(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111650687.X (22)申请日 2021.12.3 0 (71)申请人 山西清风渡信息技 术有限公司 地址 030000 山西省太原市唐槐园区龙盛 街18号孵化基地5号楼5层南5 05室 (72)发明人 毛应龙　陈云海　张云涛　信烨　 高志坚　 (74)专利代理 机构 北京中政联科专利代理事务 所(普通合伙) 11489 专利代理师 刘艳 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/12(2020.01) (54)发明名称 一种基于深度学习技术的飞行器预测的方 法和系统 (57)摘要 本发明涉及深度学习领域的时间序列预测 领域， 具体为一种基于深度学习技术的飞行器预 测的方法和系统。 其包括如下步骤： S1、 对飞行器 的原始训练数据进行处理； S2、 在RNN、 LSTM、 GRU 和Dense神经网络共四种深度学习算法中选择一 种深度学习算法进行网络模型的搭建； S3、 对完 成搭建的神经网络使用处理好的数据进行训练； S4、 调用完成训练的神经网络对用户输入的飞行 器参数进行预测。 本发明能高精度、 高时效性预 测飞行器参数。 权利要求书2页 说明书4页 附图4页 CN 114462139 A 2022.05.10 CN 114462139 A 1.一种基于深度学习技 术的飞行器预测的方法， 其特 征在于， 包括如下步骤： S1、 对飞行器的原 始训练数据进行处 理； S2、 在RNN、 LSTM、 GRU和Dense神 经网络共四种深度学习算法中选择一种深度学习算法 进行网络模型的搭建； S3、 对完成搭建的神经网络使用处 理好的数据进行训练； S4、 调用完成训练的神经网络对用户输入的飞行器参数进行 预测。 2.根据权利要求1所述的一种基于深度学习技术的飞行器预测的方法， 其特征在于， S1 中， 对输入的飞行器原 始训练数据进行处 理的步骤如下： S11、 读入mat文件中的飞行器原 始数据； S12、 去除异常值和不需要预测的飞行状态参数， 并根据时间参数将原始数据进行排序 操作； S13、 将经 过排序及删减操作的数据集标准 化并保存标化器； S14、 将经过标准化的数据集划分为训练集和验证集， 并分别为训练集和验证集打上标 签， 完成数据集的制作。 3.根据权利要求2所述的一种基于深度学习技术的飞行器预测的方法， 其特征在于， S2 中， 神经网络的搭建步骤如下： S21、 根据训练集数据分布情况选择合适的网络类型、 网络层数、 每一层神经元个数、 神 经元失活比例、 损失函数以及优化器； S22、 根据完成预处 理的数据集中飞行器参数的个数调整神经网络 接口数量； S23、 根据分析 得到的网络结构搭建神经网络 。 4.根据权利要求3所述的一种基于深度学习技术的飞行器预测的方法， 其特征在于， S3 中， 使用训练完成的数据集训练并保存神经网络， 包括如下步骤： S31、 将完成处 理的数据集输入神经网络进行训练； S32、 绘制 损失函数并根据损失函数优化调整网络结构； S33、 保存训练完成的神经网络 。 5.根据权利要求4所述的一种基于深度学习技术的飞行器预测的方法， 其特征在于， S4 中， 调用训练完成的神经网络对用户输入的飞行器参数进行 预测的步骤如下： S41、 调用和 神经网络对应的标化器对用户输入的飞行器参数进行 标准化； S42、 将标准 化后的飞行器参数输入神经网络进行 预测； S43、 将预测得到的数据进行反标准 化得到预测的飞行器参数； S44、 循环进行S41至S43步骤， 可以预测得到飞行轨道片段或整条飞行轨道。 6.一种基于深度 学习技术的飞行器预测的系统， 其特征在于， 包括数据处理模块， 神经 网络搭建模块， 神经网络训练模块和飞行器参数 预测模块； 数据处理模块用于读入mat文件中的飞行器原始数据并进行清洗整理操作， 将清洗整 理后的数据标准化并保存标化器， 同时划分训练集和验证集并分别为训练集和验证集打上 标签， 完成数据集的制作， 之后将处 理完成的数据集传递给神经网络搭建模块； 神经网络搭建模块用于搭建神经网络， 根据训练集数据分布选择合适的网络类型、 网 络层数、 每一层神经元个数、 神经元失活比例、 损失函数以及优化器并搭建该神经网络， 同 时根据数据集中参数个数调整神经网络接口数量， 之后 将搭建完成的神经网络传递给神经权　利　要　求　书 1/2 页 2 CN 114462139 A 2网络训练模块； 神经网络训练模块用于将处理完成的数据传入搭建好的神经网络 中进行训练， 训练完 成后绘制损失函数并据其调整优化网络结构， 将训练完成的神经网络进行保存， 之后传递 给飞行器参数 预测模块； 飞行器参数预测模块用于预测用户输入的飞行器参数， 调用和神经网络对应的标化器 对用户输入的飞行器参数进行标准化、 预测、 反标准化操作得到单个时刻的飞行器参数预 测数据。权　利　要　求　书 2/2 页 3 CN 114462139 A 3