CN113269363A - 一种高超声速飞行器的轨迹预测方法、***、设备及介质 - Google Patents

一种高超声速飞行器的轨迹预测方法、***、设备及介质 Download PDF

Info

Publication number
CN113269363A
CN113269363A CN202110603010.4A CN202110603010A CN113269363A CN 113269363 A CN113269363 A CN 113269363A CN 202110603010 A CN202110603010 A CN 202110603010A CN 113269363 A CN113269363 A CN 113269363A
Authority
CN
China
Prior art keywords
model
prediction
historical track
layer
decoder
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
Application number
CN202110603010.4A
Other languages
English (en)
Other versions
CN113269363B (zh
Inventor
蔡远利
张紫昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110603010.4A priority Critical patent/CN113269363B/zh
Publication of CN113269363A publication Critical patent/CN113269363A/zh
Application granted granted Critical
Publication of CN113269363B publication Critical patent/CN113269363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高超声速飞行器的轨迹预测方法、***、设备及介质，所述方法包括以下步骤：获取待轨迹预测的高超声速飞行器的历史轨迹序列并进行归一化处理，获得归一化处理后的历史轨迹序列；其中，所述历史轨迹序列包括预设多个时刻的特征向量，每个时刻的特征向量包括预设多个特征；将所述归一化处理后的历史轨迹序列输入预训练好的轨迹预测模型，获得模型输出结果；将所述模型输出结果进行反归一化处理，获得最终的轨迹预测结果；其中，所述轨迹预测模型包括：输入层；编码解码网络，包括：编码器、注意力模块和解码器；输出层。本发明的方法基于深度学习，可以保证预测的实时性。

Description

一种高超声速飞行器的轨迹预测方法、***、设备及介质
技术领域
本发明属于飞行器制导与控制技术领域，特别涉及一种高超声速飞行器的轨迹预测方法、***、设备及介质。
背景技术
高超声速飞行器是指飞行马赫数大于5的飞行器，高超声速滑翔式飞行器是高超声速飞行器的一种，它在滑翔段只依靠空气动力在临近空间进行远程飞行，具有高超声速、高机动性、大航程的特点，是应对未来太空作战，突破导弹防御***，实现全球快速精确打击的重要武器装备。随着导弹防御技术的不断进步，在全世界逐渐形成了多层次、多阶段的弹道导弹防御***。传统的弹道导弹的突防能力逐渐下降，战略威慑力持续降低。高超声速飞行器有希望高效地突破导弹防御***，实现快速全球打击。为了增强导弹防御***对抗高超声速滑翔式飞行器的能力，必须建立高超声速滑翔式飞行器轨迹预测的方法。
现有的高超声速滑翔式飞行器的轨迹预测算法主要是基于单模型或多模型的机动目标轨迹预测，通过跟踪算法获得状态估计，然后使用解析法或数值积分法等外推算法进行弹道预测。
大多数单模型跟踪高超声速飞行器的预测算法是基于卡尔曼滤波(KalmanFilter，KF)以及扩展卡尔曼(Extended Kalman filtering，EKF)、无迹卡尔曼(UnscentedKalman filtering，UKF)与容积卡尔曼(Cubature Kalman filtering，CKF)的传统目标轨迹预测算法，然而该类算法存在对高超声速滑翔式飞行器的加速度估计不准确、难以长时间跟踪预测等技术问题。多模型融合算法预测主要有交互式多模型预测(InteractiveMulti-Model，IMM)跟踪预测；相比于单模型预测，多模型融合预测可以较全面的识别机动模式从而准确的预测机动目标。IMM算法设计有多个不同的目标运动模型，分别用来匹配目标在不同时刻的运动状态，使用马尔科夫链表示各模型间的状态转移概率，由带马尔科夫系数的多个模型表达目标的机动模式，一方面解决了单模型目标跟踪的不足，另一方面也解决了目标机动时模型间切换的问题。虽然IMM算法在理论上保证了多模型跟踪的估计精度，实现模型集自适应，但是其机动模型需要靠经验值拟合确定，切换模型集时又要经常变更阈值设定，同时对于具有强机动性的高超声速滑翔式飞行器，为了尽可能多覆盖所有可能的机动模型，需要设计非常庞大的模型集，使得IMM的计算耗时长，还有可能出现模型竞争，其实时性及跟踪预测性能将没有保障。因此，使用传统模式对高超声速滑翔式飞行器进行跟踪预测，面临巨大的困难和挑战。
发明内容
本发明的目的在于提供一种高超声速飞行器的轨迹预测方法、***、设备及介质，以解决上述存在的一个或多个技术问题。本发明的方法基于深度学习，可以保证预测的实时性。
为达到上述目的，本发明采用以下技术方案：
