CN112115550B - 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 - Google Patents

基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 Download PDF

Info

Publication number
CN112115550B
CN112115550B CN202010957288.7A CN202010957288A CN112115550B CN 112115550 B CN112115550 B CN 112115550B CN 202010957288 A CN202010957288 A CN 202010957288A CN 112115550 B CN112115550 B CN 112115550B
Authority
CN
China
Prior art keywords
data
value
network
aircraft
bigru
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.)
Active
Application number
CN202010957288.7A
Other languages
English (en)
Other versions
CN112115550A (zh
Inventor
张堃
时昊天
李珂
华帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010957288.7A priority Critical patent/CN112115550B/zh
Publication of CN112115550A publication Critical patent/CN112115550A/zh
Application granted granted Critical
Publication of CN112115550B publication Critical patent/CN112115550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于Mogrifier‑BiGRU的飞行器机动轨迹预测方法，将BiGRU和飞行器机动轨迹预测问题进行结合，充分考虑了循环网络隐层输出数据与输入数据间的耦合缺失问题，引入了Mogrifier耦合函数，解决了权重参数更新过程中历史信息被错误抛弃的问题。本发明可以很好地实现飞行器机动轨迹数据预测，极大地提高了六自由度机动轨迹数据预测的准确性与超前性，同时该网络模型对传入数据的序列长度及维度不具有限定，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

