基于BF-DLSTM的窄带雷达目标跟踪方法技术

本发明专利技术公开了一种基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，主要解决类带雷达目标跟踪中，待跟踪目标运动类型与预先假设的目标运动类型不匹配造成的难以有效跟踪的问题。本发明专利技术实现的步骤如下：(1)构建多种运动类型组成的训练数据集；(2)构建贝叶斯深度长短期记忆网络BF‑DLSTM；(3)对训练集进行归一化处理；(4)训练贝叶斯深度长短期记忆网络BF‑DLSTM；(5)窄带雷达目标跟踪。本发明专利技术通过基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，能够对多种运动类型的目标及机动目标实现精度更高地有效跟踪。

Narrow-band Radar Target Tracking Method Based on BF-DLSTM

The invention discloses a narrowband radar target tracking method based on Bayesian deep long-term and short-term memory network BF DLSTM, which mainly solves the problem of difficult effective tracking caused by the mismatch between the target motion type to be tracked and the pre-assumed target motion type in the target tracking of band-like radar. The steps of the present invention are as follows: (1) constructing training data sets composed of multiple motion types; (2) constructing Bayesian deep long-term and short-term memory network BF DLSTM; (3) normalizing training set; (4) training Bayesian deep long-term and short-term memory network BF DLSTM; (5) narrowband radar target tracking. The method of narrowband radar target tracking based on Bayesian deep long-term and short-term memory network BF DLSTM can achieve more accurate and effective tracking of multiple moving and maneuvering targets.

【技术实现步骤摘要】
基于BF-DLSTM的窄带雷达目标跟踪方法
本专利技术属于通信
，更进一步涉及窄带雷达通信
中的一种基于贝叶斯深度长短期记忆网络BF-DLSTM(BayesianFilterbasedDeepLongShortTermMemoryNetwork)的窄带雷达目标跟踪方法。本专利技术可用于对窄带雷达观测下的目标数据序列中的单个运动目标进行跟踪，并且可以实现对多种运动类型目标的有效跟踪。
技术介绍
窄带雷达观测下的运动目标跟踪的主要任务是，从窄带雷达对目标连续的观测中提取出目标在每一帧回波中的真实状态。随着人们对窄带雷达通信领域的不断深入了解，运动目标跟踪在该领域得到广泛的应用和发展，目前已经存在大量跟踪算法来实现运动目标跟踪。但是由于目标运动类型的不确定性容易造成跟踪滤波器失配，使得准确地进行目标跟踪目标仍面临极大挑战。电子科技大学在其申请的专利文献“一种用于目标跟踪的强跟踪容积卡尔曼滤波方法”(专利申请号201410654687.0，申请公开号104408744A)中公安开了一种用于目标跟踪的强跟踪容积卡尔曼滤波方法。该方法实现的具体步骤是，(1)建立离散非线性动态系统模型；(2)进行系统初始化；(3)进行时间更新，引入时变渐消因子λk；(4)进行量测更新；(5)进行滤波更新。该方法的不足之处是，建立完成的离散非线性动态系统模型只有一种，在实际应用中若目标运动与其不符合，则容易产生滤波器失配、丢失目标的问题。东南大学在其申请的专利文献“一种基于交互多模型的目标跟踪方法”(专利申请号201410778057.4，申请公开号104573190A)中公开了一种基于交互式多模型的目标跟踪方法。