本发明的一种高超声速飞行器的轨迹预测方法，包括以下步骤：
获取待轨迹预测的高超声速飞行器的历史轨迹序列并进行归一化处理，获得归一化处理后的历史轨迹序列；其中，所述历史轨迹序列包括预设多个时刻的特征向量，每个时刻的特征向量包括预设多个特征；
将所述归一化处理后的历史轨迹序列输入预训练好的轨迹预测模型，获得模型输出结果；
将所述模型输出结果进行反归一化处理，获得最终的轨迹预测结果；
其中，所述轨迹预测模型包括：
输入层，用于输入所述归一化处理后的历史轨迹序列，对历史轨迹序列中每个时刻的特征向量进行特征扩维，学习不同特征之间的关系，获得扩维学习后的历史轨迹序列；
编码解码网络，包括：编码器、注意力模块和解码器；
所述编码器用于输入所述扩维学习后的历史轨迹序列并进行时间维度特征的提取，得到上下文向量；
所述注意力模块用于获取编码器每个时刻的输出并进行加权平均，获得注意力值；
所述解码器用于输入上下文向量和注意力值，结合注意力值对上下文向量进行解码，获得初始模型预测结果；
输出层，用于根据预设维度输出要求对所述初始模型预测结果进行维度调整，获得模型输出结果。
本发明的进一步改进在于，所述预训练好的轨迹预测模型的获取步骤具体包括：
获取多个高超声速飞行器的历史轨迹序列并进行归一化处理组成训练样本集；
采用所述训练样本集，基于梯度下降方法对所述轨迹预测模型进行训练，获得训练好的轨迹预测模型；
其中，编码器与解码器的每层中均加入Dropout层，训练时使用Dropout；
在训练时，解码器进行解码时加入Teacher Forcing策略，解码器的输入使用上一时刻的真值输出。
本发明的进一步改进在于，所述归一化处理的表达式为：
Figure BDA0003093238780000031
式中，Xmean为样本数据中的均值，Xstd为样本数据的标准差，X为原始数据，Xscaler为归一化后的数据。
本发明的进一步改进在于，所述反归一化处理的表达式为：
Y＝Yscaler·Xstd+Xmean，
式中，Yscaler表示模型输出结果，Y为最终的轨迹预测结果。
本发明的进一步改进在于，所述编码器与解码器均使用三层门控循环单元。
本发明的进一步改进在于，所述注意力模块中，计算注意力分布的表达式为：
Figure BDA0003093238780000032
Figure BDA0003093238780000041
式中，
Figure BDA0003093238780000042
表示注意力打分函数；xi表示编码器第i时刻的输出；ht表示第i时刻解码器的隐藏状态；Wx、Wh、b、V是需要学习的参数；
计算获得注意力值的表达式为：
Figure BDA0003093238780000043
本发明的进一步改进在于，所述编码解码网络中，编码器输出的上下文向量C与解码器输入的上下文向量C′之间还设置有前馈层与Add&Norm层；
所述前馈层是一个两层的全连接层，第一层的激活函数为ReLu，第二层不使用激活函数；
所述Add&Norm层包括Add和Norm两部分；其中，Add是残差连接，Norm指BatchNormalization。
本发明的一种高超声速飞行器的轨迹预测***，包括：
预处理模块，用于获取待轨迹预测的高超声速飞行器的历史轨迹序列并进行归一化处理，获得归一化处理后的历史轨迹序列；其中，所述历史轨迹序列包括预设多个时刻的特征向量，每个时刻的特征向量包括预设多个特征；
模型输出结果获取模块，用于将所述归一化处理后的历史轨迹序列输入预训练好的轨迹预测模型，获得模型输出结果；
轨迹预测结果获取模块，用于将所述模型输出结果进行反归一化处理，获得最终的轨迹预测结果；
其中，所述轨迹预测模型包括：
输入层，用于输入所述归一化处理后的历史轨迹序列，对历史轨迹序列中每个时刻的特征向量进行特征扩维，学习不同特征之间的关系，获得扩维学习后的历史轨迹序列；
编码解码网络，包括：编码器、注意力模块和解码器；
所述编码器用于输入所述扩维学习后的历史轨迹序列并进行时间维度特征的提取，得到上下文向量；
所述注意力模块用于获取编码器每个时刻的输出并进行加权平均，获得注意力值；
所述解码器用于输入上下文向量和注意力值，结合注意力值对上下文向量进行解码，获得初始模型预测结果；
输出层，用于对所述初始模型预测结果进行维度调整，获得模型输出结果。
本发明的一种电子设备，包括：处理器；存储器，用于存储计算机程序指令；其特征在于，
所述计算机程序指令由所述处理器加载并运行时，所述处理器执行发明任一项上述的高超声速飞行器的轨迹预测方法。
本发明的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器加载并运行时，所述处理器执行本发明任一项上述的高超声速飞行器的轨迹预测方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种基于深度学习的高超声速滑翔式飞行器的轨迹预测方法，为深度学习应用于高超声速飞行器的轨迹预测上提供一种新的解决思路；本发明的方法可以保证预测的实时性，在线下训练好模型，在预测的时候直接使用模型即可。本发明的方法采用深度学习中的编码器解码器框架进行高超声速飞行器的轨迹预测，同时在模型中加入了注意力机制，提高模型对输入信息的利用，在实际使用中当探测预定好的输入时间长度内的高超声速飞行器的轨迹序列后就可以进行之后一定时长的轨迹预测，预测轨迹得到的误差在公里级。
本发明提供了一种新的思路：基于深度学习在生活中的很多方向都进入了实际使用中，但是针对高超声速飞行器轨迹预测的研究还很少，本发明提供了一种新的解决高超声速飞行器轨迹预测问题的方法。
