基于残差神经网络和LSTM的飞行轨迹预测.pdf
《基于残差神经网络和LSTM的飞行轨迹预测.pdf》由会员分享,可在线阅读,更多相关《基于残差神经网络和LSTM的飞行轨迹预测.pdf(5页珍藏版)》请在咨信网上搜索。
1、总第352期1引言飞机的飞行安全问题是世界各国高度关注的问题之一,容易受到天气、设备、自身完好性、飞行员操纵时机等多个方面因素的影响。对飞机的飞行轨迹进行预测,可以辅助地面工作人员对飞机进行引导,在飞行过程中及时提醒飞行员调整航向,有利于规避空中流量拥堵和飞行事故,对提高飞行的安全性具有重要意义。当前,深度学习迅速发展,卷积神经网络和长短期记忆网络被广泛应用于轨迹预测领域。针对飞机的航迹预测也提出了许多新的方法,李楠等1提出了一种基于反向神经网络的航空器飞行轨迹预测方法,采用模糊C均值聚类对轨迹进行分类,利用BP神经网络对短期飞行轨迹的多维特征进行预测;Xu等2提出了一种Social-LSTM
2、模型用于航收稿日期:2023年4月8日,修回日期:2023年5月15日基金项目:国家自然科学基金项目(编号:91538201);泰山学者工程专项经费基金项目(编号:ts201511020);信息系统安全技术重点实验室基金项目(编号:6142111190404)资助。作者简介:方伟,男,教授,研究方向:装备仿真与虚拟现实等。汤淼,男,硕士研究生,研究方向:信息系统仿真与智能处理。闫文君,男,副教授,研究方向:智能信息处理。张婷婷,女,硕士研究生,研究方向:智能空战。基于残差神经网络和 LSTM 的飞行轨迹预测方伟1,2汤淼1闫文君1,2张婷婷1(1.海军航空大学烟台264001)(2.海战场信息
3、感知与融合技术国家级实验教学中心烟台264001)摘要针对飞行轨迹预测精度不足和误差大的问题,提出了将残差神经网络与LSTM结合起来的飞行轨迹预测算法。首先,利用坐标转换将经度、纬度和海拔高度数据转化为飞机在地面坐标坐标系下的位置坐标,再对坐标数据进行归一化处理;其次,通过残差神经网络来读取序列并自动学习内部特征,最后用LSTM来处理数据的时间序列信息。实验结果表明,该模型与LSTM、CNN+LSTM模型相比损失函数、均方根误差和平均绝对误差更小,效果更好,预测轨迹能够反映真实轨迹的航迹变化。关键词轨迹预测;时间序列;残差神经网络;长短期记忆网络中图分类号TP183DOI:10.3969/j.
4、issn.1672-9730.2023.10.010Flight Trajectory Prediction Based on Residual Neural Network andLSTMFANG Wei1,2TANG Miao1YAN Wenjun1,2ZHANG Tingting1(1.Naval Aviation University,Yantai264001)(2.National Experimental Teaching Center of Marine Battlefield Information Perception and Fusion Technology,Yantai
5、264001)AbstractAiming at the problem of insufficient accuracy and large error in flight trajectory prediction,a flight trajectory prediction algorithm combining residual neural network and LSTM is proposed.Firstly,the longitude,latitude and altitude data areconverted into the position coordinates of
6、 the aircraft in the ground coordinate system by coordinate conversion,and then the coordinate data are normalized.Secondly,the residual neural network is used to read the sequence and automatically learn the internalcharacteristics.Finally,the LSTM is used to process the time series information of
7、the data.The experimental results show that compared with LSTM and CNN+LSTM models,the loss function,root mean square error and average absolute error of this model aresmaller,and the effect is better.The predicted trajectory can reflect the track changes of the real trajectory.Key Wordstrajectory p
