CN112612001A - 一种基于bp神经网络算法的轨迹预测方法及装置 - Google Patents
一种基于bp神经网络算法的轨迹预测方法及装置 Download PDFInfo
- Publication number
- CN112612001A CN112612001A CN202011374754.5A CN202011374754A CN112612001A CN 112612001 A CN112612001 A CN 112612001A CN 202011374754 A CN202011374754 A CN 202011374754A CN 112612001 A CN112612001 A CN 112612001A
- Authority
- CN
- China
- Prior art keywords
- neural network
- target
- track
- network model
- output
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000012512 characterization method Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供了一种基于BP神经网络算法的轨迹预测方法及装置,其中,所述方法包括:获取连续时刻的目标航行轨迹表征数据;将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。利用对采集到的目标航行轨迹表征数据进行优化,使得输入到BP神经网络模型中的输入量与目标当前的运行轨迹相一致,并且通过对BP神经网络模型进行相应的优化,进一步提高了目标运动轨迹预测的准确性。
Description
技术领域
本发明属于目标探测技术领域,尤其是涉及一种基于BP神经网络算法的轨迹预测方法及装置。
背景技术
随着近年来科技的发展,无线电通信测向技术广泛应用在军事电子对抗中的无线电侦察与反侦察、军用目标无线电导航以及其他众多重要科学研究领域中。
源定位技术通常运用于电子侦察设备中,电子侦察设备与主动雷达相对,在探测目标时自身保持无线电静默状态,仅靠接受辐射源目标发射的无线电信号,因此其隐蔽性较好,无源定位由于缺少信号的先验信息,通常只能获得目标信号的方位角、到达时等定位信息,应用上一般以测向定位为主。无源测向定位需要电子侦察平台分别在目标的不同方向上获取多个测向信息以及自身站址,才能解算出可靠的目标地理位置。
现在战场瞬息万变,不仅需要能够快速准确的确定运动位置,同时也需要能够对其运行轨迹进行预测。
发明内容
有鉴于此,本发明旨在提出一种基于BP神经网络算法的轨迹预测方法及装置,以实现根据侦测得到的目标位置对其轨迹进行准确预测的目的。
为达到上述目的,本发明的技术方案是这样实现的:
一方面,本发明实施例提供了一种基于BP神经网络算法的轨迹预测方法,包括:
获取连续时刻的目标航行轨迹表征数据;
将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;
将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。
进一步的,所述获取连续时刻的目标航行轨迹表征数据,包括:
根据测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,得到被测目标的位置数据;
利用位置数据及其所附加的时间戳,得到被测目标的已有轨迹。
进一步的,所述获取连续时刻的目标航行轨迹表征数据,还包括:
对所述已有轨迹进行预处理,以使得所述已有轨迹与实际轨迹更为接近。
进一步的,在将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中之前,所述方法还包括:
建立BP神经网络模型。
更进一步的,所述建立BP神经网络模型,包括:
确定在3层BP神经网络中隐含层神经元数目和激活函数;
计算各层输入输出,并计算输出层误差
根据所述输出层误差修正权值与阈值,直至所述输出层误差满足要求。
另一方面,本发明实施例还提供了一种基于BP神经网络算法的轨迹预测装置,包括:
获取模块,用于获取连续时刻的目标航行轨迹表征数据;
输入模块,用于将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;
预测模块,用于将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。
进一步的,所述获取模块,用于:
根据测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,得到被测目标的位置数据;
利用位置数据及其所附加的时间戳,得到被测目标的已有轨迹。
进一步的,所述装置还包括:
预处理模块,用于对所述已有轨迹进行预处理,以使得所述已有轨迹与实际轨迹更为接近。
进一步的,所述装置还包括:
建立模块,用于建立BP神经网络模型。
更进一步的,所述建立模块,用于:
确定在3层BP神经网络中隐含层神经元数目和激活函数;
计算各层输入输出,并计算输出层误差
根据所述输出层误差修正权值与阈值,直至所述输出层误差满足要求。
