[发明专利]基于长短期记忆网络的飞行器轨迹预测的方法

权利要求书

1.一种基于长短期记忆网络的飞行器轨迹预测的方法，其特征是，针对传感器特征向量所带有的噪声干扰，利用卡尔曼滤波进行消除；对于直接获取的状态参数，对其进行数据预处理，包括降采样、无效值剔除、缺失值补足，另外，为了提高计算稳定性，将数据做归一化处理，将输入数据的取值范围纳入[0,1]区间；构建基于LSTM的轨迹预测网络模型，定义网络模型的输入输出，并对网络模型进行监督训练；详细步骤如下：

首先，是从敌我飞行器对抗仿真平台获取所需的特征数据，考虑到飞行器的轨迹受自身、战场环境、敌方动机多种因素影响，归纳得到飞行器轨迹具有连续性、时序性、交互性三个特点：

①连续性是指无人机轨迹是连续变化的，而不是间断的；

②时序性是指轨迹数据是带有时间性质的，且后一个时刻的位置与前一个时刻的位置是有关的，所以轨迹数据本质上是一个时间序列数据；

③交互性是指实际环境下，多机之间是动态变化的复杂过程，一架飞机的机动会影响另一架飞机的机动，一架飞机的位置也会影响另一架飞机的位置；

因此在进行轨迹预测时，除了考虑敌机的位置、姿态、速度外，由于交互性，还要考虑两机的包括23维特征向量：

经度、纬度、高度、俯仰角、滚转角、航向角、方位角、方位角速度、俯仰角速度、北向速度、天向速度、东向速度、北向加速度、天向加速度、东向加速度、水平进入角、相对距离、相对距离变化率、相对高度、雷达状态识别结果、径向速度、真航向、地速；

其次，在获得了特征向量后，由于从传感器获取的原始数据不能直接用作网络输入，需要对其进行预处理，按照1：5的采样间隔对数据进行数据降采样，对数据中的无效值剔除，利用均值填充法对缺失值进行补足，除此之外，由于部分所用参数数值较大，为了提高计算稳定性，将数据做归一化处理，输入数据的取值范围纳入[0,1]区间，归一化公式为：

式中，X为某特征量的实际取值，X_max,X_min分别为所有数据中X的最大值和最小值，Y是归一化后的结果；

使用训练好的预测模型对预测结果进行反归一化，从而与实际值进行误差比较分析，反归一化的公式为：

X＝(X_max-X_min)Y+X_min (2)

在完成了数据处理之后，就得到了规范化的，可供神经网络使用的样本数据集，此时需要按照实际需求构造LSTM网络的输入输出，在选定标签数据时，将下一时刻的经度、纬度、高度作为当前时刻的特征标签，采用滑动窗口法完成数据集的切分，网络的输入由原始数据迭代选取获得，从0开始到第一个time_step为止，由于本次训练选取的time_step是20，即从0到19是第一个输入，1到20是第二个输入，以此类推；输入数据的维度是(N,20,23)，其中N取决于样本集的大小，20是指LSTM的time_step值，23是特征向量的维度，训练网络需要用到标签数据，由于本模型目的是预测飞机未来一步的轨迹，因此，在针对第一个0-19的输入，选择1-20的载机经纬高作为标签，对于第二个1-20的输入，选择2-21的载机经纬高作为标签，以此类推，因此输出数据的维度是(N,20,3)，其中N取决于样本集的大小，20是指LSTM的time_step值，3对应输出的维度，即载机经度、纬度、高度；

最后是构造LSTM网络，使用LSTM作为模型的主体部分，通过构造多层网络结构，学习输入的轨迹相关特征量和下一时刻位置的标签的关系，预测未来可能到达的位置，预测模型主要包括LSTM层、Dropout层、全连接层，选定两层LSTM进行模型搭建：第一层的LSTM网络以二十三维特征量作为输入，第二层以第一层的输出作为输入，第二层输出经过一个全连接层之后，得到最终的网络输出Y，在每一层LSTM网络中添加了Dropout层，利用其控制隐含层节点权重，避免某些轨迹特征只在固定组合下生效，有意识地让网络去学习轨迹普遍的共性，对LSTM输出的特征量经过一个全连接层后，将维度转化为所需的输出纬度；

