[發明專利]一種基于航跡關聯的目標意圖判斷方法

有效

• 申請號: 202210937300.7
• 申請日: 2022-08-05
• 公開（公告）號: CN114999233B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 朱偉強;楊蔚;王昀;尹偉;冀貞海;李貴顯;楊佳敏
• 申請（專利權）人: 中國航天科工集團八五一一研究所
• 主分類號: G08G5/00
• 分類號: G08G5/00;G06N3/08;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱沉雁

1.一種基于航跡關聯的目標意圖判斷方法，其特征在于，步驟如下：

步驟1、通過對歷史航跡量測數據中目標特征信息進行提取，獲得運動特征信息和航跡特征信息，進而得到訓練樣本集；

所述運動特征信息包括目標的位置P、運動速度v、加速度α、航向d，目標的位置P以緯度B、經度L、海拔高度H表示；

第i個樣本對應的運動特征s_i表示為：

式中，N為單個樣本對應航段的采樣點數，k為對應航段序號，t為時間間隔，ΔP_max、Δv_max、Δα_max、Δd_max分別對應為航段中相鄰采樣點目標位置變化的最大值、運動速度變化的最大值、加速度變化的最大值和航向變化的最大值；航跡特征信息用于提取航跡軌跡曲線，獲取航跡軌跡曲線的航段弧長l、曲率角ω和航段曲線區域面積s，第i個樣本對應的航跡特征z_i表示為：

式中，N為單個樣本對應航段的采樣點數，k為對應航段序號；

步驟2、構建DBN模型；

步驟3、利用訓練樣本集，對DBN模型進行訓練，得到訓練好的DBN模型；

步驟4、根據動態航跡的量測數據間的貫續性判斷動態航跡是否為連續航跡，若各批次量測數據連續不中斷，則為連續航跡，轉入步驟5；若量測數據間存在中斷，則為不連續航跡，轉入步驟6；

步驟5、利用訓練好的DBN模型對連續航跡進行匹配，具體如下：

5-1)輸入經驗航跡數據；

5-2)設置DBN相關參數，包括隱層層數、層節點數、最大迭代次數；

5-3)根據DBN參數構建輸入層；

5-4)利用非監督學習的方法，提取航跡特征；

5-5)結合有標簽的經驗航跡，對DBN的網絡參數進行有監督微調；

5-6)訓練完成后，將待匹配的動態航跡數據輸入到訓練好的匹配模型中，進行航跡匹配，得到匹配結果；

步驟6、利用訓練后的深度置信網絡模型對不連續航跡進行匹配，輸出匹配度最高的航跡，具體如下：

6-1)將經驗航跡分段處理，然后作為DBN網絡的訓練集；

6-2)設置DBN相關參數，包括隱層層數、層節點數、最大迭代次數；

6-3)根據DBN參數構建輸入層；

6-4)利用非監督學習的方法，提取航跡特征；

6-5)結合有標簽的經驗航跡，對DBN的相關參數進行有監督微調；

6-6)訓練完成后，將待匹配的不連續動態航跡數據輸入到訓練好的匹配模型中，進行航跡匹配，輸出匹配度最高的航跡。

2.根據權利要求1所述的基于航跡關聯的目標意圖判斷方法，其特征在于，步驟2中，構建DBN模型，具體如下：

所述DBN由一個輸入層、多個隱層、一個輸出層組成，相鄰層之間通過節點連接，DBN的每一層均能夠分解為一個單獨的RBM，DBN由RBM首尾相接堆疊而成，在堆疊的RBM的頂層加上一個回歸分類器，實現對數據的分類識別功能；所述DBN的輸入為待識別的數據，輸出為識別出的類型，輸入與輸出節點數分別與輸入數據維數和識別類型總數相等。

3.根據權利要求2所述的基于航跡關聯的目標意圖判斷方法，其特征在于：回歸分類器采用Softmax回歸分類器。

4.根據權利要求3所述的基于航跡關聯的目標意圖判斷方法，其特征在于，步驟3中，利用訓練樣本集，對DBN模型進行訓練，得到訓練好的DBN模型，具體如下：

首先設置DBN隱層的數目與每層的節點數，然后自下向上單獨地無監督地訓練每一層RBM，即使用沒有標注正確歸屬的訓練樣本數據作為DBN模型的輸入，先訓練處于最底層的第一個RBM，它由輸入層V₀和第一個隱層H₀組成，訓練時先學習第一個RBM的參數W₀；將第一個RBM的輸出結果作為第二個RBM的輸入，即將H₀作為第二個RBM的可視層V₁，完成第二個RBM的訓練得到網絡參數W₁，依此類推，直到完成整個DBN模型的預訓練，得到了整個DBN模型的偏置和權值，即接近全局最優點的網絡初值；然后根據樣本標簽的先驗知識，利用全局的反向傳播算法對整個DBN模型進行微調，即對回歸分類器Softmax進行有監督訓練，同時微調學習DBN模型的網絡參數；經過迭代訓練，當DBN模型收斂到最優點時，結束整個網絡的調整，進而得到訓練好的DBN模型。