[發(fā)明專利]基于支持向量回歸的交互式多模型算法、系統(tǒng)、存儲介質(zhì)及計算機(jī)設(shè)備

在審

• 申請?zhí)枺?/td>: 202110784690.4
• 申請日: 2021-07-12
• 公開（公告）號: CN113408708A
• 公開（公告）日: 2021-09-17
• 發(fā)明（設(shè)計）人: 張平;周楊磊;徐忠祥;周著佩;查志賢;劉子健;陳宇
• 申請（專利權(quán)）人: 安徽耀峰雷達(dá)科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 昆明合眾智信知識產(chǎn)權(quán)事務(wù)所 53113
• 代理人: 甘善甜

本發(fā)明提供一種基于支持向量回歸的交互式多模型算法，包括搭建基于支持向量回歸的交互式多模型算法，獲取算法的調(diào)節(jié)系數(shù)；選取訓(xùn)練集和標(biāo)簽集；根據(jù)支持向量回歸網(wǎng)絡(luò)模型及其訓(xùn)練參數(shù)，使用訓(xùn)練參數(shù)對支持向量回歸網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將待處理的對應(yīng)模型的目標(biāo)狀態(tài)輸入交互值和量測輸入到上述改進(jìn)模型中得到目標(biāo)當(dāng)前時刻狀態(tài)估計值。本發(fā)明借助支持向量回歸網(wǎng)絡(luò)，增強(qiáng)了傳統(tǒng)交互式多模型算法的自適應(yīng)調(diào)整能力，其中支持向量回歸網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)來根據(jù)每種模型對應(yīng)的目標(biāo)狀態(tài)輸入交互值和量測首先進(jìn)入反饋網(wǎng)絡(luò)得到當(dāng)前時刻調(diào)節(jié)不同模型過程噪聲協(xié)方差的系數(shù)，建立起模型匹配程度和過程噪聲協(xié)方差系數(shù)之間的映射，減少模型不匹配時的跟蹤誤差。

技術(shù)領(lǐng)域

本發(fā)明涉及雷達(dá)數(shù)據(jù)處理領(lǐng)域，具體為一種基于支持向量回歸的交互式多模型算法、系統(tǒng)、存儲介質(zhì)及計算機(jī)設(shè)備。

背景技術(shù)

近年來，隨著技術(shù)的發(fā)展，無人機(jī)的相關(guān)性能得到了很大的提高，各種高度機(jī)動的無人機(jī)不斷發(fā)展，這對目標(biāo)跟蹤技術(shù)提出了更高的要求，強(qiáng)機(jī)動是指目標(biāo)加速度或運(yùn)動模式的相對瞬時和劇烈的變化，以及速度、角度和加速度的連續(xù)變化，傳統(tǒng)的無人機(jī)跟蹤算法模型適應(yīng)性差，計算量大。

公開號為CN109491241A提供的一種針對機(jī)動目標(biāo)的無人機(jī)(UAV)魯棒化跟蹤方法，其通過在交互式多模型框架下，獲得最終的目標(biāo)狀態(tài)估計，使用的交互式多模型算法的性能在很大程度上依賴于所使用的模型，因此，為了提高算法的濾波精度，需要覆蓋盡可能多的運(yùn)動模型，但這樣帶來的問題是算法的計算量翻倍。另外，模型集中的模型過多會導(dǎo)致模型之間的競爭，從而降低算法的精度。因此，一般都是提前建立一個規(guī)模合適的模型集，模型集確定后，在跟蹤過程中不會發(fā)生改變。然而，隨著控制技術(shù)的發(fā)展，各種目標(biāo)的移動性越來越好，預(yù)設(shè)的固定數(shù)量的模型集很難滿足實(shí)際需求。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于支持向量回歸的交互式多模型算法、系統(tǒng)、存儲介質(zhì)及計算機(jī)設(shè)備，以解決上述背景技術(shù)中提出的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于支持向量回歸的交互式多模型算法，包括臥床主體、底板和臥欄，其中：

S1:搭建基于支持向量回歸的交互式多模型算法，將支持向量回歸網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)與傳統(tǒng)交互式多模型算法連結(jié)，獲取算法的調(diào)節(jié)系數(shù)；

S2:選取訓(xùn)練集和標(biāo)簽集，按照設(shè)定歸一標(biāo)準(zhǔn)化規(guī)則對訓(xùn)練集和標(biāo)簽集進(jìn)行預(yù)處理；

S3:根據(jù)支持向量回歸網(wǎng)絡(luò)模型及其訓(xùn)練參數(shù)，使用訓(xùn)練參數(shù)對支持向量回歸網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使其最終達(dá)到收斂；

S4:將待處理的對應(yīng)模型的目標(biāo)狀態(tài)輸入交互值和量測輸入到上述改進(jìn)模型中得到目標(biāo)當(dāng)前時刻狀態(tài)估計值。

優(yōu)選的，所述步驟S1中在每一個跟蹤時刻，每種模型對應(yīng)的目標(biāo)狀態(tài)輸入交互值和量測首先進(jìn)入反饋網(wǎng)絡(luò)得到當(dāng)前時刻調(diào)節(jié)不同模型過程噪聲協(xié)方差的系數(shù)，將該系數(shù)作為調(diào)節(jié)系數(shù)。

優(yōu)選的，所述步驟S1中所述向量回歸網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)與目標(biāo)狀態(tài)、量測維數(shù)和對應(yīng)，輸出層節(jié)點(diǎn)為1，網(wǎng)絡(luò)關(guān)系式為：

優(yōu)選的，所述訓(xùn)練集包括多個機(jī)動等級的目標(biāo)數(shù)據(jù)集，將目標(biāo)數(shù)據(jù)集切分處理后獲得訓(xùn)練集和標(biāo)簽集，所述標(biāo)簽集為每個時刻的目標(biāo)真實(shí)狀態(tài)。

優(yōu)選的，所述歸一標(biāo)準(zhǔn)化規(guī)則為Min-Max標(biāo)準(zhǔn)化方式。

優(yōu)選的，所述步驟S3中使用MSE作為損失函數(shù)并以端到端的方式訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)，其中損失函數(shù)為：

其中，m為訓(xùn)練數(shù)據(jù)數(shù)。

為實(shí)現(xiàn)上述目的，本發(fā)明另外還提供一種基于支持向量回歸的交互式多模型系統(tǒng)，其中，所述系統(tǒng)包括：