CN111897353A - 基于gru的飞行器机动轨迹预测方法 - Google Patents
基于gru的飞行器机动轨迹预测方法 Download PDFInfo
- Publication number
- CN111897353A CN111897353A CN202010649476.3A CN202010649476A CN111897353A CN 111897353 A CN111897353 A CN 111897353A CN 202010649476 A CN202010649476 A CN 202010649476A CN 111897353 A CN111897353 A CN 111897353A
- Authority
- CN
- China
- Prior art keywords
- data
- maneuvering
- value
- aircraft
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 241000288105 Grus Species 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000009849 deactivation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于GRU的飞行器机动轨迹预测方法,将飞行器机动轨迹数据集分割为训练集与测试集,对其中的单条各维度机动轨迹数据进行归一化处理;利用训练集对GRU进行训练,并利用测试集进行准确率检测;生成基于GRU的机动轨迹预测网络,储存网络结构及所有网络参数;根据基于GRU的机动轨迹预测网络,实现对飞行器机动轨迹预测。本发明提高了飞行器六自由度机动数据预测的准确性与超前性,同时该模型对传入数据的序列长度及维度不具有特殊要求,对数据具有较强的适应性,为提前判断目标飞行器位置和姿态信息提供了可靠的支持。
Description
技术领域
本发明涉及飞行器飞行控制和人工智能领域,具体涉及一种飞行器多维机动轨迹预测方法。
背景技术
随着航空技术的快速发展,飞行器的性能及载荷能力飞速提升,对目标飞行器的机动行为与飞行轨迹的推理预测技术,愈来愈受到航空领域科研人员的重视,成为世界各国科学研究领域的热点之一。传统的飞行器机动轨迹预测方法主要包含:周期因子法、线性回归法、自回归滑动平均模型、时间序列分解法等。传统的飞行器机动轨迹数据预测过程通常需要在连续时刻下对数据进行分析处理,但是无法充分分析各维度间的数据关联性,因此在面对高维机动数据时,其预测准确性存在一定的局限。近些年,人工智能理论与深度学习算法的快速发展,在数据处理与预测方面展现出了较好的优势,研究人员逐渐将该方法引入预测问题中,取得了较为不错的结果,可以利用深度学习强大的拟合能力,使得面对飞行器机动轨迹数据的维度及序列长度问题上具有了很强的适应性,能够深入剖析理解各维度数据间的关联特性,使预测特征得到充分表征。基于门控循环单元(GRU)的方法于2014年由Cho、Kyunghyun等人提出,该方法当前在文本预测、时序数据预测上表现出其特有的优势,但在飞行器机动轨迹预测上鲜有应用。中国专利CN109034376公开了一种基于LSTM的无人机飞行状态预测方法及系统。该方法采集等间隔时长下无人机飞行数据,将无人机飞行状态编码成为动作标签,并划分训练集与测试集,构建LSTM网络结构,通过训练产生最终的无人机飞行状态预测结果。由于LSTM网络的结构较GRU网络更加复杂,其参数更新步骤较GRU网络更加繁琐。在训练效率提高的基础上,传统方法或基于其他深度学习方法的飞行器轨迹预测方法多针对于平面或三维环境中的轨迹数据进行分立预测,忽略了各维度飞行数据间的关联性,难以同时实现多维机动轨迹数据的高准确度预测,导致无法准确描述未来时刻下,飞行器的位置信息及姿态角信息数据预测结果。
发明内容
为了克服现有技术的不足,本发明提供一种基于GRU的飞行器机动轨迹预测方法,建立GRU网络模型,基于飞行器机动轨迹观测数据设计学习流程并开展网络迭代训练,实现对飞行器未来多个时刻多个维度下的机动轨迹预测数据(包含位置信息与姿态角信息),有效的提升对飞行器机动轨迹数据预测的准确性与超前性,同时该模型对预测数据的维度及序列长度有较强的适应性,为提前判断目标飞行器位置和姿态信息提供了可靠的支持。
本发明解决其技术问题所采用的技术方案包括以下步骤:
1)建立时序观测条件下飞行器机动轨迹数据集;
