CN112668804B - 一种地波雷达船只断裂航迹预测方法 - Google Patents
一种地波雷达船只断裂航迹预测方法 Download PDFInfo
- Publication number
- CN112668804B CN112668804B CN202110027736.8A CN202110027736A CN112668804B CN 112668804 B CN112668804 B CN 112668804B CN 202110027736 A CN202110027736 A CN 202110027736A CN 112668804 B CN112668804 B CN 112668804B
- Authority
- CN
- China
- Prior art keywords
- track
- information
- prediction
- ship
- fracture
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000010410 layer Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000002441 reversible effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 241000288105 Grus Species 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地波雷达船只断裂航迹预测方法，属于船只断裂航迹预测领域，利用地波雷达采集到的船只经纬度信息，将其并行输入到不同窗口长度的卷积神经网络中，对提取到的多尺度特征进行特征融合，利用GRU结构能够保存历史信息的特点，通过深层GRU模型进行时间序列的学习，利用时间注意力机制对特征分配不同的权重，便于网络学习关键信息，使用自回归模型对当前时间步的经纬度线性信息进行预测，并与注意力机制输出的航迹进行融合，实现了线性与非线性预测模型的结合。为了充分利用地波雷达航迹信息，针对航迹断裂预测问题，将断裂前后的数据分别进行航迹预测，通过熵值法对两次预测结果进行权重的分配，最终经过加权求和实现船只航迹预测。
Description
技术领域
本发明属于船只断裂航迹预测领域，具体涉及一种地波雷达船只断裂航迹预测方法。
背景技术
地波雷达具有监测范围广、超视距等优点，被广泛应用于船只检测领域，是海上监测的常用手段。然而地波雷达的工作环境中往往充斥着大量干扰因素，如地杂波、海杂波、电离层杂波等，当船只进入到杂波区域，在多普勒区域会发生掩盖，导致探测到的航迹发生断裂甚至消失的情况，出现无法检测到目标船只的问题，导致地波雷达无法长时间连续跟踪目标，限制了其监测目标的能力。
在船只目标航迹预测领域，按照预测方法大致可分为两种，方法分别是基于船舶动力学模型进行数学建模预测和不基于船舶动力学模型依照航迹数据拟合预测。当前所提出的船只运动模型都有严格的假定条件限定，但是由于系统和测量噪声的存在，难以获得精确的预测航迹，并且地波雷达探测的海域中存在着众多运动形式不一的船只，仅靠一个模型很难刻画出船只的运动轨迹，即便基于多目标联合建模对船只航迹进行估计，提取出特定船只航迹信息也还需要进一步判断。不基于动力学模型的航迹预测方法不能有效地解决长期序列依赖问题。
发明内容
为了准确预测地波雷达船只航迹，本发明提出了一种地波雷达船只断裂航迹预测方法，通过多尺度特征融合结合GRU与时间注意力机制并与自回归网络(AR)进行结果相加融合，利用断裂前的经纬度信息预测正向航迹，利用断裂后的经纬度信息进行逆向预测，随后将两次预测航迹通过赋予相应权重进行加权求和，从而得到目标船只最终的位置。
为了实现上述目的，本发明采用如下技术方案：
一种地波雷达船只断裂航迹预测方法，基于多尺度卷积神经网络结合GRU与注意力机制对地波雷达船只断裂航迹进行预测，具体步骤如下：
步骤1：地波雷达采集船只航迹原始数据并划分为三维结构的时间序列，将原始数据中的经度和纬度信息并行输入到卷积神经网络中；
步骤2：采用一维卷积进行特征提取，使用不同窗口长度的卷积神经网络学习经纬度特征，以获得不同尺度的特征；
步骤3：对提取到的多尺度特征进行特征融合，并将其输入到堆叠的GRU中进行时间序列学习；
步骤4：利用注意力机制进行特征分析，并且对每一个特征给予相应的权重，充分挖掘航迹信息中的有效信息，再将其输入全连接层；
步骤5：使用自回归模型对当前时间步的经纬度线性信息进行预测，并与注意力机制输出的航迹信息进行融合，预测出下一时间步的航迹。
优选地，步骤2中使用窗口长度为1和3的一维卷积，分别提取航迹信息的特征，在窗口长度为1的卷积层后使用最大池化层保留主要的特征，同时减少参数以及防止过拟合。
优选地，步骤3中堆叠的GRU模型由3层GRU组成，相比于单层GRU网络，GRU层数加深能够大大提高学习能力。
优选地，步骤4中采用时间注意力机制，是加权求和的过程，对堆叠的GRU学习到的特征维度进行注意力加权，对结果影响重大的特征赋予更高的权重，便于网络更好预测。