相对于现有技术,本发明所述的基于BP神经网络算法的轨迹预测方法及装置具有以下优势:本发明实施例所述的基于BP神经网络算法的轨迹预测方法及装置,通过获取连续时刻的目标航行轨迹表征数据;将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。利用对采集到的目标航行轨迹表征数据进行优化,使得输入到BP神经网络模型中的输入量与目标当前的运行轨迹相一致,并且通过对BP神经网络模型进行相应的优化,进一步提高了目标运动轨迹预测的准确性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一提供的基于BP神经网络算法的轨迹预测方法的流程示意图;
图2为本发明实施例二提供的基于BP神经网络算法的轨迹预测装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
实施例一
图1为为本发明实施例一提供的基于BP神经网络算法的轨迹预测方法的流程示意图,参见图1,所述基于BP神经网络算法的轨迹预测方法,包括:
S110,获取连续时刻的目标航行轨迹表征数据。
在本实施例中,可以利用测向设备获取目标的位置轨迹。示例性的,所述获取连续时刻的目标航行轨迹表征数据,可以包括:根据测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,得到被测目标的位置数据;利用位置数据及其所附加的时间戳,得到被测目标的已有轨迹。
具体的,可以由测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,可以得到被测目标的位置数据,利用位置数据及其所附加的时间戳,就可以得到被测目标的已有轨迹。
可选的,所述获取连续时刻的目标航行轨迹表征数据,还可包括:对所述已有轨迹进行预处理,以使得所述已有轨迹与实际轨迹更为接近。
可选的,轨迹数据预处理可以主要采用过滤、平滑和插值这三种方式。
过滤是指根据预设条件对轨迹数据进行过滤,筛选出需要的数据。需要选择过滤的点有如下特征:特别短的轨迹,含位置点很少或异常密集的轨迹,短时间内移动距离非常长或长时间内移动距离非常短的轨迹。还有一种情况是在原始数据中存在离群点,其置与相邻时间的其他位置存在较大的距离,无法将其作为轨迹数据的一部分进行处理,需要将其过滤掉,因会造成数据缺失,处理离群点需谨慎。轨迹点恰好处于临界位置,或者轨迹点较稀疏时,需要进行平滑预处理。经过过滤和平滑得到噪声点处理后的轨迹,可能具有一些空缺值,可以通过插值技术进行补充,人为将轨迹补全。
S120,将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中。
BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络。
人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
在本实施例中,可以利用BP神经网络模型实现对目标轨迹的预测。通过输入已知轨迹,利用BP神经网络输出得到预测轨迹。轨迹预测的问题本质上是一个回归问题。被测目标的轨迹并不具备某种确定性的规律,因此很难建立合适的非线性映射关系的数学模型,在这种情况下,利用BP神经网络可以根据目标的历史轨迹数据实现对轨迹变化的非线性曲线实现较好的拟合。将既有时刻序列的目标的历史轨迹特征和当前轨迹特征作为BP网络输入,将未来某时刻的目标轨迹特征数据作为BP网络输出,通过与真实值相对比训练网络,建立历史目标轨迹与未来目标轨迹特征数据之间的映射关系,实现对未来目标轨迹特征的推算和预测。
在利用BP神经网络输出预测轨迹前,需要建立相应的BP神经网络,并输入足量的训练样本完成训练。
因此,在将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中之前,所述方法还包括:建立BP神经网络模型。
具体的,所述建立BP神经网络模型,包括:确定在3层BP神经网络中隐含层神经元数目和激活函数;计算各层输入输出,并计算输出层误差根据所述输出层误差修正权值与阈值,直至所述输出层误差满足要求。
1.示例性的,可通过如下步骤构建BP神经网络:
1)确定网络层数
因3层BP网络可以实现任意的非线性关系的映射,再增加层数的BP网络虽然收敛效率提高,却也更加容易在训练结束时落入局部极小点,因此本专利采用3层BP网络。
2)确定隐含层神经元数目
算法如下:
①令s=I,s为隐含层神经元数目;
②利用输入的样本,网络开始学习和训练;
③如果训练结束,网络误差减少到满意程度,此时s就是所需要的隐含层神经元的个数。否则s=s+I;
④判断s<Smax是否成立,如果不成立,则增加一个隐含层,将新的隐含层神经元个数初始化为I并转入步骤②。如果成立,则不增加,直接转入步骤②。
其中,Smax满足下式:
其中,int()表示取整函数,m表示输入层神经元个数,n表示输出层神经元个数。
3)激活函数
2.计算各层输入输出
在t时刻的轨迹特征Y(t)可表示为Y(t)={lng,lat,v,c},其中lng,lat,v,c分别代表经度、纬度、速度和航向角。
将连续n个时刻目标航行轨迹特征数据Y(t-n+1)…Y(t-2)、Y(t-1)和Y(t)作为网络输入,将t+1时刻的目标航行轨迹表征数据Y(t+1)作为输出,其中n与输入样本的向量规模呈正相关,由此得到目标基于BP神经网络算法的轨迹预测模型的表达式:
