用门控循环单元实时预测空战飞行轨迹

发布时间：2021-03-21 01:32

　　为了提高飞机飞行轨迹预测准确率、确保轨迹预测实时性,提出使用门控循环单元（gated recurrent unit,GRU）预测轨迹。对不同条件下的不同机动动作进行飞行仿真,得到大量轨迹样本。设计具有不同层数和神经元个数的网络,用得到的样本对其进行训练。选出在测试集上误差最小的网络结构。对比GRU网络、循环神经网络和反向传播网络的相对误差和预测用时。引入坐标变换矩阵,使轨迹预测不受航向和坐标系影响。对比3种方法在一段频繁变化的轨迹上的绝对误差。结果表明,所提方法的平均绝对误差在x轴上约为18m,在y轴上约为11m,在z轴上约为22m,显著小于另外两种方法,且平均预测用时约为2.4ms,满足实时性要求。 

【文章来源】：系统工程与电子技术. 2020,42(11)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

GRU网络结构图

文献[5]和文献[13]对比了一次性预测轨迹点的3个坐标和将3个坐标分开预测的结果，发现分开预测的结果更准确。因此，本文不再比较上述两种方法的结果，而是直接采用分开预测的方法，即预测总共需要3个网络，每个网络结构相同，不同之处在于所用的训练数据。3个网络分别用3个坐标轴的数据训练，实际预测时将3个坐标轴上的历史轨迹分别输入3个网络，得到3个输出量，再将3个输出量组合为目标下一时刻在空间中的位置。轨迹预测示意图如图2所示。为提高GRU网络预测的实用性和准确率，本文不采用特定任务或背景下的轨迹数据作为训练样本，而是以空战机动动作为基础，通过对各种初始条件下不同的机动动作的轨迹进行采样，构建大量训练样本。因此，这些样本基本能覆盖空战中可能出现的各种轨迹，最后用样本训练网络，由此得到的GRU预测网络具有一定的通用性。为尽可能覆盖空战飞行中可能出现的状态，设置轨迹采样范围及间隔如表1所示。

GRU损失变化

【参考文献】：
期刊论文
[1]基于HPSO-TPFENN的目标机轨迹预测[J]. 王新,杨任农,左家亮,徐西蒙,岳龙飞.  西北工业大学学报. 2019(03)
[2]基于BP神经网络的空中目标航迹预测模型[J]. 钱夔,周颖,杨柳静,谢荣平,何锡点.  指挥信息系统与技术. 2017(03)
[3]基于EPSO-BP的Elman网络及其在飞行轨迹预测中的应用[J]. 王俭臣,齐晓慧,单甘霖.  控制与决策. 2013(12)
[4]基于混合算法的空战机动决策[J]. 张涛,于雷,周中良,王琳.  系统工程与电子技术. 2013(07)

硕士论文
[1]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017



本文编号：3092055