一种基于贝叶斯神经网络的固定翼无人机态势预测方法技术

本发明专利技术提供了一种基于贝叶斯神经网络的固定翼无人机态势预测方法，属于无人机态势预测技术领域；解决了在无人机空战环境下我方无人机无法对敌方无人机的未来态势做不确定性预测的技术问题。其技术方案为：一种基于贝叶斯神经网络的固定翼无人机态势预测方法，包括以下步骤：S1、建立适用于时间序列预测的贝叶斯网络；S2、通过我方无人机传感器系统获取敌方无人机的最新的态势信息；S3、使用已建立的贝叶斯神经网络对敌方无人机下一时刻的态势做预测。本发明专利技术的有益效果为：本发明专利技术提出的预测方法能够令己方无人机预知敌方无人机下一时刻的态势，使我方无人机能够抢占战场主动性，有利于提升无人机作战能力。有利于提升无人机作战能力。有利于提升无人机作战能力。

【技术实现步骤摘要】
一种基于贝叶斯神经网络的固定翼无人机态势预测方法


[0001]本专利技术涉及无人机态势预测
，尤其涉及一种基于贝叶斯神经网络的固定翼无人机态势预测方法。

技术介绍

[0002]随着无人机技术的快速发展，固定翼无人机空战已经成为现代战争中的重要组成部分。在这种战斗环境中，预测获得对方无人机的态势信息对于指定战术决策和实施打击行动至关重要，实现对于敌方无人机态势信息的预测，不仅需要依赖高精度的传感器，如雷达、红外传感器和摄像头等，还需要成熟可靠的预测算法来应用从传感器得来的数据完成预测。
[0003]在无人机面对高对抗的战场环境时需要对敌方无人机的态势信息进行分析，而当前基于神经网络的的预测往往过于自信，例如在《Modeling Vehicle Interactions via Modified LSTM Models for Trajectory Prediction》这篇文章中，LSTM作为专用于时间序列的神经网络预测车辆轨迹，往往于过度依赖历史数据且在训练和推理过程中需要大量的计算资源和时间，且只能预测单一的态势信息。因此，用LSTM等传统神经网络预测敌方无人机态势将无法客观地对预测的不确定性进行度量，容易产生过拟合的问题，最终在战场环境下造成无法挽回的后果，本专利技术就是为了解决在战场环境下，对敌方固定翼无人机态势信息预测单一且无法预测不确定性的技术问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于贝叶斯神经网络的固定翼无人机态势预测方法，该预测方法可以对敌方无人机的态势信息做出快速预测，并给出预测的不确定性，有助于降低神经网络的过拟合。
[0005]本专利技术的专利技术思想为：首先，建立适用于时间序列预测的贝叶斯网络，再通过我方无人机传感器系统获取敌方无人机的最新的态势信息，最后使用已建立的贝叶斯神经网络对敌方无人机下一时刻的态势做预测。
[0006]本专利技术赋予无人机预测敌方无人机未来态势信息的能力，并给出预测结果的不确定性。
[0007]本专利技术是通过如下措施实现的：一种基于贝叶斯神经网络的固定翼无人机态势预测方法，包括以下步骤：
[0008]步骤一、建立适用于时间序列预测的贝叶斯网络，并保存训练后的网络参数及结构，方便后期收集到敌方无人机的实时态势信息后进行实时预测；
[0009]步骤二、通过我方无人机传感器系统获取敌方无人机的最新的态势信息，将敌方的态势信息整理后传递给贝叶斯神经网络，便于神经网络进行快速预测；
[0010]步骤三、使用已建立的贝叶斯神经网络对敌方无人机下一时刻的态势做预测，最后将预测得到的敌方无人机态势信息传回我方无人机，使我方无人机可以未来时刻抢先占
据有利位置。
[0011]进一步地，所述步骤一包含如下步骤：
[0012]1‑
1)、收集充足且相互独立不重复的敌方无人机的态势信息数据，数据形状是(tracks_num,time_long,features_num)，其中tracks_num表示收集到的敌方无人机态势信息数量，time_long表示收集到的每条敌方无人机态势信息数据的时间步长，features_num表示输入网络的敌方无人机的态势信息特征数量；
[0013]1‑
2)、使用双循环函数和切片操作从1
‑
1)步骤收集到的数据集中随机选取用于训练贝叶斯神经网络的训练数据和测试数据；
[0014]1‑2‑
1)、使用双循环函数对1
‑
1)步骤收集到的数据的第一维度tracks_num和第二维度time_long选取索引idex，选取的总量为batch_size∈(1000,tracks_num
×
time_long)；
[0015]1‑2‑
2)、以在步骤1
‑2‑
1)中选取的索引idex为切片的开始端，向后选取连续的6个时间步作为一段数据，共选取batch_size条数据段,每段长为6，每条数据段记为α；
[0016]1‑2‑
3)、在步骤1
‑2‑
1)和步骤1
‑2‑
2)中选取的数据是形状为(batch_size,time_step,features_num)的三维数组，其中batch_size＝3000为训练和测试的总批次，time_step＝6为单段无人机态势信息的时间步长，features_num表示敌方无人机的态势信息特征数量；
[0017]1‑2‑
4)、将收集到的数据集打乱顺序后选取batch_size的80％作为训练集trian_data，形状为(2400,6,features_num)，剩余20％作为测试集test_data，形状为(800,6,features_num)；