基于Mogrifier-BiGRU的飞行器机动轨迹预测方法
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
随着航空科技的高速发展，对目标飞行器的机动及轨迹数据的预测技术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数据预测常采用线性回归法、差分自回归滑动平均模型、隐马尔可夫过程、时间序列分解法等，但这些方法无法充分分析各数据维度间的关联关系，因此在面对高维机动轨迹数据时，其预测准确性存在一定的局限。近些年，由于深度学习方法与人工智能理论的迅猛发展，在时序数据预测方面展现出了巨大的优势，利用深度学习强大的拟合能力，在飞行器机动轨迹数据的维度及序列长度问题上具有很强的适应性，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。双向循环神经网络(BiRNN)于1997年由Schuster等人提出，该方法所包含的节点单元更新方式使得网络可以同时学习正向及反向时序数据间的关联关系，相比于单向RNN，大量的实验证明该方法在文本预测中可以取得更优异的表现，同时该方法也被证实在时序数据预测中具有更明显的优势。但RNN网络存在梯度消失与梯度爆炸的问题，导致网络迟迟无法收敛甚至发散，BiRNN同样存在该问题，在多维飞行器数据学习训练过程中常常无法正确地进行网络权值更新。门控循环单元(GRU)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少有应用，结合BiRNN思路的双向GRU网络(BiGRU)将可以提升飞行器机动轨迹预测准确率至更高的水平，但传统的循环神经网络都忽略了隐层输出与输入数据之间的耦合缺失问题。考虑到隐层输出信息与后续时刻输入数据间并不为完全独立的现实情况，Gábor Melis等人于2019年提出Mogrifier-LSTM网络，该网络创造性地将隐层输出与后续输入进行耦合，解决了两者之间耦合缺失的问题，其构建的Mogrifier模块同样可随网络的优化进行参数自更新，但该文章所提出的模型是基于改进的单层单向的LSTM网络结构，其学习记忆能力存在一定的局限性，经测试对多维的飞行机动轨迹预测能力不足以达到准确性需求。
发明内容
为了克服现有技术飞行器机动轨迹预测准确性、泛化性不足的问题以及上述各模型所存在的缺陷，本发明在综合分析上述各模型优缺点的基础上，进行了方法与模型结构的整合改进，提出一种基于改进的多层双向门控循环单元网络(Mogrifier-BiGRU)的飞行器机动轨迹预测方法，采用双向门控循环单元(BiGRU)模型进行飞行数据预测，能够克服RNN网络梯度消失难以收敛以及单向GRU网络准确性难以达到需求的弊端。同时本发明在网络前后向数据传播过程中，引入Mogrifier耦合模块，解决权重参数更新过程中历史信息被错误抛弃的问题。本发明对预测数据的维度及序列长度有较强的适应性，可同时进行包含位置信息及姿态角信息在内的多维度飞行机动轨迹数据预测，能够充分理解飞行数据各维度间的关联性，有效地提高对飞行器机动轨迹数据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)建立固定间隔时序条件下飞行器的机动轨迹数据集；
2)将机动轨迹数据集按照设定比例分割为训练集与测试集，并进行数据归一化处理；
3)建立Mogrifier隐层输出与网络输入耦合交互模型
Figure BDA0002679197000000021
式中，dt为当前时间步的输入，ht-1为上一时刻隐藏层输出，当t＝0时，h-1初始化为随机数值矩阵，i为范围[1…r]的迭代次数，r为自行设定的超参数，代表迭代运算的总次数，在i为奇数和偶数的时候分别执行上述两个更新公式；σ为sigmoid激活函数，⊙为矩阵点乘运算；Q和R分别是上一时刻隐藏层输出ht-1和当前时间步输入dt的耦合权重矩阵，其维度分别为[hidden,input]和[input,hidden]，分别代表隐藏层节点数和输入数据维度，其取值初始化为服从[-a,a]的均匀分布，
Figure BDA0002679197000000022
Fan_in、Fan_out分别代表上述Q和R矩阵的两个维度；
4)建立BiGRU节点模型，其中，正向重置门
Figure BDA0002679197000000023
的值更新，
Figure BDA0002679197000000024
正向更新门
Figure BDA0002679197000000031
的值更新，
Figure BDA0002679197000000032
式中，上标→代表正向循环网络，
Figure BDA0002679197000000033
分别表示时间步t下，正向重置门与更新门的输出值，
Figure BDA0002679197000000034
为正向的各节点权重矩阵，下角标dr,hr,dz,hz分别代表输入至重置门、隐层状态至重置门、输入至更新门、隐层状态至更新门，
Figure BDA00026791970000000322
为上一时刻正向隐藏层输出值，dt为当前时刻输入数据，
Figure BDA0002679197000000035
为偏置矩阵，σ为sigmoid激活函数；根据时间步t的正向隐藏状态
Figure BDA0002679197000000036
利用当前时间步更新门的值使得上个时间步的隐藏状态
Figure BDA0002679197000000037
和当前时间步的正向候选隐藏状态
Figure BDA0002679197000000038
做组合；候选隐藏状态的值更新为
Figure BDA0002679197000000039
最终正向隐藏状态
Figure BDA00026791970000000310
式中，h为记忆单元输出，
Figure BDA00026791970000000311
为权重向量矩阵，
Figure BDA00026791970000000312
为偏置值；反向重置门
Figure BDA00026791970000000313
反向更新门
Figure BDA00026791970000000314
反向隐层节点更新公式为
Figure BDA00026791970000000315
公式更新中下个时刻的隐层状态为
Figure BDA00026791970000000316
最终正向隐层节点输出结果为各时刻节点输出的拼接结果
Figure BDA00026791970000000317
反向隐层节点最终输出结果，经过一次逆序后进行各时刻输出数据拼接，
Figure BDA00026791970000000318
则最终状态隐层节点输出结果为正反向两者的直接拼接
Figure BDA00026791970000000319
此时隐层输出矩阵H维度应为[seq,batch,2×hidden]，并通过全连接层将维度降至[seq,batch,input]，与输入数据维度保持一致，其中hidden为隐层节点数目，U为拼接操作；