优选地，船只航迹信息包括断裂前航迹和断裂后航迹，断裂前航迹按照正常时间步顺序预测断裂处位置信息，断裂后航迹按相反时间步逆序输入实现逆向预测，预测结果再进行一次逆序从而成为正常时间步的航迹，然后根据熵权法计算两种预测结果的权重，按分配好的权重将两种结果融合得到最终的预测轨迹。
本发明所带来的有益技术效果：
1.建立一个并行输入的多尺度特征提取网络，将航迹数据分为两个子序列并行输入，并对输入数据分别使用多个不同大小的卷积核，以提取不同尺度的特征，得到的特征相比于单一卷积核更加丰富；
2.将航迹信息处理成为三维时间序列，并将效率更加高效的GRU门控循环单元以及能够帮助模型获得更关键信息的注意力机制，应用到高频地波雷达航迹预测领域；
3.将航迹信息看作是线性和非线性信息的结合，通过CNN和GRU以及注意力机制预测非线性部分，使用AR自回归网络预测线性部分，预测结果将两者结合从而提高航迹信息预测准确性；
4.针对航迹发生断裂的情况，将断裂前和断裂后的航迹信息都作为训练数据，对高频地波雷达航迹的历史数据进行充分利用，使用断裂后的航迹反推断裂处航迹，实现对当前预测结果修正，减少正向预测结果的误差积累，将两次预测结果通过熵值法进行融合，相比于单独的前向和后向预测，进一步提高预测的准确性。
附图说明
图1是本发明航迹多尺度特征提取及融合图；
图2是本发明GRU内部结构图；
图3是本发明注意力机制图；
图4是本发明整体预测模型图；
图5是本发明模型航迹融合图；
图6(a)、(b)、(c)分别是本发明实施例3条航迹的预测结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
通过对大量的地波雷达实测数据进行分析，可以发现航迹信息在时间上是连续的，即船只的航迹是按其发生的时间先后顺序排列而成的数列，本质上属于时间序列数据，反映的是经度、纬度等变量随时间不断变化的趋势，而航迹预测目的就是从数据中挖掘出目标船只航迹变化规律，并利用预测模型对将来的数据做出估计，所以采用时间序列预测的方法对船只航迹进行预测是可行的。
将地波雷达数据分成轨迹的经度和纬度两个子序列，将其并行输入以降低预测复杂度。由于航迹作为时间序列是典型的一维信号，所以用一维卷积来处理航迹问题。船只轨迹数据在时间上是连续的，一维CNN沿着时间维度滑动，获得航迹的特征。随时间变化的航迹序列信息为多维矩阵，其维数为N，船只航迹多尺度特征的特征映射如公式(1)。
其中,
是l层第j个神经元输出的特征映射，
是l-1层的输出即本层的输入，
是l-1层第i个神经元到l层第j个神经元的卷积核，
为l层j个神经元的偏差，f为激活函数,本发明采用relu激活函数。
由于并行多分支结构能够在航迹信息同一层级获取不同感受野的特征，本发明采取该结构，多尺度特征融合图如图1所示，经过不同大小卷积核提取到的特征在维度方向做融合后传递到下一层，可以更加灵活地平衡计算量和模型能力。考虑到相对距离较短的时间步长对当前时间影响较大，设计使用窗口长度为1和3的一维卷积，分别提取航迹信息的特征，在窗口长度为1的卷积层后使用最大池化层保留主要的特征同时减少参数以及防止过拟合，提高模型泛化能力。基于多尺度卷积神经网络的不同卷积窗口长度提取多输入数据的各自特异性特征，并将特征进行融合后输入到GRU中进行学习。利用一维卷积轻量级，计算快的优点来得到低维度特征，然后使用GRU进行训练，有利于预测长序列信息。
循环神经网络(RNN)最早被用作预测时间序列，可是随着时间步增长，在反向传播时会导致梯度消失以至于后续的参数无法获得关键的信息更新，也就是长距离依赖问题。为了解决RNN的梯度消失问题，LSTM最早被提出，广泛应用于文本翻译、语音识别等序列处理领域。GRU作为LSTM的优秀变体，其门结构具有长期记忆功能，能够保存长期序列信息，并对历史信息进行筛选和修改，以更好地反应历史信息对当前时间输入的影响，选择对预测结果有用的历史序列并结合当前输入进行单元输出，有效地解决了传统RNN长期依赖的问题。
GRU的内部结构如图2所示，xt为t时刻序列信息输入，ht为t时刻隐藏单元输出，zt为更新门，rt为重置门。相比于LSTM具有三个门(遗忘门、输入门和输出门)，GRU只有两个门(更新门和重置门)，使用更新门取代了遗忘门和输入门，将单元状态和隐藏状态合并，能够选择和遗忘历史信息，结构更加简单，整体参数减少，运算效率提升。
GRU首先由xt和前一时刻输入ht-1通过sigmoid函数生成重置门和更新门，重置门rt决定要保留多少前一时刻的状态信息，ht-1与rt两者相乘并与xt拼接通过tanh激活函数得到隐含变量
更新门zt即为隐含变量的系数，系数越大说明隐含变量保留到最终输出越多，将历史信息ht-1和隐含变量
进行线性组合即为此GRU单元输出ht。GRU公式如下：
rt＝σ(Wr·[ht-1,xt]) (2)
zt＝σ(Wz·[ht-1,xt]) (3)
其中，Wr是重置门中ht-1和xt拼接后对应的权重矩阵；Wz是更新门中ht-1和xt拼接后对应的权重矩阵；W是隐含变量中rt*ht-1和xt拼接后对应的权重矩阵；σ是sigmoid函数，公式为
tanh函数为双曲正弦函数，公式为
注意力机制源于视觉原理，当我们观察眼前图像时，期望获得更多与目标相关的信息，会对某个区域投入更多的注意力进行重点关注。本发明使用注意力机制对特征赋予不同的权重，避免被不重要的信息干扰，帮助模型筛选更有用的信息，从而提高航迹预测的准确性。
