CNN神经网络在航迹预测中的应用 .pdf

CNN神经网络在航迹预测中的应用

吴一凡;冉晓旻

【摘要】从本质上而言,CNN属于多层感知机,之所以成功,就是因为它将局部连接

与共享权值联合运用,一来使权值的数量有效减少,便于网络的优化,也能有效防控过

拟合的风险.本课题的研究主要集中在将CNN神经网络多层感知技术应用在三维

数据领域的航迹预测技术使用过程之中,利用CNN技术的多层感知越往输入权值

越小,越往输出权值越多的倒三角架构形态,丰富对航迹预测的技术操作,完善航空管

理体制.利用这种技术为基础的解决方案,加入智能与实时识别算法提出具体的问题

解决思路,给予仿真研究图形并配合文字解析,能够真实和有效的给出CNN神经网

络为基础的航迹预测识别模型.

【期刊名称】《电子设计工程》

【年(卷),期】2019(027)012

【总页数】8页(P13-20)

【关键词】CNN神经网络;航迹预测;创新性;应用

【作者】吴一凡;冉晓旻

【作者单位】信息工程大学信息系统工程学院,河南郑州450002;信息工程大学

信息系统工程学院,河南郑州450002

【正文语种】中文

【中图分类】TN99

CNN神经网络的开发与应用是专注于计算机系统的专项领域研究与系统功能应用

为主进行定位设计的，CNN神经网络在航迹预测中的应用，也是抓住了航迹轨迹

路线图描述性价值研究与点状分布研究为主展开分析，通过时间序列和固定点的轨

迹记录，找到航迹管理的具体规律。开发并使用航迹预测系统，能够对整体航空管

理体系起到一定的推动作用，丰富和完善航空管理有效性及安全性，处理好具体的

航空管理安全问题。飞机的航迹记录在航行过程中占据着重要地位，发挥着重要功

能，CNN神经网络在航迹预测中的应用更能发挥其优势解决此类问题。

1CNN神经网络基础航迹预测识别的背景概述

1.1CNN神经网络技术理论概述

计算机中的神经网络概念的出现最早源自于生物学家对动物大脑皮质的研究。

1962年，生物学家hubel和wiesel在研究了猫脑视觉皮层之后，证实了有一系

列构造复杂的细胞存在于视觉皮层中，对于视觉输入空间的局部区域来说，这些细

胞具有很高的敏感度，又被称作“感受野”。整个视觉域被感受野通过以某种形式

覆盖着，在输入空间中，感受野可以起到局部作用，对于自然图像中包含的强烈的

局部空间的相关性也能有效地去挖掘。而称为感受野的细胞又由两大类组成，一种

是简单细胞，另一种则是复杂细胞。基于hubel-wiesel的层级模型，有一个层级

结构存在于视觉皮层中的神经网络中：外侧膝状体→简单细胞→复杂细胞→低阶超

复杂细胞→高阶超复杂细胞。而在神经网络结构上，低阶超复杂细胞与高阶超复杂

细胞其实就等同于简单细胞和复杂细胞间的关系。在这种层级结构中，处于较高阶

段的细胞一般会对刺激模式更复杂的特征选择性地进行响应；同时感受野也更大，

在刺激模式下，位置变化敏感性不强。

1980年，Fukushima根据hubel和wiesel的层级模型提出了结构与之类似的神

经认知机（Neocognitron）。神经认知机采用简单细胞层（S层）和复杂细胞层

（C层）交替组成，其中S层与hubelwiesel层级模型中的简单细胞层或者低阶

超复杂细胞层相对应，C层对应于复杂细胞层或者高阶超复杂细胞层。S层能够最

大程度地响应感受野内的特定边缘刺激，提取其输入层的局部特征，C层对来自确

切位置的刺激具有局部不敏感性。

通过上述对动物脑神经的研究活动的研究，科学家们开始将研究得到的成果做成相

关的模型应用到计算机科学中来，这便构成了早期的计算机神经网络学习[1]。文

中所研究的CNN神经网络学习算法中的网络中，卷积和池化（也称作下采样）的

原型正是来源于hubel-wiesel概念的简单细胞和复杂细胞，对于具备轻微形变和

位移的输入模式，可实现精准地识别，不过学习认知功能较差，相比之下，BP神

经网络算法对于学习有全局监督效果。后来不断的有人在对CNN神经网络进行改

进，使其得到不断的完善和优化。之后，在Fukushima的研究基础上，LeCun等

人通过BP算法，对于CNN（该模型称为lenet-5）进行了设计，并做了训练，

lenet-5在结构上，属于经典的CNN模式，由输入层、卷积层、池化层、全连接

层及输出层等共同组成。卷积层和池化层通常会选择若干个，采用交替设置的方法，

也就是