基于不确定时间序列的来袭目标解算方法

传统水中来袭目标解算方法缺乏对多维度、不确定观测数据的时序特征的挖掘。针对此类数据复杂性高、存在缺失的时间序列预测问题,提出了一种基于自适应窗口插补和深度可变权重长短时记忆网络模型的预测方法,以适用于多采样频率的缺失时序观测数据,并在仿真数据和公测数据集上验证。针对多源观测信息采样频率不一致造成的随机缺失问题,引入自适应窗口插补方法;根据观测信息的缺失程度自适应调整插补窗口,降低传统插补方法的误差水平。针对时间序列数据引入可变权重的长短时记忆网络模型,在适用于多采样频率的缺失时序观测数据插补的同时,根据观测信息缺失率自适应调整反向传播的损失权重。实验表明:模型在具备处理不确定数据处理能力的同时,在区间预测中比传统方法准确率更高,可以为解算来袭目标提供更有效的决策参考。