[發明專利]基于LSTM網絡的多機動目標跟蹤方法

有效

• 申請號: 201911057969.1
• 申請日: 2019-11-01
• 公開（公告）號: CN110780290B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 糾博;劉宏偉;馬佳佳;時玉春;陳渤
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S13/72
• 分類號: G01S13/72;G01S7/41
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于長短期記憶網絡LSTM的多機動目標跟蹤方法，其特征在于，構建長短期記憶網絡LSTM，通過訓練網絡估計機動目標的運動狀態和預測貝葉斯克拉美羅界BCRLB，利用資源分配算法，對多機動目標進行資源分配，最后使用卡爾曼濾波算法實現多機動目標的高精度跟蹤，該方法的具體步驟如下：

(1)構建長短期記憶網絡LSTM：

(1a)搭建一個3層的長短期記憶網絡LSTM，其結構依次為：輸入層→隱含層→輸出層；

(1b)設置長短期記憶網絡LSTM的各層參數如下：

將長短期記憶網絡的隱含層設置為1，輸入單元的個數設置為64，隱單元的個數設置為32；

(2)生成訓練數據集：

(2a)根據多機動目標跟蹤的應用場景，隨機設定多機動目標的初始狀態；

(2b)利用狀態轉移函數，依次計算50次目標狀態向量組成一條狀態序列，重復操作500000次，將50×500000個狀態向量作為目標的真實狀態，組成訓練網絡的標簽集；

(2c)利用傳感器觀測目標觀測方程，將50×500000個真實狀態向量生成對應的觀測向量，將50×500000個觀測向量組成訓練集；

(3)訓練長短期記憶網絡LSTM：

(3a)初始化長短期記憶網絡LSTM權值和偏置參數；

(3b)將訓練集輸入到長短期記憶網絡LSTM的輸入層，將輸入層的權值和偏置計算結果作為隱含層的輸入數據；

(3c)利用遺忘門函數和輸入門函數，隱含層計算輸入數據在當前時刻的歷史記憶信息，利用輸出門函數，隱含層計算輸出層的輸入數據；

(3d)將輸出層的權值和偏置計算結果作為目標一步狀態的預測值；

(3e)利用預測值和標簽值計算網絡的損失函數值，用批量梯度下降法，循環執行步驟(3b)到步驟(3e)更新長短期記憶LSTM的網絡權值和偏置參數500000次，得到訓練好的長短期記憶網絡LSTM；

(4)利用長短期記憶網絡LSTM進行多機動目標資源分配：

將實時觀測的當前時刻多機動目標的觀測數據輸入到長短時記憶網絡LSTM中，得到下一時刻每個機動目標狀態的預測值，并計算相應的預測BCRLB，利用資源分配代價函數求解每個機動目標分配的資源值；

(5)利用卡爾曼濾波算法進行多機動目標跟蹤：

使用卡爾曼濾波跟蹤算法，結合每個機動目標狀態的預測值和資源分配后每個機動目標狀態的觀測值，實現多機動目標跟蹤。

2.根據權利要求1所述的基于長短期記憶網絡LSTM的多機動目標跟蹤方法，其特征在于：步驟(2b)中所述的狀態轉移函數如下：

其中，表示多機動目標中的第q個機動目標在k時刻轉移后的狀態向量，F_k-1(·)表示目標狀態轉移函數，表示多機動目標中的第q個機動目標在k-1時刻的狀態向量，表示多機動目標中的第q個機動目標在k-1時刻的高斯白噪聲。

3.根據權利要求1所述的基于長短期記憶網絡LSTM的多機動目標跟蹤方法，其特征在于：步驟(2c)中所述的觀測方程如下：

其中，表示多機動目標中的第q個機動目標在k時刻的觀測狀態向量，H(·)表示觀測方程，表示多機動目標中的第q個機動目標在k時刻的真實狀態向量，表示多機動目標中的第q個機動目標在k時刻的高斯白噪聲。

4.根據權利要求1所述的基于長短期記憶網絡LSTM的多機動目標跟蹤方法，其特征在于：步驟(3c)中所述的遺忘門函數和輸入門函數如下：

其中，C_t表示隱含層當前時刻的記憶信息，σ(·)表示sigmoid函數，tanh(·)表示雙曲正切函數，W_f表示遺忘門函數的權值，b_f表示遺忘門函數的偏置，h_t-1，C_t-1分別表示隱含層上一時刻的輸出結果，W_i，分別表示輸入門函數的權值，b_i和表示輸入門函數的偏置。