本發(fā)明涉及無(wú)人水面艦船集群軌跡預(yù)測(cè)，特別是涉及一種不確定性環(huán)境下無(wú)人水面艦船集群軌跡預(yù)測(cè)方法和系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展，無(wú)人艦船集群在海上軍事中扮演著越來(lái)越重要的角色。為了確保無(wú)人艦船水面集群的安全和運(yùn)行效率，了解無(wú)人艦船集群在特定時(shí)間的行駛方向和位置至關(guān)重要。通過(guò)艦船軌跡預(yù)測(cè)方法預(yù)測(cè)己方和友軍無(wú)人艦船集群的軌跡，可以減少碰撞和擁堵風(fēng)險(xiǎn)，提高海上行動(dòng)的安全性和效率。

2、基于深度學(xué)習(xí)的艦船軌跡預(yù)測(cè)方法是目前主流的方法。通過(guò)深度神經(jīng)網(wǎng)絡(luò)從艦船的歷史軌跡中提取特征，進(jìn)而精準(zhǔn)地預(yù)測(cè)其未來(lái)的移動(dòng)路徑。為了能夠更加準(zhǔn)確的預(yù)測(cè)軌跡，需要提取軌跡中的長(zhǎng)期時(shí)間相關(guān)性。但是，現(xiàn)有的方法對(duì)長(zhǎng)期預(yù)測(cè)的建模能力有限，對(duì)先前學(xué)習(xí)的知識(shí)參數(shù)遺忘。并且，由于海面的高動(dòng)態(tài)和環(huán)境的不確定，例如環(huán)境復(fù)雜、間隔距離遠(yuǎn)等因素，導(dǎo)致從激光雷達(dá)等獲得的軌跡數(shù)據(jù)存在大量噪聲，這極大的影響了軌跡預(yù)測(cè)的精度。

3、例如，現(xiàn)有的一種基于ais數(shù)據(jù)和lstm的船舶軌跡預(yù)測(cè)方法，該方法是基于ais系統(tǒng)獲取歷史軌跡預(yù)測(cè)，并充分利用運(yùn)動(dòng)學(xué)知識(shí)對(duì)ais數(shù)據(jù)精細(xì)處理，深入捕捉船舶更為微妙的運(yùn)動(dòng)的特征，也采用基于lstm的網(wǎng)絡(luò)結(jié)構(gòu)提升網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)的預(yù)測(cè)能力，還采用改進(jìn)的cell結(jié)構(gòu)為模型提供更加靈活的特征提取工具，有效提升預(yù)測(cè)模型的準(zhǔn)確性。

4、該方法采用基于lstm的網(wǎng)絡(luò)結(jié)構(gòu)建模軌跡的時(shí)間依賴(lài)性，無(wú)法對(duì)長(zhǎng)期的運(yùn)動(dòng)特征進(jìn)行提取，導(dǎo)致再預(yù)測(cè)長(zhǎng)期的艦船軌跡時(shí)誤差較大。

5、專(zhuān)利文件cn117291295a公布了一種基于改進(jìn)鯨魚(yú)算法的jmimha-bigru船軌跡預(yù)測(cè)方法。從ais系統(tǒng)中獲取船舶軌跡，構(gòu)建數(shù)據(jù)樣本，利用數(shù)據(jù)樣本構(gòu)建得到船舶軌跡時(shí)間序列數(shù)據(jù)集。構(gòu)建基于多頭自注意力機(jī)制的jmimha-bigru船舶軌跡預(yù)測(cè)模型，并采用船行駛信息時(shí)間序列數(shù)據(jù)集和鯨魚(yú)優(yōu)化算法對(duì)jmimha-bigru的模型參數(shù)進(jìn)行訓(xùn)練。將船舶當(dāng)前軌跡輸入至訓(xùn)練好的jmimha-bigru船舶軌跡預(yù)測(cè)模型中，得到船舶預(yù)測(cè)軌跡。

6、該方法采用從ais系統(tǒng)中獲取船舶軌跡訓(xùn)練和評(píng)估基于多頭自注意力機(jī)制的jmimha-bigru船舶軌跡預(yù)測(cè)模型。采集的數(shù)據(jù)中存在大量噪聲，使訓(xùn)練出的模型預(yù)測(cè)誤差較大。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種不確定性環(huán)境下無(wú)人水面艦船集群軌跡預(yù)測(cè)方法和系統(tǒng)，其能夠減少噪聲對(duì)艦船軌跡預(yù)測(cè)的影響，提高預(yù)測(cè)精度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種不確定性環(huán)境下無(wú)人水面艦船集群軌跡預(yù)測(cè)方法，其包括：

