CN113850366B - 一种基于lstm的预测目标运动的方法 - Google Patents
一种基于lstm的预测目标运动的方法 Download PDFInfo
- Publication number
- CN113850366B CN113850366B CN202110917552.9A CN202110917552A CN113850366B CN 113850366 B CN113850366 B CN 113850366B CN 202110917552 A CN202110917552 A CN 202110917552A CN 113850366 B CN113850366 B CN 113850366B
- Authority
- CN
- China
- Prior art keywords
- lstm
- state
- formula
- output
- vector
- 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
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM的预测目标运动的方法,使用训练集训练模型,使用验证集评估模型,根据在验证集上获得的效果调整参数,迭代上述过程,选择在验证集上获得最佳效果的模型,使用测试集确认模型的效果,采用LSTM设计预测网络结构,训练数据依次通过序列输入层、LSTM层、全链接层、回归输出层,在当前时刻t向后预测目标在Δt后的的运动特征,第一个LSTM单元用初始状态更新状态并输出,向第二个单元传递,最后一个LSTM单元输出最终状态;本发明在线实时预测目标航迹点的高度和垂直方向的速度,以均方根误差为评估指标,利用深度学习方法,实现目标运动特征的智能预测,提取目标序列的智能处理方法,扩展应用于其他类目标序列处理。
Description
技术领域
本发明属于雷达探测技术领域,具体涉及一种跟踪运动技术。
背景技术
对雷达探测目标的研究,非常关注的问题是目标的运动特性。目标的高度和速度是两个关键特征,若能精确预测这两个特征,则对实时预报目标运动状态有很大帮助。
雷达探测目标是按批标识,每批按照时间属性将探测航迹点串接形成序列,探测目标的运动数据是典型的时间序列数据。不同批次的目标序列长度不同,用包括目标批号、航迹点探测时间、航迹点位置、航迹点速率等在内的特征表示。
长短时记忆网络LSTM是一种RNN网络,它能学习序列数据时间步中的长期依赖关系,通过记忆单元和门限机制,解决RNN存在的梯度消失和梯度爆炸问题,广泛应用于序列数据处理中。
发明内容
本发明为了解决现有技术存在的问题,提出了一种基于LSTM的预测目标运动的方法,为了实现上述目的,本发明采用了以下技术方案。
使用训练集训练模型,使用验证集评估模型,根据在验证集上获得的效果调整参数;迭代上述过程,选择在验证集上获得最佳效果的模型,使用测试集确认模型的效果。
一个样本对应一批目标,由于雷达探测数据不连续,每批目标的航迹点数量不同,不同样本的S大小是变化的。
所有特征在当前时刻t的输出响应是Δt后的值,数据集具有典型时间序列的特点,根据过去一段时间内的特征,预测未来一段时间的特征。
采用LSTM设计预测网络结构,训练数据依次通过序列输入层、LSTM层、全链接层、回归输出层,设置序列输入层的节点数为输入特征数、全链接层的节点数为输出响应数,令LSTM的隐藏节点数可调整。
训练数据穿越LSTM单元,第一个LSTM单元用初始状态更新状态并输出,向第二个单元传递,令ht和ct为某单元在时间步t的输出和状态,则该单元的输入为ct-1和ht-1以及xt。
设计三个门限开关控制状态C的传递:门限开关一保存长期状态C,门限开关二将即时状态输入到长期状态,门限开关三将长期状态C作为当前LSTM单元的输出。
将门限开关整合为全链接层,输入一个向量,输出一个0到1之间的实数向量;若输出0,则任何向量与0相乘得到0向量,无信息通过;若输出1,则任何向量与1相乘得到原向量,所有信息通过。
设置偏置项bf、bi、bc、bo和权重矩阵Wf、Wi、Wc、Wo,设[ht-1,xt]将两个向量连接成一个向量,采用公式七构造sigmoid函数σ,采用公式八 计算当前单元的状态,采用公式九计算均方根误差,以评估预测性能。
设计遗忘门限开关和输入门限开关控制状态C的内容:遗忘开关采用公式一ft=σ(Wf·[ht-1,xt]+bf)保留长期记忆ct-1的部分信息到新记忆ct;输入门限开关采用公式二it=σ(Wi·[ht-1,xt]+bi保留输入xt的部分信息到新记忆ct;采用公式四 计算当前记忆ct,设按元素乘,采用公式三计算新记忆ct。
遗忘门限开关可以保存很久之前的信息,输入门限开关可以避免当前信息中无关紧要的内容进入记忆。
