一种混合型目标航迹预测方法及系统技术方案

本发明专利技术涉及目标轨迹预测技术领域，公开了一种混合型目标航迹预测方法及系统，一种混合型目标航迹预测方法，将卡尔曼滤波算法和长短时记忆神经网络模型相结合，对目标轨迹进行预测。本发明专利技术解决了现有技术存在的飞行目标轨迹预测的有效性和准确性还有较大提升空间等问题。题。题。

A hybrid target track prediction method and system

【技术实现步骤摘要】
一种混合型目标航迹预测方法及系统


[0001]本专利技术涉及目标轨迹预测
，具体是一种混合型目标航迹预测方法及系统。

技术介绍

[0002]目标轨迹预测是保证目标航行安全、规划飞行航迹和搜寻空中目标等任务的关键技术，作为航空、交通管制、军事等领域的重点研究问题，一直受到学界和工业界广泛关注。随着近现代信息科学技术的不断发展，目标轨迹预测的方法和模型也在不断地更新和改进。目标轨迹预测即利用当前时刻目标的状态信息预测目标下一时刻的状态，该任务可等效地看作为针对时间序列的预测问题。飞行目标轨迹预测模型分为动力学模型、卡尔曼滤波算法模型和可学习模型。
[0003]动力学模型根据目标运动的空气动力学方程，对目标的轨迹进行预测，但在现实中，飞行目标往往受到天气、环境等诸多因素的影响，而且目标飞行过程所受力复杂多变，根据空气动力学建立的目标运动模型对实际情况进行了较大程度的简化，由此导致这类模型对目标轨迹预测的精度较低。
[0004]卡尔曼滤波器(Kalman filter,KF)是一种应用非常广泛且有效的目标轨迹预测方法。SJ Julier等在1997年提出扩展卡尔曼滤波(extend Kalman filter,EKF)算法，不仅继承了卡尔曼滤波算法的优势，而且能够处理非线性系统模型。吕波等利用扩展卡尔曼滤波嵌入非线性控制系统，针对航空器的航迹预测任务建立了多信息扩展卡尔曼滤波预测模型。Chen等提出了基于无迹卡尔曼滤波的航迹预测模型并完成了对飞行目标的航迹预测。然而，在现实的许多目标轨迹预测任务中，运动模型一般不能预先指定，在这种情况下，卡尔曼滤波器的应用受到了严重的限制。此外，卡尔曼滤波器通常是在恒定加速度的假设下应用的，这也是对现实目标运动情况的粗略逼近，这样建立的算法模型对目标轨迹预测的精度有限。为了克服传统卡尔曼滤波算法的局限性，许多学者尝试直接从训练数据中学习运动模型，利用可学习模型来学习目标运动方程可以避免手工设计卡尔曼滤波转移和测量矩阵，从而提高目标轨迹预测精度。
[0005]可学习模型(即机器学习模型)包括以神经网络为代表的机器学习方法，神经网络可通过大量数据学习数据的本质特征，其深层非线性的网络结构能够实现对复杂函数的逼近，在目标轨迹预测方面得到了广泛应用。如钱夔等用BP神经网络对飞机航迹数据进行训练学习，实现对飞行目标轨迹的预测，但BP神经网络比较简单，预测精度有限，Wu等提出了基于卷积神经网络的飞行航迹预测模型，根据飞行目标的高度和经纬度信息预测飞行目标的位置信息。
[0006]以上所提的模型对目标轨迹预测各有优劣，但都没有利用目标轨迹数据在时序上具有的高度相关性。循环神经网络(recurrent neural network,RNN)是一种能够提取序列数据特征的经典神经网络模型，然而由于RNN自身简单的网络结构对于长时间序列的记忆能力较差，于是Hochreiter等提出了由RNN改进的长短时记忆(Long Short Memory,LSTM)
神经网络，LSTM模型由于其自身复杂的结构使其能够记忆更长的序列数据中蕴含的信息，并在后续处理中加以运用，如今LSTM网络已广泛应用在各类目标的轨迹预测任务中并取得了良好的效果。
[0007]以上现有技术飞行目标轨迹预测的有效性和准确性还有较大提升空间，亟待改善。

