[发明专利]基于长短期记忆网络的飞行器轨迹预测的方法

说明书

本发明涉及空战环境、数据处理、深度学习等领域，为提出一种在不确定感知条件下利用长短期记忆网络(LSTM)实现飞行器轨迹预测的方法。为此，本发明采取的技术方案是，基于长短期记忆网络的飞行器轨迹预测的方法,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的轨迹预测模型，定义网络的输入输出，并对网络进行监督训练。本发明主要应用于对无人机飞行轨迹的预测场合。

技术领域

本发明涉及空战环境、数据处理、深度学习等领域，解决了在不确定感知条件下对飞行器飞行轨迹进行预测的问题。具体涉及基于长短期记忆网络的飞行器轨迹预测的方法。

背景技术

当前国际环境下，空军实力是一个国家整体作战实力的体现。实际空战环境下，驾驶员需要根据机载传感器的实时数据信息，实时掌握敌机的飞行状态。若能根据已有的传感器状态参数信息，提前预测敌机的未来状态信息，包括未来可能出现的位置以及可能的飞行轨迹，就有助于我方提前实行拦截、打击、逃避等作战策略，提高我方胜率。因此，通过已知信息动态准确地预测敌方飞行器在下一时刻的位置，具有重要的战略意义。然而，传统的轨迹预测方法存在模型简化严重、考虑因素较少的问题，且难以处理互相耦合的状态信息，因此难以给出较为准确的预测结果。神经网络作为一门新兴的预测方法，相比于传统预测方法，其强大的拟合能力可以对复杂的非线性关系进行描述。

轨迹预测是指利用已有的历史轨迹数据信息，构建预测模型，得到未来时刻的位置点。目前轨迹预测模型构建主要有三种方法：

一是基于关联规则^[1]的轨迹预测。通过挖掘频繁出现的项来构造关联规则，再利用序列匹配法进行轨迹预测。利用关联规则进行轨迹预测主要分为两个子任务：第一部分是频繁项集的挖掘，从已有的历史数据中找出出现频率高的位置点，把这些位置点称为频繁项，组成的集合称为频繁项集；第二部分是生成关联规则，在第一部分中的频繁项集里，计算一个位置出现，另一个位置也出现的概率，这个概率称为置信度，当把当前位置输入到规则库时，输出置信度最高的位置，作为轨迹预测结果。在关联规则算法中，典型的有Apriori^[2]算法，它能快速准确挖掘出关联规则，但是需要重复扫描数据库，产生大量无用的特征集，计算复杂度大。Prefix Span算法按照轨迹出现的顺序来计算频繁项和关联规则，利用前缀投影技术，按时间顺序找某一个位置的后续位置，形成频繁项集，使得位置频繁项集具有一定的连续性。文献[3]将FP-Tree算法和Prefix Span算法相结合，挖掘频繁轨迹，将现有的轨迹与运动规则库相匹配，建立对象位置的概率模型。这一类的研究只考虑历史轨迹信息，挖掘出的频繁项虽然具有一定的连续性，但是中间会跳过某些位置，导致预测结果准确率不高。

二是基于马尔可夫模型的轨迹预测。通过构建状态转移矩阵来计算某一位置点到其它位置点的概率，将当前位置输入到构建完成的矩阵中，依据概率最大确定下一位置，从而得到预测结果。一阶马尔可夫模型只有一个位置的转移概率矩阵，为了获取更为全面的信息，Yang J^[4]设计了高阶马尔可夫模型，利用n个位置的状态信息来预测下一时刻的位置，提高了预测准确率。Qiao S J^[5]提出的基于隐马尔可夫的轨迹预测算法HMTP，对运动中的物体速度变化较快难以预测的问题进行了改进，可以预测物体的连续轨迹。这一类的研究基于的假设都是当前时刻位置信息只与上一时刻相关，得到的都是局部最优解，而高阶马尔可夫计算复杂度较大，不适用于实时预测的需求。