CN116341377A - 一种基于lstm神经网络的下投式探测组件轨迹预测方法 - Google Patents
一种基于lstm神经网络的下投式探测组件轨迹预测方法 Download PDFInfo
- Publication number
- CN116341377A CN116341377A CN202310271185.9A CN202310271185A CN116341377A CN 116341377 A CN116341377 A CN 116341377A CN 202310271185 A CN202310271185 A CN 202310271185A CN 116341377 A CN116341377 A CN 116341377A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- downward
- neural network
- detection assembly
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 150
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005266 casting Methods 0.000 title claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011065 in-situ storage Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 229910052697 platinum Inorganic materials 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 239000000523 sample Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,属于下投式探测组件、高空探测技术领域。本发明基于LSTM神经网络处理时间序列的特性,采用数据化的方法,通过学习下投式探测组件的历史轨迹数据,将环境因素对下投式探测组件轨迹的影响,将温度、湿度、气压这三个环境参数结合到下投式探测组件轨迹数据中;建立下投式探测组件的高精度轨迹预测模型,对传感器采集的参数预处理,并对温度、气压数据采用相应补偿算法的进行补偿,保证输入到LSTM神经网络中数据的可靠性与真实性;采用递归预测方法对下投式探测组件的未来运动轨迹进行预测。本发明能够辅助选择合适的下投时机与下投点,提高下投式探测组件探测任务的效率与精度。
Description
技术领域
本发明属于下投式探测组件、高空探测技术领域,尤其涉及一种基于LSTM神经网络的下投式探测组件轨迹预测方法。
背景技术
近年来,下投式探测组件在国内外引起了广泛关注并不断发展,其主要运用于空天场景下的原位探测,作为载荷通过载体投入到目标空域中,对该空域的环境参量进行高精度探测并实时传输。下投式探测组件在许多场景中都发挥着重要的作用。如台风是世界上最严重的自然灾害之一,对人们的生命财产安全有着严重威胁,若能通过气象监测仪器测量环境参数变化,对台风的行动路径与变化趋势提前建模,可以帮助人们有效预警,提前做好防范,大大减少损失。目前大部分探测手段仅能获得台风外围的数据,探测深度、探测广度、探测精细化程度均有限,制约了台风强度和发展趋势的精确预测。通过将下投式探测组件下投至台风不同区域,可以对各个区域实施精细化原位探测,通过探测数据实现对台风的高精度建模,有效规避台风灾害带来的损失。
下投式探测组件对临近空间环境探测也做出了重要贡献。临近空间是指距离地面20-100km的空域,是航空空间和航天空间的过渡区,其重要的战略地位引起了国际上的广泛关注。临近空间连接空天,正成为各军事大国的关注焦点,争相研发能够飞翔其中的临近空间飞行器。临近空间飞行器将新的作战空间引入未来战争,深远影响现代战争的机理模式,同时也可作为科研平台进行气象探测、生物试验、大气取样、特种试验和高空研究等探空活动,但飞行器的气动外形、轨道设计、落点精度等严重依赖于临近空间大气环境。因此对临近空间大气环境高精度探测方法的研究极其重要。通过投放下投式探测组件,可以更好地高精度探测临近空间环境,为掌握临近空间主动权打下基础。
因此,对下投式探测组件的轨迹进行预测,可以选择合适的下投时机,确保下投式探测组件落入相应空域进行原位探测,保障探测任务的顺利进行,还可反过来对降落伞的工作性能及气动参数进行改良,同时对许多无动力飞行任务轨迹预测,如确保伞兵跳伞任务落入指定区域,提供思路,具有重要意义。
