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

基于LSTM神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)軌跡預(yù)測摘要：目標(biāo)軌跡信息表征目標(biāo)的運動特征，通過預(yù)測軌跡數(shù)據(jù)可以對目標(biāo)運動趨勢進(jìn)行預(yù)判，并實現(xiàn)對目標(biāo)的定位分析。為此，本文利用LSTM神經(jīng)網(wǎng)絡(luò)對雷達(dá)采集目標(biāo)軌跡進(jìn)行預(yù)測，通過MATLAB編程對預(yù)測的軌跡數(shù)據(jù)進(jìn)行驗證。

1、引言雷達(dá)采集的軌跡信息包含了目標(biāo)的位置特征，通過對目標(biāo)軌跡預(yù)測可實現(xiàn)對軌跡的精確定位。就軌跡預(yù)測問題而言，常采用以下幾種方法進(jìn)行處理，首先可利用時間序列ARIMA模型、回歸模型進(jìn)行軌跡預(yù)測，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)對雷達(dá)軌跡數(shù)據(jù)進(jìn)行預(yù)測分析。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)特征對模型進(jìn)行學(xué)習(xí)、訓(xùn)練以及預(yù)測。在LSTM網(wǎng)絡(luò)中，數(shù)據(jù)信息的流動分別由兩條數(shù)據(jù)線驅(qū)動，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)對當(dāng)前數(shù)據(jù)狀態(tài)特征進(jìn)行傳輸控制。針對該網(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)前時刻t的遺忘門記憶數(shù)據(jù)特征與當(dāng)前時刻的數(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，表示遺忘門對當(dāng)前時刻數(shù)據(jù)的加權(quán)系數(shù)，表示遺忘門對上一時刻狀態(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)合上一時刻的記憶系統(tǒng)數(shù)據(jù)驅(qū)動參數(shù)得到當(dāng)前狀態(tài)的主要的記憶細(xì)胞數(shù)據(jù)，具體見式（2）。（2）式（2）中，表示兩數(shù)據(jù)集間點乘運算；表示當(dāng)前時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，首先需要提取輸入數(shù)據(jù)的數(shù)據(jù)特征，其次將對上一時刻記憶數(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刻狀態(tài)數(shù)據(jù)權(quán)值；為輸入門偏置常量。同時，輸入門數(shù)據(jù)特征會在一定程度上給記憶數(shù)據(jù)特征進(jìn)行補(bǔ)償，因此需對輸入門特征參數(shù)進(jìn)行篩選，篩選控制系數(shù)求解見式（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)前時刻輸入數(shù)據(jù)篩選控制權(quán)值系數(shù)；表示上一時刻數(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）可對輸入門數(shù)據(jù)進(jìn)行篩選控制，篩選方法見式（5），（5）式中，表示輸入門篩選后的記憶參量補(bǔ)償量，該數(shù)值將對上一時刻的記憶參量進(jìn)行補(bǔ)償。最后，利用式（6）得出當(dāng)前時刻記憶參數(shù)的輸出值。（6）式中，為當(dāng)前時刻記憶參數(shù)輸出當(dāng)數(shù)據(jù)經(jīng)過輸出門時，將數(shù)據(jù)特征以及上一時刻狀態(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)前時刻數(shù)據(jù)權(quán)值；表示輸出門中上一時刻狀態(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)的前向傳遞過程，通過給定原始數(shù)據(jù)以及所求解的預(yù)測數(shù)據(jù)可得出LSTM的誤差關(guān)系，見式（8）（8）式中，為t時刻的原始數(shù)據(jù)，結(jié)合式（8）分別求解該誤差與LSTM網(wǎng)絡(luò)各個參數(shù)的導(dǎo)數(shù)，并利用梯度下降算法可以對該模型進(jìn)行訓(xùn)練預(yù)測，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，該圖中隨著定時幀計數(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，目標(biāo)的預(yù)測數(shù)據(jù)較好的表征所采集目標(biāo)數(shù)據(jù)的運動趨勢。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)測了目標(biāo)的速度軌跡信息。圖2距離軌跡預(yù)測圖3速度軌跡預(yù)測在上述仿真的基礎(chǔ)上，本文對仿真模型進(jìn)行了檢驗分析，進(jìn)一步驗證了距離軌跡、速度軌跡仿真結(jié)果的有效性，具體見表1-1表1-1距離軌跡、速度軌跡檢驗參數(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)，總的來說，在當(dāng)前數(shù)據(jù)量級下SSE與MSE較小；同時R2較高表示預(yù)測目標(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LSTM神經(jīng)網(wǎng)絡(luò)對軌跡數(shù)據(jù)進(jìn)行了仿真，結(jié)果表明，LSTM網(wǎng)絡(luò)對于軌跡預(yù)測效果較好。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的四旋翼無人機(jī)軌跡預(yù)測方法[J].哈爾濱商業(yè)大學(xué)學(xué)報(自然科學(xué)版),2022,38(06):699-704.DOI:10.19492/ki.1672-0946.20