一种基于长期短期记忆和多头注意力机制的新型高超音速目标轨迹估计方法.

科学领域:

• 航空航天工程 航空航天工程
• 人工智能的人工智能
• 信息理论 信息理论

背景情况:

• 超音速目标在相邻空间中表现出复杂的机动特性,这对传统的轨迹估计构成了挑战.
• 对这些轨迹的准确预测对于国防和监视应用至关重要.

研究的目的:

• 为高超音速目标开发一种先进的轨迹估计方法.
• 通过将长短期记忆 (LSTM) 网络与注意力机制集成来提高预测准确性和计算效率.
• 使用信息理论原则优化模型.

主要方法:

• 构建了一个目标动态模型来定义运动行为参数.
• 设计了一个LSTM模型,其中包含一个注意力机制,以专注于关键的历史轨迹数据.
• 应用特征选择和数据预处理以减少冗余并提高模型训练期间信息有效性.

主要成果:

• 实现了高超音速目标轨迹的准确预测,即使使用有限的计算资源.
• 在复杂的动态环境中证明了更好的预测准确性和稳定性.
• 验证了注意力机制在改善信息利用方面的有效性.

结论:

• 建议使用注意力机制的LSTM轨迹估计方法为预测高超音速目标机动提供了强大的解决方案.
• 整合信息理论原则可以提高模型的优化和性能.
• 该方法显示了在航空航天监视中实际应用的巨大潜力.