一种基于贝叶斯神经网络的固定翼无人机态势预测方法

本发明涉及无人机态势预测，尤其涉及一种基于贝叶斯神经网络的固定翼无人机态势预测方法。

背景技术：

1、随着无人机技术的快速发展，固定翼无人机空战已经成为现代战争中的重要组成部分。在这种战斗环境中，预测获得对方无人机的态势信息对于指定战术决策和实施打击行动至关重要，实现对于敌方无人机态势信息的预测，不仅需要依赖高精度的传感器，如雷达、红外传感器和摄像头等，还需要成熟可靠的预测算法来应用从传感器得来的数据完成预测。

2、在无人机面对高对抗的战场环境时需要对敌方无人机的态势信息进行分析，而当前基于神经网络的的预测往往过于自信，例如在《modeling vehicle interactions viamodified lstm models for trajectory prediction》这篇文章中，lstm作为专用于时间序列的神经网络预测车辆轨迹，往往于过度依赖历史数据且在训练和推理过程中需要大量的计算资源和时间，且只能预测单一的态势信息。因此，用lstm等传统神经网络预测敌方无人机态势将无法客观地对预测的不确定性进行度量，容易产生过拟合的问题，最终在战场环境下造成无法挽回的后果，本发明就是为了解决在战场环境下，对敌方固定翼无人机态势信息预测单一且无法预测不确定性的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于贝叶斯神经网络的固定翼无人机态势预测方法，该预测方法可以对敌方无人机的态势信息做出快速预测，并给出预测的不确定性，有助于降低神经网络的过拟合。

2、本发明的发明思想为：首先，建立适用于时间序列预测的贝叶斯网络，再通过我方无人机传感器系统获取敌方无人机的最新的态势信息，最后使用已建立的贝叶斯神经网络对敌方无人机下一时刻的态势做预测。

3、本发明赋予无人机预测敌方无人机未来态势信息的能力，并给出预测结果的不确定性。

4、本发明是通过如下措施实现的：一种基于贝叶斯神经网络的固定翼无人机态势预测方法，包括以下步骤：

5、步骤一、建立适用于时间序列预测的贝叶斯网络，并保存训练后的网络参数及结构，方便后期收集到敌方无人机的实时态势信息后进行实时预测；

6、步骤二、通过我方无人机传感器系统获取敌方无人机的最新的态势信息，将敌方的态势信息整理后传递给贝叶斯神经网络，便于神经网络进行快速预测；

7、步骤三、使用已建立的贝叶斯神经网络对敌方无人机下一时刻的态势做预测，最后将预测得到的敌方无人机态势信息传回我方无人机，使我方无人机可以未来时刻抢先占据有利位置。

8、进一步地，所述步骤一包含如下步骤：

9、1-1)、收集充足且相互独立不重复的敌方无人机的态势信息数据，数据形状是(tracks_num,time_long,features_num)，其中tracks_num表示收集到的敌方无人机态势信息数量，time_long表示收集到的每条敌方无人机态势信息数据的时间步长，features_num表示输入网络的敌方无人机的态势信息特征数量；

10、1-2)、使用双循环函数和切片操作从1-1)步骤收集到的数据集中随机选取用于训练贝叶斯神经网络的训练数据和测试数据；

11、1-2-1)、使用双循环函数对1-1)步骤收集到的数据的第一维度tracks_num和第二维度time_long选取索引idex，选取的总量为batch_size∈(1000,tracks_num×time_long)；

12、1-2-2)、以在步骤1-2-1)中选取的索引idex为切片的开始端，向后选取连续的6个时间步作为一段数据，共选取batch_size条数据段,每段长为6，每条数据段记为α；

13、1-2-3)、在步骤1-2-1)和步骤1-2-2)中选取的数据是形状为(batch_size,time_step,features_num)的三维数组，其中batch_size＝3000为训练和测试的总批次，time_step＝6为单段无人机态势信息的时间步长，features_num表示敌方无人机的态势信息特征数量；

14、1-2-4)、将收集到的数据集打乱顺序后选取batch_size的80％作为训练集trian_data，形状为(2400,6,features_num)，剩余20％作为测试集test_data，形状为(800,6,features_num)；

15、1-2-5)、对于训练集train_data和测试集test_data中的每一条数据段α，将前5秒切分出作为数据值，第6秒作为标签，此时共获得4份数据集分别为：

16、用于训练的输入数据input_train，形状为(2400,5,features_num)；

17、训练数据集对应的标签数据集output_train，形状为(2400,1,features_num)；

18、用于测试的输入数据input_test，形状为(800,5,features_num)；

19、测试数据集对应的标签数据集output_test，形状为(800,1,features_num)。

20、1-3)、在步骤1-2-3)中得到的数据集第三维features_num数量为6，记为sa＝(x,y,z,v,ψ,γ)其中：

21、x为无人机在x轴像素坐标值，x的计算公式为：

22、x＝v cosγsinψ                               (1)

23、y为无人机在y轴像素坐标值，y的计算公式为：

24、y＝v cosγcosψ                               (2)

25、z为无人机在z轴像素坐标值，z的计算公式为：

26、z＝v sinγ                                 (3)

27、v为无人机的速度，v的计算公式为：

28、v＝g(nx-sinγ)                               (4)

29、ψ为无人机的航向角，ψ的计算公式为：

30、

31、γ为无人机的航迹角，γ的计算公式为：

32、

33、nx为无人机切向过载，nz为无人机的法向过载，φ为无人机绕速度矢量的滚转角，g为重力加速度。输出特征output_size为6×1，表示预测的数据为敌方无人机在第6秒的上述6个运动学特征；

34、1-4)、建立具有贝叶斯特性的神经网络层linear_bbb，该神经网络层定义了每个节点的权重w和偏置b都为在均值为0方差为1的正态分布中采样得到的随机变量，该神经网络层中权重的均值w_mu和权重的方差w_rho是形状为(input_size,putput_size)的矩阵，偏置的权重b_mu和偏置的方差b_rho是形状为(output_size)的矩阵；

35、1-5)、构建网络mlp_bbb，在网络中创建上述定义的linear_bbb实例，该贝叶斯神经网络使用变分推断中的证据下界elbo(evidence lower bound)作为损失函数，并规定在前向传播方法中计算linear_bbb层中对数先验分布log_prior、对数后验分布log_post与对数似然log_like，并定义该网络损失函数sample_elambo的计算式为：

36、loss＝log_post-log_prior-log_like                      (7)

37、在该网络的损失函数中log_post-log_prior为复杂度代价，log_like为误差代价；

38、1-6)、使用该网络在训练集上训练和测试，在测试通过后，保存训练后的模型结构及参数。

39、进一步地，所述步骤二中，通过我方无人机的传感器系统实时感知敌方无人机的态势信息数据sb，该数据应为敌方无人机最新5秒的态势信息，即sb的形状为(5,6),其中5为敌方无人机最后五秒的态势信息，6为敌方无人机每秒的6个运动学特征，将感知得到的数据传递到步骤1-6)中已经训练好的贝叶斯神经网络中。

40、进一步地，所述步骤三，包含如下步骤：

41、3-1)、根据我方无人机获取地敌方态势信息数据sb，利用步骤1-6)搭建好的贝叶斯神经网络，输出敌方无人机在下一秒的态势信息数据s，其中s＝(x,y,z,v,ψ,γ)；

42、3-2)将预测得到的数据传递给回己方无人机，己方无人机利用该态势信息，在空战中抢占有利态势。

43、与现有技术相比，本发明的有益效果为：

44、(1)本发明引入不确定性建模，贝叶斯神经网络能够对预测的结果进行不确定性加性，这是传统神经网络所不具备的，在无人机态势预测中，环境变化、传感器噪声等因素回导致不确定性，而贝叶斯神经网络能够提供更准确的预测结果，并且给出每个预测结果的概率分布，从而更好地量化预测的可信度。

45、(2)本发明在数据不足的情况下表现更好，无人机态势预测往往面临数据不足的挑战，传统的神经网络在这种情况下容易出现过拟合，而贝叶斯神经网络通过引入先验概率，对网络参数进行建模，有助于缓解过拟合问题，使得模型在小数据集上表现更稳健。

46、(3)本发明对敌方无人机的态势预测能够给出每个预测值的置信度和概率分布，这种可解释性在无人机决策系统中非常重要，与传统神经网络相比，贝叶斯神经网络更容易解释预测结果，帮助决策者更好地理解模型的预测逻辑。

47、(4)本发明中的贝叶斯神经网络提供了参数的概率分布，它可以用于聚类和异常检测任务，这对于识别敌方无人机行为中的异常情况十分有效。

48、(5)本发明中的贝叶斯贝叶斯神经网络可以更有效的管理神经网络中涉及到的超参数，并更好地探索参数空间，这可以在不同任务之间共享超参数的统计信息，提高了模型的效率和稳定性。