[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的航跡融合辦法

在審

• 申請?zhí)枺?/td>: 202010463021.2
• 申請日: 2020-05-27
• 公開（公告）號: CN111582485A
• 公開（公告）日: 2020-08-25
• 發(fā)明（設(shè)計）人: 張可;徐明明;郭樂樂;王志斌
• 申請（專利權(quán)）人: 電子科技大學(xué);北京空間飛行器總體設(shè)計部
• 主分類號: G06N3/08
• 分類號: G06N3/08;G01S7/41;G01S13/60
• 代理公司: 成都玖和知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51238
• 代理人: 胡琳梅

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的航跡融合辦法，利用多個傳感器獲取對應(yīng)的航跡數(shù)據(jù)，進行預(yù)處理后得到樣本數(shù)據(jù)，隨所述樣本數(shù)據(jù)進行交互式多模型濾波，得到對應(yīng)的狀態(tài)估計，根據(jù)輸入層、三個隱藏層和輸出層，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并將劃分為訓(xùn)練集、測試集和驗證集的樣本數(shù)據(jù)依次輸入搜索神經(jīng)網(wǎng)絡(luò)模型中進行模型訓(xùn)練、測試和驗證，然后將任意所述航跡數(shù)據(jù)輸入訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型，得到加權(quán)融合結(jié)果，同時再次進行交互式多模型濾波，并對任意時刻任意所述單模型進行一步預(yù)測，直至所有所述航跡數(shù)據(jù)融合完成，提升系統(tǒng)融合效果。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的航跡融合辦法。

背景技術(shù)

隨著科學(xué)技術(shù)不斷進步，雷達在地面、空中、海洋和太空等各個方面都發(fā)揮著巨大的作用。尤其在空中和太空，由于雷達發(fā)射和接收的電磁波在空氣/真空中傳播具有相對于其他介質(zhì)更大的優(yōu)勢，因而雷達起著不可替代的作用。在軍用方面，預(yù)警雷達、搜索警戒雷達、火控雷達、制導(dǎo)雷達以及機載雷達在各種環(huán)境下應(yīng)用廣泛，尤其是機載雷達分類最為細(xì)致應(yīng)用最為廣泛，發(fā)展也更為迅速。研究機載雷達、星載雷達和臨近空間目標(biāo)探測雷達對目標(biāo)的探測跟蹤，經(jīng)過多雷達航跡數(shù)據(jù)融合達到較高精度的目標(biāo)跟蹤能力。但是由于各種雷達自身所處的工作環(huán)境差異大，復(fù)雜環(huán)境對雷達探測的準(zhǔn)確性也有不同程度的干擾，使得多雷達探測到的目標(biāo)數(shù)據(jù)都有不同程度的污染，這樣的數(shù)據(jù)對后期的航跡融合也會產(chǎn)生較大影響。分步式航跡融合算法作為航跡融合技術(shù)的研究熱點，可分為分層融合、加權(quán)融合和基于分步式濾波的融合三大類，其中加權(quán)融合算法因具有較好的性能和較低的計算量而受到廣大專家和學(xué)者的重視。加權(quán)融合的基本思想是，基于多傳感器局部跟蹤航跡，根據(jù)一定的規(guī)則分配權(quán)值，對局部跟蹤航跡進行加權(quán)平均，得到全局融合航跡。在加權(quán)融合系統(tǒng)中，權(quán)值的確定是關(guān)鍵，但目前的權(quán)值分配方案使系統(tǒng)融合效果不理想。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的航跡融合辦法，提升系統(tǒng)融合效果。

為實現(xiàn)上述目的，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的航跡融合辦法，包括：

獲取航跡數(shù)據(jù)并進行預(yù)處理，得到樣本數(shù)據(jù)；

根據(jù)所述樣本數(shù)據(jù)進行交互式多模型濾波，得到對應(yīng)的狀態(tài)估計；

構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并輸入劃分后的所述樣本數(shù)據(jù)進行模型訓(xùn)練；

將任意所述航跡數(shù)據(jù)輸入訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型，得到加權(quán)融合結(jié)果；

對所述加權(quán)融合結(jié)果再次進行交互式多模型濾波后進行信息反饋，完成航跡融合。

其中，所述獲取航跡數(shù)據(jù)并進行預(yù)處理，得到樣本數(shù)據(jù)，包括：

基于多個傳感器采集得到對應(yīng)的航跡數(shù)據(jù)，并對所述航跡數(shù)據(jù)進行預(yù)處理后，存入數(shù)據(jù)庫中，得到樣本數(shù)據(jù)。

其中，根據(jù)所述樣本數(shù)據(jù)進行交互式多模型濾波，得到對應(yīng)的狀態(tài)估計，包括：

基于所述傳感器的數(shù)量，選擇對應(yīng)數(shù)量的單模型進行模型狀態(tài)及其估計誤差協(xié)方差的交互，并根據(jù)設(shè)定的轉(zhuǎn)移概率矩陣進行模型之間的轉(zhuǎn)移，然后更新模型概率，對子濾波器的狀態(tài)估計及其誤差協(xié)方差進行加權(quán)平均，得到所述樣本數(shù)據(jù)基于多個所述單模型的狀態(tài)估計。

其中，所述構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并輸入劃分后的所述樣本數(shù)據(jù)進行模型訓(xùn)練，包括：

利用輸入層、三個隱藏層和輸出層構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并將所述樣本數(shù)據(jù)劃分為訓(xùn)練集、測試集和驗證集，同時將所述訓(xùn)練集輸入所述神經(jīng)網(wǎng)絡(luò)模型中進行模型訓(xùn)練，并利用所述測試集和所述驗證集輸入訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型中進行測試和驗證，得到權(quán)重矩陣，其中，所述輸入層的節(jié)點數(shù)和所述傳感器數(shù)量相同，所述輸出層的節(jié)點數(shù)為1。

其中，將任意所述航跡數(shù)據(jù)輸入訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型，得到加權(quán)融合結(jié)果，包括：