目前,飞行目标轨迹预测模型可以分为动力学模型、马尔可夫模型和机器学习模型等。由于空天环境复杂多变,难以对下投式探测组件建立精确的动力学模型,轨迹预测精度较低。而马尔可夫模型进行高阶计算时,复杂度大,不满足对下投式探测组件轨迹实时预测的要求。机器学习模型已广泛运用于轨迹预测领域,且取得了不错的效果。由于飞行器的轨迹预测本质上是对时间序列的预测,通过采用数据化的方法,将轨迹预测问题转化为对时间序列数据进行预测,可以避免由于空天环境复杂导致飞行器轨迹不确定性高的问题。目前,对于下投式探测组件的轨迹预测尚停留在建立动力学模型阶段,拟合的数据量较少,且没有考虑环境参数影响,难以准确预测下投式探测组件的下投轨迹。
发明内容
针对上述现有技术的不足,本发明主要目的是提供一种基于LSTM神经网络的下投式探测组件轨迹预测方法,针对复杂的空天环境,使用下投式探测组件的轨迹数据对LSTM神经网络进行训练,基于LSTM神经网络,通过数据化方法对下投式探测组件的轨迹进行高精度预测,选择合适的下投时机,确保下投式探测组件落入相应空域进行原位探测,提高探测任务的精度和效率。
为达到上述目的,本发明采用了以下方案:
本发明公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,包括如下步骤:
S1:从搭载多种传感器的下投式探测组件在空基平台上投放的历史任务中,获取一段轨迹数据。
下投式探测组件随空基平台在指定海拔高度定点投放,同时上方降落伞打开。通过传感器获取下投式探测组件的下投后的轨迹数据,所述下投式探测组件搭载GPS/北斗定位系统、惯导系统、气压传感器、温度传感器、湿度传感器、通信系统。
所述空基平台包括临空飞艇、火箭。
通信系统采样率为1Hz,每隔1秒将所采集信号发送至地面接收系统。
运用于轨迹预测的数据共包括16维数据:经度、纬度、高度、三维速度、三维加速度、二维角速度、二维角加速度、温度、湿度、气压。由于下投式探测组件体积小、重量轻,气动力在其运动过程中作用显著,而环境因素对气动力有着重要因素,因此除了下投式探测组件的位置、姿态、速度外,还要表征环境参数对轨迹预测的影响,所述环境参数包括温度、湿度、气压。在地面接收系统保留存储的收集数据中,选取一段轨迹数据,作为神经网络的训练样本。
S2:对收集的轨迹数据进行预处理,将缺失值补足进行平滑处理,同时剔除无效值与异常值,将数据的取值范围通过归一化处理纳入[0,1]区间。
由于探测空域环境较为复杂,传感器获取的数据存在噪声或缺失的情况,不能直接输入到神经网络中,需要对数据进行预处理。
对于三轴角度,将角度范围在(-180°,180°)的数据保留;对于GPS/北斗定位系统测算得到的东向、北向速度,计算两个相邻数据之间的速度变化量Δv,若Δv明显大于设置阈值,则将当前速度数据剔除;对于气压计与温湿度传感器的输出,数据筛选方式与速度数据的筛选方式相同,即剔除超出阈值的异常值。剔除异常值后,采用极大似然估计对缺失值进行补足,即首先用缺失值由估计值替代,之后对完整数据进行参数估计,然后根据上述的参数估计值反过来再估计缺失值。似然函数如下:
其中,D={x1,x2,…,xN}为样本集,联合概率密度函数p(D|θ)称为相对于{x1,x2,…,xN}的θ的似然函数,记作l(θ),求得使似然函数最大的θ值,即为最大似然估计值,代替缺失值。
由于受环境对流、辐射、传导和自身测量电子元器件的影响,需要对传感器测量的温度、气压参数进行补偿。下投式探测组件采集的温度参数误差包括焦耳热误差,气动热误差,辐照热误差,温度测量数据的修正方法为:
其中T为实际温度,Ta为实测温度,为焦耳热修正误差,U为铂薄膜两端电压,t为作用时间,A1为垂直于导热方向的物体横截面积,RT为铂薄膜电阻值,λ为导热系数;为辐照热修正误差,其中ε为物体的发射率,其值介于0~1之间,A2为辐照表面积;σ为斯蒂芬-玻尔兹曼常数,为5.67×10-8W/(m2·K4),Tr为黑体热力学温度;/>为气动热修正误差,r为温度修正系数,V为空气相对流速,cP为空气等压比热容。
探测组件在下落过程中,遇到空气阻塞时,将在表面产生压力,因此气压传感器所测压力不仅包含静态大气压力,同时叠加着运动过程中由于空气阻塞所产生的压力(称为风压),其压力大小与速度的关系表示为:
wp=0.5*ro*v2
其中wp表示风压,ro为空气密度,v为探测组件下落速度,由此可知在探测组件下落过程中,气压传感器的测量值为wd=ws+wp,其中ws为静态测量气压值,为所需要测的真实值,但是由于叠加了风压,气压传感器测量值比真实值偏大,因此,需要减去风压,得到真实气压值。
由于输入参数较多,每项参数都位于不同的取值范围,为避免部分参数数值过大,使计算结果不稳定,采用零-均值归一化处理,使数据取值位于[0,1]区间,使网络快速的收敛,更易训练。零-均值归一化转换函数如下:
式中x为某数据的实际取值,μ为原始数据的均值,δ为标准差,x′为归一化后的值。
