[發明專利]基于Mogrifier-BiGRU的飛行器機動軌跡預測方法

有效

• 申請號: 202010957288.7
• 申請日: 2020-09-13
• 公開（公告）號: CN112115550B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 張堃;時昊天;李珂;華帥
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06N3/04;G06N3/08;G06F111/10;G06F119/12
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 劉新瓊

本發明提供了一種基于Mogrifier?BiGRU的飛行器機動軌跡預測方法，將BiGRU和飛行器機動軌跡預測問題進行結合，充分考慮了循環網絡隱層輸出數據與輸入數據間的耦合缺失問題，引入了Mogrifier耦合函數，解決了權重參數更新過程中歷史信息被錯誤拋棄的問題。本發明可以很好地實現飛行器機動軌跡數據預測，極大地提高了六自由度機動軌跡數據預測的準確性與超前性，同時該網絡模型對傳入數據的序列長度及維度不具有限定，對數據具有較強的適應性，為提前判斷目標飛行器位置和姿態信息提供了可靠的支持。

技術領域

本發明涉及飛行器飛行控制和人工智能領域，具體涉及一種飛行器多維機動軌跡預測方法。

背景技術

隨著航空科技的高速發展，對目標飛行器的機動及軌跡數據的預測技術成為世界各國科學研究領域的熱點之一。傳統的飛行器機動軌跡數據預測常采用線性回歸法、差分自回歸滑動平均模型、隱馬爾可夫過程、時間序列分解法等，但這些方法無法充分分析各數據維度間的關聯關系，因此在面對高維機動軌跡數據時，其預測準確性存在一定的局限。近些年，由于深度學習方法與人工智能理論的迅猛發展，在時序數據預測方面展現出了巨大的優勢，利用深度學習強大的擬合能力，在飛行器機動軌跡數據的維度及序列長度問題上具有很強的適應性，能夠深入剖析理解各維度數據間的關聯特性，使預測特征得到充分表征。雙向循環神經網絡(BiRNN)于1997年由Schuster等人提出，該方法所包含的節點單元更新方式使得網絡可以同時學習正向及反向時序數據間的關聯關系，相比于單向RNN，大量的實驗證明該方法在文本預測中可以取得更優異的表現，同時該方法也被證實在時序數據預測中具有更明顯的優勢。但RNN網絡存在梯度消失與梯度爆炸的問題，導致網絡遲遲無法收斂甚至發散，BiRNN同樣存在該問題，在多維飛行器數據學習訓練過程中常常無法正確地進行網絡權值更新。門控循環單元(GRU)于2014年由Cho、Kyunghyun等人提出，該方法當前在文本預測、時序數據預測上表現出其特有的優勢，但在飛行器機動軌跡預測上少有應用，結合BiRNN思路的雙向GRU網絡(BiGRU)將可以提升飛行器機動軌跡預測準確率至更高的水平，但傳統的循環神經網絡都忽略了隱層輸出與輸入數據之間的耦合缺失問題。考慮到隱層輸出信息與后續時刻輸入數據間并不為完全獨立的現實情況，Gábor Melis等人于2019年提出Mogrifier-LSTM網絡，該網絡創造性地將隱層輸出與后續輸入進行耦合，解決了兩者之間耦合缺失的問題，其構建的Mogrifier模塊同樣可隨網絡的優化進行參數自更新，但該文章所提出的模型是基于改進的單層單向的LSTM網絡結構，其學習記憶能力存在一定的局限性，經測試對多維的飛行機動軌跡預測能力不足以達到準確性需求。

發明內容

為了克服現有技術飛行器機動軌跡預測準確性、泛化性不足的問題以及上述各模型所存在的缺陷，本發明在綜合分析上述各模型優缺點的基礎上，進行了方法與模型結構的整合改進，提出一種基于改進的多層雙向門控循環單元網絡(Mogrifier-BiGRU)的飛行器機動軌跡預測方法，采用雙向門控循環單元(BiGRU)模型進行飛行數據預測，能夠克服RNN網絡梯度消失難以收斂以及單向GRU網絡準確性難以達到需求的弊端。同時本發明在網絡前后向數據傳播過程中，引入Mogrifier耦合模塊，解決權重參數更新過程中歷史信息被錯誤拋棄的問題。本發明對預測數據的維度及序列長度有較強的適應性，可同時進行包含位置信息及姿態角信息在內的多維度飛行機動軌跡數據預測，能夠充分理解飛行數據各維度間的關聯性，有效地提高對飛行器機動軌跡數據預測的準確性與超前性，為提前判斷目標飛行器位置和姿態信息提供可靠的支持。

本發明解決其技術問題所采用的技術方案包括以下步驟：

1)建立固定間隔時序條件下飛行器的機動軌跡數據集；

2)將機動軌跡數據集按照設定比例分割為訓練集與測試集，并進行數據歸一化處理；

3)建立Mogrifier隱層輸出與網絡輸入耦合交互模型