技术实现思路

[0008]为克服现有技术的不足，本专利技术提供了一种混合型目标航迹预测方法及系统，解决现有技术存在的飞行目标轨迹预测的有效性和准确性还有较大提升空间等问题。
[0009]本专利技术解决上述问题所采用的技术方案是：
[0010]一种混合型目标航迹预测方法，将卡尔曼滤波算法和长短时记忆神经网络模型相结合，对目标轨迹进行预测。
[0011]作为一种优选的技术方案，其特征在于，包括以下步骤：
[0012]S1，构建目标轨迹预测网络模型：
[0013]首先，根据卡尔曼滤波算法，建立目标轨迹预测模型，如下：
[0014]y
t
＝f(y
t
‑1)+w
t
ꢀꢀꢀ
(18)，
[0015]z
t
＝y
t
+v
t
ꢀꢀꢀꢀ
(19)，
[0016]其中，y
t
为目标状态向量，z
t
为观测向量，w
t
为过程噪声，v
t
为观测噪声，f(
·
)为状态转移函数；
[0017]然后，目标轨迹预测模型根据目标前一时刻的状态估计值预测出下一时刻目标的状态，同时更新当前预测状态的协方差矩阵，预测公式为：
[0018][0019][0020]其中，为目标前一时刻的状态向量估计值，为目标当前时刻状态向量估计值，为当前时刻状态向量估计值的协方差矩阵，F为f(
·
)关于的雅克比矩阵，为可学习参数，T表示矩阵的转置；
[0021]再然后，更新计算得出目标在t时刻的最终状态向量估计值更新公式为：
[0022][0023][0024][0025]其中，K
t
为卡尔曼增益，为可学习参数，是目标在t时刻的观测值，为目标在t时刻的最终状态向量估计值，为目标在t时刻的协方差矩阵；
[0026]S2：训练目标轨迹预测网络模型：对目标轨迹预测网络模型进行训练，直至训练次数≥设定的次数阈值；
[0027]S3：输出目标轨迹预测结果：将训练后的目标轨迹预测网络模型中的目标轨迹输出。
[0028]作为一种优选的技术方案，步骤S1中，模型中的长短时记忆神经模块包括双隐含层LSTM网络层，隐层神经元个数为64。
[0029]作为一种优选的技术方案，步骤S2中，目标轨迹预测网络模型的损失函数为：在均方误差函数的基础上增加目标状态估计的惩罚项。
[0030]作为一种优选的技术方案，损失函数公式为：
[0031][0032]其中，θ代表网络中的所有参数，λ为超参数，T表示训练所用序列总点数。
[0033]作为一种优选的技术方案，步骤S2中，训练策略为：网络中所有的权重矩阵用Xavier随机初始化，偏差均初始化为0，学习率设定为0.0001，采用Adam优化器，以及，设定训练批尺寸为16。
[0034]作为一种优选的技术方案，步骤S2中，取80％的数据点作为目标轨迹预测网络模型的训练数据，剩下20％的数据点作为目标轨迹预测网络模型的测试数据。
[0035]作为一种优选的技术方案，还包括设于步骤S1之前的以下步骤：
[0036]S0，数据预处理：对输入的样本数据进行标准化处理，公式如下：
[0037][0038]其中，x为原样本向量，为样本均值，σ为样本标准差，y为经标准化处理后的样本向量。
[0039]作为一种优选的技术方案，还包括设于步骤S3之后的以下步骤：
[0040]S4，反标准化处理：在对目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合型目标航迹预测方法，其特征在于，将卡尔曼滤波算法和长短时记忆神经网络模型相结合，对目标轨迹进行预测。2.根据权利要求1所述的一种混合型目标航迹预测方法，其特征在于，包括以下步骤：S1，构建目标轨迹预测网络模型：首先，根据卡尔曼滤波算法，建立目标轨迹预测模型，如下：y
t
＝f(y
t
‑1)+w
t
ꢀꢀ
(1)，z
t
＝y
t
+v
t
ꢀꢀ
(2)，其中，y
t
为目标状态向量，z
t
为观测向量，w
t
为过程噪声，v
t
为观测噪声，f(
·
)为状态转移函数；然后，目标轨迹预测模型根据目标前一时刻的状态估计值预测出下一时刻目标的状态，同时更新当前预测状态的协方差矩阵，预测公式为：态，同时更新当前预测状态的协方差矩阵，预测公式为：其中，为目标前一时刻的状态向量估计值，为目标当前时刻状态向量估计值，为当前时刻状态向量估计值的协方差矩阵，F为f(
·
)关于的雅克比矩阵，为可学习参数，T表示矩阵的转置；再然后，更新计算得出目标在t时刻的最终状态向量估计值更新公式为：更新公式为：更新公式为：其中，K
t
为卡尔曼增益，为可学习参数，是目标在t时刻的观测值，为目标在t时刻的最终状态向量估计值，为目标在t时刻的协方差矩阵；S2：训练目标轨迹预测网络模型：对目标轨迹预测网络模型进行训练，直至训练次数≥设定的次数阈值；S3：输出目标轨迹预测结果：将训练后的目标轨迹预测网络模型中的目标轨迹输出。3.根据权利要求2所述的一种混合型目标航迹预测方法，其特征在于，步骤S1中，模型中的长短时记忆神经模块包括双隐含层LSTM网络层，隐层神经元个数为64。
4.根据权利要求3所述的一种混合型目标航迹预测方法，其特征在于，步骤S2中，目标轨迹预测网络模型的损失函数为：在均方误差函数的基础上增加目标状态估计的惩罚项。5.根据权利要求4所述的一种混合型目标航迹预测方法，其特征在于，损失函数公式为：其中，θ代表网络中的所有参数，λ为超参数，T表示训练所用序列总点数。6.根据权利要求5所述的一种混合型目标航迹预测方法，其特征在于，步骤S2中，训练策略为：网络中所有的权重矩阵用Xavier随机初始化，偏差均初始化为0，学习率设定为0.0001，采用Adam优化器，以及，设定训练批尺寸为1...

【专利技术属性】
技术研发人员：戴礼灿，张海瀛，代翔，王成刚，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：