3、步驟1，采用自適應(yīng)線性調(diào)頻模式分解算法，將原始軌跡數(shù)據(jù)s(t)分解為q個(gè)信號(hào)分量，第q個(gè)信號(hào)分量表示為sq(t)，q∈(1,2,...，q)，將q個(gè)信號(hào)分量中的前k個(gè)且包括第k個(gè)信號(hào)分量作為有用的信號(hào)分量s1＝{sq(t)|q∈(1,2,...k)}，將剩余的信號(hào)分量作為艦船軌跡數(shù)據(jù)的噪聲s2＝{sq(t)|q∈(k+1,k+2,...，q)}，k<q，將噪聲s2進(jìn)行濾除，輸出去噪后的軌跡數(shù)據(jù)

4、步驟2，基于mamba對(duì)艦船軌跡的時(shí)間相關(guān)性構(gòu)建模型，通過(guò)構(gòu)建好的模型提取艦船的運(yùn)動(dòng)模式m；

5、步驟3，根據(jù)每個(gè)艦船及其周?chē)灤诿總€(gè)時(shí)間步的空間位置構(gòu)建交互圖gs，更新交互圖gs中每個(gè)節(jié)點(diǎn)和邊es的信息，獲取艦船的交互特征i；

6、步驟4，將步驟2的運(yùn)動(dòng)模式m和步驟3的交互特征i進(jìn)行融合，預(yù)測(cè)艦船的未來(lái)軌跡。

7、進(jìn)一步地，步驟1的“將q個(gè)信號(hào)分量中的前k個(gè)且包括第k個(gè)信號(hào)分量作為有用的信號(hào)分量s1”具體包括：

8、步驟121，根據(jù)初始信號(hào)，通過(guò)式(2)計(jì)算信號(hào)分量sq(t)，其中，計(jì)算第一個(gè)信號(hào)分量s1(t)時(shí)，初始信號(hào)是原始軌跡數(shù)據(jù)s(t)：

9、

10、式中，bq(t)為sq(t)在時(shí)間步t的時(shí)變振幅，dq(t)為sq(t)在時(shí)間步t的相位，通過(guò)式(3)計(jì)算獲得，fq(t)、分別表示表示信號(hào)分解過(guò)程中sq(t)對(duì)應(yīng)的瞬時(shí)頻率、參考頻率、估計(jì)頻率；

11、

12、步驟122，將初始信號(hào)與當(dāng)前的信號(hào)分量sq(t)的相減運(yùn)算后的差值，作為新的初始信號(hào)，返回步驟s11，直到獲得前k個(gè)且包括第k個(gè)信號(hào)分量。

13、進(jìn)一步地，步驟2具體包括：

14、步驟21，通過(guò)非線性多層感知機(jī)生成艦船軌跡在時(shí)間步t的嵌入ht＝mlp(xt,θn)，進(jìn)而獲得艦船軌跡在所有時(shí)間步下的嵌入h，其中，分別表示第n艘艦船集群在t時(shí)刻的橫坐標(biāo)、縱坐標(biāo)，n表示艦船集群的總數(shù)，θn為多層感知機(jī)的可學(xué)習(xí)參數(shù)；

15、步驟22，對(duì)步驟21的嵌入h的維度進(jìn)行擴(kuò)展，得到用于并行處理的第一分支p和第二分支o；

16、步驟23，根據(jù)步驟22的第一分支p，通過(guò)捕獲時(shí)間依賴(lài)性，獲得艦船運(yùn)動(dòng)的高維表示p'；

17、步驟24，根據(jù)步驟23的艦船運(yùn)動(dòng)的高維表示p'，通過(guò)mamba的式(6)描述的選擇性狀態(tài)空間模型selectivessm，獲得艦船的運(yùn)動(dòng)特征p，根據(jù)第二分支o，使用式(7)描述的silu激活函數(shù)、sigmoid或tanh激活函數(shù)產(chǎn)生門(mén)控信號(hào)o'；

18、

19、o'＝silu(o)?(7)

20、式中，softplus表示激活函數(shù)，parameter表示一個(gè)常數(shù)，broadcast表示廣播操作，a表示結(jié)構(gòu)化狀態(tài)矩陣，將p'性投影到狀態(tài)空間的輸入矩陣b、狀態(tài)空間的輸出矩陣c和離散化時(shí)間步長(zhǎng)δ，b＝linearb(p')，c＝linearc(p')，δ＝softplus(parameter+broadcast(linearδ(p')))，再使用δ將a、b進(jìn)行分別離散化得到

