【技术实现步骤摘要】
Prediction Based on GRU Neural Network.2019IEEE/AIAA 38th Digital Avionics Systems Conference(DASC),2019,pp.1
‑
8.
[0008][3]奚之飞,徐安,寇英信,李战武,杨爱武.基于改进粒子群算法辨识Volterra 级数的机动目标轨迹预测[J].航空学报,2020,41(12):355
‑
374.
[0009][4]M.Lv,X.Zhang,H.Chen,C.Ling and J.Li.An Accurate Online Prediction Model for Kiln Head Temperature Chaotic Time Series.IEEE Access,vol.8,pp. 44288
‑
44299,2020.
技术实现思路
[0010]本专利技术公开了一种基于动态滑动窗口辨识的机动目标轨迹在线预测方法,通过提出动态滑动窗口的方法,同时对滑窗内的数据进行赋权值处理,增加轨迹数据的可靠性,然后使用改进初始化方法的粒子群算法在线辨识Volterra级数预测模型的参数,减少计算消耗时间,最后结合残差补偿法对预测值进行校正,提高轨迹预测精度,实现机动目标轨迹的在线精准预测。
[0011]为了实现上述目的,本专利技术采用以下技术方案:
[0012]基于动态滑动窗口辨识的机动目标轨迹在线预测方法,包括以下步骤:步骤 1:实时探测机动目标的轨迹数据, ...
【技术保护点】
【技术特征摘要】
1.基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:包括以下步骤:步骤1:实时探测机动目标的轨迹数据,具体的:设定无线传感器网络可以实时观测到机动目标的位置坐标信息,对于已采集的历史轨迹数据表现为时间序列的形式,记为x(n),n=1,2,
…
,N;采用改进的C
‑
C方法确定重构相空间的嵌入维数m和延迟时间τ,将所述历史轨迹数据重构到m维相空间,重构后多维时间序列记为X
l
,l=1,2,
…
,M;步骤2:建立预测模型,具体的:根据步骤1中所述重构相空间的嵌入维数m和延迟时间τ,建立下述基于相空间的p阶Volterra级数预测模型:其中,为预测值;h0为常数项参数;h
d
(i1,i2,
…
,i
d
)为d阶Volterra核参数,i
d
=0,1,
…
,m
‑
1,d=1,2,
…
,p;p为模型阶数;m为嵌入维数;x(n
‑
i
j
τ)为历史轨迹数据序列,n=1,2,
…
,N,j=1,2,
…
,d;τ为延迟时间;步骤3:建立动态滑动窗口,具体的:根据步骤1所述已采集的历史轨迹数据确定动态滑动窗口的固定部分长度,记为w;根据机动目标的轨迹特征以及算法的预测误差确定滑动窗口的动态调节部分长度,记为Δw;动态滑动窗口的长度由所述固定部分和动态调节部分构成,记为W;对于实时移动的机动目标,从t=t1时刻开始,每个时刻都采样一个轨迹数据进入滑动窗口,并且窗口中最早的一个数据将被移除;每个时刻都进行一次轨迹预测;在t=t
k
时刻,动态滑动窗口内的机动目标轨迹坐标数据记为x(j),j=k,k+1,
…
,k+W
‑
1;步骤4:动态调节滑动窗口的长度,具体的:根据步骤3所述滑动窗口的动态调节部分长度由机动目标的轨迹特征以及算法的预测误差确定;从所述t=t1时刻开始预测,设定预测时间周期,记为T,在每次周期开始前对滑动窗口的长度进行动态调整;定义第r个时间周期内的轨迹数据均值波动为V
r
,第r个时间周期内的平均绝对预测误差为E
r
;由所述轨迹数据均值波动和平均绝对预测误差计算动态调节部分的长度Δw;步骤5:对滑动窗口内数据赋权值,具体的:根据步骤3和步骤4所构建的动态滑动窗口在线选取最新的机动目标轨迹数据,使用所述嵌入维数m和延迟时间τ对窗口内的数据进行相空间重构,并改为Volterra级数预测模型的输入数据形式,记为U(l),l=1,2,
…
,M;结合sigmoid函数,对动态滑动窗口内的各个数据按照递增的原则赋予权重,记为α
l
,l=1,2,
…
,M;步骤6:调用粒子群算法并设置初始参数,具体的:根据步骤5得到具有权重的动态滑动窗口数据,将其作为粒子群算法的训练数据;设定粒子群算法迭代次数从ite=1开始,最大迭代次数为ite
max
,种群规模为NP,搜索空间维数为D,搜索上限为搜索下限为x;步骤7:种群初始位置设置,具体的:根据步骤5和步骤6得到动态滑动窗口以及粒子群算法初始参数,判断是否首次调用粒
子群算法;若是,采用均分网格法初始化种群位置:首先将所述搜索上限x和搜索下限x平均划分为q+1个间隔值I
k
;将每个间隔值I
k
扩充为D维的网格向量对于所述D维网格向量从第1维开始,将值I1依次替换为I
k
,k=2,3,
…
q+1,其余D
‑
1维仍为I1,直到第D维,记录每次更改所生成的网格向量;以此类推,将所有网格向量重复上述过程;使用所述方法共生成(q+1)
×
((D
×
q)+1)组D维网格向量;将所述网格向量代入适应度函数中,选取适应度值最小的NP组网格向量作为粒子群算法的种群初始位置,记为否则,使用上次保存的粒子最优位置作为本次调用粒子群算法的种群初始位置,记为步骤8:粒子群辨识寻优,具体的:根据步骤7得到粒子群初始位置同时随机初始化粒子群速度开始循环迭代,在第ite=j轮迭代:将种群位置向量依次代入加权适应度函数中,i=1,2,
…
,NP,计算出全体粒子的适应度值;由所述适应度值得到第i个粒子的历史最优位置pbest
i
,以及第j轮迭代的种群历史最优位置gbest;由速度和位置进化规则对种群位置进行进化;重复上述过程直至到达所述最大迭代次数ite
max
,保存种群最优位置;步骤9:轨迹预测,具体的:根据步骤8所得最优粒子位置作为所述Volterra级数预测模型的参数,将所述动态滑动窗口内的数据作为预测模型的输入数据,计算得到机动目标的在t=t
k
时刻的单步轨迹预测值步骤10:残差补偿法校正预测值,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。