一种航空器位置预测的方法及装置制造方法及图纸

本发明专利技术实施例提供了航空器位置预测的方法及装置，包括：获取航空器的前k个时刻的位置数据，将前k个时刻的位置数据输入到神经网络NN1中，输出符合航空器当前运动状态的运动状态模型的模型类型，按照模型类型，使用前m+1个时刻的位置数据，计算运动状态模型的模型参数，得到运动状态模型，基于符合航空器当前运动状态的运动状态模型，计算下一时刻航空器可能处于的位置，作为航空器的位置预测值；应用本发明专利技术实施例，通过使用神经网络NN1快速准确地选择最合适的运动状态方程，解决了使用传统卡尔曼滤波算法时运动状态方程更新周期长的问题，使得航空监控系统能够准确地监视到航空器的位置信息。与现有技术相比，提高了航空器位置预测的准确度。

A Method and Device for Predicting Aircraft Position

The embodiment of the present invention provides a method and device for aircraft position prediction, which includes acquiring the position data of the first k moments of the aircraft, inputting the position data of the first k moments into the neural network NN1, outputting the model type that conforms to the current motion state model of the aircraft, and calculating the motion state model by using the position data of the first m+1 moments according to the model type. Based on the motion state model in accordance with the current motion state of the aircraft, the possible position of the aircraft at the next moment can be calculated as the position prediction value of the aircraft. The embodiment of the present invention solves the problem of using the traditional Kalman filter algorithm by using the neural network NN1 to quickly and accurately select the most suitable motion state equation. The problem of long updating period of motion state equation makes the position information of aircraft accurately monitored by the aviation monitoring system. Compared with the existing technology, the accuracy of aircraft position prediction is improved.

【技术实现步骤摘要】
一种航空器位置预测的方法及装置
本专利技术涉及航空器位置预测的
，特别涉及一种航空器位置预测的方法及装置。
技术介绍
随着运输业的发展和国民经济的增长，民用航空业也在蓬勃发展，使得国内通用航空飞行量不断增长，这就对全球范围航空器的位置监控提出了更高要求。一系列的航空事故都凸显航空器监视的紧迫性和必要性。在航空器监视领域，一般会使用雷达测量航空器的位置，然后选择合适的滤波算法处理雷达数据，对航空器的未来位置进行预测，进而对航空器飞行活动进行监视和控制，保证飞行安全和有秩序飞行。在目前的航空器监视系统中，一般采用卡尔曼滤波算法对雷达数据进行处理。其主要思想是根据当前时刻的测量值和预测值更新系统的状态矩阵，然后根据已更新的状态矩阵，通过计算预测下一时刻的航空器位置。然而采用上述方法，当航空器在非匀速直线运动状态时，状态方程的更新需要相对较长的时间周期，导致在该周期内的航空器位置预测精度过低。
技术实现思路
本专利技术实施例的目的在于提供一种基于神经网络的航空器位置预测方法，使得航空监视系统能够对航空器的位置进行精准地预测。具体技术方案如下：为了达到上述目的，本专利技术实施例提供了一种航空器位置预测方法，所述方法包括：获得航空器的前k个时刻的位置数据；将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。进一步的，所述位置预测值为第一阶段位置预测值；在所述计算下一时刻所述航空器可能处于的位置之后，还包括：将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。进一步的，所述获得航空器的前k个时刻的位置数据，包括：获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。进一步的，所述神经网络NN1能够输出的运动状态模型包括如下三种：第一种：匀速直线运动模型；第二种：匀变速直线运动模型；第三种：匀变加速直线运动模型。进一步的，所述按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，包括：使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：其中，ti为前m+1个时刻中第i个时刻对应的时间值，xi为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a0、a1…an为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。本专利技术实施例还提供了一种航空器位置预测装置，所述装置包括：位置数据采集模块，用于获得航空器的前k个时刻的位置数据；神经网络NN1模块，用于将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；运动状态模型计算模块，用于按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；第一位置计算模块，用于基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。进一步的，所述位置预测值为第一阶段位置预测值，所述装置，还包括：神经网络NN2模块，用于将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；第二位置计算模块，用于将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。进一步的，所述位置数据采集模块，具体用于获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。进一步的，所述神经网络NN1模块能够输出的运动状态模型包括如下三种：第一种：匀速直线运动模型；第二种：匀变速直线运动模型；第三种：匀变加速直线运动模型。进一步的，所述运动状态模型计算模块，具体用于使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：其中，ti为前m+1个时刻中第i个时刻对应的时间值，xi为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a0、a1…an为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。本专利技术实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述任一航空器位置预测方法的步骤。本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一航空器位置预测方法的步骤。本专利技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一航空器位置预测方法的步骤。本专利技术实施例有益效果：本专利技术实施例提供的一种基于神经网络的航空器位置预测的方法，通过使用神经网络NN1快速准确地选择最合适的运动状态方程，并且采用神经网络NN2对位置预测数据进行校准，解决了使用传统卡尔曼滤波算法时运动状态方程更新周期长的问题，使得航空监控系统能够准确地监视到航空器的位置信息。当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。图1为本专利技术实施例提供的航空器位置预测方法的流程图；图2为本专利技术实施例提供的航空器位本文档来自技高网...

【技术保护点】
1.一种航空器位置预测方法，其特征在于，包括：获得航空器的前k个时刻的位置数据；将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。

【技术特征摘要】
1.一种航空器位置预测方法，其特征在于，包括：获得航空器的前k个时刻的位置数据；将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。2.根据权利要求1所述的方法，其特征在于，所述位置预测值为第一阶段位置预测值；在所述计算下一时刻所述航空器可能处于的位置之后，还包括：将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。3.根据权利要求1所述的方法，其特征在于，所述获得航空器的前k个时刻的位置数据，包括：获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。4.根据权利要求1所述的方法，其特征在于，所述神经网络NN1能够输出的运动状态模型包括如下三种：第一种：匀速直线运动模型；第二种：匀变速直线运动模型；第三种：匀变加速直线运动模型。5.根据权利要求1所述的方法，其特征在于，所述按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，包括：使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：其中，ti为前m+1个时刻中第i个时刻对应的时间值，xi为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a0、a1…an为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。6.一种航空器位置...

【专利技术属性】
技术研发人员：高占春，蒋砚军，华健，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11