CN112859898A - 一种基于双通道双向神经网络的飞行器轨迹预测方法 - Google Patents
一种基于双通道双向神经网络的飞行器轨迹预测方法 Download PDFInfo
- Publication number
- CN112859898A CN112859898A CN202110065729.7A CN202110065729A CN112859898A CN 112859898 A CN112859898 A CN 112859898A CN 202110065729 A CN202110065729 A CN 202110065729A CN 112859898 A CN112859898 A CN 112859898A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- channel
- trajectory
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于双通道双向神经网络的飞行器轨迹预测方法,应用于高超声速飞行器,包括:构建飞行轨迹的预训练数据集;构建双通道双向神经网络;通过所述预训练数据集对所述双通道双向神经网络的神经网络参数进行预训练;通过实时轨迹数据对所述神经网络参数进行再训练;通过训练后的双通道双向神经网络对无观测数据段进行轨迹预测。本发明能够减少了轨迹预测中对飞行器相关参数的依赖,实现了对飞行器轨迹智能、快速、准确的预测,满足了实际应用需求。
Description
技术领域
本发明涉及飞行器技术领域,尤其涉及一种基于双通道双向神经网络的飞行器轨迹预测方法、系统、计算机可读存储介质及终端设备。
背景技术
高超声速飞行器是指飞行速度超过5倍音速的飞机、导弹、炮弹之类的有翼或无翼飞行器。高超声速飞行器的轨迹预报指的是根据飞行器当前的状态信息,对飞行器后续时刻的运动轨迹进行外推预测。
传统的高超声速飞行器的轨迹预测主要是通过对目标飞行器的运动学和动力学模型进行建模,然后对模型进行积分求解的方式实现轨迹预测。然而,这种方法在目标飞行器模型建立准确的条件下,拥有较高的预报精度,但是其存在对目标飞行器的建模难度大,计算量较大,实时性不好,针对机动条件下的飞行器轨迹预测较差等问题,因此难以进行普适性推广使用。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于双通道双向神经网络的飞行器轨迹预测方法,能够减少了轨迹预测中对飞行器相关参数的依赖,实现了对飞行器轨迹智能、快速、准确的预测。
为了解决上述技术问题,本发明实施例提供了一种基于双通道双向神经网络的飞行器轨迹预测方法,应用于高超声速飞行器,所述方法包括:
构建飞行轨迹的预训练数据集;
构建双通道双向神经网络;
通过所述预训练数据集对所述双通道双向神经网络的神经网络参数进行预训练;
通过实时轨迹数据对所述神经网络参数进行再训练;
通过训练后的双通道双向神经网络对无观测数据段进行轨迹预测。
进一步地,所述预训练数据集的构建方法,具体为:
将收集到的飞行器的轨迹数据进行数据清洗,去除飞行数据中的噪点、零点后,按照飞行器的机动模式对轨迹数据进行分类,将轨迹数据中表示飞行器空间位置的三个变量由高度、经度、纬度转换为地心坐标系中的X、Y、Z坐标值,同时每一个时刻的轨迹数据表示为x=(X,Y,Z,V,θ,σ),每一条轨迹数据可以表示为X={x1,x2,…,xn};其中,V、θ、σ分别表示速度、弹道倾角、航向角,n表示轨迹数据的长度;
通过归一化算法将所述轨迹数据的每个变量分别归一化到区间[0,1]中,同时根据设置的数据窗口大小W,从t=W+1时刻的数据开始,将前W个时刻的数据xt-W,xt-W+1,…,xt-1与时刻t的数据xt组合成数据块dt={xt-W,xt-W+1,…,xt-1|xt},按照时间的先后顺序将轨迹数据X={x1,x2,…,xn}处理成D={dw+1,dw+2,…,dn}的格式;
进一步地,所述双通道双向神经网络包括线性特征学习模块和非线性特征学习模块,
进一步地,通过所述预训练数据集对所述双通道双向神经网络的神经网络参数进行预训练,具体为:
将所述预训练数据集划分为训练数据集及验证数据集;
将所述训练数据集中的飞行轨迹数据分批次输入所述双通道双向神经网络进行训练,并在训练完成后将所述验证数据集分批次输入所述双通道双向神经网络以测试该神经网络的预测效果;
若当前预测效果优于以往任一预测效果时,则保存当前神经网络的参数。
进一步地,通过实时轨迹数据对所述神经网络参数进行再训练,具体为:
将监测设备观测到的目标飞行器的轨迹数据进行数据清洗、归一化处理,得到轨迹数据X′={x1,x2,…xt},并整理数据格式为D={dw+1,dw+2,…,dt};其中,t为当前时刻;
选择再训练数据长度l,将轨迹数据D′={dt-l,dt-l+1,…,dt}作为训练集输入双通道双向神经网络进行再训练,同时在每一次训练完成后使用D′作为验证集测试网络预测效果;
若当前预测效果优于以往任一预测效果时,则保存当前神经网络的参数。
