[發明專利]基于卡爾曼濾波和神經網絡的航跡補全方法

有效

• 申請號: 202110658740.4
• 申請日: 2021-06-15
• 公開（公告）號: CN113408392B
• 公開（公告）日: 2023-03-10
• 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: G06V20/40
• 分類號: G06V20/40;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于卡爾曼濾波和神經網絡的航跡補全方法，其特征在于，包括如下：

(1)對航跡中斷前的歷史航跡數據依次進行歸一化和確定輸入樣本維度及標簽樣本維度的預處理；

(2)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；該神經網絡功能和參數如下：

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300；

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256；

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；

(3)設置最大迭代次數為N和批量大小，將預處理后的航跡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；

(4)取航跡中斷前的部分數據送入keras框架下的predict函數中，通過調用訓練好的網絡參數對中斷周期內的航跡進行計算，得到中斷周期內的預測航跡；

(5)對中斷周期內航跡進行校正：

(5a)利用中斷后第一個周期的航跡量測作為初始值進行逆向卡爾曼一步預測，是運用卡爾曼算法對航跡的前一時刻的狀態信息和協方差矩陣P(k-1|k)進行反向一步預測，公式如下：

其中，k表示離散時間周期，是k時刻的n維狀態向量，F(k)是k時刻的狀態轉移矩陣，Q(k)表示過程噪聲，P(k)為協方差矩陣；

(5b)對卡爾曼的一步預測結果采用卡爾曼濾波更新算法進行校正，即將(4)得到的預測航跡作為已知量測信息對卡爾曼一步預測結果進行校正，校正后航跡即為補全結果。

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

其中，x_i為數據集中的第i個原始樣本，X_scaled為歸一化后的樣本。

3.根據權利要求1所述方法，其特征在于，(1)中確定輸入樣本維度及標簽樣本維度，是將輸入樣本X_train的樣本批量設為610，每批樣本的時間步數為120個周期，每批樣本的特征數目為1，即輸入樣本維度為610*120*1；將標簽樣本Y_train的樣本批量設為610，每批樣本的時間步數為60個周期，每批樣本的特征數目為1，即標簽樣本維度為610*60*1。

4.根據權利要求1所述方法，其特征在于，(3)中運用小批量梯度下降法對神經網絡的參數進行迭代訓練，實現如下：

(3a)設置數據批量大小batch_size為64，將航跡數據集按照數據批量大小分割成多個小批量數據，將這些小批量數據依次送入神經網絡中進行單次訓練；

(3b)設置網絡優化算法為自適應矩估計算法Adam，通過計算和校正每輪訓練梯度的一階矩和二階矩來優化網絡參數；

(3c)設置網絡最大迭代次數為150，重復(3a)和(3b)共150次，得到訓練好的網絡模型。

5.根據權利要求1所述方法，其特征在于，(4)中運用keras框架下的predict函數對中斷航跡進行預測，是將predict函數的輸入設置為航跡中斷前120周期的航跡數據，調用訓練好的神經網絡參數對該predict函數的輸入數據進行計算，得到航跡中斷60周期內的航跡數據，即為正向預測航跡。

6.根據權利要求1所述的方法，其特征在于，(5b)中運用卡爾曼濾波更新算法對卡爾曼一步預測結果進行反向校正，實現如下：

(5b1)計算航跡k-1時刻的增益矩陣G(k-1)：

G(k-1)＝P(k-1|k)H^T(HP(k-1|k)H^T+R(k))，

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；

(5b2)將(4)得到的預測航跡作為已知量測Z，更新航跡k-1時刻的狀態信息，公式如下：

其中，為更新后的狀態信息，G(k-1)為k-1時刻的增益矩陣，Z(k-1)為k-1時刻的航跡量測；

(5b3)重復(5a)、(5b1)和(5b2)共60次，得到航跡中斷期間內60個周期的航跡，即為最終補全結果。