基于RNN的航空监视信息融合技术的研究与实现

发布时间：2021-10-20 04:16

　　随着民用飞机和军用飞机数量的飞速增长,空中交通越来越繁忙,为了保障飞机的飞行安全,航空监视信息处理系统的应用不可或缺,系统中航空监视信息融合技术是获取准确的飞行目标位置信息的关键。航空监视信息融合致力于将对同一目标飞行器的多来源探测数据进行融合,从而获得更为准确的飞机位置、航向、加速度等。由于基于卡尔曼滤波的传统航空监视信息融合技术依旧存在不足,如在机动状态下融合效果不佳、模型需要耗费大量人力物力进行反复调参等,故本文采用递归神经网络（Recurrent Netural Network,RNN）进行航空监视信息融合。本文构建了一个航空监视信息融合的原型系统,系统由四部分组成,分别是监视信息预处理模块、飞机机动状态判别模块、飞机位置预测模块和多雷达监视信息融合模块。监视信息预处理模块负责监视信息的报文解析、坐标转换和航迹匹配等工作。飞机机动状态判别模块选用RNN作为模型进行训练,利用训练后的模型可以根据一段航迹信息来判断当前飞机是否处于机动状态。飞机位置预测模块选用加权最小二乘法对各维度的监视信息与时间的函数关系进行拟合,可利用拟合得到的函数对各维度的监视信息进行预测,飞机位置预测的主要... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图２－１递归神经网络??

??图２－１递归神经网络??ＲＮＮ中由于在当前输入叠加了历史信号，所以反向传导时也不同于传统??神经网络，因为对于ｔ时刻的输入层，其残差不仅来自于输出，还来自于之后??的隐层如图２－２所示：??ｏｕｔｐｕｔ??ｂＯ??？?＾?娘???＾?１?＼??ｘｌ?Ｘ２?Ｘ３??图２－２?ＲＮＮ的反向传播??因此ＲＮＮ的反向传播不止沿着网络结构由输出层向输入层传播，还会沿??着序列由后向前传播，不断更新隐藏层自连接的权值。ＢＰＴＴ?（ｂａｃｋ－??ｐｒｏｐａｇａｔｉｏｎ?ｔｈｒｏｕｇｈ?ｔｉｍｅ）?算法就是常用?的训练?ＲＮＮ?的方法?［２２】，其实本质还是??ＢＰ算法，不同的是ＲＮＮ用于处理序列数据，所以要基于时间反向传播。??ＢＰＴＴ的中心思想和ＢＰ算法相同，即梯度下降法，沿着需要优化的参数的负??梯度方向不断寻找更优的点直至收敛。??１４??

ｓ??图２－３长短期记忆网络??ＬＳＴＭ的结构如图２－３所示，其核心思想就是细胞状态，水平线在方贯穿??运行。ＬＳＴＭ通过设计“门”的结构，与细胞状态产生交互，达到去除或增加??信息到细胞状态的能力“门”是一种让信息有选择性地通过的方法，其包??含一个ｓｉｇｍｏｉｄ神经网络层和一个按位的乘法操作。ＬＳＴＭ?—共拥有三个门，??他们依次决定着从细胞状态中丢弃什么信息、将什么样的新信息存放到细胞状??态中以及从ＬＳＴＭ单元中输出什么样的细胞状态。但ＬＳＴＭ与ＲＮＮ之间除了??隐藏层中的非线性单元被替换成具有记忆功能的模块外，其他结构都基本相??同，ＲＮＮ是具有短期记忆的，结合了?ＬＳＴＭ的记忆单元就可以具有长期记??忆。而发生在梯度反向传播过程中的梯度消失和梯度爆炸的问题，也可以通过??ＬＳＴＭ的应用得到解决。随着时间间隔不断增大时，ＲＮＮ会丧失学习到连接??很远的信息能力


本文编号：3446225