进一步地,通过训练后的双通道双向神经网络对无观测数据段进行轨迹预测,具体为:
通过滚动窗口预测模式对于目标时刻t+1的轨迹数据,使用前W位观测数据进行预测;对于目标时刻t+2的轨迹数据,则使用前W-1位观测数据与t时刻的预测数据的组合数据进行预测,直至得到预测段所有轨迹数据。
进一步地,所述双通道双向神经网络为:
xT+1=f(xT-W,xT-W+1,…,xT),xt=(Xt,Yt,Zt,Vt,θt,σt)
其中,f()表示双通道双向神经网络模型,其输入为W个飞行数据xt,输出为下一时刻的飞行数据xT+1。
进一步地,所述全局特征学习通道的输入大小为数据窗口W的归一化轨迹数据,该通道由一个全局卷积网络和一个双向门口循环单元串联而成,输入的轨迹数据首先经过全局卷积网络,提取各维度变量在数据窗口内的全局相关关系;全局卷积网络输出的数据输入双向门控循环单元,双向门控单元将从顺时序以及逆时序两个方向学习输入数据的时序特征;
所述局部特征学习通道的输入大小为数据窗口W的归一化轨迹数据,该通道由一个局部卷积网络和一个双向门口循环单元串联而成,输入的轨迹数据首先经过局部卷积网络,提取各维度变量在数据窗口内的局部相关关系;局部卷积网络输出的数据输入双向门控循环单元,双向门控单元将从顺时序以及逆时序两个方向学习输入数据的时序特征。
通过处理好的预训练数据集对双通道双向神经网络参数进行训练得到神经网络的预训练参数,具体为:
其中,Yi={xW+1,xW+2,…,xn},代表真实飞行轨迹数据;
在对神经网络的预测效果进行评判时,采用相关平方误差和相关绝对误差两个指标,其中相关平方误差为主要指标,当相关平方误差值相同时,取相关绝对误差更小的神经网络参数;
相关平方误的表达式为:
相关绝对误差的表达式为:
进一步地,所述方法还包括:
每次预测一位轨迹数据,完成预测后,将预测数据添加到数据窗口的末尾位置,去除数据窗口中起始位置的数据,然后将更新完成的数据窗口输入所述双通道双向神经网络,进行下一步预测;
当预测数据段长度达到预设长度f后,滑动窗口停止,并输出预测结果;其数学表达式为:
与现有技术相比,本发明实施例提供了一种基于双通道双向神经网络的飞行器轨迹预测方法,首先通过在线下使用已有的高超声速飞行器轨迹数据对双通道双向神经网络的神经网络参数进行预训练,然后使用监测设备获取的飞行器实时飞行轨迹数据对网络参数进行再训练,最后使用训练好的网络参数在无后续观测数据的条件下对飞行器轨迹进行一段时间的轨迹预报。相比现有技术,本发明能够使用神经网络提取和学习飞行器轨迹数据的全局变化趋势以及局部变化规律,学习飞行轨迹数据中隐含的控制变量变化规律,从而减少了轨迹预测中对飞行器相关参数的依赖,实现了对飞行器轨迹的智能的、快速的、准确的预测。
附图说明
图1为本发明提供的一种基于双通道双向神经网络的飞行器轨迹预测方法的流程图;
图2为本发明提供的一种基于双通道双向神经网络的飞行器轨迹预测方法中飞行器轨迹预测的数据流图;
图3为本发明提供的一种基于双通道双向神经网络的飞行器轨迹预测方法中双通道双向神经网络的结构图;
图4为本发明提供的一种基于双通道双向神经网络的飞行器轨迹预测方法中双向门控循环单元的结构示意图;
图5为本发明提供的一种基于双通道双向神经网络的飞行器轨迹预测方法中滚动窗口的预测流程示意图。
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,本技术领域普通技术人员在没有作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。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行,且下文均以服务器作为执行主体为例进行说明。
如图1至图5示,本发明实施例提供的一种基于双通道双向神经网络的飞行器轨迹预测方法,所述方法包括步骤S11至步骤S15:
步骤S11,构建飞行轨迹的预训练数据集。
具体的,将收集到的飞行器的轨迹数据进行数据清洗,去除飞行数据中的噪点、零点后,按照飞行器的机动模式对轨迹数据进行分类,将轨迹数据中表示飞行器空间位置的三个变量由高度、经度、纬度转换为地心坐标系中的X、Y、Z坐标值,同时每一个时刻的轨迹数据表示为x=(X,Y,Z,V,θ,σ),每一条轨迹数据可以表示为X={x1,x2,…,xn},即X、Y、Z、速度、弹道倾角、航向角六个变量;其中,n表示轨迹数据的长度。通过归一化算法将所述轨迹数据的每个变量分别归一化到区间[0,1]中,同时根据设置的数据窗口大小W,从t=W+1时刻的数据开始,将前W个时刻的数据xt-W,xt-W+1,…,xt-1与时刻t的数据xt组合成数据块dt={xt-W,xt-W+1,…,xt-1|xt},按照时间的先后顺序将轨迹数据X={x1,x2,…,xn}处理成D={dw+1,dw+2,…,dn}的格式。将不同类别中的轨迹数据依照上述方式处理,并合并对应机动模式下的预训练数据集:其中i表示机动模式的种类,ki表示机动模式i对应的飞行轨迹数目。
其中,归一化算法函数表达式如下:
步骤S12,构建双通道双向神经网络。
