[发明专利]基于重采样下的航迹循环预测方法

权利要求书

1.一种基于重采样下的航迹循环预测方法，其特征在于，包括如下：

(1)对机动目标的历史航迹数据进行滤波和归一化处理；

(2)将重采样周期T'设为系统采样周期T的10倍，将归一化后的航迹数据采样成10根重采样航迹，作为网络数据集，并确定其输入样本维度及标签样本维度；

(3)构建一个依次由双向长短时记忆单元Bi-LSTM层、Dropout层、Dense层、激活层,这四层结构组成的神经网络；

(4)设置最大迭代次数为N和批量大小batch_size，将网络数据集送入搭建好的网络中，运用批量梯度下降法对其网络的参数进行迭代训练，当迭代次数到达N时，得到训练好的网络模型；

(5)对未来一段时间的航迹进行预测：

(5a)采用循环策略处理重采样后的10根航迹数据，以生成用于预测未来航迹的10批数据；

(5b)对循环策略处理后的10批数据通过调用训练好的神经网络参数对其依次进行计算，得到10根预测航迹，并将其按照重采样前的原始航迹的时隙顺序组合成一根预测航迹；

(6)对预测航迹采用smooth方法进行平滑滤波处理，获得最终预测结果。

2.根据权利要求1所述的方法，其特征在于，(1)中对航迹数据进行滤波处理，是采用卡尔曼滤波算法对历史航迹数据进行状态预测和状态更新，以消除系统的量测噪声，其实现如下：

(1a)计算目标下一时刻k的状态预测值和误差协方差P_k|k-1：

其中，k为离散时间周期，F为目标状态转移矩阵，Q为系统过程噪声；

(1b)计算航迹状态更新值和误差协方差更新值P_k|k：

P_k|k＝[I-G_kH_k]P_k|k-1

其中，H为航迹的观测矩阵，R_k为噪声协方差矩阵，T为矩阵转置，Z为雷达量测数据；

(1c)对(1a)和(1b)进行迭代计算，其迭代次数为历史航迹的时隙点数，获得滤波后的目标航迹。

3.根据权利要求1所述方法，其特征在于，(1)中对航迹数据进行归一化处理，公式如下：

其中，x_i为滤波后航迹的第i个时隙数据，X_scaled为归一化后的数据。

4.根据权利要求1所述方法，其特征在于，(2)中将归一化后的航迹数据采样成10根重采样航迹，实现如下：

第1根重采样航迹选取原航迹的第1个时隙作为起始点，进行采样间隔为T'的重采样；

第2根重采样航迹选取原航迹的第2个时隙作为起始点，进行采样间隔为T'的重采样；

以此类推，第10根重采样航迹选取原航迹的第10个时隙作为起始点，进行采样间隔为T'的重采样，使原始航迹变为10根重采样航迹。

5.根据权利要求1所述方法，其特征在于，(2)中确定网络输入样本维度及标签样本维度，实现如下：

对于网络输入样本维度的确定，是先确定输入样本滑动窗口长度W为120，特征数目为1，之后对重采样后的10根航迹数据按照W依次进行滑动分割，并将分割结果进行拼接，获得样本的样本批量为610、维度为610*120*1的网络输入样本；

对于标签样本维度的确定，设标签样本的样本批量和特征数目与输入样本相同，设每批样本的时间步数设为60，即可得到维度为610*60*1的标签样本。

6.根据权利要求1所述方法，其特征在于，(3)中构建的神经网络，其功能和参数如下：

Bi-LSTM层，用于提取历史航迹数据集的变化特征，其隐藏节点数units为200；

Dropout层，用于防止网络在训练过程中的过拟合，其丢弃率dropout_ratio为0.2；

Dense层，用于网络训练时拟合标签样本Y_train，其隐藏节点数units为60；

激活层，用于增强网络模型对非线性数据的适应性，其激活函数为linear激活函数。