【技术实现步骤摘要】
本专利技术涉及飞行器飞行轨迹预测，特别是一种基于大型语言模型的飞行器轨迹预测系统。
技术介绍
1、飞行器飞行轨迹预测是军事领域中的重要技术之一，对于战争决策和指挥具有重要意义。当前，已有的飞行器轨迹预测系统主要基于传统的机器学习算法，如支持向量机、决策树等。但是，这些算法存在模型泛化能力差、过拟合等问题，难以满足实际需求。
技术实现思路
1、为了克服现有飞行器轨迹预测与拦截系统存在的问题，本专利技术提供了一种基于大型语言模型的飞行器轨迹预测系统。
2、本专利技术提出的技术方案是：一种基于大型语言模型的飞行器轨迹预测系统包括：传感器阵列、数据库和上位机；传感器阵列，数据库和上位机顺序相连，所述传感器阵列实时采集飞行器位置坐标、飞行速度、飞机姿态三项数据，存入数据库中，所述的上位机包括：
3、数据结构化模块：用以对采样数据进行结构化处理，并在结构化过程中增加不同数据类型之间的特征关系
4、结构化的方法包括：
5、1)将坐标数据pi＝[xi，yi，zi]结构为1×3向量，作为采样数据；
6、2)根据采样时间间隔δt对飞行速度vi进行离散积分和微分计算，获得在该雷达采样的情况下，平均飞机位移viδt和平均飞机加速度vi/δt，作为计算数据；
7、3)将飞机姿态数据结构为1×3向量，作为基准数据；
8、4)将采样的得到的pi和si以及计算得到的矩阵vi＝[viδt，vi，vi/δt]，按照采样数据、计算数据、
9、
10、将di以平铺的结构化数据存入数据库中组成数据集ε，以n个为一组，分为m组，存入的数据表格式如下：
11、
12、数据预处理模块：用于定位雷达、红外传感器、扫描式陀螺仪采集飞行状态数据预处理，采用过程如下
13、从数据库中连续采集n个结构化数据di作为有提示词学习的补充知识数据，
14、使用标准化对数据进行归一处理，处理过程如下：
15、2.1)计算归一前数据输入e＝[d1，d2，...，dn]的均值μ:
16、
17、2.2)计算归一前数据输入e＝[d1，d2，...，dn]的方差σ：
18、
19、2.3)使用标准化方程对输入e＝[d1，d2，...，dn]进行归一计算出归一后的数据输入[z1，z2，...，zn]
20、数据变换增强模块：用于生成增强数据，适应在实际数据采样中数据波动和数据误差的情况。使用滑动窗口的方式将输入数据集切分成多个时间序列样本，然后对每个时间序列样本进行增强操作：
21、1)滑动窗口取样：使用滑动窗口的方式将输入数据集ε切分成多个时间序列样本。假设滑动窗口的大小为k，则可以生成(n-k+1)个时间序列样本，第i个时间序列样本为：
22、
23、2)取样数据增强：在得到飞行器飞行状态的时间序列样本之后，对每个时间序列样本进行数据增强操作，增加样本的多样性：
24、2.1)获取高斯分布噪声样本[n1，n2，...，nn]：
25、
26、
27、2.2)引入噪声增强后，获得飞行器飞行状态的增强数据样本e，α为：噪声强度调节系数
28、
29、2.3)对于飞行器飞行状态的增强数据样本中，其中dataframe元素解析出为
30、daug，i＝si+nj×α
31、提示词构建模块：用以将数据预处理模块输出的标准化数据和数据变换增强模块输出的增强数据进行提示词重构，满足大型语言模型的输入要求。利用提示词方法结合大型语言模型推断和预测能力，提高预测结果的准确性。同时在不调整大语言模型的结构参数情况下，快速得出结果，提高大型语言模型响应速度。具体过程如下：
32、1)设计提示词模板：提示词模板设计包括规则要求、补充知识和任务输出三部分，其中规则要求、补充知识作为提示词的内容输入，任务输出作为提示词的内容输出，利用中括号对规则要求进行标注，尖括号对补充知识进行标注，分割线将内容输入输出作为分割，其他非文本的特殊符号意义将在[symbol]给出，提示词模板设计如下：
33、[system]
34、[role]:大型语言模型在定位场景下定位雷达角色的阐述
35、[type]：提示词任务类型
36、[symbol]：确定提示词中特殊符号的含义
37、[rules]：确定大型语言模型输入和输出规则
38、[output_format]：确定大型语言模型的输出格式
39、"""<数据引入>：引入大型语言模型完成预测任务所需要的输入数据"""
40、"""<数据解析>：利用自然语言对数据引入部分的数据的数值和实际意义进行解析，提高大型语言模型对数据的理解程度"""
41、"""<任务阐述>：依据[rules]和[output_format]要求，结合<数据引入>，<数据解析>，确定大模型在该提示词下需要完成的任务"""
42、----------：
43、[任务]：确定大型语言模型在该提示词的条件下需要完成的任务
44、2)提示词构建：提示词的构建包括提示词模板和补充知识两部分，将补充知识填充到提示词模板中即可获得具有任务针对性的提示词。