具体的,双通道双向神经网络中应用的神经网络层包含卷积神经网络,门控循环单元,全连接层三种。各网络层数学表达式如下:
全连接层数学表达式:
y=xAT+b
其中,x表示输入,y表示输出,AT为权重,b为偏置值。
卷积神经网络数学表达式:
其中,x表示输入,y表示输出,★是一种二维互相关算子,Cin表示输入通道,C_out表示输出通道,W表示卷积核权重,b为偏置值。
门控循环单元数学表达式:
rt=σ(Wirxt+bir+Whrht-1+bhr)
zt=σ(Wizxt+biz+Whzht-1+bhz)
nt=tanh(Winxt+bin+rt*(Whnht-1+bhn))
ht=(1-zt)*nt+zt*ht-1
其中,其中ht是时间t的隐藏状态,xt是时间t的输入,ht-1是时间t-1的层的隐藏状态或时间0的初始隐藏状态,并且rt,zt和nt分别是重置门,更新门和新门。σ是Sigmod激活函数,tanh是tanh激活函数,而*是哈达玛乘积。
进一步地,双通道双向神经网络算法由线性特征学习模块和非线性特征学习模块两部分构成。
具体的,非线性特征学习模块:输入大小为数据窗口W的归一化轨迹数据,该模块由并行的全局特征学习通道、局部特征学习通道加上全连接层组合而成。
其中,全局特征学习通道:输入大小为数据窗口W的归一化轨迹数据,该通道由一个全局卷积网络和一个双向门口循环单元串联而成。输入的轨迹数据首先经过全局卷积网络,提取各维度变量在数据窗口内的全局相关关系;全局卷积网络输出的数据输入双向门控循环单元,双向门控单元将从顺时序以及逆时序两个方向学习输入数据的时序特征。
其中,局部特征学习通道:输入大小为数据窗口W的归一化轨迹数据,该通道由一个局部卷积网络和一个双向门口循环单元串联而成。输入的轨迹数据首先经过局部卷积网络,提取各维度变量在数据窗口内的局部相关关系;局部卷积网络输出的数据输入双向门控循环单元,双向门控单元将从顺时序以及逆时序两个方向学习输入数据的时序特征。
双通道双向神经网络的最终输出结果为线性特征学习模块的输出与非线性特征学习模块的输出求和,即:
将高超声速飞行器轨迹预测问题抽象为多维时间序列预测,即在给定时刻T,监测设备的观测值为XT=x1,x2,…,xT,其中任意时刻t的值表示为xt=(Xt,Yt,Zt,Vt,θt,σt),t为时间变量,要预测时刻T+1飞行器的轨迹数据xT+1=(XT+1,YT+1,ZT+1,VT+1,θT+1,σT+1)。
其函数表达式如下:
xT+1=f(xT-W,xT-W+1,…,xT),xt=(Xt,Yt,Zt,Vt,θt,σt)
其中,f()表示双通道双向神经网络模型,其输入为W个飞行数据xt,输出为下一时刻的飞行数据xT+1。
可以理解的,通过神经网络强大的非线性逼近能力,对目标飞行器的轨迹进行拟合,从而达到快速预报目标飞行器轨迹的目的。与传统高超声速轨迹预测方法相比,神经网络方法从形状上对轨迹进行拟合,具有运算过程简单,计算速度快,实时性好等优点。
步骤S13,通过所述预训练数据集对所述双通道双向神经网络的神经网络参数进行预训练。
首先根据预先设定的训练集比例ptest以及验证集pvalid比例,将预处理过后的预训练数据集Datai划分为训练数据集Datai_test和验证数据集Datai_valid两个部分。初始化网络参数w,预先设定好预训练批次大小bpre,预训练步骤数epoch,学习率∈,损失函数L,选用Adam优化算法进行迭代优化。
具体的,步骤S13包括如下步骤:
步骤S131,若当前训练步骤数目n<epoch,则进行步骤S132,否则结束预训练;
步骤S132,若训练集Datai_test中的所有批次尚未全部输入网络,则执行步骤S133,否则进行步骤S136;
步骤S14,通过实时轨迹数据对所述神经网络参数进行再训练。
首先将监测设备观测到的目标飞行器轨迹数据进行数据清洗、归一化处理,得到轨迹数据X′={x1,x2,…xt},t为当前时刻,再整理数据格式得到D={dw+1,dw+2,…,dt},选择合适的再训练数据长度l,将轨迹数据D′={dt-l,dt-l+1,…,dt}作为训练集输入神经网络进行再训练。读取预训练网络参数预先设定好再训练批次大小bre,再训练步骤数epoch′,学习率∈′,损失函数L与优化算法保持不变。
具体的,步骤S14包括如下步骤:
步骤S142,若D′中的所有批次尚未全部输入网络,则进行步骤S143,否则进行步骤S146;
步骤S146,使用D′测试网络预测效果,计算相关平方误差RRSE,以及相关绝对误差RRAE,若相关平方误差低于以往最低值,则保存网络参数,若与以往最低值相等,则保存相关绝对误差较低的网络参数。
可以理解的,通过提取和学习飞行器轨迹数据的全局变化趋势以及局部变化规律,学习飞行轨迹数据中隐含的控制变量变化规律,从而减少了轨迹预测中对飞行器相关参数的依赖,实现了对飞行器轨迹的智能的、快速的、准确的预测,满足了实际应用需求。
步骤S15,通过训练后的双通道双向神经网络对无观测数据段进行轨迹预测。