在确定了网络结构及输入输出之外，用训练样本集对网络进行训练，选定如式(3)所示的均方误差函数作为损失函数：

其中N表示一次训练过程中批量样本的个数，Y_pred表示神经网络输出的预测值，Y_i代表对应的真实值，神经网络训练就是更新权值的过程，网络的优化目标是让E趋近于0，在进行网络训练时，选用自适应矩估计法(adaptive moment estimation，Adam)，适应矩估计法步骤如下：

首先考虑到传统反向传播算法中，权重的更新方向只依赖当前样本得到的梯度，因此借鉴物理中动量(moment)概念，即更新权重时在一定程度上保留之前更新的方向，同时加上当前样本的梯度，得到最终的更新方向，即

式中，s称为动量，也是梯度的一阶矩估计，β₁称为一阶动量衰减系数；

式中，v称为速度量，也是梯度的二阶矩估计，β₂称为二阶动量衰减系数，一般取β₂＝0.999；

进一步为实现学习率的自适应调整，即对于更新较慢的权重采用较大的ε更新，对于更新较快的权重采用较小的ε更新，因此对学习率ε进行调整：

δ为防止分母为零的常数，一般取δ＝10^-8；

在此基础之上，对梯度的一阶和二阶矩估计进行无偏修正：

最后，得到基于Adam算法的权重更新公式：

按照以上的步骤，就完成了LSTM网络的训练，将训练好的模型保存在本地，样本均值、方差参数以txt文件的格式保存，在对待测新样本进行实验时，直接调用这些本地文件；

在进行模型训练及测试时，网络结构参数取值如下表所示：

LSTM网络参数表

对于训练完成的预测模型，输入新的待测数据，对模型预测准确率进行验证；

选取样本数据集时，在仿真对抗环境下，每完成一次仿真对抗，就能得到一组实验数据，即一条轨迹曲线，考虑单个曲线特征点太少，不利于神经网络的学习，因此进行多次实验，将轨迹进行拼接，最终得到包含10600个点的时间序列数据，每一个点都包含二十三维特征量，经过降维之后，得到了维度为(21200,23)的样本集，按照0.75:0.25的比例划分训练集和测试集，得到测试集样本维度为(5300,23)；

为了防止模型在设定的epoch范围内出现过拟合的情况，除了在设计模型时加入Dropout层之外，还对样本数据做处理，针对训练数据，选择其中一部分作为验证数据(valid data)，验证集数据占训练集数据的比例定义为valid_data_rate＝0.15，设定一个耐心值patience＝5，如果验证集迭代次数超过了5次而训练精度和损失没有改善的话，训练提前中止，这称为“训练早停”(Early Stopping)，通过加入验证集，可以避免出现过拟合的情况，完善模型选择。

2.如权利要求1所述的基于长短期记忆网络的飞行器轨迹预测的方法，其特征是，具体步骤如下：

第一步是从机载传感器获取原始的状态信息，共选择二十三维的特征量，作为预测模型的输入；

第二步是对数据进行预处理：首先，原始传感器参数包含一定的噪声干扰，选用卡尔曼滤波法，对其进行消除；其次，为了提高数据利用率，降低计算成本，对原始数据按照1：5进行降采样，并将数据做归一化处理；最后，将无效值剔除，将缺失值补足，完成数据的预处理工作；之后进行输入和标签值的选取：采用滑动窗口法完成数据集的切分，网络的输入由原始数据迭代选取获得，从0开始到第一个time_step为止，由于本次训练选取的time_step是20，即从0到19是第一个输入，1到20是第二个输入，以此类推；输入数据的维度是(N,20,23)，其中N取决于样本集的大小，20是指LSTM的time_step值，23是特征向量的维度，训练网络需要用到标签数据，由于本模型目的是预测飞机未来一步的轨迹，因此，在针对第一个0-19的输入，选择1-20的载机经纬高作为标签，对于第二个1-20的输入，选择2-21的载机经纬高作为标签，以此类推；

第三步是构建基于LSTM的轨迹预测模型，所构建的模型，包含两层的LSTM层，每层LSTM层之后加入了一层Dropout层，避免过拟合现象的出现，将输出的特征量经过一个全连接层后，将维度转化为所需的输出维度。