2)将飞行器机动轨迹数据集分割为训练集与测试集,对其中的单条各维度机动轨迹数据进行归一化处理;
3)建立门控循环单元节点模型GRU;
4)利用训练集对GRU进行训练,并利用测试集进行准确率检测;
5)生成基于GRU的机动轨迹预测网络,储存网络结构及所有网络参数;
6)根据基于GRU的机动轨迹预测网络,实现对飞行器机动轨迹预测。
所述的步骤1)在多种不同的飞行场景下,采集n条飞行器机动轨迹数据,每条包含m个时刻点,时刻点间隔为Δt,t时刻下机动轨迹信息数据集合表示为
St=<Xt,Yt,Zt,Pitcht,Rollt,Yawt>
式中,Xt,Yt,Zt分别表示t时刻下飞行器在北天东坐标系中三方向坐标值,Pitcht,Rollt,Yawt分别表示t时刻下飞行器的俯仰角、横滚角、偏航角信息。
所述的步骤1)中n大于50,m不小于20。
所述的步骤2)将飞行器机动轨迹数据集按照比例η构建为训练集与测试集,
式中,Strain为训练集机动轨迹条数,Stest为测试集机动轨迹条数,Stotal为总机动轨迹条数;训练前对采集的单条各维度机动轨迹数据进行归一化处理,t时刻下单条飞行机动轨迹单维度的归一化后数据式中,为t时刻下单条飞行机动轨迹单维度的数据,min(xs)为单条飞行机动轨迹单维度数据中最小值,max(xs)为单条飞行器机动轨迹单维度数据中最大值,s∈[X,Y,Z,Pitch,Roll,Yaw]表示某具体维度数据;完成归一化后的数据式中,[seq,batch,input]分别表示单次训练过程中需传入的序列长度、批处理维度、数据编码维度;中每条飞行机动轨迹数据n表示第n条机动轨迹数据,m表示每条机动轨迹数据总共包含m个时刻点,表示该时刻该维度下的数据编码信息。
所述的步骤2)中,批处理维度batch取值为6或6的倍数;数据编码维度input取值1。
所述的步骤3)建立门控循环单元节点模型,时间步t下重置门与更新门的输出值分别为Rt=σ(xtWxr+Ht-1Whr+br)和Zt=σ(xtWxz+Ht-1Whz+bz),Wxr,Whr,Wxz,Whz为权重矩阵,Ht-1为上一时刻隐藏层输出值,xt为当前输入数据,br,bz为偏置值,σ为sigmoid激活函数;根据时间步t的隐藏状态Ht,利用当前时间步的更新门的值使得上个时间步的隐藏状态Ht-1和当前时间步的隐藏状态做组合,最终隐藏状态式中,记忆单元输出为h,权重向量矩阵为W,偏置值为bh,候选隐藏状态为⊙为矩阵点乘。
所述的4)初始化GRU网络拓扑结构,具体包括网络输入节点数Nin、输出节点数Nout、隐藏层数H、各隐藏层节点数各隐藏层间随机失活值为dropout,设定学习率LR,设置损失函数LOSS=|youtput-yreal|,式中,youtput为输出的机动轨迹预测序列值矩阵,yreal为真实的机动轨迹值矩阵,LOSS为本训练回合的损失函数值;训练步骤如下所示:
Step1:设定训练周期上限为Epoch;
Step2:训练开始时,将训练集中完成归一化的飞行器机动轨迹数据传入网络模型中;
Step3:以相差T个时刻点的后续等长时刻机动轨迹数据作为目标输出值yreal;
Step4:以机动轨迹实际输出值youtput和目标输出值yreal计算损失函数,更新网络各节点间权值参数;
Step5:当连续设定数量的训练回合损失函数值低于阈值ε或达到训练周期上限值Epoch时,认为网络完成训练,利用测试集归一化后的数据作为网络输入数据,对机动预测网络进行准确性检测,未来时刻各点的飞行机动预测值youtput与真实值yreal之间偏差的平均值小于10%,则认为该段机动轨迹数据预测正确。若测试集各段机动轨迹平均预测准确性高于85%,则认为该网络训练完成。
本发明的有益效果是:创新性的将GRU和飞行器机动轨迹数据预测进行结合,该方法可通过学习训练,在达到预测精度要求后再进行实际应用。由于GRU网络的引入,极大地提高了飞行器六自由度机动数据预测的准确性与超前性,同时该模型对传入数据的序列长度及维度不具有特殊要求,对数据具有较强的适应性,为提前判断目标飞行器位置和姿态信息提供了可靠的支持。
附图说明
图1是GRU单元模型结构示意图;
图2是网络基本结构及展开结构示意图;
图3是双层GRU网络展开结构示意图;
图4是训练输入输出数据格式示意图;
图5是机动轨迹预测结果示意图。
具体实施方式
