[發明專利]基于重采樣下的航跡循環預測方法

有效

• 申請號: 202110658739.1
• 申請日: 2021-06-15
• 公開（公告）號: CN113393032B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 劉向麗;宋儀雯;柯勵;李贊;王志國;李學楠
• 申請（專利權）人: 西安電子科技大學;西安交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/214;G06N3/0442;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于重采樣下的航跡循環預測方法，其特征在于，包括如下：

(1)對機動目標的歷史航跡數據進行濾波和歸一化處理；

(2)將重采樣周期T'設為系統采樣周期T的10倍，將歸一化后的航跡數據采樣成10根重采樣航跡，作為網絡數據集，并確定其輸入樣本維度及標簽樣本維度；

(3)構建一個依次由雙向長短時記憶單元Bi-LSTM層、Dropout層、Dense層、激活層,這四層結構組成的神經網絡；

(4)設置最大迭代次數為N和批量大小batch_size，將網絡數據集送入搭建好的網絡中，運用批量梯度下降法對其網絡的參數進行迭代訓練，當迭代次數到達N時，得到訓練好的網絡模型；

(5)對未來一段時間的航跡進行預測：

(5a)采用循環策略處理重采樣后的10根航跡數據，以生成用于預測未來航跡的10批數據；

(5b)對循環策略處理后的10批數據通過調用訓練好的神經網絡參數對其依次進行計算，得到10根預測航跡，并將其按照重采樣前的原始航跡的時隙順序組合成一根預測航跡；

(6)對預測航跡采用smooth方法進行平滑濾波處理，獲得最終預測結果。

2.根據權利要求1所述的方法，其特征在于，(1)中對航跡數據進行濾波處理，是采用卡爾曼濾波算法對歷史航跡數據進行狀態預測和狀態更新，以消除系統的量測噪聲，其實現如下：

(1a)計算目標下一時刻k的狀態預測值和誤差協方差P_k|k-1：

其中，k為離散時間周期，F為目標狀態轉移矩陣，Q為系統過程噪聲；

(1b)計算航跡狀態更新值和誤差協方差更新值P_k|k：

P_k|k＝[I-G_kH_k]P_k|k-1

其中，H為航跡的觀測矩陣，R_k為噪聲協方差矩陣，T為矩陣轉置，Z為雷達量測數據；

(1c)對(1a)和(1b)進行迭代計算，其迭代次數為歷史航跡的時隙點數，獲得濾波后的目標航跡。

3.根據權利要求1所述方法，其特征在于，(1)中對航跡數據進行歸一化處理，公式如下：

其中，x_i為濾波后航跡的第i個時隙數據，X_scaled為歸一化后的數據。

4.根據權利要求1所述方法，其特征在于，(2)中將歸一化后的航跡數據采樣成10根重采樣航跡，實現如下：

第1根重采樣航跡選取原航跡的第1個時隙作為起始點，進行采樣間隔為T'的重采樣；

第2根重采樣航跡選取原航跡的第2個時隙作為起始點，進行采樣間隔為T'的重采樣；

以此類推，第10根重采樣航跡選取原航跡的第10個時隙作為起始點，進行采樣間隔為T'的重采樣，使原始航跡變為10根重采樣航跡。

5.根據權利要求1所述方法，其特征在于，(2)中確定網絡輸入樣本維度及標簽樣本維度，實現如下：

對于網絡輸入樣本維度的確定，是先確定輸入樣本滑動窗口長度W為120，特征數目為1，之后對重采樣后的10根航跡數據按照W依次進行滑動分割，并將分割結果進行拼接，獲得樣本的樣本批量為610、維度為610*120*1的網絡輸入樣本；

對于標簽樣本維度的確定，設標簽樣本的樣本批量和特征數目與輸入樣本相同，設每批樣本的時間步數設為60，即可得到維度為610*60*1的標簽樣本。

6.根據權利要求1所述方法，其特征在于，(3)中構建的神經網絡，其功能和參數如下：

Bi-LSTM層，用于提取歷史航跡數據集的變化特征，其隱藏節點數units為200；

Dropout層，用于防止網絡在訓練過程中的過擬合，其丟棄率dropout_ratio為0.2；

Dense層，用于網絡訓練時擬合標簽樣本Y_train，其隱藏節點數units為60；

激活層，用于增強網絡模型對非線性數據的適應性，其激活函數為linear激活函數。