CN112327903A - 一种基于深度混合密度网络的航空器轨迹生成方法 - Google Patents
一种基于深度混合密度网络的航空器轨迹生成方法 Download PDFInfo
- Publication number
- CN112327903A CN112327903A CN202010964845.8A CN202010964845A CN112327903A CN 112327903 A CN112327903 A CN 112327903A CN 202010964845 A CN202010964845 A CN 202010964845A CN 112327903 A CN112327903 A CN 112327903A
- Authority
- CN
- China
- Prior art keywords
- network
- track
- aircraft
- mixed
- data
- 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 60
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于深度混合密度网络的航空器轨迹生成方法,首先,读取航空器轨迹数据,并对数据进行质量分析及预处理;然后,构建深度混合密度网络模型,所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层;并对网络模型进行超参数以及权重参数设置及优化;最后,通过深度混合密度神经网络对大量的航空器轨迹进行建模,获取航空器轨迹的统计特性,采用轮赌盘采样方法对航空器轨迹数据进行采样生成轨迹。本发明能得出航空器轨迹的时空特性和运行规律,构建航空器轨迹生成模型,实现轨迹仿真模拟以及轨迹预测功能,以帮助航空器规划避碰演习并帮助进行离线性能和安全分析,从而提高航空运输的效率、安全性及可预测性。
Description
技术领域
本发明属于民航技术领域,具体涉及一种基于深度混合密度网络的航空器轨迹生成方法。
背景技术
近年来,航空运输业持续快速发展,有限的空域资源和不断增长的空中交通流量之间的矛盾日益加深,使得航空器间潜在冲突加剧,管制员负荷加重,空域拥堵、航班延误等问题频繁出现。为此,世界各国逐步改变空域管理,开发新一代空中交通管理系统,以期通过管理和技术创新来解决空中交通管理中面临的问题,提高空中交通运输效率和安全性。
本专利聚焦在航空器轨迹生成技术,它对空中交通管理、空域规划评估、空中交通新技术评估等直观重要,能够提高航空运输的效率、安全性、可预测性。比如,轨迹生成方法可用于预测航空器的未来轨迹,基于预测的结果发现航空器间的潜在冲突,根据冲突发生的时间、概率、程度等,采取相应的规避措施。此外,通过对整个空域内航空器未来轨迹的预测,能够实现空域拥挤的掌控。除了日常空中交通管理外,航空器轨迹生成通过对航空器的轨迹进行模拟,能够应用于空域规划和新技术的评估。
目前,国内外对航空器轨迹生成技术也有一些研究,可以分为基于航空动力学模型的方法和基于数据驱动的方法。基于航空器动力学模型的轨迹生成方法属于一类物理学模型的方法,根据航空器受力和运动情况来生成航空器轨迹。该方法的性能依赖于准确的航空器参数,比如航空器重量、推力,但在实际情况中,很难获取这些参数的准确信息。基于数据驱动的轨迹生成方法根据大量历史轨迹数据,通过训练的方式构建一个生成模型。数据驱动的方法依赖于航空器轨迹大数据样本的完备程度以及模型对大量历史轨迹数据的表征能力,但现有数据驱动的轨迹生成方法,都采用了浅层网络结构,在表征航空器轨迹特征的能力上有限。本专利在深度学习架构下,结合混合密度网络的思想,提出了一种基于深度混合密度网络的航空器轨迹生成方法,能够提高轨迹生成模型的性能。
发明内容
发明目的:本发明提出一种基于深度混合密度网络的航空器轨迹生成方法,动态更新系统隐含态信息,对航空器轨迹的长时间序列数据进行建模,捕获航空器轨迹序列数据之间的隐含关系以及高维度映射关系,得出航空器轨迹的时空特性和运行规律,构建航空器轨迹生成模型,实现轨迹仿真模拟以及轨迹预测功能,以帮助航空器规划避碰演习并帮助进行离线性能和安全分析,从而提高航空运输的效率、安全性及可预测性。
技术方案:本发明所述的一种基于深度混合密度网络的航空器轨迹生成方法,包括以下步骤:
(1)读取航空器轨迹数据,并对数据进行质量分析;
(2)对步骤(1)获取的航空器轨迹数据进行预处理;
(3)构建深度混合密度网络模型,所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层;并对网络模型进行超参数以及权重参数设置及优化;
(4)生成航空器轨迹:通过深度混合密度神经网络对大量的航空器轨迹进行建模,获取航空器轨迹的统计特性,采用轮赌盘采样方法对航空器轨迹数据进行采样生成。
进一步地,步骤(1)所述的航空器轨迹数据包括时间、雷达波号、航空器型号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度。
进一步地,所述步骤(2)实现过程如下:
(21)对步骤(1)获取的数据进行删除、插补、替换、排序;
(22)进行坐标变换,将地球的球坐标转换成笛卡尔坐标系:
X=(N+h)×cosφ×cosλ (1)
Y=(N+h)×cosφ×sinλ (2)
Z=[N×(1-e2)+h]×sinφ (3)
其中,φ,λ,h分别表示纬度、经度、海拔高度;X,Y,Z表示三维笛卡尔坐标系坐标;N表示曲率半径,e表示偏心率;
(23)进行数据标准化处理,使用零均值标准化方法对航迹数据集进行标准化处理,从而生成无量纲的航迹数据集。