5)对机动轨迹预测网络进行训练，利用测试集进行准确率检测；
6)生成基于Mogrifier-BiGRU的机动轨迹预测网络，储存网络结构及所有网络参数，根据所储存的网络，实现对未来时刻飞行器机动轨迹数据精准预测。
所述的步骤1)在不同的飞行场景下采集n条飞行器机动轨迹数据，每条轨迹包含m个时刻点，时刻点间隔为Δt，每个时刻点包含北天东三个方向坐标值，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
Figure BDA00026791970000000320
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时刻下飞行器在地面系中北天东三个方向坐标值，θt,
Figure BDA00026791970000000321
ψt分别表示t时刻机体轴系与地面系之间飞行器的俯仰角、横滚角、偏航角信息。
所述的步骤1)中，n不少于50，m不少于30。
所述的步骤2)将机动轨迹数据集按照设定比例η构建为训练集与测试集，
Figure BDA0002679197000000041
式中，Ntrain为训练集机动轨迹数目，Ntest为测试集机动轨迹数目，Ntotal为总机动轨迹数目。
所述的步骤2)中，η取值大于0.5。
所述的步骤2)对训练集与测试集中的机动轨迹数据进行离差归一化处理，得到t时刻下单条飞行机动轨迹单个维度的归一化后数据
Figure BDA0002679197000000042
式中，
Figure BDA0002679197000000043
为t时刻下某单条飞行器机动轨迹单个维度的数据，min(ds)为该条飞行机动轨迹单个维度数据中最小值，max(ds)为该条飞行器机动轨迹单个维度数据中最大值，s表示某具体维度数据，
Figure BDA0002679197000000044
分别代表地面坐标系北天东三方向坐标值以及机体系与地面系俯仰、横滚、偏航角信息；完成归一化后的数据按照
Figure BDA0002679197000000048
维度格式储存，[seq,batch,input]分别表示单次训练过程中需传入的时间序列数据长度、批处理维度、数据编码维度；批处理维度batch根据采集到的原始机动轨迹数据维度，取值为6，或一次传入多条机动轨迹数据，取值为6的整数倍；数据编码维度input取固定值1；
Figure BDA0002679197000000049
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的储存形式为
Figure BDA0002679197000000045
式中，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，
Figure BDA0002679197000000046
表示该时刻该维度下的输入数据信息。
所述的步骤3)中，r的取值为[2,10]。
所述的步骤4)中，
Figure BDA0002679197000000047
采用零值进行初始化。
所述的步骤5)中，初始化Mogrifier-BiGRU网络拓扑结构，设定学习率Lr，设置绝对误差损失函数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，训练步骤如下所示：
Step1：设定训练周期上限为Epoch；
Step2：传入机动轨迹数据至Mogrifier-BiGRU网络；
Step3：历史数据
Figure BDA0002679197000000051
与
Figure BDA0002679197000000052
和当前数据dt分别传入Mogrifier进行充分耦合；
Step4：前后向历史数据
Figure BDA0002679197000000053
与
Figure BDA0002679197000000054
作为输入传入下一层BiGRU进行逻辑运算；
Step5：完成所有序列时刻的数据传入并得到每次数据最后一层网络的输出结果；
Step6：拼合所有时刻前向网络输出结果
Figure BDA0002679197000000055
拼合所有时刻后向网络输出结果
Figure BDA0002679197000000056
并逆序；
Step7：拼接
Figure BDA0002679197000000058
与
Figure BDA0002679197000000057
并通过全连接层输出完整飞行数据预测结果序列youtput；
Step8：与真实飞行数据yreal进行比对，计算网络损失值，反向传播更新网络参数，记录本回合训练准确率与偏差率；
Step9：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，储存网络。
所述的步骤5)中，Lr取值为0.0005至0.01。
本发明的有益效果是：将BiGRU和飞行器机动轨迹预测问题进行结合，不仅克服了BiRNN网络因梯度消失或梯度爆炸所导致的网络难以收敛问题，而且在GRU网络的基础上，提高了预测准确性。同时，本发明充分考虑了循环网络隐层输出数据与输入数据间的耦合缺失问题，引入了Mogrifier耦合函数，解决了权重参数更新过程中历史信息被错误抛弃的问题。该网络模型及训练方法可通过大量学习，在达到预测准确性要求后进行实际应用。由于Mogrifier-BiGRU网络的引入，本发明可以很好地实现飞行器机动轨迹数据预测，极大地提高了六自由度机动轨迹数据预测的准确性与超前性，同时该网络模型对传入数据的序列长度及维度不具有限定，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Mogrifier基本模型展开结构图；
图2是双层Mogrifier-GRU基本展开结构图；
图3是双层BiGRU网络简易展开结构图；
图4是双层Mogrifier-BiGRU网络完整展开结构图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明基于改进的双向门控循环单元(Mogrifier-BiGRU)，提出一种飞行器机动轨迹预测方法，能够实现对固定间隔时序条件下飞行器机动轨迹数据的准确预测。
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)建立固定间隔时序条件下飞行器的机动轨迹数据集。
针对基于深度循环网络的飞行器机动轨迹预测学习训练过程，需要生成大量的飞行数据作为原始训练数据集，该方法从连续动态的飞行仿真环境中，生成包含多条飞行器六自由度飞行轨迹的原始数据集，并利用该数据集进行未来时段机动轨迹数据预测。在多种不同的飞行场景下，采集n条飞行器机动轨迹数据，每条轨迹包含m个时刻点。为保证网络训练数据量的充足，n应不少于50，m不少于30，时刻点间隔为Δt，每个时刻点包含北天东三个方向坐标值，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：