[0018]1‑2‑
5)、对于训练集train_data和测试集test_data中的每一条数据段α，将前5秒切分出作为数据值，第6秒作为标签，此时共获得4份数据集分别为：
[0019]用于训练的输入数据input_train，形状为(2400,5,features_num)；
[0020]训练数据集对应的标签数据集output_train，形状为(2400,1,features_num)；
[0021]用于测试的输入数据input_test，形状为(800,5,features_num)；
[0022]测试数据集对应的标签数据集output_test，形状为(800,1,features_num)。
[0023]1‑
3)、在步骤1
‑2‑
3)中得到的数据集第三维features_num数量为6，记为S
a
＝(x,y,z,v,ψ,γ)其中：
[0024]x为无人机在x轴像素坐标值，x的计算公式为：
[0025]x＝v cosγsinψ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0026]y为无人机在y轴像素坐标值，y的计算公式为：
[0027]y＝v cosγcosψ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0028]z为无人机在z轴像素坐标值，z的计算公式为：
[0029]z＝v sinγ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0030]v为无人机的速度，v的计算公式为：
[0031]v＝g(n
x
‑
sinγ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0032]ψ为无人机的航向角，ψ的计算公式为：
[0033][0034]γ为无人机的航迹角，γ的计算公式为：
[0035][0036]n
x
为无人机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯神经网络的固定翼无人机态势预测方法，其特征在于，包括以下步骤：步骤一、建立适用于时间序列预测的贝叶斯网络；步骤二、通过我方无人机传感器系统获取敌方无人机的最新的态势信息；步骤三、使用已建立的贝叶斯神经网络对敌方无人机下一时刻的态势做预测。2.根据权利要求1所述的基于贝叶斯神经网络的固定翼无人机态势预测方法，其特征在于，所述步骤一包括如下步骤：S11：收集充足且相互独立不重复的敌方无人机的态势信息数据，数据形状是(tracks_num,time_long,features_num)，其中tracks_num表示收集到的敌方无人机态势信息数量，time_long表示收集到的每条敌方无人机态势信息数据的时间步长，features_num表示输入网络的敌方无人机的态势信息特征数量；S12：使用双循环函数和切片操作从S11步骤收集到的数据集中随机选取用于训练贝叶斯神经网络的训练数据和测试数据；1)使用双循环函数对S11步骤收集到的数据的第一维度tracks_num和第二维度time_long选取索引idex，选取总量为batch_size∈(1000,tracks_num
×
time_long)；2)以在S12步骤1)中选取的索引idex为切片的开始端，向后选取连续的time_long个时间步作为一段数据，共选取batch_size条数据段,每段长为time_step，每条数据段记为α；3)在S12步骤1)和2)中选取的数据是形状为(batch_size,time_step,features_num)的三维数组，其中batch_size为训练和测试的总批次，time_step为单段无人机态势信息的时间步长，features_num表示敌方无人机的态势信息特征数量；4)将收集到的数据集打乱顺序后随机选取batch_size的70％
‑
80％作为训练集trian_data，形状为(train_data,time_step,features_num)，数据集的剩余部分作为测试集test_data，形状为(batch_size
‑
train_data,time_step,features_num)5)对于训练集train_data和测试集test_data中的每一条数据段α，将前input_step秒切分出作为数据值，数据段α的剩余部分作为标签，此时共获得如下数据集：用于训练的输入数据input_train，形状为(train_data,input_step,features_num)；与训练集相对应的标签output_train，形状为(train_data,output_step,features_num)；用于测试的输入数据input_test，形状为(test_data,input_step,features_num)测试数据集对应的标签output_test，形状为(test_data,output_step,features_num)。S13：在S12步骤3)中得到的数据集第三维features_num，记为S
a<...

【专利技术属性】
技术研发人员：李富超，程赟，袁银龙，李俊红，华亮，
申请(专利权)人：南通大学，
类型：发明
国别省市：