基于循环神经网络的目标航迹预测方法技术

本发明专利技术公开了一种基于循环神经网络的目标航迹预测方法，属于雷达目标跟踪领域，主要解决现有航迹预测方法模型简单、复杂度低、通适性差且无法学习的问题。该方法首先对多种场景下同一型号雷达量测点迹和跟踪航迹数据进行收集，同时采用合作目标信息接收设备对合作目标航迹进行收集，并对数据进行剔除和修正，形成航迹原始数据集。然后构建目标航迹预测循环神经网络，设定训练样本特征向量，生成航迹训练集。最后，基于合作航迹训练集和雷达航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。该方法能自动训练生成预测算法，具有适用范围广、适配场景多、实用效果好等优点。

【技术实现步骤摘要】
基于循环神经网络的目标航迹预测方法
本专利技术隶属于雷达目标跟踪领域，提供一种目标航迹预测方法，涉及循环神经网络的构建、训练与生成，适用于雷达数据处理系统。
技术介绍
目标跟踪是雷达数据处理的核心关键技术，其通过建立雷达每帧量测数据与不同真实目标间的对应关系，并经过滤波估计，得到目标的运动轨迹和运动参数，从而实现目标个体实时连续掌握。目标跟踪包括航迹起始、航迹滤波、航迹预测、点航关联等多个技术环节，其中航迹预测是关键瓶颈环节，起承上启下作用，直接决定目标跟踪效果。如果航迹预测不准确，将会影响点航关联结果，导致点航关联错误，进而影响航迹滤波，使目标状态估计偏离目标真实状态，并有可能进一步引起后续连锁反应，致使跟踪发散、目标丢失。现有的航迹预测方法隐藏在航迹滤波环节，基于滤波的目标状态转移模型进行预测，根据包含的基本目标状态转移模型数量，可分为单模预测方法和多模预测方法。其中单模航迹预测方法是基于单一目标状态转移模型进行预测，多模预测方法则是基于多个目标状态转移模型，根据每个模型与目标实际运动模式的匹配程度，进行多模型加权预测或最匹配单一模型预测，分别与滤波的单模型滤波方法和多模型滤波方法相对应，而常用的基本目标状态转移模型则包括匀速模型、常加速度模型、协同转弯模型、Singer模型、当前统计模型和Jerk模型等。无论是单模预测方法，还是多模预测方法，均存在模型简单、能力有限、泛化性不足等问题，在实际运用中，由于目标运动模型未知，现有算法预测效果时好时坏，难以在目标任何运动模式下均取得稳定、良好的预测效果。同时现有预测方法还存在参数无法确定的问题，需要人工进行反复的修改和调试，并且调试后的航迹预测效果也难以达到最优。综上所述，现有的航迹预测方法存在模型简单、复杂度低、通适性差、缺乏学习能力等问题，难以根本整体上解决航迹预测问题。
技术实现思路
本专利技术的目的是提出一种目标航迹预测方法，旨在解决现有目标航迹预测方法模型简单、复杂度低、通适性差且无法学习的问题。本专利技术所述的基于循环神经网络的目标航迹预测方法，具体包括以下技术措施：首先对同一型号雷达不同场景下量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集。与此同时，根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹，剔除异常数据，形成合作目标航迹原始数据集。进一步，利用数据分析处理软件，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除。然后根据航迹预测问题性质，确定循环神经网络形式为一对一形式，基于典型循环神经网络结构，构建目标航迹预测循环神经网络。同时设定训练样本特征向量，基于原始数据集，分别提取生成雷达探测航迹训练集和合作目标航迹训练集，并对航迹训练集进行标准化预处理，生成无量纲航迹训练集。最后，采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。本专利技术提出的目标航迹预测方法，可基于大量目标航迹数据，训练生成与雷达相匹配的目标航迹预测方法，具有适用范围广、适配场景多、实用效果好等优点，所生成的目标航迹预测方法可无需调试直接应用于相应雷达中，实用性强。附图说明图1是基于循环神经网络的目标航迹预测方法流程图。图2是目标航迹预测循环神经网络形式。具体实施方式本专利技术提出的基于循环神经网络的目标航迹预测方法包括以下步骤：步骤1：对同一型号雷达不同场景下量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹，形成合作目标航迹原始数据集；步骤1.1：对同一雷达或同一型号不同雷达在不同时段、不同区域，对不同目标的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，用于雷达独有航迹预测特征学习；其中量测点迹数据是指雷达回波凝聚点对应的位置数据，跟踪航迹数据是指同一目标不同时间点位置数据序列，可以是滤波后位置估计数据，也可以未滤波原始量测数据，最好把滤波前后航迹数据作为两种航迹一起进行收集，以提高数据样本的广泛性。不同型号、不同类别的雷达在目标探测类别、分辨力、量测误差等方面存在较大差别，需要不同的目标航迹预测方法，即使是同一个雷达，如果有不同的探测模型，譬如具有对空对海两种探测模型，也需要两种不同的目标航迹预测方法，因此需要针对具体雷达，进行雷达探测数据收集；由于后续训练主要利用目标不同时间点空间位置序列数据，因此主要收集直角坐标系位置数据信息；雷达类别不同，位置数据构成也不尽相同，如果是两坐标雷达，则由X、Y方向坐标构成，如果是三坐标雷达，则由由X、Y、Z方向坐标构成；同一时段同一雷达的量测点数据和航迹数据必须在同一直角坐标系中，不同时段、不同区域收集的雷达探测数据可在不同坐标系中，但均需为直角坐标系，后续收集的合作目标航迹数据同样也必须在直角坐标系中；另外一般情况下航迹数据除目标位置信息外，还包括速度、航向、目标属性等信息，如果存储比较紧张，可以不进行保存，不影响后续处理；步骤1.2：根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹数据，形成合作目标航迹原始数据集，用于目标共性航迹预测特征学习；与雷达量测原始数据集相比，合作目标航迹原始数据集体量大、样本多，与目标类别有关，可以用于相同海空类别多种具体雷达的目标航迹预测方法学习训练中，譬如如果雷达是对空探测，则需要收集飞机合作目标航迹数据，形成的飞机合作目标航迹原始数据集，也可以用于其他对空探测雷达的训练学习；其中合作目标信息接收设备包括但不限于AIS设备(船舶自动识别系统)、ADS设备(民航广播式自动相关监视)等；同时，在进行雷达探测数据时，如果外部条件满足，应同时对相同区域内的合作目标进行收集，尽量确保最终得到的合作目标航迹原始数据集在时空维度上覆盖雷达量测原始数据集，便于后续参考合作目标航迹，对雷达跟踪航迹进行修正。步骤2：采用时空多维一体可视化方法，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除；步骤2.1：从雷达量测原始数据集中选取设定时段量测点迹数据和跟踪航迹数据，同时从合作目标航迹原始数据集选取相同时段相同区域合作目标航迹数据；如果合作目标航迹与雷达跟踪航迹的坐标系不一致，则需要进一步根据两者间的坐标转换关系，转换合作目标航迹到雷达跟踪航迹坐标系中；步骤2.2：采用时空多维一体可视化方法，对三类数据进行联合显示，其中联合显示是指三类数据在同一张视图上进行显示，时空多维是指同时提供至少X方向-Y方向、时间-X方向、时间-Y方向等三类视图，一体是指多维视图存在联动，即选择任意视图中的一个量测点或航迹，在其他视图中相同量测点或航迹也要突出显示；步骤2.3：基于多维视图，参考合作目标航迹数据，比对量测点迹数据和目标跟踪航迹数据，对错误跟踪航迹数据进行人工修正或剔除，对雷达量测原始数据集中所有跟踪航迹数据进行处理，确保雷达跟踪航迹正确无误。如果待处理的目标航迹比较典型，并且仅存在少量跟踪错误，则进行人工修正，否则直接剔除；步骤2.4：按照步本文档来自技高网...

【技术保护点】
1.基于循环神经网络的目标航迹预测方法，其特征在于，包括以下步骤：步骤1：对同一型号雷达不同场景下的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，根据雷达海空探测类别，利用合作目标信息接收设备，收集舰船、飞机合作目标航迹，形成合作目标航迹原始数据集；步骤2：采用时空多维一体可视化方法，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除；步骤3：确定循环神经网络形式为一对一形式，一个输入对应一个输出，并基于典型循环神经网络结构，构建目标航迹预测循环神经网络；步骤4：设定训练样本特征向量，基于原始数据集，生成雷达探测航迹训练集和合作目标航迹训练集；步骤5：采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。

【技术特征摘要】
1.基于循环神经网络的目标航迹预测方法，其特征在于，包括以下步骤：步骤1：对同一型号雷达不同场景下的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，根据雷达海空探测类别，利用合作目标信息接收设备，收集舰船、飞机合作目标航迹，形成合作目标航迹原始数据集；步骤2：采用时空多维一体可视化方法，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除；步骤3：确定循环神经网络形式为一对一形式，一个输入对应一个输出，并基于典型循环神经网络结构，构建目标航迹预测循环神经网络；步骤4：设定训练样本特征向量，基于原始数据集，生成雷达探测航迹训练集和合作目标航迹训练集；步骤5：采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。2.如权利要求1所述的一种基于循环神经网络的目标航迹预测方法，其特征在于，所述步骤1具体包括以下子步骤：步骤1.1：对同一雷达或同一型号不同雷达在不同时段、不同区域，对不同目标的量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集，用于雷达独有航迹预测特征学习；步骤1.2：根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹数据，形成合作目标航迹原始数据集，用于目标共性航迹预测特征学习。3.如权利要求1所述的一种基于循环神经网络的目标航迹预测方法，其特征在于所述步骤2，具体包括以下子步骤：步骤2.1：从雷达量测原始数据集中选取设定时段内量测点迹数据和跟踪航迹数据，同时从合作目标航迹原始数据集选取相同时段相同区域合作目标航迹数据；步骤2.2：采用时空多维一体可视化方法，对三类数据进行联合显示，其中联合显示是指三类数据在同一张视图上进行显示，时空多维是指同时提供至少X方向-Y方向、时间-X方向、时间-Y方向三类视图，一体是指多维视图存在联动，即选择任意视图中的一个量测点或航迹，在其他视图中相同量测点或航迹也要突出显示；步骤2.3：基于多维视图，参考合作目标航迹数据，比对量测点迹数据和目标跟踪航迹数据，对错误跟踪航迹数据进行人工修正或剔除；步骤2.4...

【专利技术属性】
技术研发人员：崔亚奇，熊伟，何友，吕亚飞，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东,37