Figure BDA0002679197000000061
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时刻下飞行器在地面系中北天东三个方向坐标值，θt,
Figure BDA0002679197000000062
ψt分别表示t时刻机体轴系与地面系之间飞行器的俯仰角、横滚角、偏航角信息。
2)数据集分割及数据归一化处理。
对已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：
Figure BDA0002679197000000063
式中，Ntrain为训练集机动轨迹数目，Ntest为测试集机动轨迹数目，Ntotal为总机动轨迹数目，η取值通常大于0.5，可使训练后的网络具有更强的泛化性。
由于采集到的机动轨迹数据值大小不一，甚至相差数量级，给网络的收敛过程和误差的反向传播带来了一定的不便，因此在训练前采用式(3)对采集到的单条各维度机动轨迹数据进行离差归一化处理：
Figure BDA0002679197000000071
式中，
Figure BDA0002679197000000072
为t时刻下某单条飞行器机动轨迹单个维度的数据，min(ds)为该条飞行机动轨迹单个维度数据中最小值，max(ds)为该条飞行器机动轨迹单个维度数据中最大值，
Figure BDA0002679197000000073
为t时刻下单条飞行机动轨迹单个维度的归一化后数据，s表示某具体维度数据：
Figure BDA0002679197000000074
上述变量分别代表地面坐标系北天东三方向坐标值以及机体系与地面系俯仰、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：
Figure BDA0002679197000000075
式中，[seq,batch,input]分别表示单次训练过程中需传入的时间序列数据长度、批处理维度、数据编码维度，式中批处理维度batch根据采集到的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的整数倍；同时由于时序数据预测不需要进行信息编码，因此数据编码维度input取固定值1。
Figure BDA0002679197000000079
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：
Figure BDA0002679197000000076
式中，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，
Figure BDA0002679197000000077
表示该时刻该维度下的输入数据信息。
3)建立Mogrifier隐层输出与网络输入耦合交互模型，其展开结构见图1。
Mogrifier的基本数学模型如式(7)所示：
Figure BDA0002679197000000078
式中，dt为当前时间步的输入，ht-1为上一时刻隐藏层输出，当t＝0时，h-1可初始化为随机数值矩阵。i为范围[1…r]的迭代次数，r为自行设定的超参数，代表迭代运算的总次数，通常取值为[2,10]，在i为奇数和偶数的时候分别执行上述两个更新公式；σ为sigmoid激活函数，⊙为矩阵点乘运算；Q和R分别是上一时刻隐藏层输出ht-1和当前时间步输入dt的耦合权重矩阵，其维度分别为[hidden,input]和[input,hidden]，分别代表隐藏层节点数和输入数据维度，其取值可初始化为服从[-a,a]的均匀分布，a的计算通常采用式(8)的计算公式：
Figure BDA0002679197000000081
式中，Fan_in、Fan_out分别代表上述Q和R矩阵的两个维度。则引入了Mogrifier模块的多层GRU网络结构如图2所示。
4)建立双向门控循环单元(BiGRU)节点模型，其网络简易展开结构见图3。
BiGRU基本单元结构及节点更新公式如下所示：
其中，正向重置门
Figure BDA0002679197000000082
的值更新，如式所示：
Figure BDA0002679197000000083
正向更新门
Figure BDA0002679197000000084
的值更新，如式所示：
Figure BDA0002679197000000085
式中，上标→代表正向循环网络，
Figure BDA0002679197000000086
分别表示时间步t下，正向重置门与更新门的输出值，
Figure BDA0002679197000000087
为正向的各节点权重矩阵，可采用式(8)进行均匀分布权值初始化，下角标dr,hr,dz,hz分别代表输入至重置门、隐层状态至重置门、输入至更新门、隐层状态至更新门。
Figure BDA0002679197000000088
为上一时刻正向隐藏层输出值，dt为当前时刻输入数据，
Figure BDA0002679197000000089
为偏置矩阵，宜采用零值进行初始化，σ为sigmoid激活函数。根据时间步t的正向隐藏状态
Figure BDA00026791970000000810
利用当前时间步更新门的值使得上个时间步的隐藏状态
Figure BDA00026791970000000811
和当前时间步的正向候选隐藏状态
Figure BDA00026791970000000812
做组合。而候选隐藏状态的值更新如式(11)所示：
Figure BDA00026791970000000813
最终正向隐藏状态
Figure BDA00026791970000000814
的计算公式为：
Figure BDA00026791970000000815
式中，
Figure BDA00026791970000000816
为重置门，
Figure BDA00026791970000000817
为更新门，h为记忆单元输出，
Figure BDA00026791970000000818
为权重向量矩阵，
Figure BDA00026791970000000819
为偏置值，
Figure BDA00026791970000000820
为候选隐藏状态，⊙为矩阵点乘。
由于此模型为双向门控循环单元，同样存在类似于上述节点模型的反向模型，其反向重置门
Figure BDA0002679197000000091
及反向更新门
Figure BDA0002679197000000092
公式形式同式(9)(10)：
Figure BDA0002679197000000093
Figure BDA0002679197000000094
同样存在反向隐层节点更新公式为：
Figure BDA0002679197000000095
由于该模型输入数据顺序为反向，隐层输入接受的是下一时刻的隐层输出，因此其公式更新中下个时刻的隐层状态为
