【技术实现步骤摘要】
一种基于LSTM与迁移学习的潜航器意图预测方法
[0001]本专利技术涉及潜航器目标意图预测领域，尤其是涉及一种基于LSTM与迁移学习的潜航器意图预测方法。
技术介绍
[0002]在海洋战争中目标意图预测是必不可少的环节，目标意图预测是通过观测水下目标的行为与数据，来得出下一步目标的意图，如果我们能够从数据中提前知道对方的意图，则非常有利于己方对潜航器攻防决策中做出更恰当的行为；随着人工智能技术的发展，智能化技术与现代海洋战场的结合已经成为了潜航器作战的主要核心内容，如果将目标意图预测与人工智能技术结合到一起，设计一套目标意图预测系统，对维护国家海洋安全具有重要意义。
[0003]在专利申请号为202010031249.4中，名称为“一种基于无碰撞LSTM的多目标轨迹预测方法”的专利文件中，将长短期记忆神经网络(LSTM)作为轨迹预测方法。(刘钻东,陈谋,吴庆宪,陈哨东.非完备信息下无人机空战目标意图预测[J].中国科学:信息科学,2020,50(05):704
‑
717.)也使用了LSTM设计了一种无人机目标意图预测系统，但是上述的目标意图预测方法都是采用大量实际数据集训练LSTM网络来得到预测的结果。然而，由于水下潜航器集群的航行实验数据有限且数据并不完备，难以通过采集大量的数据对意图预测神经网络进行训练，这导致已有的意图预测方法难以直接应用于水下潜器意图预测问题中。
[0004]因此，有必要提供一种基于LSTM与迁移学习的潜航器意图预测方法，来解决上述问题。
专利技术内
【技术保护点】
【技术特征摘要】
1.一种基于LSTM与迁移学习的潜航器意图预测方法，其特征在于，包括以下步骤：S1：建立虚拟潜航器意图数据集；S2：对已建立的潜航器意图数据集做滤波处理；S3：利用已做滤波处理的虚拟数据集训练LSTM神经网络，得到预训练模型LSTM1；S4：采集潜航器真实意图数据，得到实验训练集，通过迁移学习LSTM1模型参数移至实验应用场景，利用实验训练集训练得到神经网络模型LSTM2。2.根据权利要求1所述一种基于LSTM与迁移学习的潜航器意图预测方法，其特征在于：在步骤S1中，生成虚拟潜航器意图数据集具体方法为：S11：根据潜航器真实数据建立虚拟意图数据集Z
all
＝{Z
attack
,Z
retreat
,Z
feint
,Z
patrol
,Z
scout
}；其中，Z
attack
＝{Z
attack_1
,
…
,Z
attack_r
}是意图为进攻的数据集和，包含r个样本；Z
retreat
＝{Z
retreat_1
,...,Z
retreat_u
}是意图为撤退的数据集和，包括u个样本；Z
feint
＝{Z
feint_1
,...,Z
feint_o
}是意图为佯动的数据集合，包括o个样本；Z
patrol
＝{Z
patrol_1
,...,Z
patrol_q
}是意图为巡逻的数据集合，包括q个样本；Z
scout
＝{Z
scout_1
...,Z
scout_w
}是意图为侦察的数据集合，包括w个样本；one∈{attack,retreat,feint,patrol,scout}，Z
one_ik
为one代表的意图中第i个样本第k个时刻的状态信息，Z
one_ik
＝[P
one_ik
,V
one_ik
]
T
；其中P
one_ik
＝[P
x_one_ik
,P
y_one_ik
]
T
式中one代表意图中第i个进攻样本k时刻位置在水平面x轴、y轴的投影；V
one_ik
＝[V
x_one_ik
,V
y_one_ik
]
T
式中one代表的意图中第i个样本k时刻的速度在水平面x轴，y轴的投影；S12：Z
one_ik
中速度与位置的数据生成方法如下公式所示：其中，k
one_i
＝diag{k
x_one_i
,k
y_one_i
}为one代表的意图中第i个样本的给定控制增益，k
x_one_i
为水平面x轴方向的控制增益，k
y_one_i
为水平面y轴方向的控制增益；goal
one_i
＝[goal
x_one_i
,goal
y_one_i
]
T
，goal
x_one_i
和goal
y_one_i
分别为one代表的意图中第i个样本的目标位置在水平面x轴，y轴的投影；P
one_ik
＝[P
x_one_ik
,P
y_one_ik
]
T
，P
x_one_ik
和P
y_one_ik
为one代表的意图中第i个样本k时刻位置在水平面x轴，y轴的投影；V
one_ik
＝[V
x_one_ik
,V
y_one_ik
]
T
，V
x_one_ik
和V
y_one_ik
为one意图中第i个样本k时刻速度在水平面x轴，y轴的投影；其中P
one_i(k+1)
＝[P
x_one_i(k+1)
,P
y_one_i(k+1)
]
T
，P
x_one_i(k+1)
,P
y_one_i(k+1)
分别为one代表的意图中第i个样本在(k+1)时刻位置在水平面x轴，y轴的投影；Δt为两个时刻之间的差值大小；noise＝[noise
x_one_ik
,noise
y_one_ik
]
T
，noise
x_one_ik
和noise
y_one_ik
分别为one代表的意图中第i个样本k时刻在水平面x轴，y轴的随机噪声，取值范围为[
‑
1.2m，1.5m]；S13：对产生的虚拟意图数据集进行打标签处理，具体处理如下：Z
attack
＝{Z
attack_1
,
…
,Z
attack_r
}中r个样本数据人工标注标签为1进攻；Z
retreat
＝{Z
retreat_1
,...,Z
retreat_u
}中u个样本数据人工标注标签为2撤退；Z
feint
＝{Z
feint_1
,...,Z
feint_o
}中o个样本数据人工标注标签为3佯动；Z
patrol
＝{Z
patrol_1
,...,Z
patrol_q
}中q个样本数据人工标注标签为4巡逻；Z
scout
＝
{Z
scout_1
...,Z
scout_w
}中w个样本数据人工标注标签为5侦察。3.根据权利要求2所述一种基于LSTM与迁移学习的潜航器目标意图预测方法，其特征在于：所述步骤S2中对S1建立的目标意图数据集做滤波处理具体为：S21、对S1中的数据使用Savitzky
‑
Golay滤波器做平滑滤波处理，流程如下：对潜航器意图数据集中Z
one_ik
状态信息，构造一个n
‑
1阶多项式拟合Z
one_ik
状态数据：其中a0,a1,a2,...,a
n
‑1是拟合P
x_one_ik
的多项式常数项，b0,b1,b2,...,b
n
‑1是拟合P
y_one_ik
的多项式常数项，c0,c1,c2,...,c
n
‑1是拟合V
x_one_ik
的多项式常数项，d0,d1,d2,...,d
n
‑1是拟合V
y_one_ik
的多项式常数项，ε
k
,β
k
,χ
k
,δ
k
为拟合过程的残差，k,k2,...,k
n
‑1为拟合的多项式次数；选取{Z
one_i(k
‑
m)
,Z
one_i(k
‑
m+1)
,...,Z
one_ik
,...,Z
one_i(k+m
‑
1)
,Z
one_i(k+m)
}共2m+1个时刻状态信息作为滤波窗口，用上式计算，得到2m+1个式子，式子构成的矩阵表示为：将上述矩阵简化为以下公式：Z
(2m+1)
×4＝X
(2m+1)
×...
【专利技术属性】
技术研发人员：陈力恒，谈用杰，吴昶懋，张勇刚，侯兴科，覃大清，
申请(专利权)人：哈尔滨工程大学，
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。