风向参数组中包含一次高空作业中，通过目标无人机上m个风向感应器获取到的m个风向参数，以及目标无人机螺旋桨的对抗转速值
110.215、训练系统根据高空风向参数组集合生成对抗转速值训练样本集合，偏向方向训练样本集合中至少包含两组对抗转速训练样本，一组偏向方向训练样本包含m风向参数和目标无人机螺旋桨的对抗转速值
111.216、训练系统根据螺旋桨对抗转速训练样本集合确定第二初始神经网络，第二初始神经网络的计算权值个数为m
112.217、训练系统根据粒子群算法生成m个粒子，并根据m个粒子的位置参数生成m维初始矩阵参数，m维初始矩阵参数对应第二初始神经网络的初始计算权值和偏置值
113.218、训练系统根据粒子群算法生成m个粒子的第二惯性权值，第二惯性权值用于表征m个粒子的运动趋势
114.219、训练系统将螺旋桨对抗转速训练样本集合输入第二初始神经网络进行迭代训练并生成迭代训练的第二性能参数集合，第二性能参数集合表征m个粒子对于第二初始神经网络的优劣
115.220、训练系统根据第二性能参数集合以及损失函数计算第二损失值
116.221、训练系统根据第二损失值判断第二初始神经网络是否收敛
117.222、当第二初始网络神经未收敛时，训练系统根据第二惯性权值更新m个粒子的位置信息以及m维初始矩阵参数，并根据更新后的m维初始矩阵参数更新第二惯性权值，重新训练第二初始神经网络
118.223、当第二初始网络神经收敛时，训练系统根据m维初始矩阵参数生成风速-对抗转速关系式，训练完成后的第二初始神经网络用于计算目标无人机螺旋桨的对抗转速
119.224、训练系统获取目标无人机的m个风向检测参数
120.225、训练系统将m个风向检测参数代入风向-对抗转速关系式中，计算得到螺旋桨的对抗转速
121.226、训练系统根据对抗转速控制无人机的螺旋桨
122.本实施例中的步骤214至步骤226与前述图2-1所示的实施例中的步骤201至213类似，此处不再赘述。
123.本实施例中，训练系统能够得到风向-偏向方向关系式，通过该关系式计算得到目标无人机螺旋桨应该偏向的偏向方向，并按照该偏向方向控制目标无人机螺旋桨方向改变，训练系统还能够得到风向-对抗转速，通过该关系式计算得到目标无人机螺旋桨的对抗转速，并按照该对抗转速控制目标无人机螺旋桨转速改变，进一步防止目标无人机因为操作不当而发生的损坏，使得目标无人机更智能化以及更实用。
124.以上对基于大数据的无人机风向神经网络的训练方法进行了说明，下面对基于大数据的无人机风向神经网络的训练系统进行描述：
125.请参阅图3，本技术中一个基于大数据的无人机风向神经网络的训练系统包括：
126.第一获取单元301，用于获取目标无人机偏向方向训练样本集合，偏向方向训练样本集合中至少包含两组偏向方向训练样本，每组偏向方向训练样本中包含n风向参数和目标无人机螺旋桨的偏向方向值；
127.第一确定单元302，用于根据偏向方向训练样本集合确定第一初始神经网络，第一初始神经网络的计算权值个数为n；
128.第一生成单元303，用于根据粒子群算法生成n个粒子，并根据n个粒子的位置参数生成n维初始矩阵参数，n维初始矩阵参数对应第一初始神经网络的初始计算权值和偏置值；
129.第二生成单元304，用于根据粒子群算法生成n个粒子的第一惯性权值，第一惯性权值用于表征n个粒子的运动趋势；
130.第一输入单元305，用于将偏向方向训练样本集合输入第一初始神经网络进行迭代训练并生成迭代训练的第一性能参数集合，第一性能参数集合表征n个粒子对于初始神经网络的优劣；
131.第一计算单元306，用于根据第一性能参数集合计算损失值；
132.第一判断单元307，用于根据损失值判断第一初始神经网络是否收敛；
133.第一更新单元308，用于当初始网络神经未收敛时，根据第一惯性权值更新n个粒子的位置信息以及n维初始矩阵参数，并根据更新后的n维初始矩阵参数更新第一惯性权值，重新训练第一初始神经网络；
134.第三生成单元309，用于当初始网络神经收敛时，根据n维初始矩阵参数生成风向偏向方向关系式，训练完成后的第一初始神经网络用于计算目标无人机螺旋桨的偏向方向。
135.本实施例中，第一获取单元301在获取到目标无人机训练样本后，第一输入单元305将训练样本输入第一初始神经网络中进行迭代训练并得到第一性能参数集合，第一计算单元306根据第一性能参数集合计算损失值，第一判断单元307根据损失值判断该第一初始网络神经是否训练完成，第三生成单元309在判断完成后得到风向-偏向方向关系式，当获取到目标无人机的风向检测参数时，能够根据风向-偏向方向自动计算目标无人机螺旋桨的偏向方向，并控制目标无人自动调整螺旋桨的角度进行对，无需使用者判断当前风向参数变化情况并控制目标无人机飞行，提升无人机的实用性，降低了无人机损坏概率。
136.请参阅图4，本技术中另一个基于大数据的无人机风向神经网络的训练系统包括：
137.第一获取单元401包括：
138.获取模块4011，用于获取大数据中高空风速参数组集合，高空风速参数组集合中至少包含两组高空风向参数组，一组高空风向参数组中包含一次高空作业中，通过目标无人机上n个风向感应器获取到的n个风向参数，以及目标无人机螺旋桨的偏向方向值；
139.生成模块4012，用于根据高空风向参数组集合生成偏向方向训练样本集合，偏向方向训练样本集合中至少包含两组偏向方向训练样本，一组偏向方向训练样本包含n风向参数和目标无人机螺旋桨的偏向方向值；
140.第一确定单元402，用于根据偏向方向训练样本集合确定第一初始神经网络，第一初始神经网络的计算权值个数为n；
