无人机数据传输缺失数据拟合算法

王娜娜 徐辉

摘要：在无人机和地面站通信交互的过程中，由于各方面因素，例如频率不同步、传输延时等，可能会造成无人机采集到的数据在传输期间发生错误，导致地面站接收到的数据有部分丢失。文章提出一种梯度下降优化算法——梯度下降自适应学习率算法（RMSPropwithNAG，RMSPN），对缺失数据集进行曲线拟合，得到丢失数据的近似值，对缺失数据集进行填补。实验结果证明了该方法曲线拟合效果良好，估计值与实际值误差较小，算法可行性高。

关键词：无人机;数据缺失;梯度下降优化算法;数据集;曲线拟合

中图分类号：TP301.6 文献标识码：A

文章编号：1009-3044（2020）13-0270-03

1引言

无人机（unmanned Aerial Vehicle，UAV）是利用无线电遥控设备和自备的程序控制装置的不载人飞机[无人机地面控制站（Ground Controll Center，QGC，简称地面站）是一组对无人机发射和回收控制的设备，具有对无人机飞行平台和任务载荷进行监控和操纵的能力。它的能力包括航迹规划、视频回放、实时监测、实时或离线地图、通信数据链等在内，集控制、通信、数据处理于一体，是无人机系统的指挥控制中心。地面站设备可安装在平板、手机或者电脑上。

无人机的数据链系统对遥控指令进行准确传输，具有无人机接收、发送信息的实时性和可靠性，能够使信息及时有效的反馈，保证无人机顺利、准确的完成任务。无人机在空中向地面站发送数据时，数据量较大且要具备实时性，所以无人机在与地面站进行数据通信一般采取UDP通信协议。但是由于UDP协议允许出现丢包的情况，这可能就导致地面站接收的数据与无人机控制中心发送的数据出现不一致的情况。这种情况的出现可能会对监控人员在数据处理及分析过程中产生非常大的影响，甚至会影响到后续工作相应的决策。如果此时能够对缺失数据做出合理的估计，那将会大幅度提高接收到的数据的准确性和可靠性。

2相关工作

目前在数据传输过程中针对数据缺失现象有以下几种处理办法：1）将带有缺失值的样本全部丢弃。这种方法一般不可行，除非缺失数据集相较于整个数据集非常小或者缺失数据非常大。2）使用一个全局常量或特征均值替换缺失值。3）建立预测模型对缺失值进行学习，如利用回归分析、多项式插值、贝叶斯估计、判定树等方法，寻找最可能的值对缺失数据进行填补。

本文采用梯度下降法对数据集进行训练，得到缺失值的估计值，从而减少数据缺失对后续工作带来的影响。

梯度下降算法可以总结为下面的问题：给出一个与参数θ有关的目标函数Le，求得能够使L最小的θ。针对此类问题，梯度下降算法通过不断地向梯度负方向移动参数θ求解。梯度下降算法作为机器学习中较为常用的优化算法，其核心思想就是基于梯度，通过对样本的不断迭代和更新，使得最后得到的预测值最接近真实值。

梯度下降算法主要有三种，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）以及随机梯度下降算法（Stochastic GradientDescent，SGD）。这三种算法的主要区别在于使用多少数据来计算目标函数的梯度。不同的方法主要在准确性和优化速度之间做权衡。但是如何选择合适的学习率和学习率调整策略以及如何跳出最优解，需要选择合适的优化算法解决_31。

目前常用的梯度下降算法的优化算法有NAG、RM-SProp、Adadelta等。

3 RMSPN算法

3.1算法分析

文章提出的优化算法结合了RMSProp和NAG的特点，既可以抑制动荡，加快学习效率，并且能够解决深度过深时，训练便会提前结束的问题，同时该算法适合处理非平稳目标。RM-SPN采用RMSProp的特点，引入一个动量衰减参数r，在每轮迭代中都让r减少一定的比例。这种做法可以限制算法在垂直方向上的动荡，扩大算法在水平方向上的步长，加快算法收敛速度。同时，RMSPN如同NesterovAcceleratedGradient（NAG，涅斯捷罗夫梯度加速）一样，引入一个动量v（velocitvl，在面对某一面较为陡峭的目标函数曲面时，RMSPN在计算梯度的同时，在损失函数中减去动量项，这种计算方式预估了下一次参数所在的位置。这种做法可以阻止算法过快的更新，防止跳过最小值，这种做法在RNNs中有较好的工作效果。

RMSPN还隐式地应用了模拟退火。在向最小值移动的过程中，RMSPN会如同RMSProp一样自动降低步长，以免跳过最小值。

3.2算法过程

从训练集中的随机抽取一批容量为m的样本{x1，x2，...xm}，以及相关的输出yi，在每轮迭代中首先计算下降梯度g，根据梯度g和衰减速率p计算出新的衰减参数r，同时在迭代中更新动量v，最后更新需要得到的参数θ。数据迭代在达到条件后停止。

4实验分析

文章算法在MATLAB2017环境下实现，使用数据集为无人机采集的真实数据。图1-a为原始数据散点图，图1-b为缺失数据集散点图，图2-a为原始數据拟合图，图2-b为缺失数据集拟合图。

从图1可以看到，（b）相比较（a）中的数据缺失较多。

在图2（a1中使用RMSPN算法，可以看出基本每个数据坐标点都在算法得到的数据曲线上。在缺失数据集中使用RMsPN算法拟合的原始数据曲线坐标图如图2fb）所示，可以明显看出该数据曲线与图2（a）效果相差较小，并且曲线光滑，基本覆盖到了每个坐标点，拟合效果较好。

5结论

无人机在向地面站传输数据时出现少传错传的情况可能会对数据处理及分析产生很大的影响。文章提出的优化算法对缺失数据集进行曲线拟合，得到丢失数据的近似值，对缺失数据集进行填补，可以有效地降低这种影响。

实验证明该优化算法能够加快训练收敛速度，减少迭代时间，使得到的模拟曲线更加贴合原数据拟合曲线，估计值与真实值误差较小，表明该方法具有可行性。