本发明提出了一种基于GRU的飞行器六自由度机动轨迹预测方法,针对现有技术训练时长过长问题,采用GRU结构单元,其简易的参数更新方式使得保持预测准确性情况下,大大缩减训练时长,提升其预测准确性。本发明对预测数据的维度及序列长度有较强的适应性,可以同时进行包含位置信息及姿态角信息等的多维度的机动轨迹数据预测,能够充分理解机动轨迹各维度间的数据关联性,有效的提升对飞行器机动轨迹数据预测的准确性与超前性。
本发明采用如下的技术方案,其实现过程主要包含以下步骤:
1)建立时序观测条件下飞行器机动轨迹数据集。
针对飞行器的机动轨迹预测问题,需要从动态变化的飞行环境中,捕捉飞行器飞行序列数据,采集飞行器当前六自由度飞行信息,并根据该数据进行未来时刻机动轨迹数据预测。在多种不同的飞行场景下,采集n条飞行器机动轨迹数据,每条包含m个时刻点。为保证网络训练数据量的充足,n大于50,m不少于20,时刻点间隔为Δt,每个时刻点包含北天东三方向坐标值,以及俯仰角、横滚角、偏航角信息。每条机动轨迹信息数据集合可表示为:
St=<Xt,Yt,Zt,Pitcht,Rollt,Yawt> (1)
式中,St表示t时刻下飞行器的相关信息集合,Xt,Yt,Zt分别表示t时刻下飞行器在北天东坐标系中三方向坐标值,Pitcht,Rollt,Yawt分别表示t时刻下飞行器的俯仰角、横滚角、偏航角信息。
2)对数据集进行分割和归一化处理。
对采集的飞行器机动轨迹数据集按照比例η构建为训练集与测试集,其计算公式如下:
式中,Strain为训练集机动轨迹条数,Stest为测试集机动轨迹条数,Stotal为总机动轨迹条数。训练前采用式(3)对采集的单条各维度机动轨迹数据进行归一化处理:
式中,为t时刻下单条飞行机动轨迹单维度的数据,min(xs)为单条飞行机动轨迹单维度数据中最小值,max(xs)为单条飞行器机动轨迹单维度数据中最大值,为t时刻下单条飞行机动轨迹单维度的归一化后数据,s表示某具体维度数据:
s∈[X,Y,Z,Pitch,Roll,Yaw] (4)
其变量分别代表北天东三方向坐标值及俯仰、横滚、偏航角信息。
完成归一化后的数据按照式(5)所示维度格式储存:
式中,[seq,batch,input]分别表示单次训练过程中需传入的序列长度、批处理维度、数据编码维度,其中批处理维度batch根据原始机动轨迹数据维度,可取值为6,或一次传入多条机动轨迹数据,取值6的倍数;由于时序数据预测不需要进行编码操作,因此数据编码维度input取值1。为归一化后的机动轨迹数据矩阵,其中每条飞行机动轨迹数据可按照式(6)形式储存:
3)建立门控循环单元(GRU)节点模型,见图1。
GRU基本单元结构及节点更新公式如下:
重置门Rt的值更新,如式所示:
Rt=σ(xtWxr+Ht-1Whr+br) (7)
更新门Zt的值更新,如式所示:
Zt=σ(xtWxz+Ht-1Whz+bz) (8)
式中,Rt,Zt分别表示时间步t下,重置门与更新门的输出值,Wxr,Whr,Wxz,Whz为权重矩阵,Ht-1为上一时刻隐藏层输出值,xt为当前输入数据,br,bz为偏置值,σ为sigmoid激活函数,网络在训练过程中,通过与真实值的偏差计算损失值,并通过优化函数实现网络参数更新,以实现上述各参数值的自更新。
最终隐藏状态Ht的计算公式为:
在后续数万次训练步骤中,网络结构可通过优化各权重矩阵Wxr,Whr,Wxz,Whz及偏置值br,bz实现对重置门Rt和更新门Zt的开合程度控制,能够更好地实现对时间序列数据的学习记忆,其网络结构及展开结构见图2。
4)对GRU飞行器机动轨迹预测网络进行训练,并利用测试集进行准确率检测。
初始化GRU网络拓扑结构,具体包括网络输入节点数Nin、输出节点数Nout、隐藏层数H、各隐藏层节点数各隐藏层间随机失活值为dropout,设定学习率LR,可取值0.0005至0.01,设置损失函数计算公式如式(11)所示:
LOSS=|youtput-yreal| (11)
式中,youtput为输出的机动轨迹预测序列值矩阵,yreal为真实的机动轨迹值矩阵,LOSS为本训练回合的损失函数值。训练步骤如下所示:
Step1:设定训练周期上限为Epoch;
Step2:训练开始时,将训练集中完成归一化的飞行器机动轨迹数据传入网络模型中;
Step3:以相差T个时刻点的后续等长时刻机动轨迹数据作为目标输出值yreal;
Step4:以机动轨迹实际输出值youtput和目标输出值yreal按照式(11)计算损失函数,更新网络各节点间权值参数;
Step5:当连续1000个训练回合损失函数值低于阈值ε或达到训练周期上限值Epoch时,认为网络完成训练,利用测试集归一化后的数据作为网络输入数据,对机动预测网络进行准确性检测;