具体的,完成网络参数的训练后即可进行轨迹预测,在进行实时轨迹预测时,针对预测长度f,采用滚动窗口预测模式。对于目标时刻t+1的轨迹数据yt+1,使用前W位观测数据dt+1={xt-W+1,xt-W+2,…,xt}进行预测;而对于目标时刻t+2的轨迹数据yt+2,则使用前W-1位观测数据{xt-W+2,xt-W+3,…,xt}与t时刻的预测数据的组合数据进行预测直到完成预测得到预测段所有轨迹数据其数学表达式为:
本发明实施例所提供的一种基于双通道双向神经网络的飞行器轨迹预测方法,首先通过在线下使用已有的高超声速飞行器轨迹数据对双通道双向神经网络的神经网络参数进行预训练,然后使用监测设备获取的飞行器实时飞行轨迹数据对网络参数进行再训练,最后使用训练好的网络参数在无后续观测数据的条件下对飞行器轨迹进行一段时间的轨迹预报。相比现有技术,本发明能够使用神经网络提取和学习飞行器轨迹数据的全局变化趋势以及局部变化规律,学习飞行轨迹数据中隐含的控制变量变化规律,从而减少了轨迹预测中对飞行器相关参数的依赖,实现了对飞行器轨迹的智能的、快速的、准确的预测,满足了实际应用需求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于双通道双向神经网络的飞行器轨迹预测方法,应用于高超声速飞行器,其特征在于,所述方法包括:
构建飞行轨迹的预训练数据集;
构建双通道双向神经网络;
通过所述预训练数据集对所述双通道双向神经网络的神经网络参数进行预训练;
通过实时轨迹数据对所述神经网络参数进行再训练;
通过训练后的双通道双向神经网络对无观测数据段进行轨迹预测。
2.如权利要求1所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,所述预训练数据集的构建方法,具体为:
将收集到的飞行器的轨迹数据进行数据清洗,去除飞行数据中的噪点、零点后,按照飞行器的机动模式对轨迹数据进行分类,将轨迹数据中表示飞行器空间位置的三个变量由高度、经度、纬度转换为地心坐标系中的X、Y、Z坐标值,同时每一个时刻的轨迹数据表示为x=(X,Y,Z,V,θ,σ),每一条轨迹数据可以表示为X={x1,x2,…,xn};其中,V、θ、σ分别表示速度、弹道倾角、航向角,n表示轨迹数据的长度;
通过归一化算法将所述轨迹数据的每个变量分别归一化到区间[0,1]中,同时根据设置的数据窗口大小W,从t=W+1时刻的数据开始,将前W个时刻的数据xt-W,xt-W+1,…,xt-1与时刻t的数据xt组合成数据块dt={xt-W,xt-W+1,…,xt-1|xt},按照时间的先后顺序将轨迹数据X={x1,x2,…,xn}处理成D={dw+1,dw+2,…,dn}的格式;
4.如权利要求2所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,通过所述预训练数据集对所述双通道双向神经网络的神经网络参数进行预训练,具体为:
将所述预训练数据集划分为训练数据集及验证数据集;
将所述训练数据集中的飞行轨迹数据分批次输入所述双通道双向神经网络进行训练,并在训练完成后将所述验证数据集分批次输入所述双通道双向神经网络以测试该神经网络的预测效果;
若当前预测效果优于以往任一预测效果时,则保存当前神经网络的参数。
5.如权利要求4所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,通过实时轨迹数据对所述神经网络参数进行再训练,具体为:
将监测设备观测到的目标飞行器的轨迹数据进行数据清洗、归一化处理,得到轨迹数据X′={x1,x2,…xt},并整理数据格式为D={dw+1,dw+2,…,dt};其中,t为当前时刻;
选择再训练数据长度l,将轨迹数据D′={dt-l,dt-l+1,…,dt}作为训练集输入双通道双向神经网络进行再训练,同时在每一次训练完成后使用D′作为验证集测试网络预测效果;
若当前预测效果优于以往任意一预测效果时,则保存当前神经网络的参数。
6.如权利要求1所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,通过训练后的双通道双向神经网络对无观测数据段进行轨迹预测,具体为:
通过滚动窗口预测模式对于目标时刻t+1的轨迹数据,使用前W位观测数据进行预测;对于目标时刻t+2的轨迹数据,则使用前W-1位观测数据与t时刻的预测数据的组合数据进行预测,直至得到预测段所有轨迹数据。
7.如权利要求3所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,所述双通道双向神经网络为:
xT+1=f(xT-W,xT-W+1,…,xT),xt=(Xt,Yt,Zt,Vt,θt,σt)
其中,f()表示双通道双向神经网络模型,其输入为W个飞行数据xt,输出为下一时刻的飞行数据xT+1。
8.如权利要求3所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,