Y(t+1)=f(Y(t-n+1),…Y(t-2),Y(t-1),Y(t))
3.计算输出层误差
计算误差,若误差满足精度要求,即E(q)<ε,则停止迭代,否则进行误差反向传播。
4.修正权值与阈值
从输出层开始通过逐层计算各层神经元的输出误差,采用梯度下降法调节和修正各层权值和阈值,使网络的最终输出逐步接近期望值。
对于样本的网络期望输出yj与真实输出tj的误差函数E为:
式中T=(t1,t2,…tm)T为网络期望输出,e=(e1,e2,…em)T为误差向量。
根据梯度下降算法,利用网络期望输出和实际输出计算误差函数对输出层的各神经元的偏导数,从而依次修正输出层权值的修正量Δvkj、输出层阈值的修正量Δγj、隐藏层权值的修正量Δωik、隐藏层阈值的修正量Δθk,表达式如下:
根据修改后的权值与阈值,与对应的原始权值和阈值相加,计算新的误差函数E,再根据误差函数进一步对权值与阈值进行修正,直到误差函数满足要求。
5.迭代至结束
6.计算输出误差,若满足精度要求则结束算法,如果不满足精度要求,则返回计算各层输入输出,直至满足精度要求。
通过上述方式建立相应的BP神经网络,并输入相应的样本数据完成训练。并将获取到的连续时刻的目标航行轨迹表征数据输入到训练完成的BP神经网络中。
S130,将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。
本实施例通过通过获取连续时刻的目标航行轨迹表征数据;将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。利用对采集到的目标航行轨迹表征数据进行优化,使得输入到BP神经网络模型中的输入量与目标当前的运行轨迹相一致,并且通过对BP神经网络模型进行相应的优化,进一步提高了目标运动轨迹预测的准确性。
实施例二
图2是本发明实施例二提供的基于BP神经网络算法的轨迹预测装置的结构示意图,参见图2,所述基于BP神经网络算法的轨迹预测装置,包括:
获取模块210,用于获取连续时刻的目标航行轨迹表征数据;
输入模块220,用于将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;
预测模块230,用于将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。
本发明实施例提供的基于BP神经网络算法的轨迹预测装置,通过获取连续时刻的目标航行轨迹表征数据;将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。利用对采集到的目标航行轨迹表征数据进行优化,使得输入到BP神经网络模型中的输入量与目标当前的运行轨迹相一致,并且通过对BP神经网络模型进行相应的优化,进一步提高了目标运动轨迹预测的准确性。
在本实施例的一个优选实施方式中,所述获取模块,用于:
根据测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,得到被测目标的位置数据;
利用位置数据及其所附加的时间戳,得到被测目标的已有轨迹。
在本实施例的一个优选实施方式中,所述装置还包括:
预处理模块,用于对所述已有轨迹进行预处理,以使得所述已有轨迹与实际轨迹更为接近。
在本实施例的一个优选实施方式中,所述装置还包括:
建立模块,用于建立BP神经网络模型。
在本实施例的一个优选实施方式中,所述建立模块,用于:
确定在3层BP神经网络中隐含层神经元数目和激活函数;
计算各层输入输出,并计算输出层误差
根据所述输出层误差修正权值与阈值,直至所述输出层误差满足要求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于BP神经网络算法的轨迹预测方法,其特征在于,所述方法包括:
获取连续时刻的目标航行轨迹表征数据;
将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;
将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。
2.根据权利要求1所述的基于BP神经网络算法的轨迹预测方法,其特征在于,所述获取连续时刻的目标航行轨迹表征数据,包括:
根据测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,得到被测目标的位置数据;
利用位置数据及其所附加的时间戳,得到被测目标的已有轨迹。
3.根据权利要求2所述的基于BP神经网络算法的轨迹预测方法,其特征在于,所述获取连续时刻的目标航行轨迹表征数据,还包括:
对所述已有轨迹进行预处理,以使得所述已有轨迹与实际轨迹更为接近。
4.根据权利要求1所述的基于BP神经网络算法的轨迹预测方法,其特征在于,在将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中之前,所述方法还包括:
建立BP神经网络模型。
5.根据权利要求4所述的基于BP神经网络算法的轨迹预测方法,其特征在于,所述建立BP神经网络模型,包括:
确定在3层BP神经网络中隐含层神经元数目和激活函数;
计算各层输入输出,并计算输出层误差
根据所述输出层误差修正权值与阈值,直至所述输出层误差满足要求。
6.一种基于BP神经网络算法的轨迹预测装置,其特征在于,所述装置包括:
获取模块,用于获取连续时刻的目标航行轨迹表征数据;
输入模块,用于将所述连续时刻的目标航行轨迹表征数据输入至训练完成的BP神经网络模型中;
预测模块,用于将所述训练完成的BP神经网络模型的输出结果作为表征数据的预测结果。
7.根据权利要求6所述的基于BP神经网络算法的轨迹预测装置,其特征在于,所述获取模块,用于:
根据测向设备测得的信号源目标的方位角和俯仰角,结合测向天线经纬度,得到被测目标的位置数据;
利用位置数据及其所附加的时间戳,得到被测目标的已有轨迹。
8.根据权利要求7所述的基于BP神经网络算法的轨迹预测装置,其特征在于,所述装置还包括:
预处理模块,用于对所述已有轨迹进行预处理,以使得所述已有轨迹与实际轨迹更为接近。
9.根据权利要求6所述的基于BP神经网络算法的轨迹预测装置,其特征在于,所述装置还包括:
建立模块,用于建立BP神经网络模型。
10.根据权利要求9所述的基于BP神经网络算法的轨迹预测装置,其特征在于,所述建立模块,用于:
确定在3层BP神经网络中隐含层神经元数目和激活函数;
计算各层输入输出,并计算输出层误差
根据所述输出层误差修正权值与阈值,直至所述输出层误差满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374754.5A CN112612001A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374754.5A CN112612001A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112612001A true CN112612001A (zh) | 2021-04-06 |
Family
ID=75228136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374754.5A Pending CN112612001A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612001A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688771A (zh) * | 2021-09-02 | 2021-11-23 | 重庆大学 | Lng储罐加速度响应数据补全方法及装置 |
CN114418159A (zh) * | 2021-10-29 | 2022-04-29 | 中国科学院宁波材料技术与工程研究所 | 肢体运动轨迹及其预测误差的预测方法、系统和电子装置 |
CN114690222A (zh) * | 2022-03-30 | 2022-07-01 | 杰能科世智能安全科技(杭州)有限公司 | 基于无线频谱无人机探测轨迹获取方法及无人机探测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
CN110309909A (zh) * | 2019-06-26 | 2019-10-08 | 北京控制工程研究所 | 一种高速大范围机动目标轨迹的智能实时预测方法 |
US20200142052A1 (en) * | 2018-06-04 | 2020-05-07 | Shandong University | Automatic wall climbing type radar photoelectric robot system for non-destructive inspection and diagnosis of damages of bridge and tunnel structure |
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 |
CN111381604A (zh) * | 2020-04-30 | 2020-07-07 | 北京无线电计量测试研究所 | 用于拦截自主飞行低慢小目标的欺骗轨迹生成方法及系统 |
-
2020
- 2020-11-30 CN CN202011374754.5A patent/CN112612001A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200142052A1 (en) * | 2018-06-04 | 2020-05-07 | Shandong University | Automatic wall climbing type radar photoelectric robot system for non-destructive inspection and diagnosis of damages of bridge and tunnel structure |
CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
CN110309909A (zh) * | 2019-06-26 | 2019-10-08 | 北京控制工程研究所 | 一种高速大范围机动目标轨迹的智能实时预测方法 |
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 |
CN111381604A (zh) * | 2020-04-30 | 2020-07-07 | 北京无线电计量测试研究所 | 用于拦截自主飞行低慢小目标的欺骗轨迹生成方法及系统 |