进一步地,步骤(3)所述的深度混合密度网络模型的构建过程如下:
网络模型输出是航迹点的概率分布参数,采用极大似然估计的思想,最大化轨迹每个时刻的真实值在相应概率分布中的概率,通过取对数后取相反数的方法,构造如式(7)所示的误差函数:
进一步地,步骤(3)所述的超参数的设置及优化的过程如下:
网络的超参数包括序列长度、模型隐藏层数量、各隐藏层的神经元个数、每批次训练样本的大小、最大迭代次数、迭代停止准则、初始学习率、混合密度网络中混合成分的个数;其中,序列长度根据实际应用需求确定,剩余超参数通过设定各个超参数的取值来使用范围贝叶斯优化库进行优化来确定,从而确定最终的最优超参数;其中,在最小化验证误差过程中,采用10折交叉验证的方法,将之前分的训练集组合成10组不同的训练集和验证集,用10组验证误差的平均值作为模型最后的验证误差。
进一步地,步骤(3)所述的权重参数的设置及优化的实现过程如下:
网络的初始权值参数在[0,1]区间随机赋值,通过前馈传播过程,经双向长短时记忆神经网络层获取预测轨迹数据特征,学习轨迹序列数据间内部依赖和映射关系,通过混合密度模型神经网络的参数化,结合真实轨迹点,获取轨迹中每一个点的概率密度参数,计算损失函数,结合自适应矩估计优化器以及学习率指数衰减算法对网络权值参数的迭代更新。
进一步地,所述步骤(4)实现过程如下:
将深度混合密度网络的输出用以计算每个混合成分的累计权重qj,随机生成变量r∈[0,1],若累计权重qj>r,选择第j个混合成分作为航迹点的父代来生成新的航迹点;利用第j个混合成分的均值和方差建立混合高斯分布模型,从中随机选取一个满足该分布的点作为下一个航迹点的位置信息,即生成了新的航迹点;将新生成的航迹点信息加入输入数据集中,去掉初始航迹点数据集的第一个航迹点,获取新的航迹数据,航迹数据序列长度不变;然后继续加入网络训练,生成新的航迹点,如此往复迭代即可生成航空器轨迹:
其中,qj为每个混合成分的累计权重;m为网络混合成分的个数;αj为第j个混合成分的权重。
有益效果:与现有技术相比,本发明的有益效果:1、通过网络中的双向长短期记忆神经网络层,动态更新系统隐含态信息,能够保留较长时间序列下的有效信息,同时利用过去时刻和未来时刻两个方向上的信息,更加契合时序数据建模的问题,避免传统循环神经网络的梯度消失以及改善单向长短期记忆神经网络仅考虑过去时刻信息的不足;2、具备数据驱动特性,可从雷达数据生成模型,为任意机场自动创建生成模型;并可获取空域环境的相关统计属性,使生成的航空器轨迹目标变量具备更加完整的特征表达性;3、可以构建特定空域中飞机运行的三维仿真并获取飞机运行过程中轨迹的后验概率分布,帮助飞机规划避碰演习并帮助进行离线性能和安全分析,以更好地支持空中交通管制系统。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提出一种基于深度混合密度网络的航空器轨迹生成方法,如图1所示,首先读入航空器航迹相关数据,并对航迹数据进行质量分析和预处理,进一步对航空器航迹的球坐标位置转换到笛卡尔坐标系,在此基础上,构建神经网络模型,学习航空器轨迹的时空特性和运行规律,获取轨迹的统计特性。最后,采用轮赌盘采用算法生成航空器轨迹。具体步骤如下:
步骤1:读取航空器轨迹相关数据,并对数据进行质量分析。
读取航空器轨迹相关数据,包括时间、雷达波号、航空器型号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度。
将读取的数据进行质量分析,从数据是否存在重复值、缺失值、异常值三个方面进行分析。对比飞机航迹信息数据集中的所有航迹点的所有属性,当两个航迹点之间的所有属性均相同时,则判断这两个航迹点为重复值;检查航迹点的属性值,当存在空值时,则该航迹信息为缺失值;异常值的判断采用聚类法,由于航迹信息数据是多变量数据,针对多变量异常值处理,采用快速聚类法,将数据对象分组成多个簇,从而挖掘出孤立点,判断出异常值数据。
步骤2:对航空器轨迹信息数据进行预处理。
对航空器轨迹信息数据集进行数据清洗。数据中存在的重复值采用删除法,剔除重复航迹信息的数据记录;数据中存在的缺失值采用删除法和插补法。当数据缺失属性大于85%时,删除该航迹点的信息数据,否则根据其他非缺失的变量,运用回归的方法对缺失值进行插补;数据中的异常值采用替换法,由于分位数不会受到计算值的影响,故使用中位数对异常值进行替换。将清洗后的数据根据时间顺序重新排序,形成时间序列下的航空器轨迹信息数据序列。
对航空器轨迹信息数据集进行坐标变换,将地球的球坐标转换成笛卡尔坐标系,具体计算公式如下:
X=(N+h)×cosφ×cosλ (1)
Y=(N+h)×cosφ×sinλ (2)
Z=[N×(1-e2)+h]×sinφ (3)
其中,φ,λ,h分别表示纬度、经度、海拔高度;X,Y,Z表示三维笛卡尔坐标系坐标;N表示曲率半径,e表示偏心率。
对航空器轨迹信息数据集进行数据标准化处理,使用零均值标准化方法对航迹数据集进行标准化处理,从而生成无量纲的航迹数据集。
步骤3:构建深度混合密度网络模型,所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层;并对网络模型进行超参数以及权重参数设置及优化。
神经网络模型的结构从下到上包括:输入层、双向长短期记忆网络层、混合密度模型网络层、输出层。
构建深度混合密度网络模型需要对网络进行超参数以及权重参数设置及优化,包括如下过程:
超参数的设置及优化:网络的超参数包括序列长度、模型隐藏层数量、各隐藏层的神经元个数、每批次训练样本的大小、最大迭代次数、迭代停止准则、初始学习率、混合密度网络中混合成分的个数。其中,序列长度根据实际应用需求确定,剩余超参数通过设定各个超参数的取值来使用范围贝叶斯优化库进行优化来确定,从而确定最终的最优超参数。其中,在最小化验证误差过程中,采用10折交叉验证的方法,将之前分的训练集组合成10组不同的训练集和验证集,用10组验证误差的平均值作为模型最后的验证误差。
权重参数的设置及优化:网络的初始权值参数在[0,1]区间随机赋值。通过前馈传播过程,如公式(5),经双向长短时记忆神经网络层获取预测轨迹数据特征,学习轨迹序列数据间内部依赖和映射关系。如公式(6),通过混合密度模型网络层的参数化。如公式(7),结合真实轨迹点,获取轨迹中每一个点的概率密度参数,计算损失函数。结合自适应矩估计优化器以及学习率指数衰减算法对网络权值参数的迭代更新。相关计算公式如下:
长短期记忆神经网络的公式表达:
其中,在式(4)中,σ(·)表示逻辑回归激活函数,将输入的数值映射到(0,1)区间内,以控制三个门控单元的开关;tanh(·)表示双曲正切激活函数,将输入的数值映射到(-1,1)区间内,对输入数据进行非线性映射;⊙表示矩阵乘积;ft表示“遗忘门”控制单元,根据上一时刻的隐层状态St-1和当前时间的输入数据xt决定以一定的概率控制遗忘多少上一层单元状态Ct-1,并将剩余信息保留到当前时刻的单元状态Ct中;it表示“输入门”控制单元,根据上一时刻的隐层状态St-1和当前时间的输入数据xt决定更新多少信息到当前时刻的单元状态Ct中;ot表示“输出门”控制单元,根据上一时刻的隐层状态St-1和当前时间的输入数据xt决定当前时刻的隐层需要输出多少信息;Ct表示当前时刻t的单元状态,将遗忘门控制输出的上一时刻t-1的单元状态Ct-1与输入门更新的信息相加获得;St表示当前时刻t输出的隐藏状态信息,由当前时刻t的输出门控信息和单元状态信息结合输出。Wxy、Wsy、bf、Wxi、Wsi、bi、Wxo、Wso、bo、Wsc、Wxc、bc是网络结构中的权值参数。
双向长短期记忆神经网络的输出结果公式表达:
其中,表示正向长短期网络在时刻t输出的隐藏层状态信息;表示反向长短期网络在时刻t输出的隐藏层状态信息;LSTM(·)为式子(4)所得的长短时记忆单元计算组合方程,用以计算每个时刻的前向以及后向的隐藏层单元状态;g(·)为修正线性单元激活函数,可以更好的解决梯度消失问题。by是双向长短时记忆神经网络输出层的偏置。可以看出,正向长短时记忆单元与长短时记忆单元的权重的不共享的,向前和向后的两个长短时记忆单元之间的信息流动是独立互不干扰的。
混合密度网络的输出结果公式表达:
其中,p(lt|Nt)表示航迹各个时刻的混合概率密度分布函数,m是混合成分的数量;是在t时刻,混合成分i的权重;N(·)是核函数,由于高斯分布具有良好的计算特性,故本发明选择高斯核函数来估计各成分的概率密度。是t时刻,混合成分i的方差;是t时刻,混合成分i的均值。
网络模型输出是航迹点的概率分布参数,所以采用极大似然估计的思想,最大化轨迹每个时刻的真实值在相应概率分布中的概率,通过取对数后取相反数的方法,构造如式(7)所示的误差函数:
步骤4:生成航空器轨迹:通过深度混合密度神经网络对大量的航空器轨迹进行建模,获取航空器轨迹的统计特性,采用轮赌盘采样方法对航空器轨迹数据进行采样生成。
本发明采用轮赌盘采样算法生成航空器轨迹。如公式(8)所示,将深度混合密度网络的输出用以计算每个混合成分的累计权重qj,随机生成变量r∈[0,1],若累计权重qj>r,选择第j个混合成分作为航迹点的父代来生成新的航迹点。利用第j个混合成分的均值和方差建立混合高斯分布模型,从中随机选取一个满足该分布的点作为下一个航迹点的位置信息,即生成了新的航迹点。将新生成的航迹点信息加入输入数据集中,去掉初始航迹点数据集的第一个航迹点,获取新的航迹数据,航迹数据序列长度不变。然后继续加入网络训练,生成新的航迹点,如此往复迭代即可生成航空器轨迹:
其中,qj为每个混合成分的累计权重;m为网络混合成分的个数;αj为第j个混合成分的权重。
以广州白云机场终端区为例,采用了2018年9月至2019年2月之间的飞行数据,总共包括65000条轨迹数据,其中55000条轨迹用来训练模型,10000条轨迹进行实验对比。采用公知的散度方法来评价生成模型的性能,取值在0到1之间,散度值越趋近于0,模型生成的轨迹与实际越接近。表1是本发明方法和主流生成方法的实验结果对比。
表1不同方法的实验结果
可以看出,基于航空动力学模型的的散度值最大,本发明方法的散度值最小,说明本发明生成模型性能最好,更加符合实际情况。
Claims (7)
1.一种基于深度混合密度网络的航空器轨迹生成方法,其特征在于,包括以下步骤:
(1)读取航空器轨迹数据,并对数据进行质量分析;
(2)对步骤(1)获取的航空器轨迹数据进行预处理;
(3)构建深度混合密度网络模型,所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层;并对网络模型进行超参数以及权重参数设置及优化;
(4)生成航空器轨迹:通过深度混合密度神经网络对大量的航空器轨迹进行建模,获取航空器轨迹的统计特性,采用轮赌盘采样方法对航空器轨迹数据进行采样生成。
2.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法,其特征在于,步骤(1)所述的航空器轨迹数据包括时间、雷达波号、航空器型号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度。
3.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法,其特征在于,所述步骤(2)实现过程如下:
(21)对步骤(1)获取的数据进行删除、插补、替换、排序;
(22)进行坐标变换,将地球的球坐标转换成笛卡尔坐标系:
X=(N+h)×cosφ×cosλ (1)
Y=(N+h)×cosφ×sinλ (2)
Z=[N×(1-e2)+h]×sinφ (3)
其中,φ,λ,h分别表示纬度、经度、海拔高度;X,Y,Z表示三维笛卡尔坐标系坐标;N表示曲率半径,e表示偏心率;
(23)进行数据标准化处理,使用零均值标准化方法对航迹数据集进行标准化处理,从而生成无量纲的航迹数据集。
5.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法,其特征在于,步骤(3)所述的超参数的设置及优化的过程如下:
网络的超参数包括序列长度、模型隐藏层数量、各隐藏层的神经元个数、每批次训练样本的大小、最大迭代次数、迭代停止准则、初始学习率、混合密度网络中混合成分的个数;其中,序列长度根据实际应用需求确定,剩余超参数通过设定各个超参数的取值来使用范围贝叶斯优化库进行优化来确定,从而确定最终的最优超参数;其中,在最小化验证误差过程中,采用10折交叉验证的方法,将之前分的训练集组合成10组不同的训练集和验证集,用10组验证误差的平均值作为模型最后的验证误差。
6.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法,其特征在于,步骤(3)所述的权重参数的设置及优化的实现过程如下:
网络的初始权值参数在[0,1]区间随机赋值,通过前馈传播过程,经双向长短时记忆神经网络层获取预测轨迹数据特征,学习轨迹序列数据间内部依赖和映射关系,通过混合密度模型神经网络的参数化,结合真实轨迹点,获取轨迹中每一个点的概率密度参数,计算损失函数,结合自适应矩估计优化器以及学习率指数衰减算法对网络权值参数的迭代更新。
7.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法,其特征在于,所述步骤(4)实现过程如下:
将深度混合密度网络的输出用以计算每个混合成分的累计权重qj,随机生成变量r∈[0,1],若累计权重qj>r,选择第j个混合成分作为航迹点的父代来生成新的航迹点;利用第j个混合成分的均值和方差建立混合高斯分布模型,从中随机选取一个满足该分布的点作为下一个航迹点的位置信息,即生成了新的航迹点;将新生成的航迹点信息加入输入数据集中,去掉初始航迹点数据集的第一个航迹点,获取新的航迹数据,航迹数据序列长度不变;然后继续加入网络训练,生成新的航迹点,如此往复迭代即可生成航空器轨迹:
其中,qj为每个混合成分的累计权重;m为网络混合成分的个数;αj为第j个混合成分的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964845.8A CN112327903B (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964845.8A CN112327903B (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327903A true CN112327903A (zh) | 2021-02-05 |
CN112327903B CN112327903B (zh) | 2021-09-17 |
Family
ID=74302898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964845.8A Active CN112327903B (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327903B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757355A (zh) * | 2022-04-08 | 2022-07-15 | 中国科学技术大学 | 轨迹数据集差异性度量方法、系统、设备及存储介质 |
CN114882185A (zh) * | 2022-05-06 | 2022-08-09 | 天津大学 | 基于混合密度神经网络的断层不确定性形态建模方法 |
US11526813B2 (en) * | 2018-11-29 | 2022-12-13 | Viettel Group | Method of automatic identification of flying targets by motion, time, and 3/A code information |
CN116883457A (zh) * | 2023-08-09 | 2023-10-13 | 北京航空航天大学 | 一种基于检测跟踪联合网络和混合密度网络的轻量化多目标跟踪方法 |
CN117076839A (zh) * | 2023-10-17 | 2023-11-17 | 中国民用航空总局第二研究所 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
CN114882185B (zh) * | 2022-05-06 | 2024-05-31 | 天津大学 | 基于混合密度神经网络的断层不确定性形态建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 |
US20190041836A1 (en) * | 2016-05-09 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for network-sensitive data collection and intelligent process adjustment in an industrial environment |
