[发明专利]一种基于深度混合密度网络的航空器轨迹生成方法

权利要求书

1.一种基于深度混合密度网络的航空器轨迹生成方法，其特征在于，包括以下步骤：

(1)读取航空器轨迹数据，并对数据进行质量分析；

(2)对步骤(1)获取的航空器轨迹数据进行预处理；

(3)构建深度混合密度网络模型，所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层；并对网络模型进行超参数以及权重参数设置及优化；

(4)生成航空器轨迹：通过深度混合密度神经网络对大量的航空器轨迹进行建模，获取航空器轨迹的统计特性，采用轮盘赌采样方法对航空器轨迹数据进行采样生成；

步骤(3)所述的深度混合密度网络模型的构建过程如下：

其中，p(l_t|N_t)表示航迹各个时刻的混合概率密度分布函数，m是网络混合成分的个数；是在t时刻，混合成分i的权重；N(·)是核函数，是t时刻，混合成分i的方差；是t时刻，混合成分i的均值；

网络模型输出是航迹点的概率分布参数，采用极大似然估计的思想，最大化轨迹每个时刻的真实值在相应概率分布中的概率，通过取对数后取相反数的方法，构造如式(7)所示的误差函数：

其中，T是轨迹序列长度，l_t为真实航迹在t时刻的位置信息，是高斯概率密度函数。

2.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法，其特征在于，步骤(1)所述的航空器轨迹数据包括时间、雷达波号、航空器型号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度。

3.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法，其特征在于，所述步骤(2)实现过程如下：

(21)对步骤(1)获取的数据进行删除、插补、替换、排序；

(22)进行坐标变换，将地球的球坐标转换成笛卡尔坐标系：

X＝(N+h)×cosφ×cosλ (1)

Y＝(N+h)×cosφ×sinλ (2)

Z＝[N×(1-e²)+h]×sinφ (3)

其中，φ,λ,h分别表示纬度、经度、海拔高度；X,Y,Z表示三维笛卡尔坐标系坐标；N表示曲率半径，e表示偏心率；

(23)进行数据标准化处理，使用零均值标准化方法对航迹数据集进行标准化处理，从而生成无量纲的航迹数据集。

4.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法，其特征在于，步骤(3)所述的超参数的设置及优化的过程如下：

网络的超参数包括序列长度、模型隐藏层数量、各隐藏层的神经元个数、每批次训练样本的大小、最大迭代次数、迭代停止准则、初始学习率、混合密度网络中混合成分的个数；其中，序列长度根据实际应用需求确定，剩余超参数通过设定各个超参数的取值来使用范围贝叶斯优化库进行优化来确定，从而确定最终的最优超参数；其中，在最小化验证误差过程中，采用10折交叉验证的方法，将之前分的训练集组合成10组不同的训练集和验证集，用10组验证误差的平均值作为模型最后的验证误差。

5.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法，其特征在于，步骤(3)所述的权重参数的设置及优化的实现过程如下：

网络的初始权值参数在[0,1]区间随机赋值，通过前馈传播过程，经双向长短时记忆神经网络层获取预测轨迹数据特征，学习轨迹序列数据间内部依赖和映射关系，通过混合密度模型神经网络的参数化，结合真实轨迹点，获取轨迹中每一个点的概率密度参数，计算损失函数，结合自适应矩估计优化器以及学习率指数衰减算法对网络权值参数的迭代更新。

6.根据权利要求1所述的基于深度混合密度网络的航空器轨迹生成方法，其特征在于，所述步骤(4)实现过程如下：

将深度混合密度网络的输出用以计算每个混合成分的累计权重q_j，随机生成变量r∈[0,1]，若累计权重q_jr，选择第j个混合成分作为航迹点的父代来生成新的航迹点；利用第j个混合成分的均值和方差建立混合高斯分布模型，从中随机选取一个满足该分布的点作为下一个航迹点的位置信息，即生成了新的航迹点；将新生成的航迹点信息加入输入数据集中，去掉初始航迹点数据集的第一个航迹点，获取新的航迹数据，航迹数据序列长度不变；然后继续加入网络训练，生成新的航迹点，如此往复迭代即可生成航空器轨迹：

其中，q_j为每个混合成分的累计权重；m为网络混合成分的个数；α_j为第j个混合成分的权重。