S3:通过滑动窗口法将预处理后的数据进行分段处理并构建训练样本与测试样本。下投式探测组件的轨迹数据具有连续性、时序性的特点,而LSTM神经网络的隐含层带有反馈连接结构,使得本时刻的输出不仅与本时刻输入有关,还能够结合之前时刻的信息,能有效运用于下投式探测组件的轨迹预测之中。采用滑动窗口法将数据集切分依次作为神经网络的输入,数据集点数为N={x0,x1,…,xN-1},前M个点划分为训练样本,后K个点划分为测试样本。窗口长度为m,即通过第0至m-1时刻的数据{x0,x1,…,xm-1}预测第m时刻下投式探测组件的轨迹信息,第1至m时刻的数据{x1,x2,…,xm}预测第m+1时刻的轨迹信息,以此类推,则共切分成M-m+1个点作为训练样本输入,K-m+1个点作为测试样本输入。因此,LSTM神经网络训练时的输入数据的维数为(M-m+1,m,16),M为训练样本点数,m为窗口长度,16为每个点所包含的16维数据信息,分别为:
经度、纬度、高度、三维速度、三维加速度、二维角速度、二维角加速度、温度、湿度、气压。
S4:建立基于LSTM的下投式探测组件轨迹预测模型,通过循环迭代调节网络参数,将输出结果与真实值的误差最小化,确定网络结构。LSTM网络通过借鉴人类根据信息重要程度记忆与遗忘的特点,在网络中加入三个“门”控制器。数据输入到神经网络后,经过遗忘门、更新门和输出门,最终得到输出。
数据输入LSTM神经网络后处理过程公式如下:
ft=σ(Whfht-1+Wxfxt+bf)
it=σ(Whiht-1+Wxixt+bi)
ot=σ(Whoht-1+Wxoxt+bo)
ht=ot tanh(ct)
其中xt为输入的t时刻的16维数据信息,ft为遗忘门,it为更新门,ot为输出门,ht为隐含层输出,ct为LSTM神经元细胞单元状态,σ为sigmoid激活函数,tanh为tanh激活函数,W为权重矩阵,b为偏置参数矩阵。
遗忘门通过调节权重,调整对前一个单元信息的保留程度ft,当权重为0时,则将信息完全丢弃,权重为1时则完全保留;更新门通过设置阈值,来决定当前时刻输入数据有多少需要保留,得到it,结合细胞单元暂时状态更新到当前细胞单元状态ct中,以便继续后向传递;输出门将当前时刻输入数据xt与前一时刻输出数据ht-1结合计算得到输出到下一时刻的权重ot,随后结合当前细胞单元状态ct最终得到当前时刻输出ht。
将S3中构建好的训练样本输入到LSTM神经网络中,在GPU上对其进行训练,利用cuDNN库来加速卷积神经网络,采用adam优化算法,更新参数与权重,使网络模型更快收敛。选择预测数据与实际数据的均方根误差作为损失函数,对LSTM神经网络中的参数,以达到更好的预测效果,均方根误差函数为:
其中yi为i时刻参数真实值,y′i为i时刻的预测值,n为一次训练输入的数据点数。
LSTM神经网络输出数据为M-m+1个点的轨迹预测值,每个点包含13维轨迹数据,分别为:经度、纬度、高度、三维速度、三维加速度、二维角速度和二维角加速度。
S5:测试样本输入到训练好的LSTM神经网络中,将输出反归一化得到下投式探测组件的轨迹预测结果;
通过将长度为K的测试样本输入到训练好的基于LSTM神经网络的下投式探测组件轨迹预测模型中,将输出结果进行零-均值反归一化后,与实际轨迹进行比较,验证LSTM神经网络轨迹预测准确性。将训练好的下投式探测组件轨迹预测模型保存,在后续进行新的轨迹预测任务时直接使用,提高预测效率,保证轨迹预测的实时性。
S6:实际探测中,先收集探测空域的环境信息,与投放后的下投式探测组件轨迹信息整合输入到LSTM神经网络中对探测组件未来的轨迹进行预测。
在正式投放下投式探测组件探测前,先通过投放探测组件样机提前获取投放空域的温度、湿度、气压环境参数。将3维环境参数与预测的下投式探测组件13维轨迹信息结合共16维参参数保证输入LSTM神经网络的维数一致,采用递归预测方法,滑动窗口,将第一步预测结果放进去,然后预测第二步;重复上述步骤,进而对未来轨迹进行连续预测。即:
…
根据预测轨迹,选择下投式探测组件合适的下投时机与下投点,保证投式探测组件落入相应空域进行原位探测,提高探测任务的效率。
有益效果:
1、本发明公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,通过LSTM神经网络处理时间序列的特性,采用数据化的方法,通过学习下投式探测组件的历史轨迹数据,进而对下投式探测组件的未来运动轨迹进行预测,建立下投式探测组件的高精度轨迹预测模型,而不需要对下投式探测组件建立复杂的气动模型,解决气动模型无法进行高精度轨迹预测的问题,能够以协助有效地选择合适的下投时机与下投点,提高下投式探测组件探测任务的效率与精度。
2、本发明公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,通过表征环境因素对下投式探测组件轨迹的影响,将温度、湿度、气压这三个环境参数结合到下投式探测组件轨迹数据中进行轨迹预测,提高下投式探测组件轨迹预测的精度。