注意力机制是加权求和的过程，本发明采用时间注意力机制,如图3所示，对堆叠的GRU学习到的特征维度进行注意力加权，对结果影响重大的特征赋予更高的权重，便于网络更好预测。具体过程如下：
1)首先对GRU输出的K个D维的特征向量Hi(i＝1,2,..,K)进行全连接得到hs；
hs＝Dense(Hi) (6)
2)取出最后一个时间步特征ht与hs相乘为score；
score＝ht·hs (7)
3)score经过softmax函数生成对应每一个特征的权重at，权重越大说明该特征与结果相关程度越高；
at＝softmax(score) (8)
4)权重at和每个特征向量Hi相乘得到上下文向量ct；
ct＝at·Hi (9)
5)ct和ht经过维度融合并使用tanh激活函数生成加权后的特征向量ht *；
ht *＝tanh(Wc[ct:ht]) (10)
其中，Wc是ct和ht融合后连接全连接层对应的权重。
基于多尺度卷积神经网络结合GRU与注意力机制和AR模型的高频地波雷达船只航迹预测的整体模型如图4所示。将原始数据划分为三维结构的时间序列，使用并行输入结构分别将地波雷达原始数据中经纬度信息输入，由于航迹信息属于时间序列，所以特征提取采用一维卷积，使用不同窗口长度的CNN学习经纬度特征，以获得不同尺度的特征。特征图在维度上经过融合，将特征输入到堆叠的GRU中，堆叠的GRU模型由3层GRU组成。注意力机制会对输入数据进行特征分析，并且对每一个特征给予相应的权重，权重通过模型训练时的分布概率得出，利用注意力机制对特征赋予不同的权重，它能够使对预测结果影响重大的信息被凸显，所以带注意力机制的GRU模型可更充分地挖掘输入信息中的有效信息，并通过全连接层输入航迹信息。将船只航迹看作是线性信息与非线性信息的组合，运用深度学习的方法预测非线性信息，使用自回归网络(AR)预测线性信息，最后将两种结果相加融合到一起预测出下一时间步的航迹，提高航迹预测的准确性。
本发明训练集包含断裂前航迹和断裂后航迹，断裂前航迹按照正常时间步顺序预测断裂处位置信息，断裂后航迹按相反时间步逆序输入模型实现逆向预测，预测结果再进行一次逆序从而成为正常时间步的航迹，然后根据熵权法计算两种预测结果的权重，按分配好的权重将两种结果融合得到最终的预测轨迹，过程如图5所示。
使用地波雷达真实探测数据，将3条航迹断裂前后的数据作为训练样本进行预测，并将结果经过加权融合为新的航迹，最终的航迹预测图如图6，经过实际测试可以看到本发明方法可以有效地预测断裂处航迹，经过和真实数据比较说明了本发明方法较为准确地实现地波雷达探测断裂处船只的位置检测。
实验结果分别与机器学习方法中的最近邻回归(KNN)、随机森林回归(RandomForest Regression)、决策树回归(Decision-Tree)，深度学习中的循环神经网络(RNN)、长短时记忆网络(LSTM)、双向长短时记忆网络(Bi-LSTM)共6种模型进行对比，见表1，以回归指标RMSE和MAE作为评价标准，可以看到本发明方法预测效果均优于以上6种方法。
表1本发明方法与6种基线方法对比
本发明通过多尺度CNN网络，更有效提取子序列特征，将特征输入堆叠的GRU中，尽可能保留更长的有效记忆信息，解决梯度弥散问题。使用注意力机制，通过权重的分配计算不同特征的概率权重，使得部分特征可以得到更多的关注从而突出重要的特征，并将自回归网络与非线性神经网络并行集成，对结果进行加权融合，提高预测的准确性。与传统的单纯从正向预测航迹方法不同，本发明针对地波雷达探测信息受杂波干扰的特点，使用断裂前的航迹正向预测与断裂后航迹反向预测，将两者预测结果进行加权求和，不仅充分利用了数据，还验证了融合断裂前后航迹预测结果能够进一步提高预测的准确性，有效地解决地波雷达航迹断裂预测问题。实验结果表明，在RMSE和MAE指标评价方面，本发明方法优于6种航迹预测方法，适用于地波雷达船只目标航迹检测。使用地波雷达实测数据，对具体的目标船只进行航迹预测，通过RD谱和AIS数据验证比对，可以发现本发明方法的精确性和有效性。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (3)
1.一种地波雷达船只断裂航迹预测方法，其特征在于，基于多尺度卷积神经网络结合GRU与注意力机制对地波雷达船只断裂航迹进行预测，具体步骤如下：
步骤1：地波雷达采集船只航迹原始数据并划分为三维结构的时间序列，将原始数据中的经度和纬度信息并行输入到卷积神经网络中；
步骤2：采用一维卷积进行特征提取，使用不同窗口长度的卷积神经网络学习经纬度特征，以获得不同尺度的特征；
步骤3：对提取到的多尺度特征进行特征融合，并将其输入到堆叠的GRU中进行时间序列学习；
步骤4：利用注意力机制进行特征分析，并且对每一个特征给予相应的权重，充分挖掘航迹信息中的有效信息，再将其输入全连接层；
步骤4中采用时间注意力机制，是加权求和的过程，对堆叠的GRU学习到的特征维度进行注意力加权，对结果影响重大的特征赋予更高的权重，便于网络更好预测；具体过程如下：
1)首先对GRU输出的K个D维的特征向量Hi(i＝1,2,..,K)进行全连接得到hs；
