[發(fā)明專利]一種提高機(jī)載目標(biāo)航跡融合精度的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011424731.0
• 申請(qǐng)日: 2020-12-08
• 公開（公告）號(hào): CN112529070A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計(jì)）人: 趙英策;張成;邵思奇;鄒巖;張博
• 申請(qǐng)（專利權(quán)）人: 中國(guó)航空工業(yè)集團(tuán)公司沈陽飛機(jī)設(shè)計(jì)研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京航信高科知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11526
• 代理人: 劉傳準(zhǔn)

本申請(qǐng)屬于航跡數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種提高機(jī)載目標(biāo)航跡融合精度的方法。該方法包括：獲取用于進(jìn)行目標(biāo)航跡融合的航跡參數(shù)及融合后的系統(tǒng)航跡數(shù)據(jù)；對(duì)所述航跡參數(shù)進(jìn)行歸一化處理；將歸一化處理后的數(shù)據(jù)作為輸入，融合后的系統(tǒng)航跡數(shù)據(jù)作為標(biāo)準(zhǔn)解，構(gòu)建神經(jīng)網(wǎng)絡(luò)并利用數(shù)據(jù)集進(jìn)行訓(xùn)練；對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，通過正向推理獲得神經(jīng)網(wǎng)絡(luò)模型中的每一層的激活函數(shù)輸入矩陣；通過反向傳播，獲得系統(tǒng)輸出對(duì)輸入?yún)?shù)的影響梯度；對(duì)梯度排名靠前的航跡參數(shù)，增加其進(jìn)行目標(biāo)航跡融合時(shí)的權(quán)重。本申請(qǐng)目具有更強(qiáng)的特征提取能力，對(duì)數(shù)據(jù)集的擬合效果和靈敏度分析結(jié)果的精確度都有所提升，因此可以更加精確的給出融合算法的優(yōu)化方案。

技術(shù)領(lǐng)域

本申請(qǐng)屬于航跡數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種提高機(jī)載目標(biāo)航跡融合精度的方法。

背景技術(shù)

機(jī)載目標(biāo)航跡融合系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng)，數(shù)學(xué)模型比較復(fù)雜，在實(shí)際作戰(zhàn)中，由于戰(zhàn)場(chǎng)環(huán)境、攻擊條件以及目標(biāo)運(yùn)動(dòng)等的復(fù)雜性，導(dǎo)致目標(biāo)航跡融合的精度受到多種因素的影響，且各種影響因素并非單獨(dú)作用于目標(biāo)航跡融合系統(tǒng)，往往多種影響因素同時(shí)存在并伴隨著較強(qiáng)的交互耦合效應(yīng)。傳統(tǒng)航跡融合精度分析工作中，大量研究多建立在近似線性、影響因素獨(dú)立假設(shè)條件基礎(chǔ)上，以此前提開展精度統(tǒng)計(jì)與靜態(tài)分析，無法體現(xiàn)因素間耦合關(guān)系對(duì)融合精度的影響，結(jié)果不夠全面，不利于目標(biāo)航跡融合算法的優(yōu)化；部分適用于非線性、多影響因素的靈敏度分析方法對(duì)模型精度有很高要求，且計(jì)算量巨大，實(shí)際應(yīng)用較難。

發(fā)明內(nèi)容

為了解決上述問題，本申請(qǐng)?zhí)峁┮环N基于Inception-CNN的目標(biāo)航跡融合精度影響因素分析方法，能對(duì)各傳感器量測(cè)數(shù)據(jù)及航跡融合結(jié)果進(jìn)行分析，得到影響航跡融合精度的主要因素，并據(jù)此對(duì)傳感器提出要求，或?qū)δ繕?biāo)航跡融合算法進(jìn)行策略級(jí)優(yōu)化，提升算法性能，為戰(zhàn)場(chǎng)態(tài)勢(shì)感知能力的提升提供技術(shù)支撐。

本申請(qǐng)?zhí)岣邫C(jī)載目標(biāo)航跡融合精度的方法，包括：

步驟S1、獲取用于進(jìn)行目標(biāo)航跡融合的航跡參數(shù)及融合后的系統(tǒng)航跡數(shù)據(jù)；

步驟S2、對(duì)所述航跡參數(shù)進(jìn)行歸一化處理；

步驟S3、將歸一化處理后的數(shù)據(jù)作為輸入，融合后的系統(tǒng)航跡數(shù)據(jù)作為標(biāo)準(zhǔn)解，構(gòu)建神經(jīng)網(wǎng)絡(luò)并利用數(shù)據(jù)集進(jìn)行訓(xùn)練；

步驟S4、對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，通過正向推理獲得神經(jīng)網(wǎng)絡(luò)模型中的每一層的激活函數(shù)輸入矩陣；

步驟S5、通過反向傳播，獲得系統(tǒng)輸出對(duì)輸入?yún)?shù)的影響梯度；

步驟S6、對(duì)梯度排名靠前的航跡參數(shù)，增加其進(jìn)行目標(biāo)航跡融合時(shí)的權(quán)重。

優(yōu)選的是，步驟S1中，所述航跡參數(shù)至少包括雷達(dá)目標(biāo)北、天、東三向速度、雷達(dá)目標(biāo)北、天、東三向位置、光雷目標(biāo)俯仰角、光雷目標(biāo)距離。

優(yōu)選的是，步驟S2中，歸一化處理包括：

其中，x為輸入的航跡參數(shù)，A(x)為輸入的航跡參數(shù)的平均值，σ(x)為輸入的航跡參數(shù)的標(biāo)準(zhǔn)差。

優(yōu)選的是，步驟S3中，所述神經(jīng)網(wǎng)絡(luò)包括一個(gè)Inception-CNN結(jié)構(gòu)和三個(gè)全連接層。

優(yōu)選的是，步驟S5中，所述反向傳播包括：

根據(jù)卷積網(wǎng)絡(luò)下一層的靈敏度矩陣與總輸出，計(jì)算當(dāng)前卷積層的靈敏度。

優(yōu)選的是，步驟S6中，增加航跡參數(shù)進(jìn)行目標(biāo)航跡融合時(shí)的權(quán)重包括：調(diào)整算法中該航跡參數(shù)的修正參數(shù)，或者調(diào)整算法結(jié)構(gòu)中該航跡參數(shù)對(duì)應(yīng)的算法。