所述全局特征学习通道的输入大小为数据窗口W的归一化轨迹数据,该通道由一个全局卷积网络和一个双向门口循环单元串联而成,输入的轨迹数据首先经过全局卷积网络,提取各维度变量在数据窗口内的全局相关关系;全局卷积网络输出的数据输入双向门控循环单元,双向门控单元将从顺时序以及逆时序两个方向学习输入数据的时序特征;
所述局部特征学习通道的输入大小为数据窗口W的归一化轨迹数据,该通道由一个局部卷积网络和一个双向门口循环单元串联而成,输入的轨迹数据首先经过局部卷积网络,提取各维度变量在数据窗口内的局部相关关系;局部卷积网络输出的数据输入双向门控循环单元,双向门控单元将从顺时序以及逆时序两个方向学习输入数据的时序特征。
9.如权利要求4所述的基于双通道双向神经网络的飞行器轨迹预测方法,其特征在于,通过处理好的预训练数据集对双通道双向神经网络参数进行训练得到神经网络的预训练参数,具体为:
其中,Yi={xW+1,xW+2,…,xn},代表真实飞行轨迹数据;
在对神经网络的预测效果进行评判时,采用相关平方误差和相关绝对误差两个指标,其中相关平方误差为主要指标,当相关平方误差值相同时,取相关绝对误差更小的神经网络参数;
相关平方误的表达式为:
相关绝对误差的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065729.7A CN112859898B (zh) | 2021-01-18 | 2021-01-18 | 一种基于双通道双向神经网络的飞行器轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065729.7A CN112859898B (zh) | 2021-01-18 | 2021-01-18 | 一种基于双通道双向神经网络的飞行器轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112859898A true CN112859898A (zh) | 2021-05-28 |
CN112859898B CN112859898B (zh) | 2022-03-22 |
Family
ID=76006780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110065729.7A Active CN112859898B (zh) | 2021-01-18 | 2021-01-18 | 一种基于双通道双向神经网络的飞行器轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112859898B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN114721015A (zh) * | 2022-04-08 | 2022-07-08 | 中山大学 | 一种gnss接收机盲稳健stap波束形成方法及装置 |
CN115345257A (zh) * | 2022-09-22 | 2022-11-15 | 中山大学 | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 |
CN115437763A (zh) * | 2022-08-15 | 2022-12-06 | 中山大学 | 火箭故障后任务重构方法、装置、终端设备及存储介质 |
CN115494879A (zh) * | 2022-10-31 | 2022-12-20 | 中山大学 | 基于强化学习sac的旋翼无人机避障方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
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 |
CN112115550A (zh) * | 2020-09-13 | 2020-12-22 | 西北工业大学 | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 |
-
2021
- 2021-01-18 CN CN202110065729.7A patent/CN112859898B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
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 |
CN112115550A (zh) * | 2020-09-13 | 2020-12-22 | 西北工业大学 | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 |
Non-Patent Citations (3)
Title |
---|
LAN MA 等: "A Hybrid CNN-LSTM Model for Aircraft 4D Trajectory Prediction", 《IEEE ACCESS》 * |
PIN LV 等: "EGA-STLF: A Hybrid Short-Term Load Forecasting Model", 《IEEE ACCESS》 * |