Step6:检测标准为,未来时刻各点的飞行机动预测值youtput与真实值yreal之间偏差的平均值小于10%,则认为该段机动轨迹数据预测正确。若测试集各段机动轨迹平均预测准确性高于85%,则认为该网络训练完成。
其输入输出数据格式示意图见图4。
5)生成机动预测网络,储存网络结构及所有网络参数;
6)根据步骤5)所储存的基于GRU的机动轨迹预测网络,实现对飞行器机动轨迹预测,其六自由度飞行数据预测效果如图5所示。
以下结合附图说明对本发明的具体实施方式进行描述,以便本领域的技术人员更好的理解本发明。
1、建立时序观测条件下飞行器机动轨迹数据集。
利用某实验系统飞机六自由度飞行控制模型,产生连续等间隔时长Δt的原始机动数据,Δt取值可视具体预测场景决定,可选取0.1s、0.5s、1s、5s等不同长度数据,本实例中选择0.25s。在多种不同的飞行场景下,采集总数为n的多条飞行器机动轨迹数据,每条包含m个时刻点,本实例中n取值200,m取值100,每个时刻点包含以下多个信息,如式所示:
St=<Xt,Yt,Zt,Pitcht,Rollt,Yawt> (12)
式中,t表示某个时刻下飞行器的相关信息集合,Xt,Yt,Zt分别表示t时刻下北天东三方向坐标值,Pitcht,Rollt,Yawt分别表示t时刻下,俯仰角、横滚角、偏航角信息。
2、对数据集进行分割和归一化处理。
对采集的飞行器机动轨迹数据集按照比例η构建为训练集与测试集,其计算公式如下:
式中,Strain为训练集机动轨迹条数,Stest为测试集机动轨迹条数,Stotal为总机动轨迹条数,本实例中,η取值0.8,也即将80%机动轨迹数据作为训练集,20%机动轨迹数据作为测试集。训练前采用式(14)对采集的单条各维度机动轨迹数据进行归一化处理:
式中,为t时刻下单条飞行机动轨迹单维度的数据,min(xs)为单条飞行机动轨迹单维度数据中最小值,max(xs)为单条飞行器机动轨迹单维度数据中最大值,为t时刻下单条飞行机动轨迹单维度的归一化后数据,s表示某具体维度数据,可取如下维度:
s∈[X,Y,Z,Pitch,Roll,Yaw] (15)
其变量分别代表北天东三方向坐标值及俯仰、横滚、偏航角信息。
完成归一化后的数据按照式(16)所示维度格式储存:
式中,[seq,batch,input]分别表示单次传入的序列长度、批处理维度、数据编码维度,为归一化后的机动轨迹数据矩阵。本实例中序列长度seq可取值5~90,批处理维度batch根据原始机动轨迹数据维度,可取值为6,数据编码维度input取值1。其中每条飞行机动轨迹数据可按照式(17)形式储存:
3、建立门控循环单元(GRU)网络模型。
GRU基本单元结构及节点更新公式如下:
重置门的值更新,如式(18)所示:
Rt=σ(xtWxr+Ht-1Whr+br) (18)
更新门的值更新,如式(19)所示:
Zt=σ(xtWxz+Ht-1Whz+bz) (19)
式中,Rt,Zt分别表示时间步t下,重置门与更新门的输出值,Wxr,Whr,Wxz,Whz为权重矩阵,Ht-1为上一时刻隐藏层输出值,xt为当前输入数据,br,bz为偏置值,σ为sigmoid激活函数。根据时间步t的隐藏状态Ht,利用当前时间步的更新门的值使得上个时间步的隐藏状态Ht-1和当前时间步的隐藏状态做组合。而候选隐藏状态的值更新如式(20)所示:
最终隐藏状态Ht的计算如式(21)为:
4、对GRU飞行器机动轨迹预测网络进行训练,并利用测试集进行准确率检测。
初始化GRU网络拓扑结构,本实例中,网络输入节点数Nin取值20、输出节点数Nout为20、隐藏层数H选择2层、隐藏层节点数分别取值256、128、各隐藏层间随机失活值dropout取值0.2,设定学习率LR为0.0005~0.01,设置损失函数计算公式如式(22)所示:
LOSS=|youtput-yreal| (22)
式中,youtput为输出的机动轨迹预测序列值矩阵,yreal为真实的机动轨迹值矩阵,LOSS为本训练回合的损失函数值。训练步骤如下所示:
Step1:设定训练周期上限Epoch为50000;
Step2:训练开始时,将训练集完成归一化的飞行器机动轨迹数据传入网络模型中;
Step3:以相差T个时刻点的后续等长时刻机动轨迹数据作为目标输出值yreal,本实例中T取值4;
Step4:以机动轨迹实际输出值youtput和目标输出值yreal按照式(22)计算损失函数,更新网络各节点间权值参数;
