基于分解优化LSTM的RCS序列预测方法研究

为提高长短期记忆(LSTM)神经网络对雷达散射截面积(RCS)序列的预测精度，提出了一种改进MVMD-FTTA-LSTM的耦合预测模型。首先，对目标RCS序列进行多元变分模态分解(MVMD)，将RCS序列分解成多个平稳的模态分量，从而降低RCS序列数据特征的获取难度;然后，在足球队训练优化算法(FTTA)中引入佳点集、Levy飞行策略和自适应t分布变异策略，提高FTTA对最优解的寻优能力;最后，采用改进的FTTA-LSTM模型对分解后的模态分量进行预测，重构各分量的预测值，重构结果为最终预测值。仿真结果表明，改进MVMD-FTTA-LSTM模型的预测精度相对LSTM和VMD-LSTM都有大幅度提升，证明这种改进方法使得LSTM模型显著提高了对目标RCS序列的预测精度，为开展目标RCS序列预测工作提供了一条新思路。