3、本发明公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,对传感器采集的参数预处理,并对温度、气压数据采用相应补偿算法的进行补偿,保证输入到LSTM神经网络中数据的可靠性与真实性,提高下投式探测组件轨迹预测的精度。
4、本发明公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,采用递归预测方法,实现对未来轨迹进行连续预测,提高下投式探测组件轨迹预测的效率,能够辅助有效地选择合适的下投时机与下投点。
附图说明
下面结合附图作进一步的说明:
图1是本发明实施例的基于LSTM神经网络的下投式探测组件轨迹预测流程图;
图2是本发明实施例的下投式探测组件坐标系示意图;
图3是本发明实施例的LSTM神经网络预测模型示意图。
具体实施方式
为了更好地说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
如图1所示,本实施例公开的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,具体实现步骤如下:
S1:从搭载多种传感器的下投式探测组件在空基平台上投放的历史任务中,获取一段轨迹数据。
下投式探测组件随空基平台在指定海拔高度定点投放,同时上方降落伞打开,下投后的下投式探测组件坐标系示意图如图2所示。通过传感器获取下投式探测组件的下投后的轨迹数据,所述下投式探测组件搭载GPS/北斗定位系统、惯导系统、气压传感器、温度传感器、湿度传感器、通信系统。
所述空基平台包括临空飞艇、火箭。
通信系统采样率为1Hz,每隔1秒将所采集信号发送至地面接收系统。
运用于轨迹预测的数据共包括16维数据:经度、纬度、高度、三维速度、三维加速度、二维角速度、二维角加速度、温度、湿度、气压。由于下投式探测组件体积小、重量轻,气动力在其运动过程中作用显著,而环境因素对气动力有着重要因素,因此除了下投式探测组件的位置、姿态、速度外,还要表征环境参数对轨迹预测的影响,所述环境参数包括温度、湿度、气压。在地面接收系统保留存储的收集数据中,选取一段轨迹数据,作为神经网络的训练样本。
S2:对收集的轨迹数据进行预处理,将缺失值补足进行平滑处理,同时剔除无效值与异常值,将数据的取值范围通过归一化处理纳入[0,1]区间。
由于探测空域环境较为复杂,传感器获取的数据存在噪声或缺失的情况,不能直接输入到神经网络中,需要对数据进行预处理。
对于三轴角度,将角度范围在(-180°,180°)的数据保留;对于GPS/北斗定位系统测算得到的东向、北向速度,计算两个相邻数据之间的速度变化量Δv,若Δv明显大于设置阈值,则将当前速度数据剔除;对于气压计与温湿度传感器的输出,数据筛选方式与速度数据的筛选方式相同,即剔除超出阈值的异常值。剔除异常值后,采用极大似然估计对缺失值进行补足,即首先用缺失值由估计值替代,之后对完整数据进行参数估计,然后根据上述的参数估计值反过来再估计缺失值。似然函数如下:
其中,D={x1,x2,…,xN}为样本集,联合概率密度函数p(D|θ)称为相对于{x1,x2,…,xN}的θ的似然函数,记作l(θ),求得使似然函数最大的θ值,即为最大似然估计值,代替缺失值。
由于受环境对流、辐射、传导和自身测量电子元器件的影响,需要对传感器测量的温度、气压参数进行补偿。下投式探测组件采集的温度参数误差包括焦耳热误差,气动热误差,辐照热误差,温度测量数据的修正方法为:
其中T为实际温度,Ta为实测温度,为焦耳热修正误差,U为铂薄膜两端电压,t为作用时间,A1为垂直于导热方向的物体横截面积,RT为铂薄膜电阻值,λ为导热系数;为辐照热修正误差,其中ε为物体的发射率,其值介于0~1之间,A2为辐照表面积;σ为斯蒂芬-玻尔兹曼常数,为5.67×10-8W/(m2·K4),Tr为黑体热力学温度;/>为气动热修正误差,r为温度修正系数,V为空气相对流速,cP为空气等压比热容。
探测组件在下落过程中,遇到空气阻塞时,将在表面产生压力,因此气压传感器所测压力不仅包含静态大气压力,同时叠加着运动过程中由于空气阻塞所产生的压力(称为风压),其压力大小与速度的关系表示为:
wp=0.5*ro*v2
其中wp表示风压,ro为空气密度,v为探测组件下落速度,由此可知在探测组件下落过程中,气压传感器的测量值为wd=ws+wp,其中ws为静态测量气压值,为所需要测的真实值,但是由于叠加了风压,气压传感器测量值比真实值偏大,因此,需要减去风压,得到真实气压值。
由于输入参数较多,每项参数都位于不同的取值范围,为避免部分参数数值过大,使计算结果不稳定,采用零-均值归一化处理,使数据取值位于[0,1]区间,使网络快速的收敛,更易训练。零-均值归一化转换函数如下:
式中x为某数据的实际取值,μ为原始数据的均值,δ为标准差,x′为归一化后的值。
S3:通过滑动窗口法将预处理后的数据进行分段处理并构建训练样本与测试样本。下投式探测组件的轨迹数据具有连续性、时序性的特点,而LSTM神经网络的隐含层带有反馈连接结构,使得本时刻的输出不仅与本时刻输入有关,还能够结合之前时刻的信息,能有效运用于下投式探测组件的轨迹预测之中。采用滑动窗口法将数据集切分依次作为神经网络的输入,数据集点数为N={x0,x1,…,xN-1},前M个点划分为训练样本,后K个点划分为测试样本。窗口长度为m,即通过第0至m-1时刻的数据{x0,x1,…,xm-1}预测第m时刻下投式探测组件的轨迹信息,第1至m时刻的数据{x1,x2,…,xm}预测第m+1时刻的轨迹信息,以此类推,则共切分成M-m+1个点作为训练样本输入,K-m+1个点作为测试样本输入。因此,LSTM神经网络训练时的输入数据的维数为(M-m+1,m,16),M为训练样本点数,m为窗口长度,16为每个点所包含的16维数据信息,分别为:
经度、纬度、高度、三维速度、三维加速度、二维角速度、二维角加速度、温度、湿度、气压。
本发明实施例采用滑动窗口法将数据集切分依次作为神经网络的输入,数据集点数为2000,窗口长度为25,前1800个点划分为训练样本,后200个点划分为测试样本,LSTM神经网络训练时的输入数据的维数为(176,25,16)。
S4:建立基于LSTM的下投式探测组件轨迹预测模型,通过循环迭代调节网络参数,将输出结果与真实值的误差最小化,确定网络结构。本发明实施例的LSTM神经网络预测模型示意如图3所示。LSTM网络通过借鉴人类根据信息重要程度记忆与遗忘的特点,在网络中加入三个“门”控制器。数据输入到神经网络后,经过遗忘门、更新门和输出门,最终得到输出。
数据输入LSTM神经网络后处理过程公式如下:
ft=σ(Whfht-1+Wxfxt+bf)
it=σ(Whiht-1+Wxixt+bi)
ot=σ(Whoht-1+Wxoxt+bo)
ht=ot tanh(ct)
其中xt为输入的t时刻的16维数据信息,ft为遗忘门,it为更新门,ot为输出门,ht为隐含层输出,ct为LSTM神经元细胞单元状态,σ为sigmoid激活函数,tanh为tanh激活函数,W为权重矩阵,b为偏置参数矩阵。
遗忘门通过调节权重,调整对前一个单元信息的保留程度ft,当权重为0时,则将信息完全丢弃,权重为1时则完全保留;更新门通过设置阈值,来决定当前时刻输入数据有多少需要保留,得到it,结合细胞单元暂时状态更新到当前细胞单元状态ct中,以便继续后向传递;输出门将当前时刻输入数据xt与前一时刻输出数据ht-1结合计算得到输出到下一时刻的权重ot,随后结合当前细胞单元状态ct最终得到当前时刻输出ht。
将S3中构建好的训练样本输入到LSTM神经网络中,在GPU上对其进行训练,利用cuDNN库来加速卷积神经网络,采用adam优化算法,更新参数与权重,使网络模型更快收敛。初始学习率设置为0.001,批处理大小设置为64,LSTM隐藏层数设置为2层,隐藏层节点数设置为12。选择预测数据与实际数据的均方根误差作为损失函数,对LSTM神经网络中的参数,以达到更好的预测效果,均方根误差函数为:
其中yi为i时刻参数真实值,y′i为i时刻的预测值,n为一次训练输入的数据点数,此发明实施例中为2000。
随着模型训练次数的不断增加,误差函数值逐渐减小直至趋于0,模型训练效果良好。
LSTM神经网络输出数据为176个点的轨迹预测值,每个点包含13维轨迹数据,分别为:经度、纬度、高度、三维速度、三维加速度、二维角速度和二维角加速度。
S5:测试样本输入到训练好的LSTM神经网络中,将输出反归一化得到下投式探测组件的轨迹预测结果;
通过将长度为200的测试样本输入到训练好的基于LSTM神经网络的下投式探测组件轨迹预测模型中,将输出结果进行零-均值反归一化后,与实际轨迹进行比较,绝对误差均趋近于0,预测结果稳定。验证了LSTM神经网络轨迹预测准确性。将训练好的下投式探测组件轨迹预测模型保存,在后续进行新的轨迹预测任务时直接使用,提高预测效率,保证轨迹预测的实时性。
S6:实际探测中,先收集探测空域的环境信息,与投放后的下投式探测组件轨迹信息整合输入到LSTM神经网络中对探测组件未来的轨迹进行预测。
在正式投放下投式探测组件探测前,先通过投放探测组件样机提前获取投放空域的温度、湿度、气压环境参数。将3维环境参数与预测的下投式探测组件13维轨迹信息结合共16维参参数保证输入LSTM神经网络的维数一致,采用递归预测方法,滑动窗口,将第一步预测结果放进去,然后预测第二步;重复上述步骤,进而对未来轨迹进行连续预测。即:
…
根据预测轨迹,选择出下投式探测组件合适的下投时机与下投点,保证投式探测组件落入相应空域进行原位探测,提高了探测任务的效率。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于LSTM神经网络的下投式探测组件轨迹预测方法,其特征在于:包括如下步骤,
S1:从搭载多种传感器的下投式探测组件在空基平台上投放的历史任务中,获取一段轨迹数据;
S2:对收集的轨迹数据进行预处理,将缺失值补足进行平滑处理,同时剔除无效值与异常值,将数据的取值范围通过归一化处理纳入[0,1]区间;
S3:通过滑动窗口法将预处理后的数据进行分段处理并构建训练样本与测试样本;下投式探测组件的轨迹数据具有连续性、时序性的特点,而LSTM神经网络的隐含层带有反馈连接结构,使得本时刻的输出不仅与本时刻输入有关,还能够结合之前时刻的信息,能有效运用于下投式探测组件的轨迹预测之中;采用滑动窗口法将数据集切分依次作为神经网络的输入,数据集点数为N={x0,x1,…,xN-1},前M个点划分为训练样本,后K个点划分为测试样本;窗口长度为m,即通过第0至m-1时刻的数据{x0,x1,…,xm-1}预测第m时刻下投式探测组件的轨迹信息,第1至m时刻的数据{x1,x2,…,xm}预测第m+1时刻的轨迹信息,以此类推,则共切分成M-m+1个点作为训练样本输入,K-m+1个点作为测试样本输入;因此,LSTM神经网络训练时的输入数据的维数为(M-m+1,m,16),M为训练样本点数,m为窗口长度,16为每个点所包含的16维数据信息,分别为:
经度、纬度、高度、三维速度、三维加速度、二维角速度、二维角加速度、温度、湿度、气压;
S4:建立基于LSTM的下投式探测组件轨迹预测模型,通过循环迭代调节网络参数,将输出结果与真实值的误差最小化,确定网络结构;LSTM网络通过借鉴人类根据信息重要程度记忆与遗忘的特点,在网络中加入三个“门”控制器;数据输入到神经网络后,经过遗忘门、更新门和输出门,最终得到神经网络输出;
S5:测试样本输入到训练好的LSTM神经网络中,将输出反归一化得到下投式探测组件的轨迹预测结果;
通过将长度为K的测试样本输入到训练好的基于LSTM神经网络的下投式探测组件轨迹预测模型中,将输出结果进行零-均值反归一化后,与实际轨迹进行比较,验证LSTM神经网络轨迹预测准确性;将训练好的下投式探测组件轨迹预测模型保存,在后续进行新的轨迹预测任务时直接使用,提高预测效率,保证轨迹预测的实时性;
S6:实际探测中,先收集探测空域的环境信息,与投放后的下投式探测组件轨迹信息整合输入到LSTM神经网络中对探测组件未来的轨迹进行预测。
2.如权利要求1所述的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,其特征在于:步骤S1中,
下投式探测组件随空基平台在指定海拔高度定点投放,同时上方降落伞打开;通过传感器获取下投式探测组件的下投后的轨迹数据,所述下投式探测组件搭载GPS/北斗定位系统、惯导系统、气压传感器、温度传感器、湿度传感器、通信系统;
所述空基平台包括临空飞艇、火箭;
运用于轨迹预测的数据共包括16维数据:经度、纬度、高度、三维速度、三维加速度、二维角速度、二维角加速度、温度、湿度、气压;由于下投式探测组件体积小、重量轻,气动力在其运动过程中作用显著,而环境因素对气动力有着重要因素,因此除了下投式探测组件的位置、姿态、速度外,还要表征环境参数对轨迹预测的影响,所述环境参数包括温度、湿度、气压;在地面接收系统保留存储的收集数据中,选取一段轨迹数据,作为神经网络的训练样本。
3.如权利要求2所述的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,其特征在于:步骤S2中,
对于三轴角度,将角度范围在(-180°,180°)的数据保留;对于GPS/北斗定位系统测算得到的东向、北向速度,计算两个相邻数据之间的速度变化量Δv,若Δv明显大于设置阈值,则将当前速度数据剔除;对于气压计与温湿度传感器的输出,数据筛选方式与速度数据的筛选方式相同,即剔除超出阈值的异常值;剔除异常值后,采用极大似然估计对缺失值进行补足,即首先用缺失值由估计值替代,之后对完整数据进行参数估计,然后根据上述的参数估计值反过来再估计缺失值;似然函数如下:
其中,D={x1,x2,…,xN}为样本集,联合概率密度函数p(D|θ)称为相对于{x1,x2,…,xN}的θ的似然函数,记作l(θ),求得使似然函数最大的θ值,即为最大似然估计值,代替缺失值;
由于受环境对流、辐射、传导和自身测量电子元器件的影响,需要对传感器测量的温度、气压参数进行补偿;下投式探测组件采集的温度参数误差包括焦耳热误差,气动热误差,辐照热误差,温度测量数据的修正方法为:
其中T为实际温度,Ta为实测温度,为焦耳热修正误差,U为铂薄膜两端电压,t为作用时间,A1为垂直于导热方向的物体横截面积,RT为铂薄膜电阻值,λ为导热系数;/>为辐照热修正误差,其中ε为物体的发射率,其值介于0~1之间,A2为辐照表面积;σ为斯蒂芬-玻尔兹曼常数,Tr为黑体热力学温度;/>为气动热修正误差,r为温度修正系数,V为空气相对流速,cP为空气等压比热容;
