CN112770256B - 一种无人机自组织网络中的节点轨迹预测方法 - Google Patents

Abstract

本发明涉及无人机自组网通信技术领域，具体而言，涉及一种一种无人机自组织网络中的节点轨迹预测方法；所述预测方法包括采集不同类型的无人机飞行数据，并提取出无人机的飞行特征数据；利用K近邻算法对提取出的飞行特征中的缺失数据进行填充以及对异常数据进行删除；将处理后的无人机飞行特征对门控循环单元网络进行训练；采用粒子群优化算法对所述门控循环单元网络中的权值参数进行调优；将待测的无人机飞行数据输入到权值参数调优后的门控循环单元网络中，输出无人机自组织网络中的节点轨迹。本发明通过K近邻算法提取出更为合理的飞行特征；利用数据训练GRU模型对无人机飞行轨迹进行预测；能有效降低路由重构次数，降低系统数据传输时延。

Description

一种无人机自组织网络中的节点轨迹预测方法

技术领域

本发明涉及无人机自组网通信技术领域，具体而言，涉及一种无人机自组织网络中基于GRU的节点轨迹预测方法。

背景技术

随着人工智能、移动互联网和无线通信等信息技术的日益成熟，及未来战场等多方面对无人机的要求不断提高，使单无人机无论在军事领域还是民事领域，都因自身局限性较大，不再满足人们的需求。与单无人机或者简单的多无人机系统相比，无人机集群具有无可比拟的优势，是将来无人机技术发展的必然趋势。集群化的无人机能够在有限的空间内避免多无人机发生碰撞，给集群的无人机分配一个整体任务，集群会自行分解、协同完成任务；具有动态自愈合的特性，对意外的中断有自动恢复的能力；可以实现不借助基站的无人机高效信息传输，实时共享组网内其他节点的信息，提高信息收集能力与容错能力。

因此，借鉴移动自组网(Mobile Ad Hoc Network，MANET)的思想，用无人机代替MANET中的普通移动终端，从而形成了无人机自组网(Flying Ad Hoc Network，FANET)，以满足更多应用场景。不同于MANET中节点受地形因素的限制，FANET节点在空中移动的时候并不受地形干扰，但其速度一般比传统的MANET节点要快，网络拓扑变化更加频繁。

无人机自组织网络的轨迹预测对于路由的管理、智能飞行的实现具有重大意义。利用无人机自组织网络节点的轨迹预测可以有效的更新路由信息，在建立路由时选择持续时间更长的链路并且在路由维护过程中根据链路稳定性预测指标对即将断开的链路进行预判，并主动寻找其他路径进行替换，通过这种路径主动修复机制，降低因移动造成路由被动失效的概率，同时通过判断链路的稳定性优化链路的感知周期，降低感知链路状态所需的控制开销。因此如何对有效的轨迹进行预测至关重要。

发明内容

基于现有技术存在的问题，本发明考虑到门控循环单元(Gated Recurrent Unit，GRU)网络中加入了隐藏状态、更新门和重置门，这些“门”可以知道序哪些重要的数据是需要保留，而哪些是要删除的，这种更复杂的信息传递方式可有效克服传统RNN的缺点。因此可以用来依据节点的历史运动数据来预测节点的未来运动信息。

本发明采用如下技术方案以解决上述问题：

一种无人机自组织网络中的节点轨迹预测方法，所述方法包括以下步骤：

采集不同类型的无人机飞行数据，并提取出无人机的飞行特征数据；

利用K近邻算法对提取出的飞行特征中的缺失数据进行填充处理以及对异常数据进行删除处理；

将处理后的无人机飞行特征对门控循环单元网络进行训练；

在训练过程中采用粒子群优化算法对所述门控循环单元网络中的权值参数进行调优；

处理后的将待测的无人机飞行数据输入到权值参数调优后的门控循环单元网络中，输出无人机自组织网络中的节点轨迹。

本发明的有益效果：

本发明是一种无人机自组织网络中基于GRU的节点轨迹预测方法，提取无人机飞行过程中的数据，提取特征信息，通过对无人机飞行数据的挖掘，有效的发现无人机飞行过程中的规律特征，并利用数据训练GRU模型对无人机飞行轨迹进行预测，本发明采用自适应惯性权重对传统的PSO方法进行改进，使得在前期能够有效寻找到使得全局最优的粒子，在后期能够寻找到使得各局部最优的粒子，另外本发明利用反向学习的方式控制全局最优粒子陷入局部最优，在这些改进方式下，能够有效提升GRU中权值参数的准确性，从而提高模型预测的无人机自组织网络中的节点轨迹的准确性。与现有技术相比，本发明对无人机节点的轨迹预测更为精准，可在无人机路由管理等技术领域广泛推广。如在无人机网络路由选择阶段，依据轨迹预测结果可以选择一条最稳定的路由，即节点相对移动性最小的路由；在路由维护阶段同样可以选择一条最稳定的备用路由，该方法能有效降低路由重构次数，降低系统数据传输时延。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种无人机自组织网络中的节点轨迹预测方法流程图；

