[发明专利]一种基于LSTM的预测目标运动的方法

权利要求书

1.一种基于LSTM的预测目标运动的方法，其特征在于，包括：使用训练集训练模型，使用验证集评估模型，根据在验证集上获得的效果调整参数，迭代上述过程，选择在验证集上获得最佳效果的模型，使用测试集确认模型的效果；由m个样本、每个样本f个特征、序列长度S，令X＝[X⁽¹⁾，X⁽²⁾，...，X^(m)]构造m×S×f的矩阵X表示训练数据，令构造矩阵(X，Y)表示数据集，Y表示X对应的输出响应，在当前时刻t向后预测目标在Δt后的的运动特征；采用LSTM设计预测网络结构，训练数据依次通过序列输入层、LSTM层、全链接层、回归输出层，设置序列输入层的节点数为输入特征数、全链接层的节点数为输出响应数，令LSTM的隐藏节点数可调整；训练数据穿越LSTM单元，第一个LSTM单元用初始状态更新状态并输出，向第二个单元传递，令h_t和c_t为某单元在时间步t的输出和状态，则该单元的输入为c_t-1和h_t-1以及x_t，最后一个LSTM单元输出最终状态。

2.根据权利要求1所述的基于LSTM的预测目标运动的方法，其特征在于，还包括：设计三个门限开关控制状态C的传递，门限开关一保存长期状态C，门限开关二将即时状态输入到长期状态，门限开关三将长期状态C作为当前LSTM单元的输出。

3.根据权利要求2所述的基于LSTM的预测目标运动的方法，其特征在于，还包括：将门限开关整合为全链接层，输入一个向量，输出一个0到1之间的实数向量；若输出0，则任何向量与0相乘得到0向量，无信息通过；若输出1，则任何向量与1相乘得到原向量，所有信息通过。

4.根据权利要求1所述的基于LSTM的预测目标运动的方法，其特征在于，还包括：设置偏置项b_f、b_i、b_c、b_o和权重矩阵W_f、W_i、W_c、W_o，设[h_t-1，x_t]将两个向量连接成一个向量，采用公式七构造sigmoid函数σ，采用公式八计算当前单元的状态，采用公式九计算均方根误差，以评估预测性能。

5.根据权利要求4所述的基于LSTM的预测目标运动的方法，其特征在于，还包括：设计遗忘门限开关和输入门限开关控制状态C的内容，遗忘开关采用公式一f_t＝σ(W_f·[h_t-1，x_t]+b_f)保留长期记忆c_t-1的部分信息到新记忆c_t；输入门限开关采用公式二i_t＝σ(W_i·[h_t-1，x_t]+b_i保留输入x_t的部分信息到新记忆c_t；采用公式四计算当前记忆设按元素乘，采用公式三计算新记忆c_t。

6.根据权利要求5所述的基于LSTM的预测目标运动的方法，其特征在于，还包括：设计输出门限开关，采用公式五o_t＝σ(W_o·[h_t-1，x_t]+b_O)保留新记忆c_t的部分信息到输出h_t，采用公式六计算t时刻的输出。