141.第一生成单元403，用于根据粒子群算法生成n个粒子，并根据n个粒子的位置参数生成n维初始矩阵参数，n维初始矩阵参数对应第一初始神经网络的初始计算权值和偏置值；
142.第二生成单元404，用于根据粒子群算法生成n个粒子的第一惯性权值，第一惯性权值用于表征n个粒子的运动趋势；
143.第一输入单元405，用于将偏向方向训练样本集合输入第一初始神经网络进行迭代训练并生成迭代训练的第一性能参数集合，第一性能参数集合表征n个粒子对于第一初始神经网络的优劣；
144.第一计算单元406包括：
145.计算模块4061，用于根据第一性能参数集合以及损失函数计算第一损失值；
146.第一判断单元407，用于根据第一损失值判断第一初始神经网络是否收敛；
147.第一更新单元408，当第一初始网络神经未收敛时，根据第一惯性权值更新n个粒子的位置信息以及n维初始矩阵参数，并根据更新后的n维初始矩阵参数更新第一惯性权值，重新训练第一初始神经网络；
148.第三生成单元409，当第一初始网络神经收敛时，根据n维初始矩阵参数生成风向-偏向方向关系式，训练完成后的第一初始神经网络用于计算目标无人机螺旋桨的偏向方向；
149.第二获取单元410，用于获取目标无人机的n个风向检测参数；
150.第一代入单元411，用于将n个风向检测参数代入风向-偏向方向关系式中，计算得到螺旋桨的偏向方向；
151.第一控制单元412，用于根据偏向方向控制目标无人机的螺旋桨；
152.第三获取单元413，用于获取大数据中高空风速参数组集合，高空风速参数组集合中至少包含两组高空风向参数组，一组高空风向参数组中包含一次高空作业中，通过目标无人机上m个风向感应器获取到的m个风向参数，以及目标无人机螺旋桨的对抗转速值；
153.第四生成单元414，用于根据高空风向参数组集合生成对抗转速值训练样本集合，偏向方向训练样本集合中至少包含两组对抗转速训练样本，一组偏向方向训练样本包含m风向参数和目标无人机螺旋桨的对抗转速值；
154.第二确定单元415，用于根据螺旋桨对抗转速训练样本集合确定第二初始神经网络，第二初始神经网络的计算权值个数为m；
155.第五生成单元416，用于根据粒子群算法生成m个粒子，并根据m个粒子的位置参数生成m维初始矩阵参数，m维初始矩阵参数对应第二初始神经网络的初始计算权值和偏置值；
156.第六生成单元417，用于根据粒子群算法生成m个粒子的第二惯性权值，第二惯性权值用于表征m个粒子的运动趋势；
157.第二输入单元418，用于将螺旋桨对抗转速训练样本集合输入第二初始神经网络进行迭代训练并生成迭代训练的第二性能参数集合，第二性能参数集合表征m个粒子对于第二初始神经网络的优劣；
158.第二计算单元419，用于根据第二性能参数集合以及损失函数计算第二损失值；
159.第二判断单元420，用于根据第二损失值判断第二初始神经网络是否收敛；
160.第二更新单元421，用于当第二初始网络神经未收敛时，根据第二惯性权值更新m个粒子的位置信息以及m维初始矩阵参数，并根据更新后的m维初始矩阵参数更新第二惯性权值，重新训练第二初始神经网络；
161.第七生成单元422，用于当第二初始网络神经收敛时，根据m维初始矩阵参数生成风速-对抗转速关系式，训练完成后的第二初始神经网络用于计算目标无人机螺旋桨的对抗转速；
162.第四获取单元423，用于获取目标无人机的m个风向检测参数；
163.第二代入单元424，用于将m个风向检测参数代入风向-对抗转速关系式中，计算得到螺旋桨的对抗转速；
164.第二控制单元425，用于根据对抗转速控制无人机的螺旋。
165.本实施例中，第三生成单元409能够得到风向-偏向方向关系式，第一代入单元411通过该关系式计算得到目标无人机螺旋桨应该偏向的偏向方向，第一控制单元412按照该偏向方向控制目标无人机螺旋桨方向改变，第七生成单元422还能够得到风向-对抗转速，第二代入单元424通过该关系式计算得到目标无人机螺旋桨的对抗转速，第二控制单元425按照该对抗转速控制目标无人机螺旋桨转速改变，进一步防止目标无人机因为操作不当而发生的损坏，使得目标无人机更智能化以及更实用。
166.参阅图5，图5为本技术中基于大数据的无人机风向神经网络的训练系统的一个示意图包括：
167.中央处理器502，存储器501，输入输出接口503，有线或无线网络接口504以及电源1005；
168.存储器501为短暂存储存储器或持久存储存储器；
169.中央处理器502配置为与存储器501通信，并执行存储器501中的指令操作以执行图1至图2-1与图2-2中任一所示实施例中的步骤。
170.本技术提供了一种计算机可读存储介质，包括指令，当该指令在计算机上运行时，使得计算机执行图1至图2-1与图2-2中任一实施例所对应的方法。
171.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
172.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
173.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
174.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
175.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。