21、步驟25，將步驟24的艦船的運(yùn)動(dòng)特征p與門(mén)控信號(hào)i'相乘，再通過(guò)線性變換linear進(jìn)行維度調(diào)整，得到艦船的運(yùn)動(dòng)模式m，如下式(8)所示：

22、

23、進(jìn)一步地，通過(guò)式(11)將交互圖gs中各節(jié)點(diǎn)及其鄰居的隱藏特征進(jìn)行聚合，獲得艦船的動(dòng)態(tài)空間交互，由此得到艦船的交互特征

24、

25、式中，l表示第二圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層序號(hào)，l∈{0,1,…,l}，l表示第二圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層的總數(shù)，表示式(10)的更新后的邊esmn歸一化后鄰接矩陣，分別表示第二圖卷積網(wǎng)絡(luò)的第l、l+1、l個(gè)網(wǎng)絡(luò)層的隱藏特征，表示第二圖卷積網(wǎng)絡(luò)的可學(xué)習(xí)參數(shù)，σ表示第二圖卷積網(wǎng)絡(luò)的非線性激活函數(shù)，r表示不同關(guān)系圖ar的集合；

26、

27、式中，softmax表示激活函數(shù)，dk表示縮放系數(shù)，t表示矩陣轉(zhuǎn)置，qsm表示特征向量hm的查詢向量，qsm＝fsq(hm)，ksn表示特征向量hn的鍵向量，ksn＝fsk(hn)，vsm表示vm的特征向量hm的值的向量，vsm＝fsv(hm)，fsq、fsk和fsv都表示線性變換，hm、hn分別為vm和vn的特征向量；

28、更新交互圖gs中每個(gè)節(jié)點(diǎn)的信息，獲得式(9)中的特征矩陣：

29、

30、其中，l表示第一圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層序號(hào)，l∈{0,1,…,l}，l表示第一圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層的總數(shù)，表示邊es歸一化后的鄰接矩陣，分別表示第一圖卷積網(wǎng)絡(luò)的第l、l+1個(gè)網(wǎng)絡(luò)層的隱藏特征，表示第一圖卷積網(wǎng)絡(luò)的第l個(gè)網(wǎng)絡(luò)層的參數(shù)，表示交互圖gs中每個(gè)節(jié)點(diǎn)的初始特征向量，σ表示第一圖卷積網(wǎng)絡(luò)的非線性激活函數(shù)，r表示不同關(guān)系圖ar的集合。

31、進(jìn)一步地，步驟4的融合方法包括：通過(guò)時(shí)間卷積函數(shù)對(duì)時(shí)間步t處第n艘艦船的未來(lái)位置進(jìn)行預(yù)測(cè)，并計(jì)算預(yù)測(cè)的艦船速度；

32、

33、式中，concat表示拼接操作，tcn表示時(shí)間卷積網(wǎng)絡(luò)；

34、采用最小化負(fù)對(duì)數(shù)似然損失訓(xùn)練融合方法：

35、

36、式中，w表示可訓(xùn)練參數(shù)，ln表示損失函數(shù)，tobs表示艦船觀測(cè)軌跡的長(zhǎng)度，tpred表示預(yù)測(cè)軌跡的長(zhǎng)度，p表示概率密度函數(shù)。

37、本發(fā)明還提供一種不確定性環(huán)境下無(wú)人水面艦船集群軌跡預(yù)測(cè)系統(tǒng)，其包括：

38、噪聲濾除模塊，其用于采用自適應(yīng)線性調(diào)頻模式分解算法，將原始軌跡數(shù)據(jù)s(t)分解為q個(gè)信號(hào)分量，第q個(gè)信號(hào)分量表示為sq(t)，q∈(1,2,...，q)，將q個(gè)信號(hào)分量中的前k個(gè)且包括第k個(gè)信號(hào)分量作為有用的信號(hào)分量s1＝{sq(t)|q∈(1,2,...k)}，將剩余的信號(hào)分量作為艦船軌跡數(shù)據(jù)的噪聲s2＝{sq(t)|q∈(k+1,k+2,...，q)}，k<q，將噪聲s2進(jìn)行濾除，輸出去噪后的軌跡數(shù)據(jù)