Figure BDA0002679197000000096
最终正向隐层节点输出结果为各时刻节点输出的拼接结果：
Figure BDA0002679197000000097
反向隐层节点最终输出结果，经过一次逆序后进行各时刻输出数据拼接：
Figure BDA0002679197000000098
则最终状态隐层节点输出结果为正反向两者的直接拼接：
Figure BDA0002679197000000099
此时隐层输出矩阵H维度应为[seq,batch,2×hidden]，并通过全连接层将维度降至[seq,batch,input]，与输入数据维度保持一致，其中hidden为隐层节点数目，U为拼接操作。
5)对Mogrifier-BiGRU飞行器机动轨迹预测网络进行训练，利用测试集进行准确率检测。
初始化Mogrifier-BiGRU网络拓扑结构，具体包括网络隐层节点数hidden、GRU网络层数Layer、各权重矩阵W采用式(8)进行值初始化、偏置值矩阵b采用零值初始化，设定学习率Lr，可取值0.0005至0.01，设置绝对误差损失函数计算公式如式(19)所示：
Loss＝|youtput-yreal| (19)
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：传入机动轨迹数据至Mogrifier-BiGRU网络；
Step3：历史数据
Figure BDA00026791970000000910
与
Figure BDA00026791970000000911
和当前数据dt分别传入Mogrifier进行充分耦合；
Step4：前后向历史数据
Figure BDA0002679197000000101
与
Figure BDA0002679197000000102
作为输入传入下一层BiGRU进行逻辑运算；
Step5：完成所有序列时刻的数据传入并得到每次数据最后一层网络的输出结果；
Step6：拼合所有时刻前向网络输出结果
Figure BDA0002679197000000103
拼合所有时刻后向网络输出结果
Figure BDA0002679197000000104
并逆序；
Step7：拼接
Figure BDA0002679197000000105
与
Figure BDA0002679197000000106
并通过全连接层输出完整飞行数据预测结果序列youtput；
Step8：与真实飞行数据yreal进行比对，计算网络损失值，反向传播更新网络参数，记录本回合训练准确率与偏差率；
Step9：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，储存网络。
6)生成基于Mogrifier-BiGRU的机动轨迹预测网络，储存网络结构及所有网络参数，根据所储存的网络，实现对未来时刻飞行器机动轨迹数据精准预测。
本发明的实施例包括以下步骤：
1.建立固定间隔时序条件下飞行器的机动轨迹数据集。
采用某飞行模拟实验系统六自由度飞行控制模型，生成连续等间隔时长Δt的原始机动轨迹数据，Δt取值视具体预测场景决定，可选取0.1s至10s不同间隔时长数据，本实例中选择0.25s。在多种不同的飞行场景下，生成总条数为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：
Figure BDA0002679197000000107
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时刻下飞行器在地面系中三个方向坐标值，θt,
Figure BDA0002679197000000108
ψt分别表示t时刻下机体轴系与地面系之间飞行器的俯仰角、横滚角、偏航角信息。
2.数据集分割及数据归一化处理。
对已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：
Figure BDA0002679197000000109
式中，Ntrain为训练集机动轨迹条数，Ntest为测试集机动轨迹条数，Ntotal为总机动轨迹条数，本实例中，η取值0.8，也即80％机动轨迹数据添加至训练集，20％机动轨迹数据添加至测试集。训练前采用式(22)对采集的单条各维度机动轨迹数据进行归一化处理：
Figure BDA0002679197000000111
式中，
Figure BDA0002679197000000112
为t时刻下某单条飞行器机动轨迹单个维度的数据，min(ds)为该条飞行机动轨迹单个维度数据中最小值，max(ds)为该条飞行器机动轨迹单个维度数据中最大值，
Figure BDA0002679197000000113
为t时刻下单条飞行机动轨迹单个维度的归一化后数据，s表示某具体维度数据：
Figure BDA0002679197000000114
其变量分别代表地面坐标系北天东三方向坐标值及机体系与地面系俯仰、横滚、偏航角信息。
完成归一化后的数据按照式(24)所示维度格式储存：
Figure BDA0002679197000000115
式中，[seq,batch,input]分别表示单次训练过程中需传入的时间序列数据长度、批处理维度、数据编码维度，
Figure BDA0002679197000000117
为归一化后的机动轨迹数据矩阵。本实例中由于每条飞行序列最大长度为100，因此seq可取值5～80，本实例中采用20，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的整数倍，本实例为方便理解，取值为6；由于时序数据预测不需要进行信息编码，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(25)形式储存：
Figure BDA0002679197000000116
n,m取值同步骤1，分别为200、100，
Figure BDA0002679197000000118
为该时刻该维度下的输入数据信息。
3.建立Mogrifier隐层输出与网络输入耦合交互模型。
Mogrifier的基本数学模型如式(26)所示：
Figure BDA0002679197000000121
式中，dt为当前时间步的输入，ht-1为上一时刻隐藏层输出，当t＝0时，h-1可初始化为随机数值矩阵。i为范围[1…r]的迭代次数，r为自行设定的超参数，代表迭代运算的总次数，本实例中经测试较优取值为4，在i为奇数和偶数的时候分别执行上述两个更新公式；σ为sigmoid激活函数，⊙为矩阵点乘运算；Q和R分别是上一时刻隐藏层输出ht-1和当前时间步输入dt的混合权重矩阵，其维度分别为[hidden,input]和[input,hidden]，分别代表隐藏层节点数和输入数据维度，其取值可初始化为服从[-a,a]的均匀分布，a取值采用式(27)的计算公式：
Figure BDA0002679197000000122
