智慧城市下无人机的状态预测方法及其系统技术方案

本申请智慧城市的无人机通信的领域，其具体地公开了一种智慧城市下无人机的状态预测方法及其系统，其通过基于上下文的编码器对预定时间段内的无人机的运动状态数据进行全局性的高维关联特征提取，并利用卷积神经网络模型对所述预定时间段内的回波信号的波形图进行隐含特征的挖掘，进一步再基于所述激活矩阵构造波形修正网络，也就是，同时使用了所述激活矩阵的关联参数空间和所述真实样本的高维特征空间中的梯度信息，并通过对两者的嫁接，来现了对所述关联参数空间的直接优化。这样，能够在推断过程中获取修正后的波形图，进而也就可以更准确地预测所述无人机的位置，以对所述无人机进行准确的波束赋形。述无人机进行准确的波束赋形。述无人机进行准确的波束赋形。

【技术实现步骤摘要】
智慧城市下无人机的状态预测方法及其系统


[0001]本申请涉及智慧城市的无人机通信的领域，且更为具体地，涉及一种智慧城市下无人机的状态预测方法及其系统。

技术介绍

[0002]现如今，随着全球范围内数据科学化的崛起和城市信息化的发展，智慧城市已经成为未来城市化发展的新实践和新追求。在智慧城市建设的过程中，信息化网络与技术发挥着不可替代的重要作用，面对未来无线网络中高度多样化的应用需求，无人机(Unmanned Aerial Vehicles，UAV)空中通信被认为是现阶段提高通信覆盖率并在必要时作为卫星通信备份选择的最有效方案之一。
[0003]无人机作为空中的通信中继，主要应用于智慧城市中，其工作原理类似于卫星，但飞行高度低于卫星，因此部署起来更加灵活。与卫星的通信平台相比，其系统的构筑简单，而且还可以充分利用其高速、低滞后的通信能力，来实现低功耗的系统通信。无人机的基本任务是从远程位置收集数据，并需要可靠的数据传输系统来与其他无人机或地面上的基础设施共享所收集的数据。此外，由于具有便携性的优势，无人机经常作为通信中继来为大型会议活动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智慧城市下无人机的状态预测方法，其特征在于，包括：训练阶段，包括：获取预定时间段内多个时间点的无人机的运动状态数据，所述运动状态数据包括沿X轴方向、Y轴方向和Z轴方向上的位移、速度和加速度；将所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量；将所述多个运动特征向量进行二维排列以获得运动特征矩阵；获取所述预定时间段内的回波信号的波形图；将所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵；计算所述波形特征矩阵和所述运动特征矩阵之间的激活矩阵，其中，所述激活矩阵乘以所述波形特征矩阵等于所述运动特征矩阵；将所述激活矩阵和已修正的波形特征矩阵分别输入第二卷积神经网络和第三卷积神经网络以获得第一特征图和所述第二特征图；将所述第一特征图和所述第二特征图分别通过分类器以获得第一分类损失函数值和第二分类损失函数值；基于所述预定时间段内的气压值和风速值，分别计算所述第一特征图和所述第二特征图的交叉熵损失函数值；基于所述第一分类特征图和所述第二分类特征图的分类损失函数值和交叉熵损失函数值来计算所述第一分类特征图和所述第二分类特征图的第一损失函数值和第二损失函数值；基于所述第一损失函数值和所述第二损失函数值并通过梯度嫁接的方式来训练所述第二卷积神经网络，其中，所述梯度嫁接的方式基于所述第一损失函数值相对于所述第二损失函数值的偏导和所述第二损失函数值相对于所述第二卷积神经网络的参数的偏导的乘积来进行；以及推断阶段，包括：获取预定时间段内多个时间点的无人机的运动状态数据，所述运动状态数据包括沿X轴方向、Y轴方向和Z轴方向上的位移、速度和加速度；将所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量；将所述多个运动特征向量进行二维排列以获得运动特征矩阵；获取所述预定时间段内的回波信号的波形图；将所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵；计算所述波形特征矩阵和所述运动特征矩阵之间的激活矩阵，其中，所述激活矩阵乘以所述波形特征矩阵等于所述运动特征矩阵；以及将所述激活矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得修正后的波形图。2.根据权利要求1所述的智慧城市下无人机的状态预测方法，其中，将所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量，包括：
使用所述编码器的嵌入层将所述多个时间点的无人机的运动状态数据分别映射到运动输入向量以获得运动输入向量的序列；以及将所述运动输入向量的序列输入所述编码器的转换器以获得所述多个运动特征向量。3.根据权利要求2所述的智慧城市下无人机的状态预测方法，其中，将所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述波形特征矩阵，其中，所述第一卷积神经网络的输入为所述波形图。4.根据权利要求3所述的智慧城市下无人机的状态预测方法，其中，将所述激活矩阵和已修正的波形特征矩阵分别输入第二卷积神经网络和第三卷积神经网络以获得第一特征图和所述第二特征图，包括：所述第二卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述第一特征图，其中，所述第二卷积神经网络的第一层的输入为所述激活矩阵；以及所述第三卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征图，其中，所述第三卷积神经网络的第一层的输入为所述已修正的波形特征矩阵。5.根据权利要求4所述的智慧城市下无人机的状态预测方法，其中，将所述第一特征图和所述第二特征图分别通过分类器以获得第一分类损失函数值和第二分类损失函数值，包括：所述分类器以如下公式分别对所述第一特征图和所述第二特征图进行处理获得第一分类结果和第二分类结果，其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}，其中Project(F)表示将特征图投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置矩阵；计算所述第一分类结果与第一真实值的交叉熵数值作为所述第一分类损失函数值；以及计算所述第二分类结果与第二真实值之间的交叉熵数值作为所述第二分类损失函数值。6.根据权利要求5所述的智慧城市下无人机的状态预测方法，其中，基于所述第一损失函数值和所述第二损失函数值并通过梯度嫁接的方式来训练所述第二卷积神经网络，包括：基于所述第一损失函数值和所述第二损失函数值并通过梯度嫁接的方式以如下公式来训练所述第二卷积神经网络；其中，所述公式为：其中θ

【专利技术属性】
技术研发人员：刘刚，
申请(专利权)人：杭州岐航科技有限公司，
类型：发明
国别省市：