图2为本发明实施例中所采用的K近邻算法进行数据预处理的流程图；

图3为本发明实施例中所采用的GRU的输入输出结构图；

图4为本发明实施例中所采用的GRU的内部结构图；

图5为本发明与其他不同预测方法下的平均相对误差对比图；

图6为本发明与其他不同预测方法下的用时对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例中一种无人机自组织网络中的节点轨迹预测方法流程图，如图1所示，所述方法可以基于无人机的历史移动信息以及当前的移动信息预测下一时刻的移动信息，从而预测无人机的移动轨迹。

101、采集不同类型的无人机飞行数据，并提取出无人机的飞行特征数据；

本实施例中结合不同类型的无人机飞行特点，选取不同的无人机移动模型，建立无人机历史飞行数据样本库，同时约定样本飞行的数据特征。

其中，所述不同类型无人机主要包括但不限于具有不同任务的无人机，如侦察机、攻击机、预警机等。

根据不同类型无人机的飞行特点，提取用于模型训练的特征信息，考虑到应用的实时性需求，特征维度选取从简，分别选取飞行高度、飞行位置、飞行速度三项特征作为训练特征，有效表示某一时刻目标的轨迹信息。

对于单个无人机目标，在t时刻的轨迹特征X(t)表示为：

X(t)＝{lon,lat,hei,spd} (1)

其中，lon表示无人机在t时刻的经度特征；lat表示无人机在t时刻的纬度特征；hei表示无人机在t时刻的高度特征；spd表示无人机在t时刻的速度特征。

102、利用K近邻算法对提取出的飞行特征中的缺失数据进行填充处理以及对异常数据进行删除处理；

在正常无人机组网通信中，通过相邻节点互发的HELLO包消息可以获得步骤1中的轨迹特征。但战场环境中干扰因素多，或者发生拥塞时会导致HELLO包消息不能及时收到或者发生丢失，进而会导致轨迹数据的缺失，因此在基于GRU循环网络进行预测时，首先需要利用K近邻算法对缺失数据进行补充。

K近邻算法是一种运算复杂度较小的分类算法，其思想是从一个集合(已知样本)P中选出与待测点x距离最近的k个点，然后找出k个点中所属分类比例最大的，将待测点x的k个近邻点中所述分类比例最大的分类作为该待测点的分类。

K近邻算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。设无人机飞行数据样本库中第i个样本A_i＝(X_i1,X_i2,…X_in)，每个样本即对应为每个节点的飞行轨迹状态；两个样本之间的距离用欧氏距离表示如下：

需要说明的是这里的距离d表示两个样本之间的特征属性，d值越小表示两个样本的特征属性越接近。d(A_i,A_j)表示样本A_i与样本A_j之间的距离；a_ik表示第i个样本中第k个特征属性值；接下来依次计算距离不同的样本(邻居)之间的权值，根据距离的大小对该样本的影响赋予权值，所述权值公式如下：

则待测点x属于类别B_j概率为：

p为新样本的特征向量，d(p,a_i)为相似度公式，与公式(1)的计算方法同理；y(a_i,B_j)为样本类别函数，如果a_i属于B_j，那么函数值为1，反之为0。

本发明实施例中利用K近邻算法计算异常或缺失的轨迹数据的估值，将上述公式(2)修改为：

其中，a_ik表示第i个样本中第k个特征属性值，这里的a_ik表示第i个样本中第k个特征属性值为异常或缺失无人机轨迹数据，a_jk表示第j个样本中第k个特征属性值，这里的第j个样本中第k个特征属性值属于正常轨迹数据，即只有正常轨迹数据才能参加计算。异常或缺失的轨迹数据使用加权平均的方法来计算其估值，计算公式如下：