式中，Fan_in、Fan_out分别代表上述Q和R矩阵的两个维度。由于本实例中[hidden,input]分别取值[256,1]，因此Q和R矩阵可初始化为服从
Figure BDA0002679197000000123
的均匀分布。
4.建立双向门控循环单元(BiGRU)节点模型。
BiGRU基本单元结构及节点更新公式如下所示：
其中，正向重置门
Figure BDA0002679197000000124
的值更新，如式所示：
Figure BDA0002679197000000125
正向更新门
Figure BDA0002679197000000126
的值更新，如式所示：
Figure BDA0002679197000000127
其反向重置门
Figure BDA0002679197000000128
及反向更新门
Figure BDA0002679197000000129
公式形式同式(28)(29)：
Figure BDA00026791970000001210
Figure BDA00026791970000001211
式中，上标→与←分别代表正向与反向网络参数，
Figure BDA00026791970000001212
分别表示时间步t下，重置门与更新门的输出值，
Figure BDA00026791970000001213
为各节点权重矩阵，可采用式(27)进行权值初始化，下角标dr,hr,dz,hz分别代表输入至重置门、隐层状态至重置门、输入至更新门、隐层状态至更新门。
Figure BDA0002679197000000131
为上一时刻正向隐层输出值，
Figure BDA0002679197000000132
为下一时刻反向隐层的输出值，dt为当前时刻输入数据，
Figure BDA0002679197000000133
为偏置矩阵，宜采用零矩阵进行初始化，σ为sigmoid激活函数，该网络在训练过程中，通过与真实值的偏差计算损失函数值，并通过优化函数实现网络参数更新。
根据时间步t的正向隐藏状态
Figure BDA0002679197000000134
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
Figure BDA0002679197000000135
和当前时间步的正向候选隐藏状态
Figure BDA0002679197000000136
做组合。而候选隐藏状态的值更新如式(32)所示：
Figure BDA0002679197000000137
最终正向隐藏状态
Figure BDA0002679197000000138
的计算公式为：
Figure BDA0002679197000000139
式中，
Figure BDA00026791970000001310
为重置门，
Figure BDA00026791970000001311
为更新门，h为记忆单元输出，
Figure BDA00026791970000001312
为权重向量矩阵，
Figure BDA00026791970000001313
为偏置值，
Figure BDA00026791970000001314
为候选隐藏状态，⊙为矩阵点乘。
同样，反向隐层节点更新公式为：
Figure BDA00026791970000001315
由于该模型的输入数据顺序为反向，上一隐层输入接受的是下一时刻的隐层输出，因此其公式更新中下个时刻的隐层状态为
Figure BDA00026791970000001316
最终正向隐层节点输出结果为各时刻节点输出的拼接结果：
Figure BDA00026791970000001317
反向隐层节点最终输出结果，经过一次逆序后进行各时刻输出数据拼接：
Figure BDA00026791970000001318
则最终状态隐层节点输出结果为正反向两者的首尾拼接：
Figure BDA00026791970000001319
此时隐层输出矩阵H的维度应为[seq,batch,2×hidden]，并通过全连接层将维度降至[seq,batch,input]，与输入数据的维度保持一致，其中hidden为隐层节点数目，U为拼接操作。
在后续数万次训练步骤中，该网络结构可通过误差反向传播优化各权重矩阵
Figure BDA00026791970000001320
及偏置值
Figure BDA00026791970000001321
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。
5.对Mogrifier-BiGRU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Mogrifier-BiGRU网络拓扑结构，本实例中，GRU网络层数Layer选择2层、网络隐层节点数hidden取值256，各权重矩阵W采用式(27)进行值初始化、偏置值矩阵b采用零值初始化，设定学习率Lr，可取值0.0005至0.01，设置绝对误差损失函数计算公式如式(38)所示：
Loss＝|youtput-yreal| (38)
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：传入机动轨迹数据至Mogrifier-BiGRU网络；
Step3：历史数据
Figure BDA0002679197000000141
与
Figure BDA0002679197000000142
和当前数据dt分别传入Mogrifier进行充分耦合；
Step4：前后向历史数据
Figure BDA0002679197000000143
与
Figure BDA0002679197000000144
作为输入传入下一层BiGRU进行逻辑运算；
Step5：完成所有序列时刻的数据传入并得到每次数据最后一层网络的输出结果；
Step6：拼合所有时刻前向网络输出结果
Figure BDA0002679197000000145
拼合所有时刻后向网络输出结果
Figure BDA0002679197000000146
并逆序；
Step7：拼接
Figure BDA0002679197000000148
与
Figure BDA0002679197000000147
并通过全连接层输出完整飞行数据预测结果序列youtput；
Step8：与真实飞行数据yreal进行比对，计算网络损失值，反向传播更新网络参数，记录本回合训练准确率与偏差率；
Step9：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，储存网络。
6.生成基于Mogrifier-BiGRU的机动轨迹预测网络，储存网络结构及所有网络参数。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(22)归一化后，输入所储存的网络模型，并获得后续8个时刻，也即2s内的机动轨迹数据预测结果。