郑天宇: "基于循环神经网络的临近空间高超声速目标航迹估计与预报", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN113269363B (zh) * | 2021-05-31 | 2023-06-30 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN114721015A (zh) * | 2022-04-08 | 2022-07-08 | 中山大学 | 一种gnss接收机盲稳健stap波束形成方法及装置 |
CN114721015B (zh) * | 2022-04-08 | 2022-12-09 | 中山大学 | 一种gnss接收机盲稳健stap波束形成方法及装置 |
CN115437763A (zh) * | 2022-08-15 | 2022-12-06 | 中山大学 | 火箭故障后任务重构方法、装置、终端设备及存储介质 |
CN115437763B (zh) * | 2022-08-15 | 2023-04-11 | 中山大学 | 火箭故障后任务重构方法、装置、终端设备及存储介质 |
CN115345257A (zh) * | 2022-09-22 | 2022-11-15 | 中山大学 | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 |
CN115494879A (zh) * | 2022-10-31 | 2022-12-20 | 中山大学 | 基于强化学习sac的旋翼无人机避障方法、装置及设备 |
CN115494879B (zh) * | 2022-10-31 | 2023-09-15 | 中山大学 | 基于强化学习sac的旋翼无人机避障方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112859898B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN104615983B (zh) | 基于递归神经网络和人体骨架运动序列的行为识别方法 | |
CN108629288B (zh) | 一种手势识别模型训练方法、手势识别方法及系统 | |
CN109034376A (zh) | 一种基于lstm的无人机飞行状态预测方法及系统 | |
CN105034986B (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
CN109508686B (zh) | 一种基于层次化特征子空间学习的人体行为识别方法 | |
WO2023115598A1 (zh) | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 | |
CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
CN110728694A (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
CN114819068A (zh) | 一种混合型目标航迹预测方法及系统 | |
CN115618733A (zh) | 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法 | |
Xiong et al. | Steering actuator fault diagnosis for autonomous vehicle with an adaptive denoising residual network | |
CN114202792A (zh) | 一种基于端到端卷积神经网络的人脸动态表情识别方法 | |
CN117390407B (zh) | 变电站设备的故障识别方法、系统、介质和设备 | |
CN112330114A (zh) | 基于混合深度神经网络的飞机危险识别方法 | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
CN110598737A (zh) | 一种深度学习模型的在线学习方法、装置、设备及介质 | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
Ge et al. | Credible Gaussian sum cubature Kalman filter based on non-Gaussian characteristic analysis | |
Shao et al. | A novel recurrent convolutional neural network-based estimation method for switching guidance law |
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 |