1.一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述方法包括以下步骤：采集不同类型的无人机飞行数据，并提取出无人机的飞行特征数据；

利用K近邻算法对提取出的飞行特征中的缺失数据进行填充处理以及对异常数据进行删除处理；

将处理后的无人机飞行特征对门控循环单元网络进行训练；

在训练过程中采用粒子群优化算法对所述门控循环单元网络中的权值参数进行调优；

包括如下步骤：

将门控循环单元网络中的各个权值参数作为同一个粒子的不同属性；

计算出每个粒子的适应度值；

更新粒子位置，更新个体最优位置和全局最优粒子的位置；

对所述全局最优粒子进行反向学习并学习出反向解粒子，计算出所述反向解粒子的适应度值，若该适应度值优于当前粒子的适应度值，则将该反向解粒子的适应度值替代当前粒子的适应度值；

更新粒子速度，采用自适应惯性权重p对粒子速度更新，它的取值介于0～1，所述自适应惯性权重的计算方式包括：其中，pmax为惯性权重的最大值；pmin为惯性权重的最小值；e为当前迭代次数；emax为最大迭代次数；

判断是否满足停止迭代条件，若满足条件，则输出全局最优粒子，并将所述全局最优粒子的值赋给各个权值参数进行网络优化，否则继续计算每个粒子的适应度值进行更新权值参数；

将处理后的待测的无人机飞行数据输入到权值参数调优后的门控循环单元网络中，输出无人机自组织网络中的节点轨迹。

2.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述无人机的飞行特征数据包括飞行高度特征、飞行位置特征以及飞行速度特征，其中，在t时刻的飞行特征表示为X(t)＝{lon,lat,hei,spd}；lon表示无人机在t时刻的经度特征；

lat表示无人机在t时刻的纬度特征；hei表示无人机在t时刻的高度特征；spd表示无人机在t时刻的速度特征。

3.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述利用K近邻算法对提取出的飞行特征中的缺失数据进行填充处理以及对异常数据进行删除处理包括根据无人机的历史飞行数据判断当前输入的无人机飞行数据是否异常，若正常则输入到正常样本集；否则输入到异常样本集，按照K近邻算法计算出异常数据或者缺失数据的轨迹数据的估计值；将所述估计值填充到所述异常样本集中，作为正常样本集，将正常样本集作为新的样本集。

4.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述将处理后的无人机飞行特征对门控循环单元网络进行训练包括构建出门控循环单元网络，输入当前节点的无人机飞行特征以及上一个节点传递出的隐状态；输出当前节点的轨迹预测结果以及隐状态；所述门控循环单元网络对下一个节点传递出的隐状态和当前节点输入的无人机飞行特征获取门控状态；通过前向传播的方式更新所述门控状态并确定需要训练的权值参数，通过后向传播算法求得损失函数对各权值参数的偏导；更新所述权值参数，依次迭代得出损失收敛直至训练完成。

5.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述计算每个粒子的适应度值所采用的适应度函数表示为：其中，f(i)表示第i个粒子的适应度值；Nout为门控循环单元网络中输出神经元数量，为第k层输出神经元中第i个粒子所对应的实际值， 为第k层输出神经元中第i个粒子所对应的预测值。

6.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述更新粒子位置所采用的函数表示为：xi,k+1＝xi,k+vi,k

其中，xi,k+1为第k+1次迭代时第i个粒子的位置；vi,k为第k次迭代时第i个粒子的速度；

xi,k为第k次迭代时第i个粒子的位置。

7.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，对所述全局最优粒子进行反向学习中所采用的反向公式表示为：其中，D为反向学习的维数，Int()为取整函数，M为粒子的总维数，e为当前迭代次数；

emax为最大迭代次数。

8.根据权利要求1所述的一种无人机自组织网络中的节点轨迹预测方法，其特征在于，所述更新粒子速度所采用的函数表示为：vi,k+1＝pvi,k+c1r1(xbest,i,k‑xi,k)+c2r2(pbest,i,k‑xi,k)其中，vi,k+1为第k+1次迭代时第i个粒子的速度；vi,k为第k次迭代时第i个粒子的速度；p表示惯性权重；c1表示第一学习因子，c2表示第二学习因子；r1表示第一随机数，r2表示第二随机数；xbest,k,i为第k次迭代时第i个粒子经历过的最优位置；xi,k为第k次迭代时第i个粒子的位置；pbest,i,k为第k次迭代时全部粒子经历过的最好位置。