39、運(yùn)動(dòng)模式提取模塊，其用于基于mamba對(duì)艦船軌跡的時(shí)間相關(guān)性構(gòu)建模型，通過(guò)構(gòu)建好的模型提取艦船的運(yùn)動(dòng)模式m；

40、艦船交互提取模塊，其用于根據(jù)每個(gè)艦船及其周?chē)灤诿總€(gè)時(shí)間步的空間位置構(gòu)建交互圖gs，更新交互圖gs中每個(gè)節(jié)點(diǎn)和邊es的信息，獲取艦船的交互特征i；

41、艦船軌跡預(yù)測(cè)模塊，其用于將運(yùn)動(dòng)模式提取模塊的運(yùn)動(dòng)模式m和艦船交互提取模塊的交互特征i進(jìn)行融合，預(yù)測(cè)艦船的未來(lái)軌跡。

42、進(jìn)一步地，噪聲濾除模塊具體包括：

43、信號(hào)分量計(jì)算單元，其用于根據(jù)初始信號(hào)，通過(guò)式(2)計(jì)算信號(hào)分量sq(t)，其中，計(jì)算第一個(gè)信號(hào)分量s1(t)時(shí)，初始信號(hào)是原始軌跡數(shù)據(jù)s(t)：

44、

45、式中，bq(t)為sq(t)在時(shí)間步t的時(shí)變振幅，dq(t)為sq(t)在時(shí)間步t的相位，通過(guò)式(3)計(jì)算獲得，fq(t)、分別表示表示信號(hào)分解過(guò)程中sq(t)對(duì)應(yīng)的瞬時(shí)頻率、參考頻率、估計(jì)頻率；

46、

47、差值計(jì)算單元，其用于將初始信號(hào)與當(dāng)前的信號(hào)分量sq(t)的相減運(yùn)算后的差值，作為新的初始信號(hào)，再輸入信號(hào)分量計(jì)算單元，直到獲得前k個(gè)且包括第k個(gè)信號(hào)分量。

48、進(jìn)一步地，運(yùn)動(dòng)模式提取模塊具體包括：

49、非線性多層感知機(jī)，其用于接收去噪后的軌跡數(shù)據(jù)xt，生成艦船軌跡在時(shí)間步t的嵌入ht＝mlp(xt,θn)，進(jìn)而獲得艦船軌跡在所有時(shí)間步下的嵌入h，其中，分別表示第n艘艦船集群在t時(shí)刻的橫坐標(biāo)、縱坐標(biāo)，n表示艦船集群的總數(shù)，θn為多層感知機(jī)的可學(xué)習(xí)參數(shù)；

50、維度擴(kuò)展單元，其用于對(duì)非線性多層感知機(jī)的嵌入h的維度進(jìn)行擴(kuò)展，得到用于并行處理的第一分支p和第二分支o；

51、時(shí)間依賴(lài)性捕獲單元，其用于根據(jù)維度擴(kuò)展單元的第一分支p，通過(guò)捕獲時(shí)間依賴(lài)性，獲得艦船運(yùn)動(dòng)的高維表示p'；

52、運(yùn)動(dòng)特征獲取單元，其用于根據(jù)時(shí)間依賴(lài)性捕獲單元的艦船運(yùn)動(dòng)的高維表示p'，通過(guò)mamba的式(6)描述的選擇性狀態(tài)空間模型selectivessm，獲得艦船的運(yùn)動(dòng)特征p，根據(jù)第二分支o，使用式(7)描述的silu激活函數(shù)、sigmoid或tanh激活函數(shù)產(chǎn)生門(mén)控信號(hào)o'；

53、

54、o'＝silu(o)?(7)

55、式中，softplus表示激活函數(shù)，parameter表示一個(gè)常數(shù)，broadcast表示廣播操作，a表示結(jié)構(gòu)化狀態(tài)矩陣，將p'性投影到狀態(tài)空間的輸入矩陣b、狀態(tài)空間的輸出矩陣c和離散化時(shí)間步長(zhǎng)δ，b＝linearb(p')，c＝linearc(p')，δ＝softplus(parameter+broadcast(linearδ(p')))，再使用δ將a、b進(jìn)行分別離散化得到

56、運(yùn)動(dòng)模式獲取單元，其用于將運(yùn)動(dòng)特征獲取單元的艦船的運(yùn)動(dòng)特征p與門(mén)控信號(hào)o'相乘，再通過(guò)線性變換linear進(jìn)行維度調(diào)整，得到艦船的運(yùn)動(dòng)模式m，如下式(8)所示：