其中，a_jt表示第j个样本中第k个特征属性值，即第j个样本中第t个异常的或缺失的轨迹数据，w_j为公式(3)所得权值。

在上述实施例支撑下，本发明中首先利用K近邻算法选择出当前特征属性值所述的类型，按照当前类别的特征属性值的加权平均值作为当前缺失数据的填充值或者异常数据的替换值。

图2为本发明实施例中所采用的K近邻算法进行数据预处理的流程图，如图2所示，本发明实施例中首先根据无人机的历史飞行数据判断当前输入的无人机飞行数据是否异常，若正常则输入到正常样本集；否则输入到异常样本集，按照K近邻算法计算出异常数据或者缺失数据的轨迹数据的估计值；将所述估计值填充到所述异常样本集中，作为正常样本集，将正常样本集作为新的样本集。

103、将处理后的无人机飞行特征对门控循环单元网络进行训练；

当数据处理完成后，即可建立GRU循环神经网络。GRU(Gated Recurrent Unit)是一种基于现有的历史数据进行信息特征提取从而进行预测的循环神经网络，是LSTM(长短期记忆网络)的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。GRU既然是LSTM的变体，因此也是可以解决RNN(循环神经网络)中的长依赖问题，它具有称为“门”的内部机制，GRU网络中加入了隐藏状态、更新门和重置门，这些“门”可以知道序哪些重要的数据是需要保留，而哪些是要删除的，这种更复杂的信息传递方式可有效克服传统RNN的缺点。因此可以用来依据节点的历史运动数据来预测节点的未来运动信息。

GRU循环神经网络的输入输出结构如图3所示。x^t表示一个当前的输入，在本方法中即为无人机的轨迹特征，h^t-1表示上一个节点传递下来的隐状态，这个隐状态包含了之前节点的相关信息。结合x^t和h^t-1，GRU会得到当前隐藏节点的输出y^t和传递给下一个节点的隐状态h^t。

将处理后的数据输入到GRU循环神经网络。图4为本方法的GRU循环神经网络内部结构图。其中⊙表示矩阵中对应元素的相乘，+表示矩阵间的加法操作。GRU在时序过程中首先通过上一个传输下来的状态h^t-1和当前节点的输入x^t来获取两个门控状态。其中r为控制重置的门控(reset gate)，决定前一时刻的状态对当前状态的影响程度,值越大影响程度越大；z为控制更新的门控(update gate)，表示对前一时刻的忽略程度,值越小说明忽略的越多。

1)基于GRU的数据前向传播过程

r＝σ(W^r×[h^t-1,x^t]) (7)

z＝σ(W^z×[h^t-1,x^t]) (8)

其中，σ表示sigmoid激活函数，通过这个函数可以将数据转换为0-1范围内的数值，调节了神经网络的输出，从而来充当门控信号。W为输入的权重向量。

得到门控信号之后，首先使用重置门控来得到“重置”之后的数据h^t-1′＝h^t-1⊙r，再将h^t-1′与输入x^t进行拼接，再通过一个tanh激活函数来将数据放缩到-1～1的范围内。即得到h′＝tanh(W^h′×[h^t-1′,x^t])。

这里的h′主要是包含了当前输入的x^t数据。有针对性地对h′添加到当前的隐藏状态，相当于“记忆了当前时刻的状态”。

接着进入“更新记忆”阶段。在这个阶段，本发明同时进行了遗忘和记忆两个步骤。本发明使用了先前得到的更新门控z。

更新表达式：

h^t＝(1-z)⊙h^t-1+z⊙h′ (9)

(1-z)⊙h^t-1：表示对原本隐藏状态的选择性“遗忘”。这里的(1-z)可以想象成遗忘门(forget gate)，忘记h^t-1维度中一些不重要的信息。

z⊙h′：表示对包含当前节点信息的h′进行选择性“记忆”。与上述类似，这里的z同理会忘记h′维度中的一些不重要的信息。或者，这里可以看做是对h′维度中的某些信息进行选择。

h^t＝(1-z)⊙h^t-1+z⊙h′：综上所述，这一步的操作就是忘记传递下来的h^t-1中的某些维度信息，并加入当前节点输入的某些维度信息。

最后，y^t＝σ(W^o·h^t)，此即当前隐藏节点的输出y^t。

可以理解的是，本发明中的门控信号(这里的z)的范围为0-1。门控信号越接近1，代表“记忆”下来的数据越多；而越接近0则代表“遗忘”的越多。可以看到，这里的遗忘z和选择(1-z)是联动的。也就是说，对于传递进来的维度信息，本发明会进行选择性遗忘，即遗忘了多少权重(z)，本发明就会使用包含当前输入的h′中所对应的权重进行弥补(1-z)。以保持一种“恒定”状态。