Non-Patent Citations (4)
Title |
---|
李楠 等: "一种基于反向神经网络的航空器飞行轨迹预测", 《科学技术与工程》 * |
李楠 等: "一种基于反向神经网络的航空器飞行轨迹预测", 《科学技术与工程》, vol. 19, no. 21, 28 July 2019 (2019-07-28), pages 330 - 335 * |
王树明 等: "基于BP 神经网络的飞行动态实时预测方法", 《北京航空航天大学学报》 * |
王树明 等: "基于BP 神经网络的飞行动态实时预测方法", 《北京航空航天大学学报》, vol. 27, no. 6, 31 December 2001 (2001-12-31), pages 636 - 639 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688771A (zh) * | 2021-09-02 | 2021-11-23 | 重庆大学 | Lng储罐加速度响应数据补全方法及装置 |
CN113688771B (zh) * | 2021-09-02 | 2024-04-05 | 重庆大学 | Lng储罐加速度响应数据补全方法及装置 |
CN114418159A (zh) * | 2021-10-29 | 2022-04-29 | 中国科学院宁波材料技术与工程研究所 | 肢体运动轨迹及其预测误差的预测方法、系统和电子装置 |
CN114690222A (zh) * | 2022-03-30 | 2022-07-01 | 杰能科世智能安全科技(杭州)有限公司 | 基于无线频谱无人机探测轨迹获取方法及无人机探测系统 |
CN114690222B (zh) * | 2022-03-30 | 2023-08-08 | 杰能科世智能安全科技(杭州)有限公司 | 基于无线频谱无人机探测轨迹获取方法及无人机探测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112612001A (zh) | 一种基于bp神经网络算法的轨迹预测方法及装置 | |
Bahr et al. | Consistent cooperative localization | |
CN112423265B (zh) | 基于csi的双循环神经网络的船载环境室内定位方法 | |
CN109781099A (zh) | 一种自适应ukf算法的导航方法及系统 | |
CN108614258B (zh) | 一种基于单水声信标距离量测的水下定位方法 | |
CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN109143223B (zh) | 一种双基地雷达的空间目标跟踪滤波装置及方法 | |
CN111273298A (zh) | 基于波浪滑翔器组网技术的水下声学目标定位与跟踪方法 | |
CN113470089B (zh) | 一种基于三维点云的跨域协同定位和建图方法及系统 | |
CN112180361B (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
US5537511A (en) | Neural network based data fusion system for source localization | |
CN110167124B (zh) | 一种自适应传输功率的水下无线传感器网络目标跟踪方法 | |
CN106600652A (zh) | 一种基于人工神经网络的全景摄像头定位方法 | |
CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
Zhang et al. | Trajectory prediction based on AIS and BP neural network | |
US5488589A (en) | Neural network based three dimensional ocean modeler | |
Hu et al. | A reliable cooperative fusion positioning methodology for intelligent vehicle in non-line-of-sight environments | |
CN117369507A (zh) | 一种自适应粒子群算法的无人机动态路径规划方法 | |
CN110456360B (zh) | 一种针对非连续目标被动多阵列声呐检测跟踪方法 | |
CN113438596B (zh) | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 | |
CN113503891B (zh) | 一种sinsdvl对准校正方法、系统、介质及设备 | |
CN113392884B (zh) | 基于lstm网络和注意力机制的坐标融合方法 | |
CN113989327A (zh) | 一种基于卷积神经网络粒子滤波算法的单uuv目标状态估计方法 | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |