System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及航迹起始,尤其涉及一种基于lstm的航迹起始方法。
技术介绍
1、现代空战是现代战争的一种重要形式,其威胁主要来自空中目标,如无人机、作战飞机、精制导武器等。为保障空域安全,如何提高防空作战能力是一个需要不断研究和待解决的问题。本文将介绍一种基于深度学习的航迹起始方法,用于从海量雷达量测数据中挖掘出有效信息,快速准确地实现航迹起始,及时为空域监管决策提供辅助,规避空中威胁。
2、航迹起始是指根据雷达或其他传感器观测到的目标位置信息,判断目标是否为新出现的目标,并为其建立初始航迹的过程。航迹起始是航迹管理的重要组成部分,对于提高目标跟踪的准确性和实时性具有重要意义。航迹起始的难点在于如何在复杂的背景噪声和杂波干扰下,快速有效地识别和区分目标和非目标。
3、lstm是一种特殊的循环神经网络(recurrent neural network,rnn),能够通过门控机制(gate mechanism)解决rnn在处理长时序数据时的梯度消失或爆炸的问题,从而实现对时序数据的长期依赖和记忆。基于lstm的航迹起始方法的基本思想是,将观测到的目标位置信息作为lstm网络的输入,将目标是否为新目标作为lstm网络的输出,通过训练lstm网络来学习目标位置信息和目标状态之间的映射关系,从而实现对新目标的判别和航迹的建立。
4、但是传统的航迹起始方法存在以下的不足:
5、(1)航迹起始的直观法、逻辑法和批处理法,考虑因素较少,过度依赖先验知识;
6、(2)航迹维持的最近邻算法
技术实现思路
1、1.要解决的技术问题
2、本专利技术的目的是为了解决现有技术中航迹起始的直观法、逻辑法和批处理法,考虑因素较少和航迹维持的最近邻算法、概率数据关联算法,无法稳定跟踪目标的问题,而提出的一种基于lstm的航迹起始方法。
3、2.技术方案
4、为了实现上述目的,本专利技术采用了如下技术方案:
5、一种基于lstm的航迹起始方法,包括以下步骤:
6、步骤1:获取雷达数据构建数据集,获取雷达数据的目的在于构建用于训练神经网络的数据集,从雷达数据变成训练所用数据集需要经过一系列的预处理;
7、步骤2:构建lstm航迹起始模型,构建lstm航迹起始模型旨在通过lstm模型对获取的ads-b数据进行训练学习实现对航迹的起始;
8、步骤3:模型的训练与测试、调整,对雷达数据进行二分类判断即模型的训练与检验环节。
9、优选地,所述步骤1具体为:
10、s1.1,获取雷达收集到的原始航迹数据;
11、s1.2,从原始航迹数据中选取所需的部分并构建新的数据集;
12、s1.3,将数据集按照模型滑动窗口读取的方式重新构建;
13、s1.4,划分训练集和测试集,并且给训练集的数据加上标签。
14、优选地,所述步骤1中具体实施方法包括:
15、(1)获取雷达收集到的原始航迹数据,从variflight.com随机选取一条历史航迹的ads-b数据作为航迹h,航迹包含若干点迹pi,每个点迹包含若干特征信息qk,其中航迹h,点迹pi可分别表示为:
16、h={p1,p2,p3,…,pn}
17、pi={q1,q2,q3,…,qn}
18、其中pi为航迹中第i个点迹,qk为点迹中第k个特征信息
19、(2)读取ads-b数据中的有效数据,原始数据中每条航迹中每个点迹包含7个特征,分别为:utc时间、航班号、高度、速度、方位角、经度、纬度,经分析删除其中无效数据,处理后的点迹pi可表示为:pi={高度,速度,方位角,经度,纬度}
20、(3)模型数据采样的方式是在经上一步骤处理后的有效数据的基础上窗口滑动采样,窗口宽度是5,即每次读入相邻五个点迹的信息;窗口移动步长是1,按照该采样方式重构数据集;
21、(4)按照训练集:测试集=7:3的比例划分数据集,同时将真实航迹与虚假航迹贴上标签,真实航迹数据的标签是1,虚假航迹的标签是0。
22、优选地,所述步骤2中具体为:
23、s2.1,构建lstm航迹起始模型框架;
24、s2.2,设置网络超参数;
25、s2.3,加入可视化矩阵模块评估模型效果。
26、优选地,所述步骤2中具体实施方法包括:
27、(2)构建lstm航迹起始模型框架,该模型包括一个lstm层和一个全连接层,历史航迹点样本数据中每组样本包含5个点迹,每个点迹包含5个特征信息和一个标签,可知输入层维数为25,输出维数为2;
28、(2)调节超参数、损失函数、优化器来优化模型,在进行模型训练前,还需要设置有关模型的超参数,超参数包括:一批数据量的大小、隐层数目、学习率等;
29、(3)通过可视化矩阵表示模型的性能。
30、优选地,所述步骤3具体为:
31、s3.1,将ads-b数据输入模型进行训练与测试;
32、s3.2,通过可视化矩阵评估模型的性能,调整超参数以获得性能较好的模型。
33、优选地,所述步骤3中具体实施方法包括:
34、(1)在“飞常准”网站随机下载一条飞机的ads-b数据,并输入网络,运行代码,由于整个数据集都被加以标签,“真实航迹数据”为“1”,“虚假航迹数据”为“0”,因此可以进行神经网络的监督学习,在定义的优化器和损失函数的作用下,网络不断优化;通过判断航迹关联准确率的函数,可以得到最佳模型,将其拷贝保存,并用可视化矩阵绘图表示最佳模型的航迹起始准确率;
35、(2)通过可视化矩阵观察模型航迹起始的准确率,调整参数直至模型有较好性能。
36、3.有益效果
37、相比于现有技术,本专利技术的优点在于:
38、(1)本专利技术中,通过针对雷达捕获的飞行器ads-b数据,研究目标航迹起始方法,引入lstm神经网络模型,用于对真实航迹和虚假航迹的二分类判断。
39、(2)本专利技术中,该方法可以充分利用目标位置信息的时序特性,捕捉目标运动的动态变化,提高航迹起始的准确率和鲁棒性。此外,它可以避免传统的基于规则或阈值的航迹起始方法的人为干预和参数调节,实现航迹起始的自适应和智能化。
本文档来自技高网...【技术保护点】
1.一种基于LSTM的航迹起始方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于LSTM的航迹起始方法,其特征在于,所述步骤1具体为:
3.根据权利要求1所述的一种基于LSTM的航迹起始方法,其特征在于,所述步骤1中具体实施方法包括:
4.根据权利要求1所述的一种基于LSTM的航迹起始方法,其特征在于,所述步骤2中具体为:
5.根据权利要求1所述的一种基于LSTM的航迹起始方法,其特征在于,所述步骤2中具体实施方法包括:
6.根据权利要求1所述的一种基于LSTM的航迹起始方法,其特征在于,所述步骤3具体为:
7.根据权利要求1所述的一种基于LSTM的航迹起始方法,其特征在于,所述步骤3中具体实施方法包括:
【技术特征摘要】
1.一种基于lstm的航迹起始方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于lstm的航迹起始方法,其特征在于,所述步骤1具体为:
3.根据权利要求1所述的一种基于lstm的航迹起始方法,其特征在于,所述步骤1中具体实施方法包括:
4.根据权利要求1所述的一种基于lstm的航迹起始方法,其特征...
【专利技术属性】
技术研发人员:王旭东,郭宗灏,韩绪,高子为,王国旗,
申请(专利权)人:湖南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。