2)基于GRU的权值参数训练过程

从前向传播过程中的公式可以看出要学习的权值参数有W^r，W^z，W^h′，W^o。其中前三个权值参数都是拼接的，所以在训练的过程中需要将他们分割出来：

W^r＝W^rx+W^rh (10)

W^z＝W^zx+W^zh (11)

W^h′＝W^h′x+W^h′h (12)

输出层的输入

输出层的输出

在得到最终的输出后，就可以得出网络传递的损失。单个样本某时刻的损失为：

则单个样本在所有时刻的损失为：

采用后向误差传播算法来学习网络，所以先得求损失函数对各权值参数的偏导：

其中各权值参数表达式为：

δ_h,t＝δ_y,tW_o+δ_z,t+1W^zh+δ_t+1W^h′h·r_t+1+δ_h,t+1W^rh+δ_h,t+1·(1-z_t+1) (22)

δ_z,t＝δ_t,h(h^t′-h^t-1)·σ′ (23)

δ_t＝δ_h,t·z_t·φ′ (24)

δ_r,t＝h^t-1·[(δ_h,t·z_t·φ′)W^h′h]·σ′ (25)

在算出了对各权值参数的偏导之后，就可以更新权值参数，依次迭代得出损失收敛。

104、在训练过程中采用粒子群优化算法对所述门控循环单元网络中的权值参数进行调优；

在GRU模型的训练过程，每输出一组权值参数就可以输入到粒子群优化算法中并进行初始化，采用粒子群优化算法从这些输入的权值参数中选择出一组最佳的权值参数作为GRU神经网络的权值参数；利用PSO优化算法进行权值参数调优。PSO算法是通过对大自然中鸟类觅食行为的模拟而得出的一种具有全局寻优能力的优化算法，它将全局变量中存在的每一个可能的解都看作一个粒子，而每一个粒子都有自己的运动方向和速度，使所有的粒子都朝着当前的最优位置进行移动，通过不断对粒子中的个体最优位置x_best和全局最优位置p_best进行更新，即可得到目标函数的最优解，从而实现全局寻优。它是先确定一个小范围的“优质”权值参数搜索区间，然后在此区间中再进行小步长的精准搜索，从而使训练能够自适应的计算每个权值参数的学习效率，降低权值参数选取对模型精度的影响，得到最终模型。

具体到GRU神经网络，将GRU神经网络的权值即W^r，W^z，W^h′，W^o等归结为同一种粒子的属性，即把这些权值看做这里的粒子，经过多个粒子的共同寻优不断对最优粒子进行更新，最终可以得到使得误差取得最小的粒子值，进而将最优粒子的值赋给各权值，即可得到所需权值。

粒子群算法的基本迭代式为：

v_i,k＝pv_i,k+c₁r₁(x_best,i,k-x_i,k)+c₂r₂(p_best,i,k-x_i,k) (26)

x_i,k+1＝x_i,k+v_i,k (27)

式中：v_i,k为第k次迭代时第i个粒子的速度；p为惯性权重，它的取值介于0～1之间；c₁,c₂为学习因子；r₁、r₂为0到1之间的随机数，x_best,k,i为第k次迭代时第i个粒子经历过的最优位置；x_i,k为第k次迭代时第i个粒子的位置；p_best,i,k为第k次迭代时全部粒子经历过的最好位置。

为进一步提高预测效果，本发明采用自适应惯性权重法对PSO算法进行改进，所引入的惯性权重：

式中，p_max为惯性权重的最大值；p_min为惯性权重的最小值；e为当前迭代次数；e_max为最大迭代次数。

惯性权重越大，粒子群算法的全局搜索能力越强；而惯性权重越小，粒子群算法的局部搜索能力越强。在实际运用中，我们需要在算法迭代初期PSO有着较强的全局优化能力，而在算法的后期，整个种群应该具有更强的局部搜索能力。因此采用自适应惯性权重法改进PSO算法使得惯性权重p会随迭代次数的改变而不断更新，有助于平衡PSO算法的全局搜索能力和局部搜索能力。

此外，为了提高收敛速度与精度，本方法将粒子分为精英粒子和普通粒子。精英粒子即全局最优粒子，是种群的领导者，没有学习的榜样，尽早找到精英粒子将会在很大程度上加速收敛，但是一旦全局最优粒子陷入局部最优，将导致算法进入“早熟”状态，因此选择全局最优粒子进行反向学习。定义反向学习为：

