【技术实现步骤摘要】
一种基于集成学习的中远距作战飞行器轨迹预测方法
[0001]本专利技术涉及一种基于集成学习的中远距作战飞行器轨迹预测方法，属于中远距作战状态预测与意图识别
技术介绍
[0002]在现代中远距空战中，战场态势瞬息万变，导致空战环境具备高复杂、强动态等不确定性，对敌机目标的状态评估、飞行器预测和意图识别是我方做机动态势决策的关键部分，在指挥控制系统中发挥着至关重要的作用，是夺取制空胜利的重要支撑。在超视距1v1作战、有/无人编队协同空战等任务中，对敌方目标态势的精准预测，快速有效的空战决策方法尤为重要。本文将超视距空战决策过程建模成部分可观马尔科夫决策问题，并基于超视距空战态势评估中的非参量法设计回报模型，通过预测敌方飞行器来袭态势情况，为决策过程中的马尔科夫过程提供先验支持。传统的敌方目标意图识别的方法主要有模板匹配、专家系统、贝叶斯网络等方法。这些方法需要大量的领域专家知识对特征状态的权重、先验概率等进行量化，明确特征状态与意图之间的对应关系。然而，基于有限的领域专家知识得到的模型方法泛化能力较差，难以适应日益复杂...
【技术保护点】
【技术特征摘要】
1.一种基于集成学习的中远距作战飞行器轨迹预测方法，其特征在于，包括以下步骤：步骤A：飞行数据仿真：在仿真环境模拟器中进行空空飞行器飞行仿真，并提取飞行数据构成数据集；步骤B：搭建特征工程:首先需要对飞行仿真数据进行预处理，并采用相关系数法进行特征筛选，并进行归一化处理；其次，将归一化处理后的数据集按照比例划分为训练集和测试集数据集将训练数据输入模型；步骤C：建立轨迹预测集成模型，包括随机森林、xgboost的机器学习模型和dual
‑
attention RNN的神经网络模型，并利用bagging集成思想进行模型自适应融合，步骤D：判断网络损失函数值L是否趋于稳定，是则结束对深度学习神经网络的训练，否则继续训练；训练结束后，对飞行轨迹预测结果反归一化，并与tacview实时通信进行可视化验证。2.根据权利要求1所述的基于集成学习的中远距作战飞行器轨迹预测方法，其特征在于，所述步骤C中建立模型，具体为：步骤C1：将飞行数据以滑动窗口的方式取模型输入值和真实值，例如设置窗口大小为T，即以前T
‑
1时刻的数据预测T时刻的数据。步骤C2：构造随机森林模型：随机森林是利用多棵决策树对样本进行训练并预测的一种算法；步骤C3：构造xgboost模型：以迭代方式构建非常短且简单的决策树；步骤C4：构造dual
‑
attention RNN模型：其模型原理如下：步骤C5：将步骤C2、步骤C3、步骤C4中的三种模型bagging自适应融合得到飞行器飞行轨迹预测结果。3.根据权利要求1所述的基于集成学习的中远距作战飞行器轨迹预测方法，其特征在于，所述步骤B搭建特征工程具体为：步骤B1：对飞行数据的完整性进行检查，剔除显著异常值，包括剔除缺失值、NULL值；步骤B2：去除明显不符合正态分布的特征；步骤B3：进行特征相关性分析，去掉强相关的特征；步骤B4：采用min
‑
max对特征指标数据进行标准化归一至[0,1]，并将训练集和测试集按照7:3的比例划分。4.根据权利要求1所述的基于集成学习的中远距作战飞行器轨迹预测方法，其特征在于，所述训练集用于模型的训练，测试集用于测试训练得到的模型的性能。5.根据权利要求1所述的基于集成学习的中远距作战飞行器轨迹预测方法，其特征在于，所述步骤C中，建立模型包括:步骤C1：将飞行数据以滑窗的方式取模型输入值和真实值：步骤C2：构造随机森林模型训练：随机森林时利用多棵决策树对样本进行训练并预测的一种算法；步骤C3：构造xgboost模型训练，以迭代方式构建非常短且简单的决策树；步骤C4：构造dual
‑
attention RNN模型，提出了两级的attention机制；步骤C5：将步骤C2、步骤C3、步骤C4中的三种模型bagging融合得到飞行器飞行轨迹预
测结果。6.根据权利要求5所述的基于集成学习的...
【专利技术属性】
技术研发人员：韩宗昌，陈肇江，陈舒，张康华，邢晨光，刘波，
申请(专利权)人：中国航空研究院，
类型：发明
国别省市：
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。