1.一种基于贝叶斯神经网络的固定翼无人机态势预测方法，其特征在于，包括以下步骤：步骤一、建立适用于时间序列预测的贝叶斯网络；

所述步骤一包括如下步骤：

S11：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；

S12：使用双循环函数和切片操作从S11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；

1)使用双循环函数对S11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，选取总量为batch_size∈(1000,tracks_num×time_long)；

2)以在S12步骤1)中选取的索引idex为切片的开始端，向后选取连续的time_long个时间步作为一段数据，共选取batch_size条数据段,每段长为time_step，每条数据段记为α；

3)在S12步骤1)和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为训练和测试的总批次，time_step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；

4)将收集到的数据集打乱顺序后随机选取batch_size的70％‑80％作为训练集trian_data，形状为(train_data,time_step,features_num)，数据集的剩余部分作为测试集test_data，形状为(batch_size‑train_data,time_step,features_num)

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input_step秒切分出作为数据值，数据段α的剩余部分作为标签，此时共获得如下数据集：用于训练的输入数据input_train，形状为(train_data,input_step,features_num)；

与训练集相对应的标签output_train，形状为(train_data,output_step,features_num)；

用于测试的输入数据input_test，形状为(test_data,input_step,features_num)测试数据集对应的标签output_test，形状为(test_data,output_step,features_num)；

S13：在S12步骤3)中得到的数据集第三维features_num，记为Sa＝(x,y,z,v,ψ,γ)其中：x为无人机在x轴像素坐标值，x的计算公式为：

x＝vcosγsinψ (1)

y为无人机在y轴像素坐标值，y的计算公式为：

y＝vcosγcosψ (2)

z为无人机在z轴像素坐标值，z的计算公式为：

z＝vsinγ (3)

v为无人机的速度，v的计算公式为：

v＝g(nx‑sinγ) (4)

ψ为无人机的航向角，ψ的计算公式为：

γ为无人机的航迹角，γ的计算公式为：

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features_num×output_step，表示预测的数据为敌方无人机在output_step中每一步的运动学特征；

S14: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mu方差为rho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；

S15：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：loss＝log_post‑log_prior‑log_like (7)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；

S16:使用该网络在训练集上训练，并保存训练后的模型结构及参数；

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；

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。

2.根据权利要求1所述的基于贝叶斯神经网络的固定翼无人机态势预测方法，其特征在于，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，将感知得到的数据传递到步骤S16训练好的贝叶斯神经网络中。

3.根据权利要求1所述的基于贝叶斯神经网络的固定翼无人机态势预测方法，其特征在于，所述步骤三包括如下步骤：S31:根据我方无人机获取的敌方态势信息数据Sb，利用步骤S14搭建好的神经网络，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)；

S32：将预测得到的数据传递回己方无人机，己方无人机利用该态势信息，在空战中抢占有利态势。