[发明专利]一种高速大范围机动目标轨迹的智能实时预测方法

权利要求书

1.一种高速大范围机动目标轨迹的智能实时预测方法，其特征在于，包括步骤如下：

步骤一、构建BP神经网络模型；

步骤二、构建学习样本；学习样本构建的方法如下：

将过去t₀～t_m时刻对应的m+1组动目标位置的采样数据作为初始学习样本，令和分别作为输入学习样本和输出学习样本，并对输入学习样本和输出学习样本进行归一化处理；

其中，t_m＝t₀+mT，T代表星载计算机采样周期；m为正整数，表示所要统计的第m个采样周期；t_ξ表示采样时刻，x(t_ξ)表示t_ξ时刻对应的动目标位置；ξ＝1,2,3,…,m；t₀表示初始采样时刻，x(t₀)表示t₀时刻对应的动目标位置。

步骤三、训练BP神经网络模型；

步骤四、将目标上一采样时刻的时间—位置坐标(t_m,x(t_m))作为神经网络的输入，预测目标下一采样时刻t_m+1的位置x(t_m+1)，并进行归一化处理，完成单步预测；

步骤五、更新学习样本为并重复步骤三，完成滚动预测。

2.根据权利要求1所述的一种高速大范围机动目标轨迹的智能实时预测方法，其特征在于，步骤一的具体方法如下：

构建包括输入层、隐含层和输出层的三层BP神经网络模型；在该模型中存在两类信号：函数信号和误差信号；其中，函数信号是以输出函数的形式从输入层到输出层进行正向传播，每一层的神经元只影响下一层神经元；误差信号是以误差函数的形式从输出层到输入层进行反向传播。

3.根据权利要求1或2所述的一种高速大范围机动目标轨迹的智能实时预测方法，其特征在于，步骤三的具体步骤如下：

步骤3.1、建立代价函数ε(n)；

其中，n表示第n步迭代，为正整数；

步骤3.2、构建隐含层神经元j到输出层神经元k的权值调整策略Δw_kj(n)；k＝1,2,3,...,l，l为输出层神经元的个数；j为正整数；

步骤3.3、构建输入层神经元i到隐含层神经元j的权值调整策略Δw_ji(n)。

4.根据权利要求3所述的一种高速大范围机动目标轨迹的智能实时预测方法，其特征在于，步骤3.1中：

e_k(n)＝d_k(n)-y_k(n)，

其中：k表示输出层的第k个神经元；e_k(n)为第k个输出神经元的实际输出y_k(n)与期望输出d_k(n)的误差函数。

5.根据权利要求4所述的一种高速大范围机动目标轨迹的智能实时预测方法，其特征在于，步骤3.2中，隐含层神经元j到输出层神经元k的权值调整策略Δw_kj(n)为：

式中：η(n)为学习率，其计算公式为η(n)＝2^γη(n-1)，指数γ的计算公式为γ＝sgn[ε(n-1)ε(n)]；δ_k(n)为局部梯度，其计算公式为

表示输出层神经元k激活函数的导数；v_k(n)为诱导局部域，其计算公式为w_kj(n)为隐含层神经元j到输出层神经元k的权值；y_j(n)表示隐含层神经元j的实际输出；α_kj为隐含层神经元j到输出层神经元k的动量因子。