针对传统航位推算(DR)算法中构建的运动模型简化程度较高,对运动信息的预测精度有限,制约DR算法性能的问题,提出一种新的基于长短时记忆网络(Long Short Term Memory Network,LSTM)的DR算法,即LSTM-DR算法,该算法根据仿真实体的序列运...针对传统航位推算(DR)算法中构建的运动模型简化程度较高,对运动信息的预测精度有限,制约DR算法性能的问题,提出一种新的基于长短时记忆网络(Long Short Term Memory Network,LSTM)的DR算法,即LSTM-DR算法,该算法根据仿真实体的序列运动信息,以及仿真实体运动信息的预测误差,利用深度神经网络的表征能力,实现对仿真实体运动规律的拟合,从而提升仿真实体运动模型的预测精度。实验结果表明,所提出的LSTM-DR算法,使运动模型训练后能获得良好的预测精度,从而在保持仿真实体运动的连续性和平滑性的同时,大幅降低对通信资源的消耗。展开更多
文摘针对传统航位推算(DR)算法中构建的运动模型简化程度较高,对运动信息的预测精度有限,制约DR算法性能的问题,提出一种新的基于长短时记忆网络(Long Short Term Memory Network,LSTM)的DR算法,即LSTM-DR算法,该算法根据仿真实体的序列运动信息,以及仿真实体运动信息的预测误差,利用深度神经网络的表征能力,实现对仿真实体运动规律的拟合,从而提升仿真实体运动模型的预测精度。实验结果表明,所提出的LSTM-DR算法,使运动模型训练后能获得良好的预测精度,从而在保持仿真实体运动的连续性和平滑性的同时,大幅降低对通信资源的消耗。