本发明的有益效果:在线实时预测目标航迹点的高度和垂直方向的速度,以均方根误差为评估指标,利用深度学习方法,实现目标运动特征的智能预测,提取目标序列的智能处理方法,扩展应用于其他类目标序列处理。
附图说明
图1是预测网络原理结构图,图2是LSTM的基本原理处理流程图,图3是LSTM门限开关原理结构图,图4是RMSE随轨迹长度变化图。
具体实施方式
以下结合附图对本发明的技术方案做具体的说明。
采用LSTM设计预测网络结构,训练数据依次通过序列输入层、LSTM层、全链接层、回归输出层,如图1所示,设置序列输入层的节点数为输入特征数、全链接层的节点数为输出响应数,令LSTM的隐藏节点数可调整。
训练数据穿越LSTM单元,第一个LSTM单元用初始状态更新状态并输出,向第二个单元传递,令ht和ct为某单元在时间步t的输出和状态,则该单元的输入为ct-1和ht-1以及xt,如图2所示,最后一个LSTM单元输出最终状态。
设置偏置项bf、bi、bc、bo和权重矩阵Wf、Wi、Wc、Wo,设[ht-1,xt]将两个向量连接成一个向量,采用公式七构造sigmoid函数σ,采用公式八 计算当前单元的状态,采用公式九计算均方根误差,以评估预测性能,如图3所示。
设计三个门限开关控制状态C的传递:门限开关一保存长期状态C,门限开关二将即时状态输入到长期状态,门限开关三将长期状态C作为当前LSTM单元的输出。
将门限开关整合为全链接层,输入一个向量,输出一个0到1之间的实数向量;若输出0,则任何向量与0相乘得到0向量,无信息通过;若输出1,则任何向量与1相乘得到原向量,所有信息通过。
设计遗忘门限开关和输入门限开关控制状态C的内容:遗忘开关采用公式一ft=σ(Wf·[ht-1,xt]+bf)保留长期记忆ct-1的部分信息到新记忆ct;输入门限开关采用公式二it=σ(Wi·[ht-1,xt]+bi保留输入xt的部分信息到新记忆ct;采用公式四ht-1,xt+bc计算当前记忆ct,设按元素乘,采用公式三计算新记忆ct。
高度、垂直方向的速度RMSE随轨迹序列长度的变化情况如图4示,随着轨迹序列长度越来越大,高度、速度的预测误差逐渐增大,轨迹序列越长,预测误差波动越大,反映到稳定性欠佳,可以推断这种现象是由网络节点数少造成的,通过调度更大规模的计算资源,加大网络节点数来解决。
应用STK仿真生成60批序列长度不等的雷达探测目标运动轨迹,构建深度网络实现预测,Δt设计为1,两组试验对目标高度和垂直方向的速率进行预测:第一组用轨迹的前90%作为训练数据、后10%作为测试数据;第二组在轨迹中间80%随机选取3个时间点,预测从这些时间点开始的10、20、30、60秒的高度、速度。
用标准差RMSE评估预测性能,网络LSTM层隐藏节点数为50、循环迭代次数为50,预测60条轨迹中高度、垂直方向速度,两组试验的均方根误差RMSE,其中第二组试验中的值是随机选取3×4=12段轨迹的RMSE均值,试验结果如下表所示。
上述作为本发明的实施例,并不限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (6)
1.一种基于LSTM的预测目标运动的方法,其特征在于,包括:使用训练集训练模型,使用验证集评估模型,根据在验证集上获得的效果调整参数,迭代上述过程,选择在验证集上获得最佳效果的模型,使用测试集确认模型的效果;由m个样本、每个样本f个特征、序列长度S,令X=[X(1),X(2),...,X(m)]构造m×S×f的矩阵X表示训练数据,令构造矩阵(X,Y)表示数据集,Y表示X对应的输出响应,在当前时刻t向后预测目标在Δt后的的运动特征;采用LSTM设计预测网络结构,训练数据依次通过序列输入层、LSTM层、全链接层、回归输出层,设置序列输入层的节点数为输入特征数、全链接层的节点数为输出响应数,令LSTM的隐藏节点数可调整;训练数据穿越LSTM单元,第一个LSTM单元用初始状态更新状态并输出,向第二个单元传递,令ht和ct为某单元在时间步t的输出和状态,则该单元的输入为ct-1和ht-1以及xt,最后一个LSTM单元输出最终状态。
2.根据权利要求1所述的基于LSTM的预测目标运动的方法,其特征在于,还包括:设计三个门限开关控制状态C的传递,门限开关一保存长期状态C,门限开关二将即时状态输入到长期状态,门限开关三将长期状态C作为当前LSTM单元的输出。