Claims (10)

1.一种基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于包括以下步骤：
1)建立固定间隔时序条件下飞行器的机动轨迹数据集；
2)将机动轨迹数据集按照设定比例分割为训练集与测试集，并进行数据归一化处理；
3)建立Mogrifier隐层输出与网络输入耦合交互模型
Figure FDA0003385246540000011
式中，dt为当前时间步的输入，ht-1为上一时刻隐藏层输出，当t＝0时，h-1初始化为随机数值矩阵，i为范围[1…r]的迭代次数，r为自行设定的超参数，代表迭代运算的总次数，在i为奇数和偶数的时候分别执行上述两个更新公式；σ为sigmoid激活函数，⊙为矩阵点乘运算；Q和R分别是上一时刻隐藏层输出ht-1和当前时间步输入dt的耦合权重矩阵，其维度分别为[hidden,input]和[input,hidden]，分别代表隐藏层节点数和输入数据维度，其取值初始化为服从[-a,a]的均匀分布，
Figure FDA0003385246540000012
Fan_in、Fan_out分别代表上述Q和R矩阵的两个维度；
4)建立BiGRU节点模型，其中，正向重置门
Figure FDA0003385246540000013
的值更新，
Figure FDA0003385246540000014
正向更新门
Figure FDA0003385246540000015
的值更新，
Figure FDA0003385246540000016
式中，上标→代表正向循环网络，
Figure FDA0003385246540000017
分别表示时间步t下，正向重置门与更新门的输出值，
Figure FDA0003385246540000018
为正向的各节点权重矩阵，下角标dr,hr,dz,hz分别代表输入至重置门、隐层状态至重置门、输入至更新门、隐层状态至更新门，
Figure FDA0003385246540000019
为上一时刻正向隐藏层输出值，dt为当前时刻输入数据，
Figure FDA00033852465400000110
为偏置矩阵，σ为sigmoid激活函数；根据时间步t的正向隐藏状态
Figure FDA00033852465400000111
利用当前时间步更新门的值使得上个时间步的隐藏状态
Figure FDA00033852465400000112
和当前时间步的正向候选隐藏状态
Figure FDA00033852465400000113
做组合；候选隐藏状态的值更新为
Figure FDA00033852465400000114
最终正向隐藏状态
Figure FDA00033852465400000115
式中，h为记忆单元输出，
Figure FDA0003385246540000021
为权重向量矩阵，
Figure FDA0003385246540000022
为偏置值；反向重置门
Figure FDA0003385246540000023
反向更新门
Figure FDA0003385246540000024
反向隐层节点更新公式为
Figure FDA0003385246540000025
公式更新中下个时刻的隐层状态为
Figure FDA0003385246540000026
最终正向隐层节点输出结果为各时刻节点输出的拼接结果
Figure FDA0003385246540000027
反向隐层节点最终输出结果，经过一次逆序后进行各时刻输出数据拼接，
Figure FDA0003385246540000028
则最终状态隐层节点输出结果为正反向两者的直接拼接
Figure FDA0003385246540000029
此时隐层输出矩阵H维度应为[seq,batch,2×hidden]，并通过全连接层将维度降至[seq,batch,input]，与输入数据维度保持一致，其中hidden为隐层节点数目，U为拼接操作；
5)对机动轨迹预测网络进行训练，利用测试集进行准确率检测；
6)生成基于Mogrifier-BiGRU的机动轨迹预测网络，储存网络结构及所有网络参数，根据所储存的网络，实现对未来时刻飞行器机动轨迹数据精准预测。
2.根据权利要求1所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤1)在不同的飞行场景下采集n条飞行器机动轨迹数据，每条轨迹包含m个时刻点，时刻点间隔为△t，每个时刻点包含北天东三个方向坐标值，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
Figure FDA00033852465400000210
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时刻下飞行器在地面系中北天东三个方向坐标值，
Figure FDA00033852465400000211
分别表示t时刻机体轴系与地面系之间飞行器的俯仰角、横滚角、偏航角信息。
3.根据权利要求2所述的基于Mogrifier-BiGRU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不少于50，m不少于30。
4.根据权利要求1所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤2)将机动轨迹数据集按照设定比例η构建为训练集与测试集，
Figure FDA00033852465400000212
式中，Ntrain为训练集机动轨迹数目，Ntest为测试集机动轨迹数目，Ntotal为总机动轨迹数目。
5.根据权利要求4所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤2)中，η取值大于0.5。
6.根据权利要求1所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤2)对训练集与测试集中的机动轨迹数据进行离差归一化处理，得到t时刻下单条飞行机动轨迹单个维度的归一化后数据
Figure FDA0003385246540000031
式中，
Figure FDA0003385246540000032
为t时刻下某单条飞行器机动轨迹单个维度的数据，min(ds)为该条飞行机动轨迹单个维度数据中最小值，max(ds)为该条飞行器机动轨迹单个维度数据中最大值，s表示某具体维度数据，
Figure FDA0003385246540000033
分别代表地面坐标系北天东三方向坐标值以及机体系与地面系俯仰、横滚、偏航角信息；完成归一化后的数据按照
Figure FDA0003385246540000034
维度格式储存，[seq,batch,input]分别表示单次训练过程中需传入的时间序列数据长度、批处理维度、数据编码维度；批处理维度batch根据采集到的原始机动轨迹数据维度，取值为6，或一次传入多条机动轨迹数据，取值为6的整数倍；数据编码维度input取固定值1；
Figure FDA0003385246540000035
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的储存形式为
Figure FDA0003385246540000036
式中，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，
Figure FDA0003385246540000038
表示该时刻该维度下的输入数据信息。
7.根据权利要求1所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤3)中，r的取值为[2,10]。
8.根据权利要求1所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤4)中，
Figure FDA0003385246540000037
采用零值进行初始化。
9.根据权利要求1所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤5)中，初始化Mogrifier-BiGRU网络拓扑结构，设定学习率Lr，设置绝对误差损失函数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，训练步骤如下所示：
Step1：设定训练周期上限为Epoch；
Step2：传入机动轨迹数据至Mogrifier-BiGRU网络；
Step3：历史数据
Figure FDA0003385246540000041
与
Figure FDA0003385246540000042
和当前数据dt分别传入Mogrifier进行充分耦合；
Step4：前后向历史数据
Figure FDA0003385246540000043
与
Figure FDA0003385246540000044
作为输入传入下一层BiGRU进行逻辑运算；
Step5：完成所有序列时刻的数据传入并得到每次数据最后一层网络的输出结果；
Step6：拼合所有时刻前向网络输出结果
Figure FDA0003385246540000045
拼合所有时刻后向网络输出结果
Figure FDA0003385246540000046
并逆序；
Step7：拼接
Figure FDA0003385246540000047
与
Figure FDA0003385246540000048
并通过全连接层输出完整飞行数据预测结果序列youtput；
Step8：与真实飞行数据yreal进行比对，计算网络损失值，反向传播更新网络参数，记录本回合训练准确率与偏差率；
Step9：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，储存网络。
10.根据权利要求9所述的基于Mogrifier-BiGRU的飞行器机动轨迹预测方法，其特征在于：所述的步骤5)中，Lr取值为0.0005至0.01。
CN202010957288.7A 2020-09-13 2020-09-13 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 Active CN112115550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010957288.7A CN112115550B (zh) 2020-09-13 2020-09-13 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010957288.7A CN112115550B (zh) 2020-09-13 2020-09-13 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法