本发明方法的预测耗时少：本发明提出的高超声速滑翔式飞行器的轨迹预测方法主要采用离线模式，线下进行模型的训练，线上可以直接通过矩阵计算得到预测结果，不需要迭代。
本发明的方法的人工参与少：本发明提出的方法不需要深入研究高超声速滑翔式飞行器的运动特性，只需要大致了解即可。
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，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；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说，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是本发明实施例中，编码器解码器结构示意图；
图2是本发明实施例中，注意力机制流程示意图；
图3是本发明实施例中，轨迹预报流程示意图；
图4是本发明实施例中，使用Teacher Forcing的结构示意图；
图5是本发明实施例中，跳跃滑翔飞行轨迹示意图；
图6是本发明实施例中，地心距随时间变化曲线示意图；
图7是本发明实施例中，X-Y-Z投影方向速度曲线示意图；
图8是本发明实施例中，仿真结果示意图；其中，图8中(a)为X方向预测结果示意图，图8中(b)为Y方向预测结果示意图，图8中(c)为Z方向预测结果示意图，图8中(d)为三维预测误差示意图，图8中(e)为地心距预测结果示意图；
图9是本发明实施例中，三维轨迹预测示意图；
图10是本发明实施例中，三位轨迹预测放大示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚，下面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，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。
目前，使用深度学习方法对高超声速滑翔式飞行器进行轨迹预测的研究较少，主要集中在对行人、车辆、船舶等轨迹方面的预测。基于深度学习方法进行轨迹预测不需要完全把握目标自身的运动特性，如果有一些关于目标的运动机理信息，那么对建立深度学习模型有所帮助。模型建立完成后，只需要大量的数据进行训练，模型会自动学习数据不同特征之间的关系，以及数据背后隐藏的运动机理，然后进行轨迹预测。模型的训练过程均是在线下进行，在进行预测时，模型只是进行简单的演算就可以得到最终的结果，可以保证预测的实时性。
本发明实施例的一种高超声速滑翔式飞行器的轨迹预测方法中，设计了一种基于注意力机制的Seq2Seq的轨迹预测模型，其主要包括：数据预处理、模型的设计以及训练流程，具体为：
(1)数据预处理
模型的输入数据为飞行器的历史轨迹序列，输出为未来一定时间段的轨迹序列。其中，弹道轨迹Traj是T个时刻轨迹点观测状态向量的时间序列，表示为：Traj＝{k1,k2,...,ki,...,kT}；t时刻的状态向量kt是特征信息，包括位置、速度与地心距，可表示为：kt＝[xt,yt,zt,Vxt,Vyt,Vzt,r]；其中，xt,yt,zt表示在地心惯性坐标系下的三维位置投影，Vxt,Vyt,Vzt表示速度投影，r表示轨迹点到地心的距离。
针对使用梯度下降方法进行网络训练的时候，需要对输入数据进行归一化处理，这样可以防止梯度下降过程中的抖动，同时也能加快训练速度。本发明实施例采用的数据归一化方法为标准化，具体公式为：
Figure BDA0003093238780000081
其中，Xmean为样本数据中的均值，Xstd为样本数据的标准差，X为原始数据，Xscaler为归一化后的数据。
训练完成的模型在进行预测得到结果后需要进行反归一化，使得预测结果映射到真实空间中的数值，即：
Y＝Yscaler·Xstd+Xmean，
其中，Yscaler表示模型得到的预测结果，Y为还原后的真实序列值。
(2)基于注意力机制的Seq2Seq模型
本发明实施例中，主要介绍基于注意力机制的Seq2Seq模型的总体结构以及各模块的作用。其中，总体框架采用编码器解码器框架，编码器与解码器均使用三层门控循环单元(Gated Recurrent Neural Network，GRU)用于提取数据之间的特征关系以及序列前后之间的关系。在编码器与解码器之间添加一个注意力模块，该模块可以缓解解码器解码时使用信息的不足，同时也帮助解析解码时定位到输入序列的具***置信息。
本发明实施例中的GRU是循环神经网络(Recurrent Neural Network，RNN)中的一种典型结构。简单RNN理论上可以建立长时间间隔的状态之间的依赖关系，但是由于梯度***或消失问题，实际上只能学习到短期的依赖关系，而GRU可以很好地缓解梯度消失和梯度***问题。在GRU模型中只有两个门，分别是更新门和重置门。更新门主要是控制前一时刻的状态信息中多少被带入当前状态中，更新门的值越大说明拥有前一时刻的信息越多。重置门用于控制前一状态中有多少信息被写入当前候选集
Figure BDA0003093238780000082
重置门越小，前一状态的信息被写入的越少。
下面公式展示了GRU是如何工作的：
Figure BDA0003093238780000083
Figure BDA0003093238780000091
Figure BDA0003093238780000092
Figure BDA0003093238780000093
其中，Wxz、Whz、Wxr、Whr、Wxg、Whg和bz、br、bg是需要学习的参数，σ表示sigmoid激活函数，tanh表示双曲正切函数，