hs＝Dense(Hi) (6)
2)取出最后一个时间步特征ht与hs相乘为score；
score＝ht·hs (7)
3)score经过soft max函数生成对应每一个特征的权重at，权重越大说明该特征与结果相关程度越高；
at＝soft max(score) (8)
4)权重at和每个特征向量Hi相乘得到上下文向量ct；
ct＝at·Hi (9)
5)ct和ht经过维度融合并使用tanh激活函数生成加权后的特征向量ht *；
ht *＝tanh(Wc[ct:ht]) (10)
其中，Wc是ct和ht融合后连接全连接层对应的权重；
步骤5：使用自回归模型对当前时间步的经纬度线性信息进行预测，并与注意力机制输出的航迹信息进行融合，预测出下一时间步的航迹；
船只航迹信息包括断裂前航迹和断裂后航迹，断裂前航迹按照正常时间步顺序预测断裂处位置信息，断裂后航迹按相反时间步逆序输入实现逆向预测，预测结果再进行一次逆序从而成为正常时间步的航迹，然后根据熵权法计算两种预测结果的权重，按分配好的权重将两种结果融合得到最终的预测轨迹。
2.根据权利要求1所述的一种地波雷达船只断裂航迹预测方法，其特征在于，步骤2中使用窗口长度为1和3的一维卷积，分别提取航迹信息的特征，在窗口长度为1的卷积层后使用最大池化层保留主要的特征，同时减少参数以及防止过拟合。
3.根据权利要求2所述的一种地波雷达船只断裂航迹预测方法，其特征在于，步骤3中堆叠的GRU模型由3层GRU组成，相比于单层GRU网络，GRU层数加深能够大大提高学习能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110027736.8A CN112668804B (zh) | 2021-01-11 | 2021-01-11 | 一种地波雷达船只断裂航迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110027736.8A CN112668804B (zh) | 2021-01-11 | 2021-01-11 | 一种地波雷达船只断裂航迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668804A CN112668804A (zh) | 2021-04-16 |
| CN112668804B true CN112668804B (zh) | 2023-04-07 |
Family
ID=75414025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110027736.8A Active CN112668804B (zh) | 2021-01-11 | 2021-01-11 | 一种地波雷达船只断裂航迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668804B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561148B (zh) * | 2020-12-09 | 2021-11-30 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 |
| CN113221450B (zh) * | 2021-04-27 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
| CN113239775B (zh) * | 2021-05-09 | 2023-05-02 | 西北工业大学 | 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法 |
| CN113343566B (zh) * | 2021-05-31 | 2023-09-01 | 北京信息科技大学 | 基于深度学习的镍基合金断裂韧性预测方法及系统 |
| CN113361614B (zh) * | 2021-06-15 | 2024-02-02 | 广西民族大学 | 一种船只捕鱼行为预测方法 |
| CN113625144B (zh) * | 2021-08-11 | 2024-06-25 | 北京信息科技大学 | Igbt故障预测方法和系统 |
| CN115146842B (zh) * | 2022-06-24 | 2023-07-18 | 沈阳建筑大学 | 基于深度学习的多元时间序列趋势预测方法和系统 |
| CN116484309B (zh) * | 2023-03-09 | 2023-09-29 | 重庆市规划和自然资源信息中心 | 户籍人口数据与不动产登记数据融合方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
| CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
| 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 |
| CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