45、提示词能力检验模块：用于对设计的提示词模板的结合大型语言模型能力进行检验，检验能力包括提示词结合大型语言模型的预测能力和推理能力。对于提示词能力检验具体过程如下：
46、1)填充补充知识：将数据预处理模块输出的标准化数据di和di填充至提示词模板的<数据引入>知识中，并将数据预处理过程和实际意义填充到<数据解析>知识中，在<任务阐述>中阐述预测未来数据的任务要求进而生成预测任务提示词。
47、将数据变换增强模块输出的daug填充至提示词模板的<数据引入>知识中，并将数据变换增强的数据实际意义填充到<数据解析>知识中，在<任务阐述>中阐述推理未来数据的任务要求，进而推理任务提示词。
48、2)构建任务提示词：基于提示词模板和预测任务补充知识，获得预测任务和推理任务的完整提示词：
49、2.1)构建预测任务提示词
50、[system]
51、[role]:你是一名专业的定位雷达角色的，请按照雷达测算的逻辑，结合补充知识实现任务要求
52、[type]：预测任务
53、[symbol]：
54本文档来自技高网...
【技术保护点】
1.一种基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，包括传感器阵列、数据库和上位机，传感器阵列，数据库和上位机顺序相连。所述传感器阵列通过实时采集飞行器位置坐标、飞行速度、飞机姿态三项数据，存入数据库中，所述的上位机包括：
2.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述传感器阵列包括定位雷达、红外传感器、扫描式陀螺仪，组合式阵列实时采集飞行器位置坐标、飞行速度、飞机姿态三项数据，所述传感器阵列采集数据均为基于采样时间的时间序列数据。
3.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述对采样数据进行结构化处理，包括以下步骤：
4.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述数据预处理模块：用于定位雷达、红外传感器、扫描式陀螺仪采集飞行状态数据预处理，采用过程如下：
5.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述数据变换增强模块：用于生成增强数据，适应在实际数据采样中数据波动和数据误差的情
6.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述提示词构建模块：用以将数据预处理模块输出的标准化数据和数据变换增强模块输出的增强数据进行提示词重构，满足大型语言模型的输入要求。利用提示词方法结合大型语言模型推断和预测能力，提高预测结果的准确性。同时在不调整大语言模型的结构参数情况下，快速得出结果，提高大型语言模型响应速度。具体过程如下：
7.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述提示词模板重构模块：用于对提示词模板进行重构，在原本提示词模板的框架基础上进行调整，生成新的提示词模板。具体过程如下：
8.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述上位机还包括：结果展现模块，用于将预测结果在上位机上展示，方便用户及时观察飞行器飞行轨迹。
...【技术特征摘要】
1.一种基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，包括传感器阵列、数据库和上位机，传感器阵列，数据库和上位机顺序相连。所述传感器阵列通过实时采集飞行器位置坐标、飞行速度、飞机姿态三项数据，存入数据库中，所述的上位机包括：
2.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述传感器阵列包括定位雷达、红外传感器、扫描式陀螺仪，组合式阵列实时采集飞行器位置坐标、飞行速度、飞机姿态三项数据，所述传感器阵列采集数据均为基于采样时间的时间序列数据。
3.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述对采样数据进行结构化处理，包括以下步骤：
4.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述数据预处理模块：用于定位雷达、红外传感器、扫描式陀螺仪采集飞行状态数据预处理，采用过程如下：
5.根据权利要求1所述基于大型语言模型的飞行器轨迹预测与拦截系统，其特征在于，所述数据变换增强模块：用于生成增...
【专利技术属性】
技术研发人员：宋怡晨，江勇，王飞，张承龙，郑大国，方哲，刘小龙，卢建刚，刘兴高，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。