Figure BDA0003093238780000094
表示矩阵或者向量对应元素的乘积。
激活函数就是在神经元上运行的函数，主要作用是将神经元的输入映射到输出。激活函数对于神经网络模型学习复杂的模型(非线性模型)具有重要的作用，它将非线性特性引入到了神经网络，如果没有激活函数，不论神经网络的层数多深，其本质上都相当于单层网络。如果在每层都加入激活函数，那么多层神经网络就可以逼近任何非线性函数。
常用的激活函数有逻辑斯蒂函数(sigmoid)、双曲正切函数(tanh)和整流线性单元函数(ReLU)等，表达式分别为：
Figure BDA0003093238780000095
ReLu(x)＝max(0,x)。
请参阅图1，本发明实施例所涉及的编码器与解码器的结构如图1所示，其中编码器采用三层GRU，主要负责将输入序列编码成固定长度的上下文向量C。上下文向量的获取可以直接采用编码器最终的输出隐藏状态，也可以将所有时刻的输出隐藏状态进行变化后作为上下文向量。在这里直接使用最终时刻的隐藏状态。
上下文向量C与解码器的输入上下文向量C′之间经过一个前馈层(FeedForward)与Add&Norm层进行变化，其中前馈层是一个两层的全连接层，第一层的激活函数为ReLu，第二层不使用激活函数，对应的公式为：
max(0,XW1+b1)W2+b2，
其中，W1、W2、b1、b2是需要学习的参数，X表示输入，最终得到的输出矩阵的维度与输入X的一致。
Add&Norm层是由Add和Norm两部分组成，其计算公式如下：
BatchNorm(X+FeedForward(X))，
其中，Add是一种残差连接，通常用于解决多层网络训练的问题，可以让网络只关注当前差异的部分；Norm指Batch Normalization，会将每一层神经元的输入都转成均值方差都一样的，可以加快收敛。
解码器同样使用三层GRU，作用主要是将上下文向量C′进行解码得到不定长度的输出序列。其中上下文向量C′作为解码器的初始隐藏状态，解码器的初始输入为编码器输入序列的最后时刻的输入。输出序列需要解码器一步一步解码得到，每次解码都是利用上一时刻的输出yt-1与上一时刻的隐藏状态共同解码，即：
yt＝f(yt-1,ht-1)。
此外，为了防止过拟合，在编码器与解码器的每层中均加入Dropout层。Dropout层主要是随机使该层的多少神经元失去作用，这样增加了模型的多样性，可以防止过拟合。该层只能在训练模型的时候使用，在测试模型中不使用Dropout，以保证模型的准确性。
编码器与解码器结构有两个主要的缺陷，第一便是编码器必须将所有的输入信息压缩成固定长度的上下文向量C，这种形式下上下文向量必须包含所有输入数据的信息，当输入序列过长时，会造成信息的丢失。第二便是这样的结构并不能对输入序列和输出序列的对应关系进行建模。加入注意力模型后允许解码器访问所有编码器产生的输出，这样克服了编码器解码器的两大缺点。
在神经网络的学习中，一般模型越复杂其中参数相应越多，模型的学习能力更强，但是这会带来信息过载的问题。通过引入注意力机制，在众多输入信息中聚焦于对解决当前任务更为关键的信息，降低对其他信息的关注度，就可以有效地解决信息过载问题，并且提供任务处理的效率与准确性。
在编码器与解码器之间加入时间注意力模块。注意力模块主要分为两步，首先需要在所有的输入信息上计算注意力分布，然后根据注意力分布来计算输入信息的加权平均。
计算注意力分布公式如下：
Figure BDA0003093238780000111
Figure BDA0003093238780000112
其中，
Figure BDA0003093238780000113
表示注意力打分函数；xi表示编码器第i时刻的输出；ht表示第i时刻解码器的隐藏状态；Wx、Wh、b、V是需要学习的参数。
最后采用加权平均的计算方式对输入信息进行汇总，得到Attention值：
Figure BDA0003093238780000114
请参阅图2，计算Attention值的整体过程如图2所示，计算得到Attention值后将其加入到解码器在该时刻的输入信息中，与上一时刻输出序列共同作用得到输出序列。
请参阅图3，本发明实施例中，高超声速滑翔式飞行器模型算法的具体步骤如下：
1)将输入数据进行归一化处理，使其在小范围内变化，加快训练速度，这样可以对于不同的特征赋予相同的初始权重，使模型更容易学习特征之间的关系；
2)将处理过的数据输入输入层网络，该层的主要作用是学习不同特征之间的关系，同时对输入特征的维度进行扩维；
3)输入层出来的数据直接送入带注意力机制的Seq2Seq网络，得到输出序列；
4)将Seq2Seq输出的序列送入输出层得到最后的预测序列，该层的主要作用是调整输出序列的维度。
其中，输入层、编码器解码器与输出层组合起来为DeepHTP模型。
本发明实施例中，优化算法与评估指标包括：优化算法是指在学习模型的过程中调整模型参数的方法，针对神经网络模型，现今采用的优化方法都是基于梯度下降的方法，主要有随机梯度下降(Stochastic Gradient Descent，SGD)、动量法(Momentum)、自适应梯度下降算法(AdaGrad)、AdaDelta法和自适应动量法(Adaptive Moments，Adam)等。Adam是一种自适应学习方法，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，本发明采用Adam算法。