其中X_ij(t)其中是种群第i个解在第j维上的分量，也就是第i个粒子中第j个权值参数；

是X_ij(t)对应的反向解，a_j(t)和b_j(t)分别为当前搜索区间在第j维上的最小值和最大值，N为种群粒子个数，D为问题的维数，这里即为粒子的种类数，也就是GRU神经网络的权值即W^r，W^z，W^h′，W^o等，除了上述权值参数以外，还可以包括隐藏层个数、隐藏节点个数等GRU神经网络模型参数，t为迭代次数。对公式(29)化简得如下公式：

x^*＝k(a+b-x) (30)

其中k为实数，根据k的取值不同，可以得到不同的反向学习模型，这里取k＝0.5，即基于区间对称的反向学习模型，则：

x^*＝0.5(a+b-x) (31)

其中，x∈[a,b]，

依据概率学原理，每个随机产生的候选解相比它的反向解有50％的概率远离问题最优解。由于精英粒子陷入局部最优会导致算法进入“早熟”，因此，选择全局最优粒子进行反向学习将会在很大程度上加速收敛。本方法将反向学习应用于进化过程的每一次迭代，使得当前解的取值范围随着迭代次数的增加而远小于初始的变量范围，从而使种群快速地向最优解逼近。

在一些优选实施例中，在精英反向学习粒子群优化算法中，为平衡全局探测能力与局部开发能力，精英粒子反向学习的维度空间大小随着进化线性递减。在进化前期应选取较大的维度空间进行学习，增强算法的探索能力，提高粒子搜索全局最优位置的概率；随着迭代的进行，算法需要较小的探索能力，特别是在进化后期算法易陷入局部最优，可能是因为某一维或者某几维陷入局部最优，后期选取较小的维度空间进行学习，其它维度上的信息仍然保持不变，这样能够最大限度保留精英粒子的大部分优势信息，帮助算法逃离局部最优，提高解的精度.其维度更新的线性递减公式如下：

其中，D为反向学习的维度空间大小，Int()为取整函数，M为粒子的总维数，e为当前迭代次数；e_max为最大迭代次数。

最后，定义适应度函数f，表示预测结果的误差程度。对于第i组粒子的适应度可以表示为f(i)＝1/SSE_i。其中：

N_out为输出神经元数量，y_k为实际值，

为预测值。

具体的，对于每一个粒子的适应度计算：

其中，f(i)表示第i个粒子的适应度值；Nout为门控循环单元网络中输出神经元数量，

为第k层输出神经元中第i个粒子所对应的实际值，

为第k层输出神经元中第i个粒子所对应的预测值，这里的第i个粒子即为第i组权值参数，每一次训练过程将伴随一组权值参数。

改进后的PSO算法具体步骤如下：

1)初始化粒子及其权值参数；

2)基于公式(33)评价按照公式(34)计算每个粒子适应值；

3)按照公式(27)更新粒子位置，更新个体最优位置即局部最优粒子位置和全局最优粒子位置；

4)按照公式(32)对全局最优粒子p_g进行反向学习产生反向解op_g，并对op_g进行适应度评估，若它优于当前的p_g，则用其代替p_g，否则，保持不变；

5)按照公式(26)更新粒子速度；

6)检验是否满足终止条件，若满足，则停止迭代，输出全局最优粒子，否则转到2)。

105、将待测的无人机飞行数据输入到权值参数调优后的门控循环单元网络中，输出无人机自组织网络中的节点轨迹。

将待测的无人机飞行数据输入到训练完成并进行了权值参数调优后的门控循环单元网络中进行节点的轨迹预测，将本发明的无人机轨迹预测方法与传统的基于马尔科夫链的轨迹预测方法以及基于BP神经网络的预测方法进行对比，并计算所有样本x轴、y轴、和z轴的平均相对误差，结果如图5所示。可以看出，GRU网络对3个轴的相对误差在3种方法中均是最小的，说明GRU网络处理时序数据的能力更强，更适合用于无人机的轨迹预测。以上3种方法预测一次的平均用时如图6所示。从图6可以看出，虽然GRU网络用时最长，但与其他方法的差距不是很大，满足实时性要求。

总之，本发明提出一种无人机自组织网络中的节点轨迹预测方法。本发明结合无人机节点的运动模型和历史飞行数据，并通过无人机当前状态数据进行移动轨迹预测，具有良好的预测性能。