8、rediction,time series,residual neural network,long short-term memory networkClass NumberTP183舰 船 电 子 工 程Ship Electronic Engineering总第 352 期2023 年第 10 期Vol.43 No.1042舰 船 电 子 工 程2023 年第 10 期空器的轨迹预测;代翔3提出了一种基于注意力循环网络的 4D 轨迹预测模型来获取轨迹的时空特征,采用正则化的方法对轨迹进行重构,使用长短期记忆网络进行时空特征提取,最后利用注意力机制实现对飞行轨迹的高精度和实时预测;刘龙庚等4
9、提出了基于卷积 LSTM 模型的航空器轨迹预测,用改进的聚类算法处理航迹数据,构建了StackLSTM和基于卷积LSTM的预测模型。张宗腾等5提出了一种双向门控循环单元的无人机飞行轨迹预测方法,分别对三个坐标轴的坐标进行预测得到最终的三维坐标信息,实现对无人机飞行轨迹的精准预测。本文基于飞机平飞改航阶段的飞参数据,提出了将残差神经网络与 LSTM相结合的飞行轨迹预测算法。首先,利用坐标转换将经度、纬度和海拔高度数据转化为飞机在地面坐标坐标系下的位置坐标,再对坐标数据进行归一化处理,由于平飞改航阶段飞机的高度坐标变化不明显,因此仅将归一化后的x、y坐标作为模型的输入。通过残差神经网络来提取时间序
10、列的特征信息,利用长短期记忆网络来实现对降落轨迹的正确预测。在相同的数据集下,与LSTM、CNN+LSTM网络进行比较,损失函数、均方根误差和平均绝对误差叫小,效果较好,预测轨迹也能较好反映原轨迹的航迹变化。2飞参数据预处理本文重点对飞机降落前的平飞改航阶段进行研究,采用的数据为单架飞机在平飞改航过程中各个时刻的飞参数据组成的轨迹点信息,每条飞参数据包括经度、纬度、海拔高度、航向、速度等信息。在平飞改航阶段,飞机要不断调整航向角直至航向稳定对准跑道中央,高度变化并不明显。为降低后续算法的复杂度和计算量,将飞参数据中的经度、纬度和海拔高度(L,B,H)转化为飞机在地面坐标坐标系下的位置坐标(X,
11、Y,Z)。仿真轨迹示意图如图1所示。由于坐标数据量纲过大,因此为了消除不同指标之间量纲和奇异样本数据的不良影响,使得预处理的数据被限定在一定范围内,对数据进行归一化处理,数学表达式如下:x=x-xminxmax-xmin(1)其中,x为经过归一化处理后的样本数据,x为原始的样本数据,xmax、xmin分别为样本数据中的最大值与最小值。-2000-2970-2975-2980-2985-2990-2995-3000-3005-3010Z/mY/mX/m104-4000-6000000.511.52图1平飞改航阶段仿真轨迹3残差-LSTM预测模型3.1残差神经网络残差神经网络(ResNet6)是由
12、何凯明等在2015年提出的,主要是因为传统的神经网络要想获得更好的学习效果只能不断增加卷积层和池化层的层数,但随着网络层数的加深,梯度信息反向传递时梯度值越来越趋近于0(梯度消失)或梯度值越来越大(梯度爆炸),预测结果也会越来越差。残差神经网络可以让神经网络的某些层进行隔层连接,弱化每层之间的强联系,较好地解决了梯度消失和梯度爆炸的问题。ResNet的残差结构如图2所示。图2残差块结构假设残差块的输入为x,一路经过两次加权运算被映射为F(x),一路通过恒等映射直接跳过本层运算直接连接到下一层与残差映射F(x)相加,最终得到残差块的输出H(x)=F(x)+x,求解残差块的输出H(x)可以转化为求
13、解网络的残差映射F(x)=H(x)-x。3.2长短期记忆网络飞机降落过程中采集的飞参的数据具有严格的时间特性,前后的数据有着明显的相关性。神经网络中的序列模型能够突出数据的前后序列关系,43总第352期不同的顺序,得到的结果也是不同的。循环神经网络(RNN)就是典型的序列模型,它将前部序列的信息处理后,作为输入信息传递到后部序列中去,能够较好地解决具有顺序关系的相关问题,在语音识别7、机器翻译8、自然语言处理9、文本相似度计算10、行为预测等领域得到广泛应用。但普通的RNN前部序列在传递得到后部的同时,信息权重会下降,导致重要信息丢失,存在长期依赖的问题11。长短期记忆神经网络(LSTM)12
14、增加记忆细胞,重点记录前部序列的重要信息,且在传递过程中信息丢失较少,可以有效解决循环神经网络的上述问题。LSTM的网络结构主要由细胞状态、遗忘门、输入门和输出门四部分构成,具体结构如图3所示。图3LSTM网络结构图3中细胞状态是长短期记忆神经网络的核心部分,LSTM通过三个门控单元(遗忘门、输入门和输出门)对细胞状态进行调节,完成信息的删除或添加。利用前一时刻的预测和新的输入信息作出新的预测并将新的预测循环回模型当中。长短期记忆神经网络首先需要通过遗忘门的sigmoid激活函数来决定丢弃哪些信息。t时刻输入xt与t-1时刻的输出ht-1共同作为遗忘门的输入经过 sigmoid操作得到门的输出
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 神经网络 LSTM 飞行 轨迹 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。