一种基于快速传递结合LSTM神经网络的轨迹预测方法及系统技术方案

本发明专利技术公开了一种基于快速传递结合LSTM神经网络的轨迹预测方法及系统，在飞行器进行机动时，首先基于雷达数据，使用LSTM神经网络进行机动预估，在雷达数据缺失无法对LSTM神经网络构成训练数据集的情况下，进一步使用快速传递方法，通过直接对目标飞行动力学和运动学模型进行近似求解，并得出目标机动过程中的控制量近似值，然后对目标飞行状态进行预测，以达到补充雷达数据并进一步为LSTM网络提供训练数据集的目的，由于LSTM网络能够获取较为准确的机动预估结果，而快速传递方法能够辅助LSTM网络在雷达数据缺失条件下仍能进行机动预估。预估。预估。

【技术实现步骤摘要】
一种基于快速传递结合LSTM神经网络的轨迹预测方法及系统


[0001]本专利技术属于航空航天领域，具体涉及一种基于快速传递结合LSTM神经网络的轨迹预测方法及系统。

技术介绍

[0002]随着航空航天技术的持续发展以及任务需求的不断增长，针对大机动条件下目标飞机的的状态参数预估变得越来越重要，其在影响战争走势过程中所发挥的重要作用不断得到验证。飞机的的状态参数预估具体指使用雷达观测到数据时，将这些数据视为历史数据，对未来飞机的状态参数进行预估，传统的方法之一为使用经典的LSTM网络，使用雷达的历史观测数据作为LSTM网络的训练数据集，对LSTM网络训练后，训练后的LSTM网络能够实时的进行飞机的机动参数预估，然而实际情况中，雷达将由于各种不可抗力因素(电子干扰，静默，目标大机动等)导致丢失观测对象的运动数据，这将使得LSTM网络的训练数据集难以构建，从而难以对未来飞机的状态参数进行预估，