评估指标是指评价一个模型训练程序的指标，同时也是评价模型好坏的指标。本发明采用均方根误差(Root Mean Square Error，RMSE)、平均轨迹预测点误差(ADE)、绝对位移误差(FDE)和R2决定系数。平均轨迹预测点误差计算预测时段每一个时间点的预测轨迹和真实轨迹的平均欧氏距离。绝对位移误差计算预测时段最后一个时间点的预测轨迹和真实轨迹的平均欧氏距离。误差值越小，代表预测轨迹与真实轨迹越接近。R2决定系数是用来测量模型拟合优度，其值越大拟合越好。公式如下：
Figure BDA0003093238780000121
Figure BDA0003093238780000122
Figure BDA0003093238780000123
Figure BDA0003093238780000124
其中，li表示真实轨迹序列；
Figure BDA0003093238780000125
表示预测轨迹序列；
Figure BDA0003093238780000126
表示真实轨迹的平均值；n表示样本个数；Tpred表示预测样本时间长度；
Figure BDA0003093238780000127
表示真实轨迹序列的三维分量；
Figure BDA0003093238780000128
表示预测轨迹序列的三维分量。
请参阅图4，本发明实施例中，在解码器进行解码的时候，每次的输入都是上一时刻解码得到的输出，这时如果解码处的第一个轨迹点就是错误的，那么会导致整个序列跑偏。为此，在这里加入Teacher Forcing策略，这时解码器的输入不再使用上一时刻的解码输出，而是使用上一时刻的真值输出。图4中，y1_hat是预测值，y1是真实值。
这样可以防止上一时刻的错误传播到当前时刻，同时也可以加快参数收敛。由于本发明方法在解码时使用的是真实值，因此只能在训练模型阶段使用，在测试阶段不可以使用该方法。
本发明实施例中的实验设计与结果分析：
本发明实施例进行了基于注意力机制的Seq2Seq模型仿真，主要验证该方法在高超声速滑翔式飞行器轨迹预测中的有效性。仿真环境为：Intel(R)Core(TM)i7-9500 CPU处理器，16.0GB内存，Windows10***64位。仿真平台为Pycharm，深度学习框架使用TensorFlow2.4。
数据集的选取与处理包括：本发明实施例使用数据主要是高超声速滑翔式飞行器跳跃滑翔模式下的飞行轨迹。跳跃滑翔最早来源于德国科学家尤金-桑格尔所设想的高超声速飞行器“银鸟”，首先通过助推器将其助推至一定高度，然后进行长时间周期衰减振荡滑翔至地球表面。飞行轨迹形式如图5至图7所示。
选取高超声速滑翔式飞行器滑翔段1500s的轨迹数据，其中每个轨迹点包含7维特征，分别是三维位置、三维速度与地心距。实验中采用滑动窗口的形式，每个窗口的大小为300s(200s输入，100s输出)，并按秒滑动，总共有1200个窗口。训练集与测试集的比例为8:2，有960个训练弹道数据，有240个测试弹道数据。对于所有的轨迹训练前按照前边公式进行归一化，训练得到的结果进行反归一化还原。
参数设置时，DeepHTP模型参数如表1所示。在训练过程中为了防止过拟合，在编码器与解码器的层与层之间均加入了Dropout机制，也就是在训练过程中随机使该层的多少个神经元不起作用(也就是该神经元的输出直接设置为0)，该值设置为0.8，也就是随机有20％的神经元不起作用，该机制只能在训练模型的时候使用，在测试时不能使用，也就是设置该值为1。
表1.模型参数
参数类型 属性/个数
输入向量维度 7
输入层节点个数 36
编码器/解码器网络层数 3
GRU神经元个数 50
输出向量维度 4
Dropout 0.8
批训练样本数<u>batch_size</u> 128
初始学习率 0.01
损失函数 MSE
优化器 Adam
根据上述参数设置网络并构建DeepHTP模型，使用训练集训练网络，当模型训练完成后，在测试集上测试模型，测试一批测试集样本总共用时在毫秒级，得到模型在测试集上的评价指标数值如表2所示，可以发现RMSE在公里级，FDE较大一些达到了10公里级，这是因此轨迹预测误差会随着时间增加，R2_square是一个小于1的系数，越接近1拟合效果越好，而该实验的结果达到了0.973，拟合效果较好。仿真结果如图8至图10，从图中可以发现在各个方向上的误差均是公里级，预测轨迹与实际轨迹很接近，在地心距曲线图中可以发现预测结果可以很好的学到运动趋势，误差较小。
表2.模型预测评价指标
指标 RMSE ADE FDE R2_square
值 3.887 6.451 12.468 0.973
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种高超声速飞行器的轨迹预测方法，其特征在于，包括以下步骤：
获取待轨迹预测的高超声速飞行器的历史轨迹序列并进行归一化处理，获得归一化处理后的历史轨迹序列；其中，所述历史轨迹序列包括预设多个时刻的特征向量，每个时刻的特征向量包括预设多个特征；
将所述归一化处理后的历史轨迹序列输入预训练好的轨迹预测模型，获得模型输出结果；
将所述模型输出结果进行反归一化处理，获得最终的轨迹预测结果；
其中，所述轨迹预测模型包括：
输入层，用于输入所述归一化处理后的历史轨迹序列，对历史轨迹序列中每个时刻的特征向量进行特征扩维，学习不同特征之间的关系，获得扩维学习后的历史轨迹序列；
编码解码网络，包括：编码器、注意力模块和解码器；
所述编码器用于输入所述扩维学习后的历史轨迹序列并进行时间维度特征的提取，得到上下文向量；
所述注意力模块用于获取编码器每个时刻的输出并进行加权平均，获得注意力值；
