[發明專利]一種基于神經網絡的無人機航跡預測方法

在審

• 申請號: 202010470329.X
• 申請日: 2020-05-28
• 公開（公告）號: CN111898749A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 王昊;余波;權雙龍;徐達龍;王巖
• 申請（專利權）人: 南京理工雷鷹電子科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 朱寶慶

本發明公開了一種基于神經網絡的無人機航跡預測方法，包括，獲取無人機量測的原始數據集并進行分類；對原始數據集進行處理，得到訓練集；構建無人機航跡的預測神經網絡；對構建的預測神經網絡進行充分訓練并輸出訓練后的預測神經網絡；采集待預測的無人機航行點跡；輸入訓練后的預測神經網絡中獲取預測航跡。本發明的有益效果：本發明提出的無人機航跡預測方法，是基于大量目標無人機航跡數據，訓練得到與雷達相匹配的目標無人機航跡預測網絡，該方法下得到的預測網絡具有準確率高、適用范圍廣、實用效果好等優點，適合在實際應用中推廣使用。

技術領域

本發明涉及目標跟蹤的技術領域，尤其涉及一種基于神經網絡的無人機航跡預測方法。

背景技術

近年來，目標跟蹤是雷達數據處理的核心關鍵技術，其通過概率加權模型、綜合波門、以及航跡數據可以建立雷達每幀量測數據與目標間的對應關系，得到目標的運動軌跡和運動參數，從而實現對同一目標的追蹤。其中，無人機航跡預測屬于目標跟蹤的一類，其對于無人機沖突檢測、任務規劃及異常管控至關重要。現有的航跡預測方法隱藏在航跡濾波環節，基于濾波的目標狀態轉移模型進行預測。而常用的基本目標狀態轉移模型則包括勻速模型、常加速度模型、協同轉彎模型、Singer模型、當前統計模型和Jerk模型等。現有的預測方法存在模型簡單、能力有限、泛化性不足等問題，在實際運用中，由于目標運動模型未知，現有算法預測效果時好時壞，難以在目標任何運動模式下均取得穩定、良好的預測效果。同時現有預測方法還存在參數無法確定的問題，需要人工進行反復的修改和調試，并且調試后的航跡預測效果也難以達到最優。綜上所述，現有的航跡預測方法存在模型簡單、復雜度低、通適性差、缺乏學習能力等問題，難以根本整體上解決航跡預測問題。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有存在的問題，提出了本發明。

因此，本發明解決的技術問題是：提出一種基于神經網絡的無人機航跡預測方法，能夠通過神經網絡對航跡進行關聯和預測，并且提升預測的穩定性和準確性。

為解決上述技術問題，本發明提供如下技術方案：一種基于神經網絡的無人機航跡預測方法，包括，獲取無人機量測的原始數據集并進行分類；對原始數據集進行處理，得到訓練集；構建無人機航跡的預測神經網絡；對構建的預測神經網絡進行充分訓練并輸出訓練后的預測神經網絡；采集待預測的無人機航行點跡；輸入訓練后的預測神經網絡中獲取預測航跡。

作為本發明所述的基于神經網絡的無人機航跡預測方法的一種優選方案，其中：所述獲取原始數據集還包括，通過雷達采集無人機的點跡數據和跟蹤航跡數據；對采集到的數據進行凝聚；將凝聚后點跟雷達終端一個單元的雜波值進行比較，若點幅值大于單元雜波值的三倍，則認為是可以起批的目標；根據單元雜波值和凍結因子決定后續時刻單元雜波值是否更新；利用角度信息從所有量測中篩選出與航跡進行關聯的點跡；對經過以上步驟處理的點跡數據進行量綱轉換，得到經過處理后的原始數據集。

作為本發明所述的基于神經網絡的無人機航跡預測方法的一種優選方案，其中：所述對原始數據集進行分類包括根據場景分類和根據時間段分類。

作為本發明所述的基于神經網絡的無人機航跡預測方法的一種優選方案，其中：所述構建的預測神經網絡還包括設置網絡的傳輸形式、網絡層數、每層神經元數量以及所采用的激勵函數。

作為本發明所述的基于神經網絡的無人機航跡預測方法的一種優選方案，其中：所述訓練集包括訓練數據集和標簽數據集，對兩個數據集進行標準化預處理，生成無量綱訓練數據集。