技术实现思路

[0003]本专利技术目的在于提供一种基于快速传递的目标大机动条件下轨迹预测方法及系统，以克服现有技术中雷达将由于各种不可抗力因素(电子干扰，静默，目标大机动等)导致丢失观测对象的运动数据，这将使得LSTM网络的训练数据集难以构建，从而难以对未来飞机的状态参数进行预估的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种基于快速传递结合LSTM神经网络的轨迹预测方法，包括以下步骤：
[0006]S1：建立目标机动飞行运动学模型；
[0007]S2：建立目标机动动力学模型；
[0008]S3：构建快速传递方法及LSTM网络的数学模型；
[0009]S4：使用雷达获取敌方战机运动参数，再基于机动飞行运动学模型、机动动力学模型和快速传递方法与LSTM网络结合的数学模型进行目标的轨迹预测。
[0010]优选地，S1中建立目标机动飞行运动学模型的方法具体为：基于我方载机及敌方目标战机构建相应的北东地坐标系，根据我方载机及敌方目标战机的几何及角度关系，推导得到目标机动飞行运动学模型。
[0011]优选地，S2中目标机动动力学模型由下两式表示：
[0012][0013][0014]式中，n
x
，n
y
和γ分别为切向过载、法向过载和绕速度轴的滚转角；V，θ和ψ分别为战机的飞行速度、航迹倾斜角和对应速度矢量的航向角，分别对应飞行速度、航迹倾斜角和对应速度矢量航向角的微分。
[0015]优选地，S3中快速传递方法的数学模型的具体为
[0016]首先获取状态量参数集，确定一个中心状态量标称点，计算出中心状态量标称点与其余状态点之间的偏差值，再对中心状态标称值进行一步积分，得到下一时刻的状态量标称点，将偏差值进行转换得到下一时刻的所有偏差值，再将偏差代入至下一时刻状态量中，得到所有的下一时刻状态量参数集，完成对快速传递方法的相关建模。
[0017]优选地，S3中构建LSTM网络的数学模型方法具体为：
[0018]构建LSTM网络中遗忘门、更新门、输出门的具体数学表达式，同时基于梯度下降法构建LSTM网络内部权值更新公式的具体数学表达式，使得网络形成闭环并能够进行不断迭代，即完成对LSTM网络的相关建模。
[0019]优选地，所述遗忘门的数学表达式为：
[0020]f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)
[0021]其中，f
t
表示遗忘门输出；W
xf
，W
hf
分别表示当前时刻网络状态及上一时刻网络细胞元输入到遗忘门通路的权值；x
t
及h
t
‑1分别表示网络状态及上一时刻网络细胞元；b
f
表示遗忘门的偏置层参数。
[0022]优选地，更新门输出的数学表达式如下：
[0023]i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+b
i
)
[0024]g
t
＝tanh(W
xg
x
t
+W
hg
h
t
‑1+b
g
)
[0025]u
t
＝i
t
g
t
[0026]其中u
t
表示更新门输出；W
xi
，W
hi
分别表示当前时刻网络状态及上一时刻网络细胞元输入到更新门通路中sigmoid函数的权值，W
xg
，W
hg
分别表示当前时刻网络状态及上一时刻网络细胞元输入到更新门通路中tanh函数的权值，b
i
及b
g
分别表示更新门中sigmoid及tanh函数通路的偏置层参数。
[0027]优选地，输出门的数学表达式为：
[0028]o
t
＝σ(W
xo
x
t
+W
ho
h
t
‑1+b
o
)
[0029]h
t
＝tanh(C
t
)*o
t
[0030]其中h
t
表示输出门输出；W
xo
，W
ho
分别表示当前时刻网络状态及上一时刻网络细胞元输入到输出门通路的权值；b
o
表示输出门的偏置层参数；Ct为网络当前时刻细胞元状态值。
[0031]优选地，S4具体实现方法如下：
[0032]首先采用雷达获取目标战机连续九个时间点的运动参数，当连续九个时间点的运动参数有缺失时，基于快速传递方法，通过直接对目标飞行动力学和运动学模型进行近似求解，并得出目标机动过程中的控制量近似值，然后对目标飞行状态进行预测，预估缺失时
间点的战机运动参数，从而补充得到连续九个时间点的运动参数，然后使用LSTM网络经过在线数据训练后能够对第十时间点的目标状态信息进行预估，若连续九个时间点的运动参数没有缺失时，直接使用LSTM网络经过在线数据训练后得到第十时间点的目标状态信息预估，完成完整的轨迹预测。
[0033]一种基于快速传递的目标大机动条件下轨迹预测系统，基于上述一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，包括：
[0034]运动学模型获取模块：用于建立目标机动飞行运动学模型；
[0035]动力学模型获取模块：用于建立目标机动动力学模型；
[0036]综合模型获取模块；用于构建快速传递方法及LSTM网络的数学模型；
[0037]轨迹预测模块：用于使用雷达获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，包括以下步骤：S1：建立目标机动飞行运动学模型；S2：建立目标机动动力学模型；S3：构建快速传递方法及LSTM网络的数学模型；S4：使用雷达获取敌方战机运动参数，再基于机动飞行运动学模型、机动动力学模型和快速传递方法与LSTM网络结合的数学模型进行目标的轨迹预测。2.根据权利要求1所述的一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，S1中建立目标机动飞行运动学模型的方法具体为：基于我方载机及敌方目标战机构建相应的北东地坐标系，根据我方载机及敌方目标战机的几何及角度关系，推导得到目标机动飞行运动学模型。3.根据权利要求1所述的一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，S2中目标机动动力学模型由下两式表示：式中，n
x
，n
y
和γ分别为切向过载、法向过载和绕速度轴的滚转角；V，θ和ψ分别为战机的飞行速度、航迹倾斜角和对应速度矢量的航向角，分别对应飞行速度、航迹倾斜角和对应速度矢量航向角的微分。4.根据权利要求1所述的一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，S3中快速传递方法的数学模型的具体为首先获取状态量参数集，确定一个中心状态量标称点，计算出中心状态量标称点与其余状态点之间的偏差值，再对中心状态标称值进行一步积分，得到下一时刻的状态量标称点，将偏差值进行转换得到下一时刻的所有偏差值，再将偏差代入至下一时刻状态量中，得到所有的下一时刻状态量参数集，完成对快速传递方法的相关建模。5.根据权利要求1所述的一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，S3中构建LSTM网络的数学模型方法具体为：构建LSTM网络中遗忘门、更新门、输出门的具体数学表达式，同时基于梯度下降法构建LSTM网络内部权值更新公式的具体数学表达式，使得网络形成闭环并能够进行不断迭代，即完成对LSTM网络的相关建模。6.根据权利要求5所述的一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，所述遗忘门的数学表达式为：f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)
其中，f
t
表示遗忘门输出；W
xf
，W
hf
分别表示当前时刻网络状态及上一时刻网络细胞元输入到遗忘门通路的权值；x
t
及h
t
‑1分别表示网络状态及上一时刻网络细胞元；b
f
表示遗忘门的偏置层参数。7.根据权利要求5所述的一种基于快速传递结合LSTM神经网络的轨迹预测方法，其特征在于，所述更新门输出的数学表达式如下：i
t
＝σ(W
xi
x
t
+W
hi
h
t

【专利技术属性】
技术研发人员：孙冲，冯云翀，丁达理，陈建林，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：