技术特征：
1.一种智慧城市下无人机的状态预测方法，其特征在于，包括：训练阶段，包括：获取预定时间段内多个时间点的无人机的运动状态数据，所述运动状态数据包括沿x轴方向、y轴方向和z轴方向上的位移、速度和加速度；将所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量；将所述多个运动特征向量进行二维排列以获得运动特征矩阵；获取所述预定时间段内的回波信号的波形图；将所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵；计算所述波形特征矩阵和所述运动特征矩阵之间的激活矩阵，其中，所述激活矩阵乘以所述波形特征矩阵等于所述运动特征矩阵；将所述激活矩阵和已修正的波形特征矩阵分别输入第二卷积神经网络和第三卷积神经网络以获得第一特征图和所述第二特征图；将所述第一特征图和所述第二特征图分别通过分类器以获得第一分类损失函数值和第二分类损失函数值；基于所述预定时间段内的气压值和风速值，分别计算所述第一特征图和所述第二特征图的交叉熵损失函数值；基于所述第一分类特征图和所述第二分类特征图的分类损失函数值和交叉熵损失函数值来计算所述第一分类特征图和所述第二分类特征图的第一损失函数值和第二损失函数值；基于所述第一损失函数值和所述第二损失函数值并通过梯度嫁接的方式来训练所述第二卷积神经网络，其中，所述梯度嫁接的方式基于所述第一损失函数值相对于所述第二损失函数值的偏导和所述第二损失函数值相对于所述第二卷积神经网络的参数的偏导的乘积来进行；以及推断阶段，包括：获取预定时间段内多个时间点的无人机的运动状态数据，所述运动状态数据包括沿x轴方向、y轴方向和z轴方向上的位移、速度和加速度；将所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量；将所述多个运动特征向量进行二维排列以获得运动特征矩阵；获取所述预定时间段内的回波信号的波形图；将所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵；计算所述波形特征矩阵和所述运动特征矩阵之间的激活矩阵，其中，所述激活矩阵乘以所述波形特征矩阵等于所述运动特征矩阵；以及将所述激活矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得修正后的波形图。2.根据权利要求1所述的智慧城市下无人机的状态预测方法，其中，将所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量，包括：
使用所述编码器的嵌入层将所述多个时间点的无人机的运动状态数据分别映射到运动输入向量以获得运动输入向量的序列；以及将所述运动输入向量的序列输入所述编码器的转换器以获得所述多个运动特征向量。3.根据权利要求2所述的智慧城市下无人机的状态预测方法，其中，将所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述波形特征矩阵，其中，所述第一卷积神经网络的输入为所述波形图。4.根据权利要求3所述的智慧城市下无人机的状态预测方法，其中，将所述激活矩阵和已修正的波形特征矩阵分别输入第二卷积神经网络和第三卷积神经网络以获得第一特征图和所述第二特征图，包括：所述第二卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述第一特征图，其中，所述第二卷积神经网络的第一层的输入为所述激活矩阵；以及所述第三卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征图，其中，所述第三卷积神经网络的第一层的输入为所述已修正的波形特征矩阵。5.根据权利要求4所述的智慧城市下无人机的状态预测方法，其中，将所述第一特征图和所述第二特征图分别通过分类器以获得第一分类损失函数值和第二分类损失函数值，包括：所述分类器以如下公式分别对所述第一特征图和所述第二特征图进行处理获得第一分类结果和第二分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|project(f)}，其中project(f)表示将特征图投影为向量，w1至w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置矩阵；计算所述第一分类结果与第一真实值的交叉熵数值作为所述第一分类损失函数值；以及计算所述第二分类结果与第二真实值之间的交叉熵数值作为所述第二分类损失函数值。6.根据权利要求5所述的智慧城市下无人机的状态预测方法，其中，基于所述第一损失函数值和所述第二损失函数值并通过梯度嫁接的方式来训练所述第二卷积神经网络，包括：基于所述第一损失函数值和所述第二损失函数值并通过梯度嫁接的方式以如下公式来训练所述第二卷积神经网络；其中，所述公式为：其中θ
i
表示第i次迭代的第二卷积神经网络的参数，l1和l2分别是第一损失函数值和第二损失函数值，且ω为超参数。7.一种智慧城市下无人机的状态预测系统，其特征在于，包括：