该方法实现的具体步骤是，(1)根据目标动态条件，设定五组辛格尔Singer模型参数，构建五个Singer模型；(2)根据观测到的目标位置信息，将五个Singer模型进行交互式多模型非线性滤波，估计目标的运动速度、加速度和位置信息；(3)利用目标的运动速度和加速度，计算目标转弯角速率；(4)将目标转弯角速率与设定的阈值进行比较，判断是否发生转弯运动，如果未发生转弯运动，则将步骤(2)中得到的位置信息作为目标跟踪结果；(5)如果发生转弯运动，选取三个相邻时刻的转弯角速率构建三个转弯模型来近似目标的实际运动，进行交互式多模型非线性滤波得到目标位置作为目标跟踪结果。该方法存在的不足之处在于，观测误差会影响目标转弯角速率计算的准确性，进而影响关于目标是否发生转弯运动的判断，并且在目标运动特性发生变化时，用于近似目标实际运动的多个模型近似误差会增大，使得跟踪滤波误差增大。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提出一种基于贝叶斯深度长短期记忆网络BF-DLSTM的窄带雷达目标跟踪方法，以实现更加准确地对多种不同运动类型的目标的跟踪。为实现本专利技术目的思路是，首先，根据待跟踪目标的运动类型构建训练数据集，利用窄带雷达系统的观测范围归一化训练数据集。其次，构建出贝叶斯深度长短期记忆网络BF-DLSTM，并用归一化后的训练数据集来训练贝叶斯深度长短期记忆网络BF-DLSTM。最后，利用窄带雷达系统的观测范围归一化窄带雷达对待跟踪的目标的观测，输入到训练好的贝叶斯深度长短期记忆网络BF-DLSTM，再分别利用窄带雷达的观测范围将贝叶斯深度长短期记忆网络BF-DLSTM关于滤波值和预测值的输出逆归一化，得到待跟踪目标滤波和预测的状态，完成目标跟踪。本专利技术的具体步骤如下：(1)构建多种运动类型组成的训练数据集：(1a)利用距离单元公式，计算窄带雷达观测场景中距离单元的总数Nr；(1b)利用目标运动轨迹的构建方法，构建10Nr条训练目标的运动轨迹，将每一个训练目标每次被窄带雷达扫描时的坐标值，组成二维向量，作为当前时刻该训练目标的真实运动状态；(1c)利用窄带雷达观测方程，生成对应于每一个训练目标的真实运动状态的窄带雷达观测值；(1d)将所有训练目标的真实运动状态与相应的窄带雷达观测值组成训练数据集；(2)构建贝叶斯深度长短期记忆网络BF-DLSTM：(2a)搭建一个10层的贝叶斯深度长短期记忆网络BF-DLSTM，其结构依次为：观测输入编码层→含有3个隐藏层的滤波长短期记忆网络→滤波输出解码层→滤波输入编码层→含有3个隐藏层的预测长短期记忆网络→预测输出解码层；(2b)设置每一个网络各层参数如下：将观测输入编码层设置为2×16的全连接层；将滤波长短期记忆网络的隐藏层数设置为3，输入单元的个数设置为16，隐单元的个数设置为256；将滤波输出解码层设置为256×2的全连接层；将滤波输入编码层设置为2×16的全连接层；将预测长短期记忆网络的隐藏层数设置为3，输入单元的个数设置为16，隐单元的个数设置为256；将预测输出解码层设置为256×2的全连接层；(3)对训练集进行归一化处理：(3a)用训练目标的真实运动状态除以窄带雷达观测的最远距离，得到归一化后的目标真实运动状态；(3b)用窄带雷达观测训练目标的径向距离除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测训练目标的径向距离；用窄带雷达观测训练目标的方位角除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测训练目标的方位角；(4)训练贝叶斯深度长短期记忆网络BF-DLSTM：(4a)将归一化后的训练集中径向距离观测值与方位角观测值，分别输入到贝叶斯深度长短期记忆网络BF-DLSTM中得到网络的实际输出值，将归一化后的训练集中实际运动状态作为贝叶斯深度长短期记忆网络BF-DLSTM的期望输出值；(4b)将深度长短期记忆网络的实际输出值与期望输出值，组成贝叶斯深度长短期记忆网络BF-DLSTM的代价函数；(4c)使用最小批梯度下降法，训练贝叶斯深度长短期记忆网络BF-DLSTM，调整梯度下降法中梯度更新的步长，直到贝叶斯深度长短期记忆网络BF-DLSTM的代价函数趋于不变，得到训练好的贝叶斯深度长短期记忆网络BF-DLSTM；(5)窄带雷达目标跟踪：(5a)用窄带雷达对待跟踪目标径向距离的观测值，除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测待跟踪目标的径向距离；用窄带雷达对待跟踪目标方位角的观测值，除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测待跟踪目标的方位角；(5b)将归一化后待跟踪目标位置的径向距离和方位角，输入训练好的贝叶斯深度长短期记忆网络BF-DLSTM，得到相应的归一化后待跟踪目标位置的滤波值和预测值；(5c)用窄带雷达观测的最远距离，分别乘以归一化后待跟踪目标位置的滤波值和预测值，得到待跟踪目标位置的滤波值和预测值，完成窄带雷达目标跟踪。