[發明專利]一種地波雷達船只斷裂航跡預測方法

有效

• 申請號: 202110027736.8
• 申請日: 2021-01-11
• 公開（公告）號: CN112668804B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張玲;李慶豐;牛炯
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/25;G06N3/0464;G06N3/084
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 陳海濱

本發明公開了一種地波雷達船只斷裂航跡預測方法，屬于船只斷裂航跡預測領域，利用地波雷達采集到的船只經緯度信息，將其并行輸入到不同窗口長度的卷積神經網絡中，對提取到的多尺度特征進行特征融合，利用GRU結構能夠保存歷史信息的特點，通過深層GRU模型進行時間序列的學習，利用時間注意力機制對特征分配不同的權重，便于網絡學習關鍵信息，使用自回歸模型對當前時間步的經緯度線性信息進行預測，并與注意力機制輸出的航跡進行融合，實現了線性與非線性預測模型的結合。為了充分利用地波雷達航跡信息，針對航跡斷裂預測問題，將斷裂前后的數據分別進行航跡預測，通過熵值法對兩次預測結果進行權重的分配，最終經過加權求和實現船只航跡預測。

技術領域

本發明屬于船只斷裂航跡預測領域，具體涉及一種地波雷達船只斷裂航跡預測方法。

背景技術

地波雷達具有監測范圍廣、超視距等優點，被廣泛應用于船只檢測領域，是海上監測的常用手段。然而地波雷達的工作環境中往往充斥著大量干擾因素，如地雜波、海雜波、電離層雜波等，當船只進入到雜波區域，在多普勒區域會發生掩蓋，導致探測到的航跡發生斷裂甚至消失的情況，出現無法檢測到目標船只的問題，導致地波雷達無法長時間連續跟蹤目標，限制了其監測目標的能力。

在船只目標航跡預測領域，按照預測方法大致可分為兩種，方法分別是基于船舶動力學模型進行數學建模預測和不基于船舶動力學模型依照航跡數據擬合預測。當前所提出的船只運動模型都有嚴格的假定條件限定，但是由于系統和測量噪聲的存在，難以獲得精確的預測航跡，并且地波雷達探測的海域中存在著眾多運動形式不一的船只，僅靠一個模型很難刻畫出船只的運動軌跡，即便基于多目標聯合建模對船只航跡進行估計，提取出特定船只航跡信息也還需要進一步判斷。不基于動力學模型的航跡預測方法不能有效地解決長期序列依賴問題。

發明內容

為了準確預測地波雷達船只航跡，本發明提出了一種地波雷達船只斷裂航跡預測方法，通過多尺度特征融合結合GRU與時間注意力機制并與自回歸網絡(AR)進行結果相加融合，利用斷裂前的經緯度信息預測正向航跡，利用斷裂后的經緯度信息進行逆向預測，隨后將兩次預測航跡通過賦予相應權重進行加權求和，從而得到目標船只最終的位置。

為了實現上述目的，本發明采用如下技術方案：

一種地波雷達船只斷裂航跡預測方法，基于多尺度卷積神經網絡結合GRU與注意力機制對地波雷達船只斷裂航跡進行預測，具體步驟如下：

步驟1：地波雷達采集船只航跡原始數據并劃分為三維結構的時間序列，將原始數據中的經度和緯度信息并行輸入到卷積神經網絡中；

步驟2：采用一維卷積進行特征提取，使用不同窗口長度的卷積神經網絡學習經緯度特征，以獲得不同尺度的特征；

步驟3：對提取到的多尺度特征進行特征融合，并將其輸入到堆疊的GRU中進行時間序列學習；

步驟4：利用注意力機制進行特征分析，并且對每一個特征給予相應的權重，充分挖掘航跡信息中的有效信息，再將其輸入全連接層；

步驟5：使用自回歸模型對當前時間步的經緯度線性信息進行預測，并與注意力機制輸出的航跡信息進行融合，預測出下一時間步的航跡。

優選地，步驟2中使用窗口長度為1和3的一維卷積，分別提取航跡信息的特征，在窗口長度為1的卷積層后使用最大池化層保留主要的特征，同時減少參數以及防止過擬合。

優選地，步驟3中堆疊的GRU模型由3層GRU組成，相比于單層GRU網絡，GRU層數加深能夠大大提高學習能力。

優選地，步驟4中采用時間注意力機制，是加權求和的過程，對堆疊的GRU學習到的特征維度進行注意力加權，對結果影響重大的特征賦予更高的權重，便于網絡更好預測。