训练模块，包括：运动状态数据获取单元，用于获取预定时间段内多个时间点的无人机的运动状态数据，所述运动状态数据包括沿x轴方向、y轴方向和z轴方向上的位移、速度和加速度；编码单元，用于将所述运动状态数据获取单元获得的所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量；二维排列单元，用于将所述编码单元获得的所述多个运动特征向量进行二维排列以获得运动特征矩阵；波形图获取单元，用于获取所述预定时间段内的回波信号的波形图；第一卷积单元，用于将所述波形图获取单元获得的所述回波信号的波形图通过第一卷积神经网络以获得波形特征矩阵；激活矩阵计算单元，用于计算所述第一卷积单元获得的所述波形特征矩阵和所述二维排列单元获得的所述运动特征矩阵之间的激活矩阵，其中，所述激活矩阵乘以所述波形特征矩阵等于所述运动特征矩阵；卷积单元，用于将所述激活矩阵计算单元获得的所述激活矩阵和已修正的波形特征矩阵分别输入第二卷积神经网络和第三卷积神经网络以获得第一特征图和所述第二特征图；分类损失函数值计算单元，用于将所述卷积单元获得的所述第一特征图和所述卷积单元获得的所述第二特征图分别通过分类器以获得第一分类损失函数值和第二分类损失函数值；交叉熵损失函数值计算单元，用于基于所述预定时间段内的气压值和风速值，分别计算所述卷积单元获得的所述第一特征图和所述卷积单元获得的所述第二特征图的交叉熵损失函数值；损失函数值计算单元，用于基于所述分类损失函数值计算单元获得的所述第一分类特征图和所述分类损失函数值计算单元获得的所述第二分类特征图的分类损失函数值和交叉熵损失函数值来计算所述第一分类特征图和所述第二分类特征图的第一损失函数值和第二损失函数值；训练单元，用于基于所述损失函数值计算单元获得的所述第一损失函数值和所述损失函数值计算单元获得的所述第二损失函数值并通过梯度嫁接的方式来训练所述第二卷积神经网络，其中，所述梯度嫁接的方式基于所述第一损失函数值相对于所述第二损失函数值的偏导和所述第二损失函数值相对于所述第二卷积神经网络的参数的偏导的乘积来进行；以及推断模块，包括：推断数据获取单元，用于获取预定时间段内多个时间点的无人机的运动状态数据，所述运动状态数据包括沿x轴方向、y轴方向和z轴方向上的位移、速度和加速度；运动特征向量生成单元，用于将所述推断数据获取单元获得的所述多个时间点的无人机的运动状态数据通过包含嵌入层的基于上下文的编码器以获得多个运动特征向量；运动特征矩阵构造单元，用于将所述运动特征向量生成单元获得的所述多个运动特征向量进行二维排列以获得运动特征矩阵；推断波形图获取单元，用于获取所述预定时间段内的回波信号的波形图；波形特征矩阵生成单元，用于将所述推断波形图获取单元获得的所述回波信号的波形
图通过第一卷积神经网络以获得波形特征矩阵；激活矩阵生成单元，用于计算所述波形特征矩阵生成单元获得的所述波形特征矩阵和所述运动特征矩阵构造单元获得的所述运动特征矩阵之间的激活矩阵，其中，所述激活矩阵乘以所述波形特征矩阵等于所述运动特征矩阵；以及修正单元，用于将所述激活矩阵生成单元获得的所述激活矩阵通过经训练阶段训练完成的所述第二卷积神经网络以获得修正后的波形图。8.根据权利要求7所述的智慧城市下无人机的状态预测系统，其中，所述编码单元，进一步用于：使用所述编码器的嵌入层将所述多个时间点的无人机的运动状态数据分别映射到运动输入向量以获得运动输入向量的序列；以及，将所述运动输入向量的序列输入所述编码器的转换器以获得所述多个运动特征向量。9.根据权利要求7所述的智慧城市下无人机的状态预测系统，其中，所述第一卷积单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述波形特征矩阵，其中，所述第一卷积神经网络的输入为所述波形图。10.根据权利要求7所述的智慧城市下无人机的状态预测系统，其中，所述分类损失函数值计算单元，进一步用于：所述分类器以如下公式分别对所述第一特征图和所述第二特征图进行处理获得第一分类结果和第二分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|project(f)}，其中project(f)表示将特征图投影为向量，w1至w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置矩阵；计算所述第一分类结果与第一真实值的交叉熵数值作为所述第一分类损失函数值；以及，计算所述第二分类结果与第二真实值之间的交叉熵数值作为所述第二分类损失函数值。
技术总结
本申请智慧城市的无人机通信的领域，其具体地公开了一种智慧城市下无人机的状态预测方法及其系统，其通过基于上下文的编码器对预定时间段内的无人机的运动状态数据进行全局性的高维关联特征提取，并利用卷积神经网络模型对所述预定时间段内的回波信号的波形图进行隐含特征的挖掘，进一步再基于所述激活矩阵构造波形修正网络，也就是，同时使用了所述激活矩阵的关联参数空间和所述真实样本的高维特征空间中的梯度信息，并通过对两者的嫁接，来现了对所述关联参数空间的直接优化。这样，能够在推断过程中获取修正后的波形图，进而也就可以更准确地预测所述无人机的位置，以对所述无人机进行准确的波束赋形。述无人机进行准确的波束赋形。述无人机进行准确的波束赋形。
技术研发人员：刘刚
受保护的技术使用者：杭州岐航科技有限公司
技术研发日：2022.02.14
技术公布日：2022/5/31