為了提高飛機飛行軌跡預測準確率、確保軌跡預測實時性,提出使用門控循環(huán)單元（gated recurrent unit,GRU）預測軌跡。對不同條件下的不同機動動作進行飛行仿真,得到大量軌跡樣本。設(shè)計具有不同層數(shù)和神經(jīng)元個數(shù)的網(wǎng)絡(luò),用得到的樣本對其進行訓練。選出在測試集上誤差最小的網(wǎng)絡(luò)結(jié)構(gòu)。對比GRU網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和反向傳播網(wǎng)絡(luò)的相對誤差和預測用時。引入坐標變換矩陣,使軌跡預測不受航向和坐標系影響。對比3種方法在一段頻繁變化的軌跡上的絕對誤差。結(jié)果表明,所提方法的平均絕對誤差在x軸上約為18m,在y軸上約為11m,在z軸上約為22m,顯著小于另外兩種方法,且平均預測用時約為2.4ms,滿足實時性要求。 

【文章來源】：系統(tǒng)工程與電子技術(shù). 2020,42(11)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

GRU網(wǎng)絡(luò)結(jié)構(gòu)圖

文獻[5]和文獻[13]對比了一次性預測軌跡點的3個坐標和將3個坐標分開預測的結(jié)果，發(fā)現(xiàn)分開預測的結(jié)果更準確。因此，本文不再比較上述兩種方法的結(jié)果，而是直接采用分開預測的方法，即預測總共需要3個網(wǎng)絡(luò)，每個網(wǎng)絡(luò)結(jié)構(gòu)相同，不同之處在于所用的訓練數(shù)據(jù)。3個網(wǎng)絡(luò)分別用3個坐標軸的數(shù)據(jù)訓練，實際預測時將3個坐標軸上的歷史軌跡分別輸入3個網(wǎng)絡(luò)，得到3個輸出量，再將3個輸出量組合為目標下一時刻在空間中的位置。軌跡預測示意圖如圖2所示。為提高GRU網(wǎng)絡(luò)預測的實用性和準確率，本文不采用特定任務或背景下的軌跡數(shù)據(jù)作為訓練樣本，而是以空戰(zhàn)機動動作為基礎(chǔ)，通過對各種初始條件下不同的機動動作的軌跡進行采樣，構(gòu)建大量訓練樣本。因此，這些樣本基本能覆蓋空戰(zhàn)中可能出現(xiàn)的各種軌跡，最后用樣本訓練網(wǎng)絡(luò)，由此得到的GRU預測網(wǎng)絡(luò)具有一定的通用性。為盡可能覆蓋空戰(zhàn)飛行中可能出現(xiàn)的狀態(tài)，設(shè)置軌跡采樣范圍及間隔如表1所示。

GRU損失變化

【參考文獻】：
期刊論文
[1]基于HPSO-TPFENN的目標機軌跡預測[J]. 王新,楊任農(nóng),左家亮,徐西蒙,岳龍飛.  西北工業(yè)大學學報. 2019(03)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的空中目標航跡預測模型[J]. 錢夔,周穎,楊柳靜,謝榮平,何錫點.  指揮信息系統(tǒng)與技術(shù). 2017(03)
[3]基于EPSO-BP的Elman網(wǎng)絡(luò)及其在飛行軌跡預測中的應用[J]. 王儉臣,齊曉慧,單甘霖.  控制與決策. 2013(12)
[4]基于混合算法的空戰(zhàn)機動決策[J]. 張濤,于雷,周中良,王琳.  系統(tǒng)工程與電子技術(shù). 2013(07)

碩士論文
[1]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時間序列預測精度的影響因素研究[D]. 毛景慧.暨南大學 2017



本文編號：3092055