专利技术与现有的技术相比具有以下优点：第一，由于本专利技术构建多种运动类型组成的训练数据集，克服了现有技术中只能跟踪预先假设的单个运动类型，目标实际运动类型与其不同则容易发生滤波器失配、丢失目标的问题，使得本专利技术能够更有效地适用于不同运动类型目标的跟踪。第二，由于本专利技术构建贝叶斯深度长短期记忆网络BF-DLSTM，克服了现有技术中采用多模型方法跟踪的目标运动特性发生变化时，用于近似目标实际运动的多个模型近似误差会增大，使得跟踪滤波误差增大的问题，使得本专利技术能够适用于机动目标的跟踪，提高了滤波精度。附图说明图1本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，其特征在于，构建多种运动类型组成的训练数据集，构建贝叶斯深度长短期记忆网络BF‑DLSTM，该方法的具体步骤包括如下：(1)构建多种运动类型组成的训练数据集：(1a)利用距离单元公式，计算窄带雷达观测场景中距离单元的总数Nr；(1b)利用目标运动轨迹的构建方法，构建10Nr条训练目标的运动轨迹，将每一个训练目标每次被窄带雷达扫描时的坐标值，组成二维向量，作为当前时刻该训练目标的真实运动状态；(1c)利用窄带雷达观测方程，生成对应于每一个训练目标的真实运动状态的窄带雷达观测值；(1d)将所有训练目标的真实运动状态与相应的窄带雷达观测值组成训练数据集；(2)构建贝叶斯深度长短期记忆网络BF‑DLSTM：(2a)搭建一个10层的贝叶斯深度长短期记忆网络BF‑DLSTM，其结构依次为：观测输入编码层→含有3个隐藏层的滤波长短期记忆网络→滤波输出解码层→滤波输入编码层→含有3个隐藏层的预测长短期记忆网络→预测输出解码层；(2b)设置每一个网络各层参数如下：将观测输入编码层设置为2×16的全连接层；将滤波长短期记忆网络的隐藏层数设置为3，输入单元的个数设置为16，隐单元的个数设置为256；将滤波输出解码层设置为256×2的全连接层；将滤波输入编码层设置为2×16的全连接层；将预测长短期记忆网络的隐藏层数设置为3，输入单元的个数设置为16，隐单元的个数设置为256；将预测输出解码层设置为256×2的全连接层；(3)对训练集进行归一化处理：(3a)用训练目标的真实运动状态除以窄带雷达观测的最远距离，得到归一化后的目标真实运动状态；(3b)用窄带雷达观测训练目标的径向距离除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测训练目标的径向距离；用窄带雷达观测训练目标的方位角除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测训练目标的方位角；(4)训练贝叶斯深度长短期记忆网络BF‑DLSTM：(4a)将归一化后的训练集中径向距离观测值与方位角观测值，分别输入到贝叶斯深度长短期记忆网络BF‑DLSTM中得到网络的实际输出值，将归一化后的训练集中实际运动状态作为贝叶斯深度长短期记忆网络BF‑DLSTM的期望输出值；(4b)将深度长短期记忆网络的实际输出值与期望输出值，组成贝叶斯深度长短期记忆网络BF‑DLSTM的代价函数；(4c)使用最小批梯度下降法，训练贝叶斯深度长短期记忆网络BF‑DLSTM，调整梯度下降法中梯度更新的步长，直到贝叶斯深度长短期记忆网络BF‑DLSTM的代价函数趋于不变，得到训练好的贝叶斯深度长短期记忆网络BF‑DLSTM；(5)窄带雷达目标跟踪：(5a)用窄带雷达对待跟踪目标径向距离的观测值，除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测待跟踪目标的径向距离；用窄带雷达对待跟踪目标方位角的观测值，除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测待跟踪目标的方位角；(5b)将归一化后待跟踪目标位置的径向距离和方位角，输入训练好的贝叶斯深度长短期记忆网络BF‑DLSTM，得到相应的归一化后待跟踪目标位置的滤波值和预测值；(5c)用窄带雷达观测的最远距离，分别乘以归一化后待跟踪目标位置的滤波值和预测值，得到待跟踪目标位置的滤波值和预测值，完成窄带雷达目标跟踪。...