在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”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。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述方法包括以下步骤：

采集不同类型的无人机飞行数据，并提取出无人机的飞行特征数据；

利用K近邻算法对提取出的飞行特征中的缺失数据进行填充处理以及对异常数据进行删除处理；

将处理后的无人机飞行特征对门控循环单元网络进行训练；

在训练过程中采用粒子群优化算法对所述门控循环单元网络中的权值参数进行调优；包括如下步骤：

将门控循环单元网络中的各个权值参数作为同一个粒子的不同属性；

计算出每个粒子的适应度值；

更新粒子位置，更新个体最优位置和全局最优粒子的位置；

对所述全局最优粒子进行反向学习并学习出反向解粒子，计算出所述反向解粒子的适应度值，若该适应度值优于当前粒子的适应度值，则将该反向解粒子的适应度值替代当前粒子的适应度值；

更新粒子速度，采用自适应惯性权重p对粒子速度更新，它的取值介于0～1，所述自适应惯性权重的计算方式包括：

其中，p_max为惯性权重的最大值；p_min为惯性权重的最小值；e为当前迭代次数；e_max为最大迭代次数；

判断是否满足停止迭代条件，若满足条件，则输出全局最优粒子，并将所述全局最优粒子的值赋给各个权值参数进行网络优化，否则继续计算每个粒子的适应度值进行更新权值参数；

将处理后的待测的无人机飞行数据输入到权值参数调优后的门控循环单元网络中，输出无人机自组织网络中的节点轨迹。

2.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述无人机的飞行特征数据包括飞行高度特征、飞行位置特征以及飞行速度特征，其中，在t时刻的飞行特征表示为X(t)＝{lon,lat,hei,spd}；lon表示无人机在t时刻的经度特征；lat表示无人机在t时刻的纬度特征；hei表示无人机在t时刻的高度特征；spd表示无人机在t时刻的速度特征。

3.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述利用K近邻算法对提取出的飞行特征中的缺失数据进行填充处理以及对异常数据进行删除处理包括根据无人机的历史飞行数据判断当前输入的无人机飞行数据是否异常，若正常则输入到正常样本集；否则输入到异常样本集，按照K近邻算法计算出异常数据或者缺失数据的轨迹数据的估计值；将所述估计值填充到所述异常样本集中，作为正常样本集，将正常样本集作为新的样本集。

4.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述将处理后的无人机飞行特征对门控循环单元网络进行训练包括构建出门控循环单元网络，输入当前节点的无人机飞行特征以及上一个节点传递出的隐状态；输出当前节点的轨迹预测结果以及隐状态；所述门控循环单元网络对下一个节点传递出的隐状态和当前节点输入的无人机飞行特征获取门控状态；通过前向传播的方式更新所述门控状态并确定需要训练的权值参数，通过后向传播算法求得损失函数对各权值参数的偏导；更新所述权值参数，依次迭代得出损失收敛直至训练完成。

5.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述计算每个粒子的适应度值所采用的适应度函数表示为：

其中，f(i)表示第i个粒子的适应度值；Nout为门控循环单元网络中输出神经元数量，

为第k层输出神经元中第i个粒子所对应的实际值，

为第k层输出神经元中第i个粒子所对应的预测值。

6.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述更新粒子位置所采用的函数表示为：

x_i,k+1＝x_i,k+v_i,k

其中，x_i,k+1为第k+1次迭代时第i个粒子的位置；v_i,k为第k次迭代时第i个粒子的速度；x_i,k为第k次迭代时第i个粒子的位置。

7.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，对所述全局最优粒子进行反向学习中所采用的反向公式表示为：

其中，D为反向学习的维数，Int()为取整函数，M为粒子的总维数，e为当前迭代次数；e_max为最大迭代次数。

8.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述更新粒子速度所采用的函数表示为：

v_i,k+1＝pv_i,k+c₁r₁(x_best,i,k-x_i,k)+c₂r₂(p_best,i,k-x_i,k)

其中，v_i,k+1为第k+1次迭代时第i个粒子的速度；v_i,k为第k次迭代时第i个粒子的速度；p表示惯性权重；c₁表示第一学习因子，c₂表示第二学习因子；r₁表示第一随机数，r₂表示第二随机数；x_best,k,i为第k次迭代时第i个粒子经历过的最优位置；x_i,k为第k次迭代时第i个粒子的位置；p_best,i,k为第k次迭代时全部粒子经历过的最好位置。

Images