[发明专利]基于NRP-LSTM的非线性滤波方法

摘要

本发明公开了一种基于非递归处理长短期记忆网络NRP‑LSTM的非线性滤波方法，本发明实现的步骤如下：(1)构建非递归处理长短期记忆网络NRP‑LSTM；(2)生成训练数据集；(3)构建训练非递归处理长短期记忆网络NRP‑LSTM的代价函数；(4)训练非递归处理长短期记忆网络NRP‑LSTM；(5)对待滤波目标进行非线性滤波。本发明通过基于非递归处理长短期记忆网络NRP‑LSTM的非线性滤波方法，能够对非线性传感器观测下的非线性目标实施高精度的滤波，并提供滤波状态的方差信息。

主权项

1.一种基于非递归处理长短期记忆网络NRP‑LSTM的非线性滤波方法，其特征在于，构建非递归处理长短期记忆网络NRP‑LSTM，构建训练非递归处理长短期记忆网络NRP‑LSTM的代价函数，该方法的具体步骤包括如下：(1)构建非递归处理长短期记忆网络NRP‑LSTM：(1a)搭建一个5层的非递归处理长短期记忆网络NRP‑LSTM，其结构依次为：编码输入层→输入隐藏层→长短期记忆网络→输出隐藏层→解码输出层；(1b)设置非递归处理长短期记忆网络NRP‑LSTM的各层参数如下：将编码输入层设置为1×64的全连接层；将输入隐藏层和输出隐藏层均设置为64×64的全连接层；将长短期记忆网络的隐藏层设置为1、输入单元的个数设置为64、隐单元的个数设置为64；将解码输出层设置为64×2的全连接层；(2)生成训练数据集：(2a)根据非线性滤波的应用场景中目标的初始位置信息设定目标初始状态的概率分布；(2b)根据非线性滤波的应用场景中目标的运动信息设定状态转移表达式；(2c)利用目标初始状态的概率分布和状态转移公式，生成目标总数为N条真实的目标状态序列；(2d)根据非线性传感器信息设定传感器观测目标的观测公式(2e)利用非线性传感器观测目标的观测公式，生成对应于每一条真实目标状态序列的传感器观测序列；(2f)将所有目标状态序列与相应的传感器观测序列组成训练数据集；(3)构建训练非递归处理长短期记忆网络NRP‑LSTM的代价函数：将非线性传感器对目标的观测序列输入到非递归处理长短期记忆网络NRP‑LSTM中，分别输出均值序列和方差序列，将均值序列、方差序列、真实的目标状态序列组成非递归处理长短期记忆网络NRP‑LSTM的代价函数；所述代价函数如下：其中，J_f表示非递归处理长短期记忆网络NRP‑LSTM的代价函数，∑表示求和操作，n表示训练集中目标状态序列的序号，f_X(·)表示从非线性传感器对目标的观测序列到目标状态的均值序列的变换函数，Z_n表示训练集中非线性传感器对目标的第n条观测序列，X_n表示训练集中第n条状态序列，T表示转置操作，f_∑(·)表示从非线性传感器对目标的观测序列到目标状态的方差序列的变换函数，‑1表示求逆操作，|·|表示取绝对值操作，ln表示以常数e为底的对数符号；(4)训练非递归处理长短期记忆网络NRP‑LSTM：通过批梯度下降法，对非递归处理长短期记忆网络NRP‑LSTM的代价函数进行最小化处理，当该网络的代价函数趋于最小时，得到训练好的非递归处理长短期记忆网络NRP‑LSTM；(5)对待滤波目标进行非线性滤波：(5a)在非线性滤波的应用场景中用非线性传感器对待滤波目标进行观测；(5b)将每个观测时刻的待滤波目标的观测值，依次输入到训练好的非递归处理长短期记忆网络NRP‑LSTM中，得到相应的待滤波目标状态的均值和方差。