一种基于拓展卡尔曼滤波和LSTM的水下管道轨迹预测方法

本发明公开了一种基于拓展卡尔曼滤波和LSTM的水下管道轨迹预测方法，首先基于目标跟踪理论，建立管道的水下状态空间模型，生成水下管道轨迹的模拟数据；再搭建LSTM‑EKF，基于拓展卡尔曼滤波结构，构建三个特征用于LSTM网络训练输入；再基于实现最大的训练效果的原则选取训练算法，包括损失函数的选择，模型训练算法的选择，对拓展卡尔曼神经网络进行训练；最后考虑管道模型的不匹配情况，测试基础算法，拓展卡尔曼滤波，拓展卡尔曼神经网络的水下管道预测结果。本发明基于卡尔曼滤波流程将LSTM网络融入其中增加了传统深度学习网络不具备的可解释性，与传统算法相比较精度更高，与完美理想情况比较也相差甚少。