57、

58、進(jìn)一步地，通過(guò)式(11)將交互圖gs中各節(jié)點(diǎn)及其鄰居的隱藏特征進(jìn)行聚合，獲得艦船的動(dòng)態(tài)空間交互，由此得到艦船的交互特征

59、

60、式中，l表示第二圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層序號(hào)，l∈{0,1,…,l}，l表示第二圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層的總數(shù)，表示式(10)的更新后的邊esmn歸一化后鄰接矩陣，分別表示第二圖卷積網(wǎng)絡(luò)的第l、l+1、l個(gè)網(wǎng)絡(luò)層的隱藏特征，表示第二圖卷積網(wǎng)絡(luò)的可學(xué)習(xí)參數(shù)，σ表示第二圖卷積網(wǎng)絡(luò)的非線性激活函數(shù)，r表示不同關(guān)系圖ar的集合；

61、

62、式中，softmax表示激活函數(shù)，dk表示縮放系數(shù)，t表示矩陣轉(zhuǎn)置，qsm表示特征向量hm的查詢向量，qsm＝fsq(hm)，ksn表示特征向量hn的鍵向量，ksn＝fsk(hn)，vsm表示vm的特征向量hm的值的向量，vsm＝fsv(hm)，fsq、fsk和fsv都表示線性變換，hm、hn分別為vm和vn的特征向量；

63、更新交互圖gs中每個(gè)節(jié)點(diǎn)的信息，獲得式(9)中的特征矩陣：

64、

65、其中，l表示第一圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層序號(hào)，l∈{0,1,…,l}，l表示第一圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)層的總數(shù)，表示邊es歸一化后的鄰接矩陣，分別表示第一圖卷積網(wǎng)絡(luò)的第l、l+1個(gè)網(wǎng)絡(luò)層的隱藏特征，表示第一圖卷積網(wǎng)絡(luò)的第l個(gè)網(wǎng)絡(luò)層的參數(shù)，表示交互圖gs中每個(gè)節(jié)點(diǎn)的初始特征向量，σ表示第一圖卷積網(wǎng)絡(luò)的非線性激活函數(shù)，r表示不同關(guān)系圖ar的集合。

66、進(jìn)一步地，艦船軌跡預(yù)測(cè)模塊的融合方法包括：通過(guò)時(shí)間卷積函數(shù)對(duì)時(shí)間步t處第n艘艦船的未來(lái)位置進(jìn)行預(yù)測(cè)，并計(jì)算預(yù)測(cè)的艦船速度；

67、

68、式中，concat表示拼接操作，tcn表示時(shí)間卷積網(wǎng)絡(luò)；

69、采用最小化負(fù)對(duì)數(shù)似然損失訓(xùn)練融合方法：

70、

71、式中，w表示可訓(xùn)練參數(shù)，ln表示損失函數(shù)，tobs表示艦船觀測(cè)軌跡的長(zhǎng)度，tpred表示預(yù)測(cè)軌跡的長(zhǎng)度，p表示概率密度函數(shù)。

72、本發(fā)明由于采取以上技術(shù)方案，具有以下優(yōu)點(diǎn)：

73、1)通過(guò)自適應(yīng)線性調(diào)頻模式分解，可以有效地濾除軌跡數(shù)據(jù)中的噪聲，從而提高數(shù)據(jù)的質(zhì)量和可靠性。通過(guò)這種高效的降噪處理，可以顯著提升軌跡預(yù)測(cè)模型的性能，確保該方法在復(fù)雜海洋環(huán)境下的應(yīng)用更為可靠和精準(zhǔn)。

74、2)通過(guò)mamba來(lái)建模艦船軌跡的長(zhǎng)期時(shí)間相關(guān)性，不僅能有效捕捉艦船在長(zhǎng)時(shí)間范圍內(nèi)的航行模式，還具備自主選擇有效歷史數(shù)據(jù)的能力，能夠智能地篩選出高質(zhì)量的歷史數(shù)據(jù)，進(jìn)一步減少噪聲的影響，從而提升模型的精度和可靠性。

75、3)使用空間圖對(duì)艦船之間的交互進(jìn)行建模，可以更好地捕捉和表示艦船之間復(fù)雜的互動(dòng)關(guān)系。圖的數(shù)據(jù)結(jié)構(gòu)可以建立更準(zhǔn)確的空間拓?fù)湮恢藐P(guān)系，不僅提升了對(duì)交互關(guān)系的理解，還能顯著減少數(shù)據(jù)中噪聲的影響。