Step5:当连续1000个训练回合损失函数值低于阈值ε或达到训练周期上限值Epoch时,认为网络完成训练,利用测试集归一化后的数据作为网络输入数据,对机动预测网络进行准确性检测,ε取值0.001~0.05;
Step6:检测标准为,未来时刻各点的飞行机动预测值youtput与真实值yreal之间偏差的平均值小于10%,则认为该段机动轨迹数据预测正确。若测试集各段机动轨迹平均预测准确性高于85%,则认为该网络训练完成。
5、生成机动预测网络,储存各个网络参数;
6、将固定间隔0.25s的连续20个时刻点的飞行器机动轨迹数据按照式(14)归一化后,输入步骤5所储存的基于GRU的机动预测网络,并获得后续4个时刻,也即1s内的机动数据预测结果。
本发明基于门控循环单元(GRU)网络,针对机动数据预测问题,提出了基于GRU的飞行器六自由度飞行数据预测方法。采用本发明中的所设计的方法,对传入数据的序列长度及维度不具有特殊要求,可根据实际运用情况选择,该网络模型能够充分分析理解各维度数据间的关联关系,并得到对机动轨迹数据准确性较高的预测结果,极大地提升了对未来时刻飞行器机动轨迹预测的准确性与超前性,为提前判断目标飞行器位置和姿态信息提供了可靠的支持。
Claims (7)
1.一种基于GRU的飞行器机动轨迹预测方法,其特征在于包括以下步骤:
1)建立时序观测条件下飞行器机动轨迹数据集;
2)将飞行器机动轨迹数据集分割为训练集与测试集,对其中的单条各维度机动轨迹数据进行归一化处理;
3)建立门控循环单元节点模型GRU;
4)利用训练集对GRU进行训练,并利用测试集进行准确率检测;
5)生成基于GRU的机动轨迹预测网络,储存网络结构及所有网络参数;
6)根据基于GRU的机动轨迹预测网络,实现对飞行器机动轨迹预测。
2.根据权利要求1所述的基于GRU的飞行器机动轨迹预测方法,其特征在于:所述的步骤1)在多种不同的飞行场景下,采集n条飞行器机动轨迹数据,每条包含m个时刻点,时刻点间隔为Δt,t时刻下机动轨迹信息数据集合表示为
St=<Xt,Yt,Zt,Pitcht,Rollt,Yawt>
式中,Xt,Yt,Zt分别表示t时刻下飞行器在北天东坐标系中三方向坐标值,Pitcht,Rollt,Yawt分别表示t时刻下飞行器的俯仰角、横滚角、偏航角信息。
3.根据权利要求2所述的基于GRU的飞行器机动轨迹预测方法,其特征在于:所述的步骤1)中n大于50,m不小于20。
4.根据权利要求1所述的基于GRU的飞行器机动轨迹预测方法,其特征在于:所述的步骤2)将飞行器机动轨迹数据集按照比例η构建为训练集与测试集,
式中,Strain为训练集机动轨迹条数,Stest为测试集机动轨迹条数,Stotal为总机动轨迹条数;训练前对采集的单条各维度机动轨迹数据进行归一化处理,t时刻下单条飞行机动轨迹单维度的归一化后数据式中,为t时刻下单条飞行机动轨迹单维度的数据,min(xs)为单条飞行机动轨迹单维度数据中最小值,max(xs)为单条飞行器机动轨迹单维度数据中最大值,s∈[X,Y,Z,Pitch,Roll,Yaw]表示某具体维度数据;完成归一化后的数据式中,[seq,batch,input]分别表示单次训练过程中需传入的序列长度、批处理维度、数据编码维度;中每条飞行机动轨迹数据n表示第n条机动轨迹数据,m表示每条机动轨迹数据总共包含m个时刻点,表示该时刻该维度下的数据编码信息。
5.根据权利要求4所述的基于GRU的飞行器机动轨迹预测方法,其特征在于:所述的步骤2)中,批处理维度batch取值为6或6的倍数;数据编码维度input取值1。
7.根据权利要求1所述的基于GRU的飞行器机动轨迹预测方法,其特征在于:所述的4)初始化GRU网络拓扑结构,具体包括网络输入节点数Nin、输出节点数Nout、隐藏层数H、各隐藏层节点数各隐藏层间随机失活值为dropout,设定学习率LR,设置损失函数LOSS=|youtput-yreal|,式中,youtput为输出的机动轨迹预测序列值矩阵,yreal为真实的机动轨迹值矩阵,LOSS为本训练回合的损失函数值;训练步骤如下所示:
Step1:设定训练周期上限为Epoch;
Step2:训练开始时,将训练集中完成归一化的飞行器机动轨迹数据传入网络模型中;
Step3:以相差T个时刻点的后续等长时刻机动轨迹数据作为目标输出值yreal;
Step4:以机动轨迹实际输出值youtput和目标输出值yreal计算损失函数,更新网络各节点间权值参数;
