一種基于改進PSO優化的LSTM航跡預測模型*

韓 超

（海裝沈陽局駐大連地區第一軍事代表室 大連 116000）

1 引言

雷達航跡預測是雷達目標跟蹤的關鍵環節，其主要目的是利用目標航空器的歷史航跡數據，預估其未來軌跡。隨著戰場環境日益復雜和干擾技術的快速發展，對敵對目標的航跡預測需要面對更多的干擾因素，由此帶來的誤差問題對雷達機動航跡預測提出了日益嚴峻的考驗。

目前關于飛行器的短期預測算法大致可分為兩類。其中一類方法為傳統機器學習，運用卡爾曼濾波算法對觀測數據進行最小二乘估計，使用諸如卡爾曼濾波算法［1］、競爭神經網絡［2］、支持量機［3］、灰色模型結合馬爾科夫鏈［4］等方法對飛行器的航跡進行處理，并給出軌跡預測。此類方法的缺陷是較為明顯的，那就是依賴專家知識搭建目標飛行器的動力學方程，無法進行實時預測，且易受到外部環境因素的影響。另一類方法為神經網絡算法的若干變種［5］，相較于上面一類算法，它們具備用時短、通用性強等特點，能夠滿足對飛行器軌跡預測的實時、高效的要求，但針對復雜的海面飛行器軌跡預測問題，神經網絡的映射表達能力有限，參數難以調整，且在本質上算法更容易使得損失函數的訓練結果落入局部最優點而不是全局最優點，且無法針對時間序列上的變化進行建模。

本文充分結合PSO算法和LSTM網絡的設計思想，以PSO優化實現LSTM航跡預測網絡在訓練中的自動調參，通過對LSTM超參數的全局尋優，實現航跡預測效果的提升。……