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 |
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
CN109959911A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 基于激光雷达的多目标自主定位方法及装置 |
US20200089212A1 (en) * | 2017-08-02 | 2020-03-19 | Strong Force Iot Portfolio 2016, Llc | Systems for data collection and storage including network evaluation and data storage profiles |
CN111222776A (zh) * | 2019-12-31 | 2020-06-02 | 中国科学院国家空间科学中心 | 基于卷积神经网络的卫星网络协调态势评估方法及系统 |
-
2020
- 2020-09-15 CN CN202010964845.8A patent/CN112327903B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190041836A1 (en) * | 2016-05-09 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for network-sensitive data collection and intelligent process adjustment in an industrial environment |
US20200089212A1 (en) * | 2017-08-02 | 2020-03-19 | Strong Force Iot Portfolio 2016, Llc | Systems for data collection and storage including network evaluation and data storage profiles |
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 |
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 |
CN109959911A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 基于激光雷达的多目标自主定位方法及装置 |
CN111222776A (zh) * | 2019-12-31 | 2020-06-02 | 中国科学院国家空间科学中心 | 基于卷积神经网络的卫星网络协调态势评估方法及系统 |
Non-Patent Citations (8)
Title |
---|
QIAN LI等: "Fault-tolerant control and vibration suppression of flexible spacecraft: An interconnected system approach", 《CHINESE JOURNAL OF AERONAUTICS》 * |
WEILI ZENG等: "A Deep Learning Approach for Aircraft Trajectory Prediction in Terminal Airspace", 《IEEE ACCESS 》 * |
吴其昌等: "基于深度神经网络的无限时域型航天器追逃策略求解", 《航天控制》 * |
吴奇等: "基于深度学习的航空器异常飞行状态识别", 《民用飞机设计与研究》 * |
戴峻峰等: "基于多层前馈神经网络的航天器在线故障检测系统设计", 《计算机测量与控制》 * |
朱俊鹏等: "长短时记忆神经网络在卫星轨道预报中的研究", 《兵器装备工程学报》 * |
杨任农等: "基于Bi-LSTM的无人机轨迹预测模型及仿真", 《航空工程进展》 * |
高翔等: "基于卷积神经网络的卫星网络协调态势评估方法", 《国防科技大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11526813B2 (en) * | 2018-11-29 | 2022-12-13 | Viettel Group | Method of automatic identification of flying targets by motion, time, and 3/A code information |
CN114757355A (zh) * | 2022-04-08 | 2022-07-15 | 中国科学技术大学 | 轨迹数据集差异性度量方法、系统、设备及存储介质 |
CN114757355B (zh) * | 2022-04-08 | 2024-04-02 | 中国科学技术大学 | 轨迹数据集差异性度量方法、系统、设备及存储介质 |
CN114882185A (zh) * | 2022-05-06 | 2022-08-09 | 天津大学 | 基于混合密度神经网络的断层不确定性形态建模方法 |
CN114882185B (zh) * | 2022-05-06 | 2024-05-31 | 天津大学 | 基于混合密度神经网络的断层不确定性形态建模方法 |