Step5:当连续设定数量的训练回合损失函数值低于阈值ε或达到训练周期上限值Epoch时,认为网络完成训练,利用测试集归一化后的数据作为网络输入数据,对机动预测网络进行准确性检测,未来时刻各点的飞行机动预测值youtput与真实值yreal之间偏差的平均值小于10%,则认为该段机动轨迹数据预测正确。若测试集各段机动轨迹平均预测准确性高于85%,则认为该网络训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649476.3A CN111897353B (zh) | 2020-07-08 | 2020-07-08 | 基于gru的飞行器机动轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649476.3A CN111897353B (zh) | 2020-07-08 | 2020-07-08 | 基于gru的飞行器机动轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897353A true CN111897353A (zh) | 2020-11-06 |
CN111897353B CN111897353B (zh) | 2022-08-02 |
Family
ID=73191994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010649476.3A Active CN111897353B (zh) | 2020-07-08 | 2020-07-08 | 基于gru的飞行器机动轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897353B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112445847A (zh) * | 2021-01-29 | 2021-03-05 | 中科星图股份有限公司 | 基于北斗导航时频数据的船舶轨迹预测方法及装置 |
CN112529158A (zh) * | 2020-12-08 | 2021-03-19 | 华强方特(深圳)科技有限公司 | 位置预测方法、装置、计算机设备及存储介质 |
CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
CN112770256A (zh) * | 2021-01-06 | 2021-05-07 | 重庆邮电大学 | 一种无人机自组织网络中的节点轨迹预测方法 |
CN113359764A (zh) * | 2021-07-02 | 2021-09-07 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN113505444A (zh) * | 2021-09-09 | 2021-10-15 | 中国电子科技集团公司第二十八研究所 | 基于自注意力的多维度轨迹预测方法、装置 |
CN114298183A (zh) * | 2021-12-20 | 2022-04-08 | 江西洪都航空工业集团有限责任公司 | 飞行动作智能识别方法 |
CN116306790A (zh) * | 2023-01-16 | 2023-06-23 | 西安电子科技大学 | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227735A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 基于视觉飞行自稳定的方法、计算机可读介质和系统 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109739218A (zh) * | 2018-12-24 | 2019-05-10 | 江苏大学 | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 |
US20200065648A1 (en) * | 2018-08-21 | 2020-02-27 | Wisconsin Alumni Research Foundation | Neural Network Architecture with Concurrent Uncertainty Output |