-
2021
- 2021-01-11 CN CN202110027736.8A patent/CN112668804B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
| CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
| 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 |
| CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于LSTM-ARIMA模型的短期航班飞行轨迹预测;石庆研等;《信号处理》;20191231(第12期);第2000-2009页 * |
| 基于时域卷积与双向GRU神经网络的时序预测模型;王振等;《软件导刊》;20200331(第03期);第48-52页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668804A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668804B (zh) | 一种地波雷达船只断裂航迹预测方法 | |
| CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
| CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
| CN110197282B (zh) | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 | |
| Mosavi et al. | Training a feed-forward neural network using particle swarm optimizer with autonomous groups for sonar target classification | |
| Xue et al. | Panoramic convolutional long short-term memory networks for combat intension recognition of aerial targets | |
| CN112434643A (zh) | 低慢小目标的分类识别方法 | |
| US7324979B2 (en) | Genetically adaptive neural network classification systems and methods | |
| Luo et al. | A new kernel extreme learning machine framework for somatization disorder diagnosis | |
| CN114004383A (zh) | 时间序列预测模型的训练方法、时间序列预测方法及装置 | |
| CN110991257A (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
| CN113449837B (zh) | 一种入侵检测方法、系统、设备及可读存储介质 | |
| CN115169439A (zh) | 一种基于序列到序列网络的有效波高预测方法和系统 | |
| CN114118361A (zh) | 一种基于深度学习参数锚定的态势评估方法 | |
| Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
| CN117475266A (zh) | 基于多专家注意力融合的机器人视觉感知方法及装置 | |
| Gao et al. | Intelligent multiframe detection aided by Doppler information and a deep neural network | |
| Liu et al. | A New Causal Inference Framework for SAR Target Recognition | |
| CN117172355A (zh) | 融合时空粒度上下文神经网络的海表温度预测方法 | |
| CN115909027B (zh) | 一种态势估计方法及装置 | |
| CN114819053A (zh) | 基于时空卷积lstm的平均波向预报偏差订正方法 | |
| CN114048837A (zh) | 一种基于分布式类脑图的深度神经网络模型加固方法 | |
| CN114936593A (zh) | 基于深度归一化自连接脉冲神经网络的汽车入侵检测方法 | |
| CN116992937A (zh) | 神经网络模型的修复方法和相关设备 | |
| CN108983184A (zh) | 一种自适应高精度的智能雷达海上目标检测系统 |
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 |