CN116883457A (zh) * | 2023-08-09 | 2023-10-13 | 北京航空航天大学 | 一种基于检测跟踪联合网络和混合密度网络的轻量化多目标跟踪方法 |
CN116883457B (zh) * | 2023-08-09 | 2024-01-30 | 北京航空航天大学 | 一种基于检测跟踪联合网络和混合密度网络的轻量化多目标跟踪方法 |
CN117076839A (zh) * | 2023-10-17 | 2023-11-17 | 中国民用航空总局第二研究所 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
CN117076839B (zh) * | 2023-10-17 | 2023-12-26 | 中国民用航空总局第二研究所 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112327903B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327903B (zh) | 一种基于深度混合密度网络的航空器轨迹生成方法 | |
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
Kong et al. | Big data‐driven machine learning‐enabled traffic flow prediction | |
Al-Matarneh et al. | Development of temperature-based weather forecasting models using neural networks and fuzzy logic | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
Zhang et al. | Recurrent neural network‐based model predictive control for multiple unmanned quadrotor formation flight | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
Asgharivaskasi et al. | Semantic octree mapping and shannon mutual information computation for robot exploration | |
CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
Katz et al. | Learning an urban air mobility encounter model from expert preferences | |
CN113657814A (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
Berneti | Design of fuzzy subtractive clustering model using particle swarm optimization for the permeability prediction of the reservoir | |
CN116029379B (zh) | 空中目标意图识别模型构建方法 | |
CN116911434A (zh) | 一种机场运行态势预测方法、装置、系统以及存储介质 | |
CN114819344A (zh) | 一种基于关键影响因子的全局时空气象农灾预测方法 | |
Madraky et al. | Analytic methods for spatio-temporal data in a nature-inspired data model | |
Xu et al. | Aircraft Trajectory Prediction for Terminal Airspace Employing Social Spatiotemporal Graph Convolutional Network | |
Mahdi et al. | Development of a Method of Structural-Parametric Assessment of the Object State | |
CN115996082B (zh) | 一种可追溯的机载总线网络健康状态评估方法及系统 | |
Bezuhlyi et al. | Development of object state estimation method in intelligent decision support systems | |
Ma et al. | Research on modeling and forecasting driven by time series stream data | |
Zhang | Mobile Robot Location Algorithm Based on Improved Particle Filtering | |
Gan et al. | Multi kernel SVM evaluation of UAV air ground combat effectiveness based on AFSA |
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 |