CN111159642A (zh) * | 2019-11-28 | 2020-05-15 | 南京航空航天大学 | 一种基于粒子滤波的在线轨迹预测方法 |
CN111242351A (zh) * | 2019-12-31 | 2020-06-05 | 上海师范大学 | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 |
CN111310965A (zh) * | 2019-10-30 | 2020-06-19 | 北京航空航天大学 | 一种基于lstm网络的飞行器航迹预测方法 |
CN111338385A (zh) * | 2020-01-22 | 2020-06-26 | 北京工业大学 | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 |
-
2020
- 2020-07-08 CN CN202010649476.3A patent/CN111897353B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227735A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 基于视觉飞行自稳定的方法、计算机可读介质和系统 |
US20200065648A1 (en) * | 2018-08-21 | 2020-02-27 | Wisconsin Alumni Research Foundation | Neural Network Architecture with Concurrent Uncertainty Output |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109739218A (zh) * | 2018-12-24 | 2019-05-10 | 江苏大学 | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 |
CN111310965A (zh) * | 2019-10-30 | 2020-06-19 | 北京航空航天大学 | 一种基于lstm网络的飞行器航迹预测方法 |
CN111159642A (zh) * | 2019-11-28 | 2020-05-15 | 南京航空航天大学 | 一种基于粒子滤波的在线轨迹预测方法 |
CN111242351A (zh) * | 2019-12-31 | 2020-06-05 | 上海师范大学 | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 |
CN111338385A (zh) * | 2020-01-22 | 2020-06-26 | 北京工业大学 | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 |
Non-Patent Citations (2)
Title |
---|
ABEBE BELAY ADEGE,等: "Mobility Predictions for IoT Devices Using Gated Recurrent Unit Network", 《IEEE INTERNET OF THINGS JOURNAL》 * |
张宏鹏,等: "用门控循环单元实时预测空战飞行轨迹", 《系统工程与电子技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
CN112529158A (zh) * | 2020-12-08 | 2021-03-19 | 华强方特(深圳)科技有限公司 | 位置预测方法、装置、计算机设备及存储介质 |
CN112770256A (zh) * | 2021-01-06 | 2021-05-07 | 重庆邮电大学 | 一种无人机自组织网络中的节点轨迹预测方法 |
CN112445847A (zh) * | 2021-01-29 | 2021-03-05 | 中科星图股份有限公司 | 基于北斗导航时频数据的船舶轨迹预测方法及装置 |
CN113359764A (zh) * | 2021-07-02 | 2021-09-07 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN113359764B (zh) * | 2021-07-02 | 2022-07-22 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN113505444A (zh) * | 2021-09-09 | 2021-10-15 | 中国电子科技集团公司第二十八研究所 | 基于自注意力的多维度轨迹预测方法、装置 |