【技术特征摘要】
1.一种基于贝叶斯深度长短期记忆网络BF-DLSTM的窄带雷达目标跟踪方法，其特征在于，构建多种运动类型组成的训练数据集，构建贝叶斯深度长短期记忆网络BF-DLSTM，该方法的具体步骤包括如下：(1)构建多种运动类型组成的训练数据集：(1a)利用距离单元公式，计算窄带雷达观测场景中距离单元的总数Nr；(1b)利用目标运动轨迹的构建方法，构建10Nr条训练目标的运动轨迹，将每一个训练目标每次被窄带雷达扫描时的坐标值，组成二维向量，作为当前时刻该训练目标的真实运动状态；(1c)利用窄带雷达观测方程，生成对应于每一个训练目标的真实运动状态的窄带雷达观测值；(1d)将所有训练目标的真实运动状态与相应的窄带雷达观测值组成训练数据集；(2)构建贝叶斯深度长短期记忆网络BF-DLSTM：(2a)搭建一个10层的贝叶斯深度长短期记忆网络BF-DLSTM，其结构依次为：观测输入编码层→含有3个隐藏层的滤波长短期记忆网络→滤波输出解码层→滤波输入编码层→含有3个隐藏层的预测长短期记忆网络→预测输出解码层；(2b)设置每一个网络各层参数如下：将观测输入编码层设置为2×16的全连接层；将滤波长短期记忆网络的隐藏层数设置为3，输入单元的个数设置为16，隐单元的个数设置为256；将滤波输出解码层设置为256×2的全连接层；将滤波输入编码层设置为2×16的全连接层；将预测长短期记忆网络的隐藏层数设置为3，输入单元的个数设置为16，隐单元的个数设置为256；将预测输出解码层设置为256×2的全连接层；(3)对训练集进行归一化处理：(3a)用训练目标的真实运动状态除以窄带雷达观测的最远距离，得到归一化后的目标真实运动状态；(3b)用窄带雷达观测训练目标的径向距离除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测训练目标的径向距离；用窄带雷达观测训练目标的方位角除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测训练目标的方位角；(4)训练贝叶斯深度长短期记忆网络BF-DLSTM：(4a)将归一化后的训练集中径向距离观测值与方位角观测值，分别输入到贝叶斯深度长短期记忆网络BF-DLSTM中得到网络的实际输出值，将归一化后的训练集中实际运动状态作为贝叶斯深度长短期记忆网络BF-DLSTM的期望输出值；(4b)将深度长短期记忆网络的实际输出值与期望输出值，组成贝叶斯深度长短期记忆网络BF-DLSTM的代价函数；(4c)使用最小批梯度下降法，训练贝叶斯深度长短期记忆网络BF-DLSTM，调整梯度下降法中梯度更新的步长，直到贝叶斯深度长短期记忆网络BF-DLSTM的代价函数趋于不变，得到训练好的贝叶斯深度长短期记忆网络BF-DLSTM；(5)窄带雷达目标跟踪：(5a)用窄带雷达对待跟踪目标径向距离的观测值，除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测待跟踪目标的径向距离；用窄带雷达对待跟踪目标方位角的观测值，除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测待跟踪目标的方位角；(5b)将归一化后待跟踪目标位置的径向距离和方位角，输入训练好的...

【专利技术属性】
技术研发人员：刘宏伟，高畅，周生华，
申请(专利权)人：西安电子科技大学，西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：陕西,61