探测组件在下落过程中,遇到空气阻塞时,将在表面产生压力,因此气压传感器所测压力不仅包含静态大气压力,同时叠加着运动过程中由于空气阻塞所产生的压力(称为风压),其压力大小与速度的关系表示为:
wp=0.5*ro*v2
其中wp表示风压,ro为空气密度,v为探测组件下落速度,由此可知在探测组件下落过程中,气压传感器的测量值为wd=ws+wp,其中ws为静态测量气压值,为所需要测的真实值,但是由于叠加了风压,气压传感器测量值比真实值偏大,因此,需要减去风压,得到真实气压值;
由于输入参数较多,每项参数都位于不同的取值范围,为避免部分参数数值过大,使计算结果不稳定,采用零-均值归一化处理,使数据取值位于[0,1]区间,使网络快速的收敛,更易训练;零-均值归一化转换函数如下:
式中x为某数据的实际取值,μ为原始数据的均值,δ为标准差,x′为归一化后的值。
4.如权利要求3所述的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,其特征在于:步骤S4中,
数据输入LSTM神经网络后处理过程公式如下:
ft=σ(Whfht-1+Wxfxt+bf)
it=σ(Whiht-1+Wxixt+bi)
ot=σ(Whoht-1+Wxoxt+bo)
ht=ot tanh(ct)
其中xt为输入的t时刻的16维数据信息,ft为遗忘门,it为更新门,ot为输出门,ht为隐含层输出,ct为LSTM神经元细胞单元状态,σ为sigmoid激活函数,tanh为tanh激活函数,W为权重矩阵,b为偏置参数矩阵;
遗忘门通过调节权重,调整对前一个单元信息的保留程度ft,当权重为0时,则将信息完全丢弃,权重为1时则完全保留;更新门通过设置阈值,来决定当前时刻输入数据有多少需要保留,得到it,结合细胞单元暂时状态ct更新到当前细胞单元状态ct中,以便继续后向传递;输出门将当前时刻输入数据xt与前一时刻输出数据ht-1结合计算得到输出到下一时刻的权重ot,随后结合当前细胞单元状态ct最终得到当前时刻输出ht;
将S3中构建好的训练样本输入到LSTM神经网络中,在GPU上对其进行训练,利用cuDNN库来加速卷积神经网络,采用adam优化算法,更新参数与权重,使网络模型更快收敛;选择预测数据与实际数据的均方根误差作为损失函数,对LSTM神经网络中的参数,以达到更好的预测效果,均方根误差函数为:
其中yi为i时刻参数真实值,y′i为i时刻的预测值,n为一次训练输入的数据点数;
LSTM神经网络输出数据为M-m+1个点的轨迹预测值,每个点包含13维轨迹数据,分别为:经度、纬度、高度、三维速度、三维加速度、二维角速度和二维角加速度。
5.如权利要求4所述的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,其特征在于:步骤S6中,
在正式投放下投式探测组件探测前,先通过投放探测组件样机提前获取投放空域的温度、湿度、气压环境参数;将3维环境参数与预测的下投式探测组件13维轨迹信息结合共16维参参数保证输入LSTM神经网络的维数一致,采用递归预测方法,滑动窗口,将第一步预测结果放进去,然后预测第二步;重复上述步骤,进而对未来轨迹进行连续预测;即:
…
根据预测轨迹,选择下投式探测组件合适的下投时机与下投点,保证投式探测组件落入相应空域进行原位探测,提高探测任务的效率。
6.如权利要求2、3、4或5所述的一种基于LSTM神经网络的下投式探测组件轨迹预测方法,其特征在于:通信系统采样率为1Hz,每隔1秒将所采集信号发送至地面接收系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271185.9A CN116341377A (zh) | 2023-03-20 | 2023-03-20 | 一种基于lstm神经网络的下投式探测组件轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271185.9A CN116341377A (zh) | 2023-03-20 | 2023-03-20 | 一种基于lstm神经网络的下投式探测组件轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341377A true CN116341377A (zh) | 2023-06-27 |
Family
ID=86881707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310271185.9A Pending CN116341377A (zh) | 2023-03-20 | 2023-03-20 | 一种基于lstm神经网络的下投式探测组件轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341377A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668549A (zh) * | 2023-12-07 | 2024-03-08 | 中国人民解放军63620部队 | 一种数据抽取方法、装置和存储介质 |
-
2023
- 2023-03-20 CN CN202310271185.9A patent/CN116341377A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668549A (zh) * | 2023-12-07 | 2024-03-08 | 中国人民解放军63620部队 | 一种数据抽取方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
US20160238481A1 (en) | Aerodynamic Modeling Using Flight Data | |
CN107367941B (zh) | 高超声速飞行器攻角观测方法 | |
CN116341377A (zh) | 一种基于lstm神经网络的下投式探测组件轨迹预测方法 | |
CN113190036A (zh) | 一种基于lstm神经网络的无人机飞行轨迹预测方法 | |
CN114118537A (zh) | 一种空域航班碳排放量组合预测方法 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
CN111680870A (zh) | 目标运动轨迹质量综合评估方法 | |
Zhang et al. | A low-cost GPS/INS integration based on UKF and BP neural network | |
CN113128035A (zh) | 民用飞机飞控传感器信号重构容错控制方法 | |
CN115857529A (zh) | 航天器姿态控制系统的执行器故障重构方法 | |
CN114462293B (zh) | 一种高超声速目标中长期轨迹预测方法 | |
CN117591794B (zh) | 基于时间序列的鸟类迁徙轨迹预测方法 | |
CN109781374A (zh) | 一种实时在线快速估计飞行器推力的方法 | |
Park et al. | Data-driven fault detection and isolation of system with only state measurements and control inputs using neural networks | |
Sheu et al. | Estimation of turbulent vertical velocity from nonlinear simulations of aircraft response | |
CN115372957A (zh) | 高超声速飞行器轨迹跟踪方法 | |
Shi et al. | Design of UAV Flight State Recognition System for Multi-sensor Data Fusion | |
CN116611160A (zh) | 基于一段实测弹道参数的无控飞行器在线实时特征参数辨识与弹道预报方法 | |
CN111259337A (zh) | 一种基于统计的重残骸实时落点预报方法 | |
Guan et al. | A new integrated navigation system for the indoor unmanned aerial vehicles (UAVs) based on the neural network predictive compensation | |
CN113359809B (zh) | 一种基于rbfnn辅助的桥梁检测无人机自主定位方法 | |
Gao et al. | Adaptive air-data estimation in wind disturbance based on flight data | |
Zou et al. | Parallel crosschecking neural network based fault-tolerant flight parameter estimation and faulty sensor identification |
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 |