CN114298183A (zh) * | 2021-12-20 | 2022-04-08 | 江西洪都航空工业集团有限责任公司 | 飞行动作智能识别方法 |
CN114298183B (zh) * | 2021-12-20 | 2024-04-05 | 江西洪都航空工业集团有限责任公司 | 飞行动作智能识别方法 |
CN116306790A (zh) * | 2023-01-16 | 2023-06-23 | 西安电子科技大学 | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 |
CN116306790B (zh) * | 2023-01-16 | 2024-05-28 | 西安电子科技大学 | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111897353B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897353B (zh) | 基于gru的飞行器机动轨迹预测方法 | |
CN112115550B (zh) | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 | |
CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
CN110569793B (zh) | 一种无监督相似性判别学习的目标跟踪方法 | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN107463966B (zh) | 基于双深度神经网络的雷达一维距离像目标识别方法 | |
CN109034376B (zh) | 一种基于lstm的无人机飞行状态预测方法及系统 | |
CN110728698B (zh) | 一种基于复合循环神经网络系统的多目标跟踪系统 | |
CN110412869B (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
CN113393032B (zh) | 基于重采样下的航迹循环预测方法 | |
CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN113569465B (zh) | 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
CN115048870A (zh) | 基于残差网络和注意力机制的目标轨迹识别方法 | |
CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
CN114972439A (zh) | 一种新的无人机目标跟踪算法 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN114116944A (zh) | 一种基于时间注意力卷积网络的轨迹预测方法及装置 | |
CN114676877A (zh) | 基于动态滑动窗口辨识的机动目标轨迹在线预测方法 | |
Xie et al. | Long and short term maneuver trajectory prediction of UCAV based on deep learning | |
Goupilleau et al. | Active learning for object detection in high-resolution satellite images | |
Fan et al. | Aircraft trajectory prediction based on residual recurrent neural networks | |
CN116341612A (zh) | 一种基于ABiLSTM-QSOA网络的AUV漂移轨迹预测方法 | |
Yang et al. | Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |