欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202111650655X
申请人: 河南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:包括以下步骤:步骤1:实时探测机动目标的轨迹数据,具体的:设定无线传感器网络可以实时观测到机动目标的位置坐标信息,对于已采集的历史轨迹数据表现为时间序列的形式,记为x(n),n=1,2,…,N;采用改进的C-C方法确定重构相空间的嵌入维数m和延迟时间τ,将所述历史轨迹数据重构到m维相空间,重构后多维时间序列记为X步骤2:建立预测模型,具体的:

根据步骤1中所述重构相空间的嵌入维数m和延迟时间τ,建立下述基于相空间的p阶Volterra级数预测模型:其中,

步骤3:建立动态滑动窗口,具体的:

根据步骤1所述已采集的历史轨迹数据确定动态滑动窗口的固定部分长度,记为w;根据机动目标的轨迹特征以及算法的预测误差确定滑动窗口的动态调节部分长度,记为Δw;动态滑动窗口的长度由所述固定部分和动态调节部分构成,记为W;对于实时移动的机动目标,从t=t步骤4:动态调节滑动窗口的长度,具体的:根据步骤3所述滑动窗口的动态调节部分长度由机动目标的轨迹特征以及算法的预测误差确定;从所述t=t步骤5:对滑动窗口内数据赋权值,具体的:根据步骤3和步骤4所构建的动态滑动窗口在线选取最新的机动目标轨迹数据,使用所述嵌入维数m和延迟时间τ对窗口内的数据进行相空间重构,并改为Volterra级数预测模型的输入数据形式,记为U(l),l=1,2,…,M;结合sigmoid函数,对动态滑动窗口内的各个数据按照递增的原则赋予权重,记为α步骤6:调用粒子群算法并设置初始参数,具体的:根据步骤5得到具有权重的动态滑动窗口数据,将其作为粒子群算法的训练数据;设定粒子群算法迭代次数从ite=1开始,最大迭代次数为ite步骤7:种群初始位置设置,具体的:

根据步骤5和步骤6得到动态滑动窗口以及粒子群算法初始参数,判断是否首次调用粒子群算法;

若是,采用均分网格法初始化种群位置:首先将所述搜索上限否则,使用上次保存的粒子最优位置作为本次调用粒子群算法的种群初始位置,记为步骤8:粒子群辨识寻优,具体的:

根据步骤7得到粒子群初始位置

步骤9:轨迹预测,具体的:

根据步骤8所得最优粒子位置作为所述Volterra级数预测模型的参数,将所述动态滑动窗口内的数据作为预测模型的输入数据,计算得到机动目标的在t=t步骤10:残差补偿法校正预测值,具体的:根据步骤9所得单步外推预测值

步骤11:重复步骤3至步骤10,直到停止预测机动目标轨迹。

2.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤1所述重构后多维时间序列记为XX

其中,M=N-(m-1)τ为历史轨迹数据序列重构后的多维空间相点数。

3.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤3中所述动态滑动窗口的长度W采用如下方法计算:W=w+Δw

其中,w为固定部分长度,其大小由已收集到历史轨迹数据量决定;Δw为动态调节部分长度,其大小由轨迹数据特征和预测误差波动决定。

4.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤4中所述滑动窗口的动态调节部分的长度Δw采用如下方法计算:式中,

其中,λ和μ为平滑因子,用以调节Δw的大小;δ和ε为设定的调节阈值,其中,0≤δ≤1,0≤ε≤1;Z

5.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤5中所述Volterra级数预测模型的输入数据记为U(l),l=1,2,…,M,具体形式如下:U(l)=[1,x(l+(m-1)τ),…,x(l),x其中,M=W-(m-1)τ为动态滑动窗口内数据重构后的多维空间相点数;m为嵌入维数;τ为延迟时间;p为Volterra级数预测模型阶数;

步骤5中所述滑动窗口内各个数据的自适应权重α式中,

a

其中,动态滑动窗口中越靠后的轨迹数据所拥有的权重越大。

6.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤6中所述搜索空间维数D采用如下方法计算:其中,p为Volterra级数预测模型的阶数;m为嵌入维数;C为组合数公式。

7.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤7中所述间隔值I其中,

8.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤8中所述第i个粒子的适应度值其中,α

步骤8中所述粒子群第i个粒子的速度和位置进化规则采用如下方法计算:其中,v

9.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤10中所述最大长度为动态滑动窗口长度W的偏差向量ΔE,具体形式如下:ΔE=[Δe(k-W+1),Δe(k-W+2),…,Δe(k)]其中,

10.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法,其特征在于:步骤10中所述校正后的轨迹预测值其中,