3.根据权利要求2所述的基于LSTM的预测目标运动的方法,其特征在于,还包括:将门限开关整合为全链接层,输入一个向量,输出一个0到1之间的实数向量;若输出0,则任何向量与0相乘得到0向量,无信息通过;若输出1,则任何向量与1相乘得到原向量,所有信息通过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917552.9A CN113850366B (zh) | 2021-08-11 | 2021-08-11 | 一种基于lstm的预测目标运动的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917552.9A CN113850366B (zh) | 2021-08-11 | 2021-08-11 | 一种基于lstm的预测目标运动的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850366A CN113850366A (zh) | 2021-12-28 |
CN113850366B true CN113850366B (zh) | 2023-02-14 |
Family
ID=78975679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110917552.9A Active CN113850366B (zh) | 2021-08-11 | 2021-08-11 | 一种基于lstm的预测目标运动的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850366B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
CN112949902B (zh) * | 2021-01-25 | 2023-06-16 | 西北工业大学 | 一种基于lstm多状态向量序列到序列模型的径流预测方法 |
-
2021
- 2021-08-11 CN CN202110917552.9A patent/CN113850366B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113850366A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108621159B (zh) | 一种基于深度学习的机器人动力学建模方法 | |
CN109816095B (zh) | 基于改进门控循环神经网络的网络流量预测方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN110470259A (zh) | 基于lstm的滑坡位移动态预测方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
Al-Matarneh et al. | Development of temperature-based weather forecasting models using neural networks and fuzzy logic | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
CN110059439B (zh) | 一种基于数据驱动的航天器轨道确定方法 | |
CN107886193A (zh) | 一种基于灰狼优化回声状态网络的时序预测方法 | |
CN114118375B (zh) | 一种基于时序图Transformer的连续动态网络表征学习方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN116151102A (zh) | 一种空间目标超短弧初始轨道智能确定方法 | |
CN110223342B (zh) | 一种基于深度神经网络的空间目标尺寸估计方法 | |
CN113468466B (zh) | 基于神经网络的一维波动方程求解方法 | |
CN114418234A (zh) | 一种基于强化学习的动力电池制造能力在线预测方法 | |
CN113850366B (zh) | 一种基于lstm的预测目标运动的方法 | |
KR102624710B1 (ko) | Gru 기반 구조물 시계열 응답 예측 방법 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115169544A (zh) | 一种短期光伏发电功率预测方法及系统 | |
CN114881338A (zh) | 基于最大互信息系数与深度学习的配电网线损预测方法 | |
Pan et al. | An immediate-return reinforcement learning for the atypical Markov decision processes | |
CN113033695A (zh) | 一种电子器件故障的预测方法 |
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 |