基于LSTM神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)軌跡預(yù)測(cè)

基于LSTM神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)軌跡預(yù)測(cè)摘要：目標(biāo)軌跡信息表征目標(biāo)的運(yùn)動(dòng)特征，通過(guò)預(yù)測(cè)軌跡數(shù)據(jù)可以對(duì)目標(biāo)運(yùn)動(dòng)趨勢(shì)進(jìn)行預(yù)判，并實(shí)現(xiàn)對(duì)目標(biāo)的定位分析。為此，本文利用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)采集目標(biāo)軌跡進(jìn)行預(yù)測(cè)，通過(guò)MATLAB編程對(duì)預(yù)測(cè)的軌跡數(shù)據(jù)進(jìn)行驗(yàn)證。

1、引言雷達(dá)采集的軌跡信息包含了目標(biāo)的位置特征，通過(guò)對(duì)目標(biāo)軌跡預(yù)測(cè)可實(shí)現(xiàn)對(duì)軌跡的精確定位。就軌跡預(yù)測(cè)問(wèn)題而言，常采用以下幾種方法進(jìn)行處理，首先可利用時(shí)間序列ARIMA模型、回歸模型進(jìn)行軌跡預(yù)測(cè)，即根據(jù)輸入輸出關(guān)系分割出有效數(shù)據(jù)，并用最小二乘法對(duì)模型進(jìn)行求解。其次可采用非線性回歸、神經(jīng)網(wǎng)絡(luò)等模型進(jìn)行軌跡預(yù)測(cè)分析，即將數(shù)據(jù)帶入非線性映射關(guān)系，采用最小二乘法或梯度下降法對(duì)模型進(jìn)行求解?？紤]雷達(dá)軌跡數(shù)據(jù)的非線性以及不確定性，本文采用LSTM網(wǎng)絡(luò)對(duì)雷達(dá)軌跡數(shù)據(jù)進(jìn)行預(yù)測(cè)分析。2、模型的建立LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，該網(wǎng)絡(luò)結(jié)構(gòu)包含三個(gè)門信息，即：遺忘門、輸入門以及輸出門。其中，遺忘門主要是控制遺忘上一層網(wǎng)絡(luò)的數(shù)據(jù)特征的比例。輸入門主要是篩選當(dāng)前輸入數(shù)據(jù)的有效特征，并結(jié)合當(dāng)前數(shù)據(jù)對(duì)遺忘門的控制數(shù)據(jù)特征進(jìn)行補(bǔ)償與更新。輸出們主要是根據(jù)遺忘數(shù)據(jù)特征與當(dāng)前數(shù)據(jù)特征對(duì)模型進(jìn)行學(xué)習(xí)、訓(xùn)練以及預(yù)測(cè)。在LSTM網(wǎng)絡(luò)中，數(shù)據(jù)信息的流動(dòng)分別由兩條數(shù)據(jù)線驅(qū)動(dòng)，其中一條數(shù)據(jù)線主要用于控制傳輸遺忘門的記憶數(shù)據(jù)，另一條數(shù)據(jù)線主要用于結(jié)合記憶數(shù)據(jù)對(duì)當(dāng)前數(shù)據(jù)狀態(tài)特征進(jìn)行傳輸控制。針對(duì)該網(wǎng)絡(luò)模型，LSTM具體的工作流程如下：圖1LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖首先，給定t時(shí)刻的輸入數(shù)據(jù)特征，將其與上一序列狀態(tài)加權(quán)求和，并分別放入遺忘門、輸入門以及輸出門,可以得到當(dāng)前時(shí)刻t的遺忘門記憶數(shù)據(jù)特征與當(dāng)前時(shí)刻的數(shù)據(jù)狀態(tài)，當(dāng)數(shù)據(jù)經(jīng)給遺忘門，得到遺忘門輸出，見(jiàn)式（1）：（1）式中，表示經(jīng)遺忘門的數(shù)據(jù)特征輸出，表示遺忘門對(duì)當(dāng)前時(shí)刻數(shù)據(jù)的加權(quán)系數(shù)，表示遺忘門對(duì)上一時(shí)刻狀態(tài)的加權(quán)系數(shù)，為遺忘門數(shù)據(jù)偏置常量，表示sigmod激活函數(shù)。在此基礎(chǔ)上，結(jié)合上一時(shí)刻的記憶系統(tǒng)數(shù)據(jù)驅(qū)動(dòng)參數(shù)得到當(dāng)前狀態(tài)的主要的記憶細(xì)胞數(shù)據(jù)，具體見(jiàn)式（2）。（2）式（2）中，表示兩數(shù)據(jù)集間點(diǎn)乘運(yùn)算；表示當(dāng)前時(shí)刻輸入特征的記憶細(xì)胞狀態(tài)數(shù)據(jù)。當(dāng)數(shù)據(jù)傳輸至輸入門時(shí)，首先需要提取輸入數(shù)據(jù)的數(shù)據(jù)特征，其次將對(duì)上一時(shí)刻記憶數(shù)據(jù)進(jìn)行特征的進(jìn)一步補(bǔ)償。在該處理流程中，輸入門的數(shù)據(jù)特征提取見(jiàn)式（3）。（3）式中，表示輸入門中當(dāng)前數(shù)據(jù)特征的權(quán)值；表示輸入門中上一時(shí)刻狀態(tài)數(shù)據(jù)權(quán)值；為輸入門偏置常量。