為了提高飛機(jī)飛行軌跡預(yù)測(cè)準(zhǔn)確率、確保軌跡預(yù)測(cè)實(shí)時(shí)性,提出使用門(mén)控循環(huán)單元（gated recurrent unit,GRU）預(yù)測(cè)軌跡。對(duì)不同條件下的不同機(jī)動(dòng)動(dòng)作進(jìn)行飛行仿真,得到大量軌跡樣本。設(shè)計(jì)具有不同層數(shù)和神經(jīng)元個(gè)數(shù)的網(wǎng)絡(luò),用得到的樣本對(duì)其進(jìn)行訓(xùn)練。選出在測(cè)試集上誤差最小的網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)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(duì)誤差和預(yù)測(cè)用時(shí)。引入坐標(biāo)變換矩陣,使軌跡預(yù)測(cè)不受航向和坐標(biāo)系影響。對(duì)比3種方法在一段頻繁變化的軌跡上的絕對(duì)誤差。結(jié)果表明,所提方法的平均絕對(duì)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(yù)測(cè)用時(shí)約為2.4ms,滿(mǎn)足實(shí)時(shí)性要求。 

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

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

GRU網(wǎng)絡(luò)結(jié)構(gòu)圖

文獻(xiàn)[5]和文獻(xiàn)[13]對(duì)比了一次性預(yù)測(cè)軌跡點(diǎn)的3個(gè)坐標(biāo)和將3個(gè)坐標(biāo)分開(kāi)預(yù)測(cè)的結(jié)果，發(fā)現(xiàn)分開(kāi)預(yù)測(cè)的結(jié)果更準(zhǔn)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(kāi)預(yù)測(cè)的方法，即預(yù)測(cè)總共需要3個(gè)網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)結(jié)構(gòu)相同，不同之處在于所用的訓(xùn)練數(shù)據(jù)。3個(gè)網(wǎng)絡(luò)分別用3個(gè)坐標(biāo)軸的數(shù)據(jù)訓(xùn)練，實(shí)際預(yù)測(cè)時(shí)將3個(gè)坐標(biāo)軸上的歷史軌跡分別輸入3個(gè)網(wǎng)絡(luò)，得到3個(gè)輸出量，再將3個(gè)輸出量組合為目標(biāo)下一時(shí)刻在空間中的位置。軌跡預(yù)測(cè)示意圖如圖2所示。為提高GRU網(wǎng)絡(luò)預(yù)測(cè)的實(shí)用性和準(zhǔn)確率，本文不采用特定任務(wù)或背景下的軌跡數(shù)據(jù)作為訓(xùn)練樣本，而是以空戰(zhàn)機(jī)動(dòng)動(dòng)作為基礎(chǔ)，通過(guò)對(duì)各種初始條件下不同的機(jī)動(dòng)動(dòng)作的軌跡進(jìn)行采樣，構(gòu)建大量訓(xùn)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(xùn)練網(wǎng)絡(luò)，由此得到的GRU預(yù)測(cè)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(xiàn)】：
期刊論文
[1]基于HPSO-TPFENN的目標(biāo)機(jī)軌跡預(yù)測(cè)[J]. 王新,楊任農(nóng),左家亮,徐西蒙,岳龍飛.  西北工業(yè)大學(xué)學(xué)報(bào). 2019(03)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)航跡預(yù)測(cè)模型[J]. 錢(qián)夔,周穎,楊柳靜,謝榮平,何錫點(diǎn).  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(yù)測(cè)中的應(yīng)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(jī)動(dòng)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(shí)間序列預(yù)測(cè)精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017



本文編號(hào)：3092055