所述解码器用于输入上下文向量和注意力值，结合注意力值对上下文向量进行解码，获得初始模型预测结果；
输出层，用于根据预设维度输出要求对所述初始模型预测结果进行维度调整，获得模型输出结果。
2.根据权利要求1所述的一种高超声速飞行器的轨迹预测方法，其特征在于，所述预训练好的轨迹预测模型的获取步骤具体包括：
获取多个高超声速飞行器的历史轨迹序列并进行归一化处理组成训练样本集；
采用所述训练样本集，基于梯度下降方法对所述轨迹预测模型进行训练，获得训练好的轨迹预测模型；
其中，编码器与解码器的每层中均加入Dropout层，训练时使用Dropout；
在训练时，解码器进行解码时加入Teacher Forcing策略，解码器的输入使用上一时刻的真值输出。
3.根据权利要求2所述的一种高超声速飞行器的轨迹预测方法，其特征在于，所述归一化处理的表达式为：
Figure FDA0003093238770000021
式中，Xmean为样本数据中的均值，Xstd为样本数据的标准差，X为原始数据，Xscaler为归一化后的数据。
4.根据权利要求3所述的一种高超声速飞行器的轨迹预测方法，其特征在于，所述反归一化处理的表达式为：
Y＝Yscaler·Xstd+Xmean，
式中，Yscaler表示模型输出结果，Y为最终的轨迹预测结果。
5.根据权利要求1所述的一种高超声速飞行器的轨迹预测方法，其特征在于，所述编码器与解码器均使用三层门控循环单元。
6.根据权利要求1所述的一种高超声速飞行器的轨迹预测方法，其特征在于，所述注意力模块中，计算注意力分布的表达式为：
Figure FDA0003093238770000022
Figure FDA0003093238770000023
式中，
Figure FDA0003093238770000024
表示注意力打分函数；xi表示编码器第i时刻的输出；ht表示第i时刻解码器的隐藏状态；Wx、Wh、b、V是需要学习的参数；
计算获得注意力值的表达式为：
Figure FDA0003093238770000031
7.根据权利要求1所述的一种高超声速飞行器的轨迹预测方法，其特征在于，所述编码解码网络中，编码器输出的上下文向量C与解码器输入的上下文向量C′之间还设置有前馈层与Add&Norm层；
所述前馈层是一个两层的全连接层，第一层的激活函数为ReLu，第二层不使用激活函数；
所述Add&Norm层包括Add和Norm两部分；其中，Add是残差连接，Norm指BatchNormalization。
8.一种高超声速飞行器的轨迹预测***，其特征在于，包括：
预处理模块，用于获取待轨迹预测的高超声速飞行器的历史轨迹序列并进行归一化处理，获得归一化处理后的历史轨迹序列；其中，所述历史轨迹序列包括预设多个时刻的特征向量，每个时刻的特征向量包括预设多个特征；
模型输出结果获取模块，用于将所述归一化处理后的历史轨迹序列输入预训练好的轨迹预测模型，获得模型输出结果；
轨迹预测结果获取模块，用于将所述模型输出结果进行反归一化处理，获得最终的轨迹预测结果；
其中，所述轨迹预测模型包括：
输入层，用于输入所述归一化处理后的历史轨迹序列，对历史轨迹序列中每个时刻的特征向量进行特征扩维，学习不同特征之间的关系，获得扩维学习后的历史轨迹序列；
编码解码网络，包括：编码器、注意力模块和解码器；
所述编码器用于输入所述扩维学习后的历史轨迹序列并进行时间维度特征的提取，得到上下文向量；
所述注意力模块用于获取编码器每个时刻的输出并进行加权平均，获得注意力值；
所述解码器用于输入上下文向量和注意力值，结合注意力值对上下文向量进行解码，获得初始模型预测结果；
输出层，用于对所述初始模型预测结果进行维度调整，获得模型输出结果。
9.一种电子设备，包括：处理器；存储器，用于存储计算机程序指令；其特征在于，
所述计算机程序指令由所述处理器加载并运行时，所述处理器执行权利要求1至7中任一项所述的高超声速飞行器的轨迹预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器加载并运行时，所述处理器执行权利要求1至7中任一项所述的高超声速飞行器的轨迹预测方法。
CN202110603010.4A 2021-05-31 2021-05-31 一种高超声速飞行器的轨迹预测方法、***、设备及介质 Active CN113269363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110603010.4A CN113269363B (zh) 2021-05-31 2021-05-31 一种高超声速飞行器的轨迹预测方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110603010.4A CN113269363B (zh) 2021-05-31 2021-05-31 一种高超声速飞行器的轨迹预测方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN113269363A true CN113269363A (zh) 2021-08-17
CN113269363B CN113269363B (zh) 2023-06-30

Family

ID=77233694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110603010.4A Active CN113269363B (zh) 2021-05-31 2021-05-31 一种高超声速飞行器的轨迹预测方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN113269363B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022847A (zh) * 2021-11-23 2022-02-08 清华大学 一种智能体轨迹预测方法、***、设备和存储介质
CN114048889A (zh) * 2021-10-08 2022-02-15 天津大学 基于长短期记忆网络的飞行器轨迹预测的方法
CN114239935A (zh) * 2021-12-06 2022-03-25 中国电子科技集团公司第十五研究所 一种针对非均匀轨迹序列的预测方法
CN114387313A (zh) * 2022-01-07 2022-04-22 武汉东信同邦信息技术有限公司 一种运动轨迹预测方法、装置、设备及存储介质
CN114740894A (zh) * 2022-05-13 2022-07-12 北京航空航天大学 基于注意力机制与门控循环单元的飞行器制导方法和***
CN115047894A (zh) * 2022-04-14 2022-09-13 中国民用航空总局第二研究所 一种无人机轨迹测算方法、电子设备及存储介质
CN115169233A (zh) * 2022-07-15 2022-10-11 中国人民解放军32804部队 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法
CN116361662A (zh) * 2023-05-31 2023-06-30 中诚华隆计算机技术有限公司 机器学习模型的训练方法及量子网络设备性能预测方法
CN116956647A (zh) * 2023-09-20 2023-10-27 成都流体动力创新中心 一种气动数据融合方法及***
CN117076893A (zh) * 2023-10-16 2023-11-17 中国海洋大学 一种基于长短期记忆神经网络的声速分布预报方法
CN117786534A (zh) * 2024-01-22 2024-03-29 哈尔滨工业大学 基于深度学习的高超声速飞行器运动行为识别方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783307A (zh) * 2020-07-07 2020-10-16 哈尔滨工业大学 一种高超声速飞行器状态估计方法
CN111931287A (zh) * 2020-07-06 2020-11-13 北京电子工程总体研究所 一种临近空间高超声速目标轨迹预测方法
JP6873519B1 (ja) * 2020-04-24 2021-05-19 中国人民解放軍国防科技大学 軌跡予測方法及びシステム
CN112859898A (zh) * 2021-01-18 2021-05-28 中山大学 一种基于双通道双向神经网络的飞行器轨迹预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6873519B1 (ja) * 2020-04-24 2021-05-19 中国人民解放軍国防科技大学 軌跡予測方法及びシステム
CN111931287A (zh) * 2020-07-06 2020-11-13 北京电子工程总体研究所 一种临近空间高超声速目标轨迹预测方法
CN111783307A (zh) * 2020-07-07 2020-10-16 哈尔滨工业大学 一种高超声速飞行器状态估计方法
CN112859898A (zh) * 2021-01-18 2021-05-28 中山大学 一种基于双通道双向神经网络的飞行器轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI FAN; XIONG JIAJUN; LAN XUHUI; BI HONGKUI; CHEN XIN: "NSHV trajectory prediction algorithm based on aerodynamic acceleration EMD decomposition", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 *
游兰;韩雪薇;何正伟;肖丝雨;何渡;潘筱萌;: "基于改进Seq2Seq的短时AIS轨迹序列预测模型", 计算机科学, no. 09 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048889A (zh) * 2021-10-08 2022-02-15 天津大学 基于长短期记忆网络的飞行器轨迹预测的方法
CN114022847A (zh) * 2021-11-23 2022-02-08 清华大学 一种智能体轨迹预测方法、***、设备和存储介质
CN114239935A (zh) * 2021-12-06 2022-03-25 中国电子科技集团公司第十五研究所 一种针对非均匀轨迹序列的预测方法
CN114387313A (zh) * 2022-01-07 2022-04-22 武汉东信同邦信息技术有限公司 一种运动轨迹预测方法、装置、设备及存储介质
CN115047894B (zh) * 2022-04-14 2023-09-15 中国民用航空总局第二研究所 一种无人机轨迹测算方法、电子设备及存储介质
CN115047894A (zh) * 2022-04-14 2022-09-13 中国民用航空总局第二研究所 一种无人机轨迹测算方法、电子设备及存储介质
CN114740894A (zh) * 2022-05-13 2022-07-12 北京航空航天大学 基于注意力机制与门控循环单元的飞行器制导方法和***
CN115169233A (zh) * 2022-07-15 2022-10-11 中国人民解放军32804部队 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法
CN115169233B (zh) * 2022-07-15 2023-03-24 中国人民解放军32804部队 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法
CN116361662A (zh) * 2023-05-31 2023-06-30 中诚华隆计算机技术有限公司 机器学习模型的训练方法及量子网络设备性能预测方法
CN116361662B (zh) * 2023-05-31 2023-08-15 中诚华隆计算机技术有限公司 机器学习模型的训练方法及量子网络设备性能预测方法
CN116956647A (zh) * 2023-09-20 2023-10-27 成都流体动力创新中心 一种气动数据融合方法及***
CN116956647B (zh) * 2023-09-20 2023-12-19 成都流体动力创新中心 一种气动数据融合方法及***
CN117076893A (zh) * 2023-10-16 2023-11-17 中国海洋大学 一种基于长短期记忆神经网络的声速分布预报方法
CN117076893B (zh) * 2023-10-16 2024-01-09 中国海洋大学 一种基于长短期记忆神经网络的声速分布预报方法
CN117786534A (zh) * 2024-01-22 2024-03-29 哈尔滨工业大学 基于深度学习的高超声速飞行器运动行为识别方法及***

Also Published As

Publication number Publication date
CN113269363B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN113269363B (zh) 一种高超声速飞行器的轨迹预测方法、***、设备及介质
CN112766561B (zh) 一种基于注意力机制的生成式对抗轨迹预测方法
CN108629144B (zh) 一种桥梁健康评估方法
Leibfried et al. A deep learning approach for joint video frame and reward prediction in atari games
KR102492318B1 (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
Arslan et al. SMOTE and gaussian noise based sensor data augmentation
CN111291505B (zh) 一种基于深度置信网络的翼型结冰冰形预测方法及装置
CN110728698B (zh) 一种基于复合循环神经网络***的多目标跟踪***
Tüske et al. Integrating Gaussian mixtures into deep neural networks: Softmax layer with hidden variables
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
CN112464577B (zh) 车辆动力学模型的构建及车辆状态信息预测方法、装置
CN113887789B (zh) 一种基于循环神经网络的改进船舶轨迹预测方法及其装置
CN110727844B (zh) 一种基于生成对抗网络的在线评论商品特征观点提取方法
CN111897353A (zh) 基于gru的飞行器机动轨迹预测方法
Suryo et al. Improved time series prediction using LSTM neural network for smart agriculture application
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN113033118A (zh) 一种基于示范数据强化学习技术的水下航行器自主上浮控制方法
CN112766603A (zh) 一种交通流量预测方法、***、计算机设备及存储介质
CN117008620A (zh) 一种无人驾驶自适应路径规划方法、***、设备及介质
CN116415505A (zh) 一种基于sbr-dbn模型的***故障诊断与状态预测方法
Zhang et al. Learning efficient sparse structures in speech recognition
CN115453880A (zh) 基于对抗神经网络的用于状态预测的生成模型的训练方法
CN114972429A (zh) 云边协同自适应推理路径规划的目标追踪方法和***
CN117556681B (zh) 一种智能空战决策方法、***及电子设备
Chiao et al. Using Hierarchical HMMs in dynamic behavior modeling

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