[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

本發明公開了一種基于長短期記憶網絡LSTM的多機動目標跟蹤方法，本發明實現的步驟如下：(1)構建長短期記憶網絡LSTM；(2)生成訓練數據集；(3)訓練長短期記憶網絡LSTM；(4)利用長短期記憶網絡LSTM進行多機動目標資源分配；(5)利用卡爾曼濾波算法進行多機動目標跟蹤。本發明通過基于長短期記憶網絡LSTM的多機動目標跟蹤方法，能夠準確提取機動目標的運動特征，準確預測機動目標的貝葉斯克拉美羅界BCRLB，進而對多機動目標分配雷達資源，實現多機動目標的高精度跟蹤。

技術領域

本發明屬于目標跟蹤技術領域，更進一步涉及機動目標跟蹤技術領域中的一種基于長短期記憶網絡LSTM(Long Short Term Memory Network)的多機動目標跟蹤方法。本發明可用于雷達實時觀測數據在多機動目標跟蹤時，進行雷達資源分配和高精度目標跟蹤。

背景技術

多機動目標跟蹤的主要任務是在有限的雷達資源條件下，對每一個機動目標分配足夠的能量達到預期的跟蹤精度。隨著雷達應用場景的復雜化，傳統雷達將發射功率平均分配給每個目標的方式，不能滿足目標的跟蹤精度。目前已經存有大量的利用認知技術進行雷達資源分配進而實現多目標跟蹤的方法，但是，由于這些方法在估計目標運動狀態時依賴目標的運動模型，在應對機動目標時，由于目標運動的高動態性以及隨機性，存在模型失配的問題。

嚴峻坤在其發表的論文“認知雷達中的資源分配算法研究”(西安電子科技大學工學博士學位論文2014年)中研究了理想檢測條件下的單雷達多目標認知跟蹤方法。該方法的具體步驟是，(1)建立理想條件下的目標運動模型和目標觀測模型；(2)計算目標預測貝葉斯克拉美羅界矩陣BCRLB，并以最小化最差目標的BCRLB構建資源分配代價函數；(3)求解該資源分配問題；(4)結合資源分配結果使用粒子濾波方法進行目標跟蹤。該方法存在的不足之處是，在計算目標預測BCRLB時需要依賴所建立的目標運動模型，在無法準確估計目標運動模型的情況下，不能精確計算BCRLB，影響目標的跟蹤精度。

西安電子科技大學在其申請的專利文獻“用于雷達多目標跟蹤的多波束發射功率動態分配方法”(專利申請號201110260636.6，申請公開號102426358B)中公開了一種用于雷達多目標跟蹤的多波束發射功率動態分配方法。該方法實現的具體步驟是，(1)初始平均分配每個目標的發射電磁波功率；(2)跟蹤目標以獲得目標的外推坐標；(3)脈沖壓縮處理回波信號，獲得目標的雷達散射面積；(4)采用使所有目標跟蹤平均誤差最小的方法或使所有目標跟蹤精度相同的方法計算每個目標的發射電磁波功率；(5)將計算后的功率按照目標外推坐標進行分配；(6)重復步驟(2)至步驟(6)，持續進行跟蹤。該方法存在的不足之處是，跟蹤目標時對目標狀態轉移矩陣的估計必須已知運動模型，無法處理未知機動目標運動模型的數據。

發明內容

本發明的目的是針對上述現有技術的不足，提出一種基于長短期記憶網絡LSTM的多機動目標跟蹤方法，這種方法可以解決多機動目標在不同運動模型下的BCRLB精確計算問題。

實現本發明目的的思路是，利用長短期記憶網絡LSTM強大的學習能力，從大量訓練數據中學習機動目標的運動特征。將實時觀測的數據輸入到已經訓練好的長短期記憶網絡LSTM中，計算機動目標的預測BCRLB，實現多機動目標資源分配和高精度跟蹤。

本發明的具體步驟如下：

(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；