同時(shí)，輸入門數(shù)據(jù)特征會(huì)在一定程度上給記憶數(shù)據(jù)特征進(jìn)行補(bǔ)償，因此需對(duì)輸入門特征參數(shù)進(jìn)行篩選，篩選控制系數(shù)求解見(jiàn)式（4）。（4）式中，表示輸入門的特征篩選控制系數(shù)；表示激活函數(shù)；表示當(dāng)前時(shí)刻輸入數(shù)據(jù)篩選控制權(quán)值系數(shù)；表示上一時(shí)刻數(shù)據(jù)狀態(tài)輸入篩選權(quán)值；表示篩選控制數(shù)據(jù)偏置常量。接著，結(jié)合式（2）、式（3）可對(duì)輸入門數(shù)據(jù)進(jìn)行篩選控制，篩選方法見(jiàn)式（5），（5）式中，表示輸入門篩選后的記憶參量補(bǔ)償量，該數(shù)值將對(duì)上一時(shí)刻的記憶參量進(jìn)行補(bǔ)償。最后，利用式（6）得出當(dāng)前時(shí)刻記憶參數(shù)的輸出值。（6）式中，為當(dāng)前時(shí)刻記憶參數(shù)輸出當(dāng)數(shù)據(jù)經(jīng)過(guò)輸出門時(shí)，將數(shù)據(jù)特征以及上一時(shí)刻狀態(tài)數(shù)據(jù)輸入到輸出門中，利用式（7）得到輸出狀態(tài)數(shù)據(jù)。（7）式中，表示輸出門中當(dāng)前時(shí)刻數(shù)據(jù)權(quán)值；表示輸出門中上一時(shí)刻狀態(tài)數(shù)據(jù)權(quán)值；表示輸出門中偏置量；表示輸出門中輸出數(shù)據(jù)。式（1）~式（7）給出了LSTM網(wǎng)絡(luò)的前向傳遞過(guò)程，通過(guò)給定原始數(shù)據(jù)以及所求解的預(yù)測(cè)數(shù)據(jù)可得出LSTM的誤差關(guān)系，見(jiàn)式（8）（8）式中，為t時(shí)刻的原始數(shù)據(jù)，結(jié)合式（8）分別求解該誤差與LSTM網(wǎng)絡(luò)各個(gè)參數(shù)的導(dǎo)數(shù)，并利用梯度下降算法可以對(duì)該模型進(jìn)行訓(xùn)練預(yù)測(cè)，得到最優(yōu)的LSTM網(wǎng)絡(luò)參數(shù)。3、模型的求解在上述理論基礎(chǔ)上，本文就雷達(dá)采集的目標(biāo)軌跡數(shù)據(jù)進(jìn)行分析，通過(guò)MATLAB編程，得出圖2與圖3所示的目標(biāo)軌跡采集數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)間關(guān)系。圖2給出了目標(biāo)的距離軌跡信息，該圖中隨著定時(shí)幀計(jì)數(shù)的推移，目標(biāo)的距離數(shù)值不斷減小，即目標(biāo)逐漸靠近雷達(dá)。同時(shí)，目標(biāo)的預(yù)測(cè)數(shù)據(jù)較好的表征所采集目標(biāo)數(shù)據(jù)的運(yùn)動(dòng)趨勢(shì)。圖3給出了目標(biāo)的速度軌跡信息，雷達(dá)跟蹤的目標(biāo)在幀號(hào)33500與34000之間速度不斷的上升，并在34200幀以后跟蹤速度穩(wěn)定。由于該部分?jǐn)?shù)據(jù)具有一定的非線性，LSTM網(wǎng)絡(luò)較好的預(yù)測(cè)了目標(biāo)的速度軌跡信息。圖2距離軌跡預(yù)測(cè)圖3速度軌跡預(yù)測(cè)在上述仿真的基礎(chǔ)上，本文對(duì)仿真模型進(jìn)行了檢驗(yàn)分析，進(jìn)一步驗(yàn)證了距離軌跡、速度軌跡仿真結(jié)果的有效性，具體見(jiàn)表1-1表1-1距離軌跡、速度軌跡檢驗(yàn)參數(shù)類別SSEMSER2距離軌跡1.72x1054.3X1030.9983速度軌跡3.35x1045770.9908表中SSE為預(yù)測(cè)數(shù)據(jù)與采集數(shù)據(jù)的和方差，MSE為均方差，R2為決定系數(shù)，總的來(lái)說(shuō)，在當(dāng)前數(shù)據(jù)量級(jí)下SSE與MSE較??；同時(shí)R2較高表示預(yù)測(cè)目標(biāo)軌跡效果較好，與采集數(shù)據(jù)較為一致。4、總結(jié)本文就雷達(dá)采集的目標(biāo)軌跡數(shù)據(jù)進(jìn)行分析，通過(guò)LSTM神經(jīng)網(wǎng)絡(luò)對(duì)軌跡數(shù)據(jù)進(jìn)行了仿真，結(jié)果表明，LSTM網(wǎng)絡(luò)對(duì)于軌跡預(yù)測(cè)效果較好。5、參考文獻(xiàn)[1]侯立賀.基于深度神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測(cè)方法研究[D].南京理工大學(xué),2020.DOI:10.27241/ki.gnjgu.2020.000458.[2]陸佳歡,曹宇軒,羊釗等.基于LSTM的四旋翼無(wú)人機(jī)軌跡預(yù)測(cè)方法[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,38(06):699-704.DOI:10.19492/ki.1672-0946.20