本文以面向任务的合作类无人机为对象,研究在典型任务场景下,利用现行监管平台中无人机的历史飞行轨迹数据和实时获取的飞行状态数据,对其未来短时飞行轨迹进行实时预测的算法。本文遵照循序渐进的思路,逐步对所提出的轨迹预测算法进行完善,主要工作如下:(1)为了在兼顾实时预测性能的同时充分利用无人机历史飞行轨迹,本文基于RVFLNN模型,提出RVFLNN短时轨迹预测算法,在利用无人机历史轨迹数据进行训练后,RVFLNN能较好把握无人机的飞行趋势,实现对无人机下一采样时刻位置信息进行精度较高的快速实时预测。(2)针对RVFLNN预测性能随预测步长快速下降的问题,本文利用Kalman滤波器原理,将RVFLNN与基本运动模型进行动态加权组合,提出结合运动模型的RVFLNN轨迹预测算法。当运动模型与无人机下一预测时刻的飞行模态相匹配时,相比于RVFLNN,结合该运动模型的组合预测算法具有更优越的多步预测性能。(3)为了使预测算法与无人机飞行全过程多个飞行模态相匹配,本文利用IMM原理,提出RVFLNN-IMM轨迹预测算法,该算法能自适应匹配无人机飞行全过程中不同的飞行模态。之后,本文在RVFLNN-IMM中加入Softmax分类器,提出基于Softmax分类器的RVFLNNIMM轨迹预测算法。该算法通过对无人机下一预测时刻飞行模态进行预判,从模型集中筛选出更匹配的运动模型子集参与预测,有效提高RVFLNN-IMM在无人机飞行全过程中的多步预测性能。通过仿真验证,本文经过一系列改进得到的基于Softmax分类器的RVFLNN-IMM轨迹预测算法能够实现对特定任务下合作类无人机未来短时飞行轨迹进行较为精确的实时预测,可以为未来对无人机运行进行更精细化的管理提供技术支持。