[發明專利]基于循環神經網絡的目標航跡預測方法有效
| 申請號： | 201810040500.6 | 申請日： | 2018-01-16 |
| 公開（公告）號： | CN108254741B | 公開（公告）日： | 2021-02-09 |
| 發明（設計）人： | 崔亞奇;熊偉;何友;呂亞飛 | 申請（專利權）人： | 中國人民解放軍海軍航空大學 |
| 主分類號： | G01S13/72 | 分類號： | G01S13/72;G06N3/04 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 264001 山東省*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 循環 神經網絡 目標 航跡 預測 方法 | ||
1.基于循環神經網絡的目標航跡預測方法，其特征在于，包括以下步驟：
步驟1：對同一型號雷達不同場景下的量測點跡數據和跟蹤航跡數據進行收集，剔除異常數據，形成雷達量測原始數據集，根據雷達?？仗綔y類別，利用合作目標信息接收設備，收集艦船或飛機合作目標航跡，形成合作目標航跡原始數據集；
步驟2：采用時空多維一體可視化方法，對三類數據在同一張視圖上顯示，參考同時段同區域的合作目標航跡數據，比對量測點跡數據和跟蹤航跡數據，人工修正或剔除雷達量測原始數據集中所有錯誤跟蹤航跡數據；
步驟3：確定循環神經網絡形式為一對一形式，一個輸入對應一個輸出，并基于簡單循環神經網絡、門限循環神經網絡、長短記憶循環神經網絡或引入注意力機制的增強循環神經網絡，構建目標航跡預測循環神經網絡；
步驟4：基于目標航跡時間位置信息，設定訓練樣本特征向量，對于雷達量測原始數據集和合作目標航跡原始數據集中每個目標航跡數據，分別進行訓練樣本求取、樣本截取和序列頭部添加開始標示數據處理，以生成雷達探測航跡訓練集和合作目標航跡訓練集，進一步通過標準化預處理，生成無量綱雷達探測航跡訓練集和合作目標航跡訓練集；
步驟5：采用循環神經網絡訓練方法，基于合作目標航跡訓練集和雷達探測航跡訓練集，對目標航跡預測循環神經網絡進行訓練優化，生成與雷達相匹配的目標航跡預測方法;
其中，步驟4具體包括：
步驟4.1：基于目標航跡時間位置信息，構建樣本特征向量，求取目標航跡樣本，一種合理的基本樣本特征向量由相鄰時刻航跡點的時間差、位置差、位置差除以時間差元素構成，而更復雜更高維的樣本特征向量通過對基本樣本特征向量進行非線性函數或核函數變換得到；
步驟4.2：為避免后續訓練中可能存在的梯度彌散和爆炸問題，結合采用的循環神經網絡結構，對目標航跡樣本進行截取，并在得到的序列頭部添加開始標示數據，生成最終的訓練樣本，其中開始標示數據維度與樣本向量一致；
步驟4.3：基于雷達量測原始數據集和合作目標航跡原始數據集中目標航跡數據，按照步驟4.2訓練樣本求取方法，分別計算生成雷達探測航跡訓練集和合作目標航跡訓練集，并進一步進行標準化預處理，生成無量綱雷達探測航跡訓練集和合作目標航跡訓練集。
2.如權利要求1所述的基于循環神經網絡的目標航跡預測方法，其特征在于，所述步驟1具體包括以下子步驟：
步驟1.1：對同一雷達或同一型號不同雷達在不同時段、不同區域，對不同目標的量測點跡數據和跟蹤航跡數據進行收集，剔除異常數據，形成雷達量測原始數據集，用于雷達獨有航跡預測特征學習；
步驟1.2：根據雷達海空探測類別，利用合作目標信息接收設備，大量收集艦船或飛機合作目標航跡數據，形成合作目標航跡原始數據集，用于目標共性航跡預測特征學習。
3.如權利要求1所述的基于循環神經網絡的目標航跡預測方法，其特征在于所述步驟2具體包括以下子步驟：
步驟2.1：從雷達量測原始數據集中選取設定時段內量測點跡數據和跟蹤航跡數據，同時從合作目標航跡原始數據集選取相同時段相同區域合作目標航跡數據；
步驟2.2：采用時空多維一體可視化方法，對三類數據進行聯合顯示，其中聯合顯示是指三類數據在同一張視圖上進行顯示，時空多維是指同時提供至少
步驟2.3：基于多維視圖，參考合作目標航跡數據，比對量測點跡數據和跟蹤航跡數據，對錯誤跟蹤航跡數據進行人工修正或剔除；
步驟2.4：按照步驟2.1~步驟2.3，對雷達量測原始數據集中所有跟蹤航跡數據進行處理，確保雷達跟蹤航跡正確無誤。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國人民解放軍海軍航空大學，未經中國人民解放軍海軍航空大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810040500.6/1.html，轉載請聲明來源鉆瓜專利網。