Publications (2)

Publication Number Publication Date
CN112115550A CN112115550A (zh) 2020-12-22
CN112115550B true CN112115550B (zh) 2022-04-19

Family

ID=73802987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010957288.7A Active CN112115550B (zh) 2020-09-13 2020-09-13 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法

Country Status (1)

Country Link
CN (1) CN112115550B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190632B (zh) * 2020-12-23 2023-08-15 南京未来网络产业创新有限公司 一种轨迹复原算法的模型建立方法及系统
CN113792473A (zh) * 2021-01-04 2021-12-14 北京京东尚科信息技术有限公司 无人机动力学网络预测模型的建模、使用方法及相关设备
CN112859898B (zh) * 2021-01-18 2022-03-22 中山大学 一种基于双通道双向神经网络的飞行器轨迹预测方法
CN113269077B (zh) * 2021-05-19 2023-04-07 青岛科技大学 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN113408588B (zh) * 2021-05-24 2023-02-14 上海电力大学 一种基于注意力机制的双向gru轨迹预测方法
CN113657454B (zh) * 2021-07-23 2024-02-23 杭州安脉盛智能技术有限公司 基于自回归BiGRU的核电旋转机械状态监测方法
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
CN115359684A (zh) * 2022-08-16 2022-11-18 辽宁工程技术大学 一种基于Elastic-BiGRU结构的航空器轨迹预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160118658A (ko) * 2015-04-02 2016-10-12 한국항공우주연구원 실시간 항적 자료 모니터링을 통한 항공기 궤적 예측 방법 및 시스템
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
CN110168570A (zh) * 2016-12-29 2019-08-23 谷歌有限责任公司 用于多个传感器的机器学习虚拟传感器模型
CN110348632A (zh) * 2019-07-11 2019-10-18 广东电网有限责任公司 一种基于奇异谱分析和深度学习的风电功率预测方法
CN111145552A (zh) * 2020-01-06 2020-05-12 重庆大学 基于5g网络的车辆动态换道轨迹的规划方法
CN111191897A (zh) * 2019-12-23 2020-05-22 浙江传媒学院 基于双向gru神经网络的业务流程在线合规性预测方法及系统
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
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111369053A (zh) * 2020-03-03 2020-07-03 广东工业大学 一种人车交互场景下行人与车辆的轨迹预测方法
CN111523081A (zh) * 2020-05-01 2020-08-11 西北工业大学 一种基于增强门控循环神经网络的航空发动机故障诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10621486B2 (en) * 2016-08-12 2020-04-14 Beijing Deephi Intelligent Technology Co., Ltd. Method for optimizing an artificial neural network (ANN)
US11461619B2 (en) * 2019-02-18 2022-10-04 Nec Corporation Spatio temporal gated recurrent unit
CN109976156B (zh) * 2019-03-13 2021-08-06 南京航空航天大学 固定翼无人机栖落机动轨迹的建模与预测控制方法
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160118658A (ko) * 2015-04-02 2016-10-12 한국항공우주연구원 실시간 항적 자료 모니터링을 통한 항공기 궤적 예측 방법 및 시스템
CN110168570A (zh) * 2016-12-29 2019-08-23 谷歌有限责任公司 用于多个传感器的机器学习虚拟传感器模型
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
CN110348632A (zh) * 2019-07-11 2019-10-18 广东电网有限责任公司 一种基于奇异谱分析和深度学习的风电功率预测方法
CN111191897A (zh) * 2019-12-23 2020-05-22 浙江传媒学院 基于双向gru神经网络的业务流程在线合规性预测方法及系统
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
CN111145552A (zh) * 2020-01-06 2020-05-12 重庆大学 基于5g网络的车辆动态换道轨迹的规划方法
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111369053A (zh) * 2020-03-03 2020-07-03 广东工业大学 一种人车交互场景下行人与车辆的轨迹预测方法
CN111523081A (zh) * 2020-05-01 2020-08-11 西北工业大学 一种基于增强门控循环神经网络的航空发动机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimal human-like trajectory planning of CP-nets for robot;LIU Zhao-wei；ZHONG Zhao-lin；WANG Lei；LI Ke;《Control Theory & Applications》;20181231;第35卷(第12期);第1772-1778页 *
某种飞行器运动学轨迹建模与仿真;张斌， 陈春歌;《战术导弹技术》;20120331;第20-26页 *

Also Published As

Publication number Publication date
CN112115550A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
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
CN109992000B (zh) 一种基于分层强化学习的多无人机路径协同规划方法及装置
CN111897353B (zh) 基于gru的飞行器机动轨迹预测方法
Tai et al. A robot exploration strategy based on q-learning network
CN112162564B (zh) 基于模仿学习和强化学习算法的无人机飞行控制方法
CN102402712B (zh) 基于神经网络的机器人强化学习初始化方法
CN108319293B (zh) 一种基于lstm网络的uuv实时避碰规划方法
Kang et al. Deep convolutional identifier for dynamic modeling and adaptive control of unmanned helicopter
US11579575B2 (en) Inverse reinforcement learning with model predictive control
Song et al. Guidance and control of autonomous surface underwater vehicles for target tracking in ocean environment by deep reinforcement learning
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
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
CN114741886B (zh) 一种基于贡献度评价的无人机集群多任务训练方法及系统
CN104504520A (zh) 一种基于神经网络的深空探测器自主任务规划方法
Yao et al. Lstm-pso: Long short-term memory ship motion prediction based on particle swarm optimization
CN113741533A (zh) 一种基于模仿学习与强化学习的无人机智能决策系统
CN111445498A (zh) 一种采用Bi-LSTM神经网络的目标跟踪方法
CN116700327A (zh) 一种基于连续动作优势函数学习的无人机轨迹规划方法
Chen et al. Deep feature representation based imitation learning for autonomous helicopter aerobatics
CN114626598A (zh) 一种基于语义环境建模的多模态轨迹预测方法
CN111695195B (zh) 一种基于长短时间记忆网络的空间物理运动体建模方法
Xu et al. AUV motion planning in uncertain flow fields using bayes adaptive MDPs
CN113011081B (zh) 一种基于元学习的无人机导航方法
CN114840928A (zh) 一种基于深度学习的水下航行器集群运动仿真方法

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