基于LSTM网络的多机动目标跟踪方法技术

本发明专利技术公开了一种基于长短期记忆网络LSTM的多机动目标跟踪方法，本发明专利技术实现的步骤如下：(1)构建长短期记忆网络LSTM；(2)生成训练数据集；(3)训练长短期记忆网络LSTM；(4)利用长短期记忆网络LSTM进行多机动目标资源分配；(5)利用卡尔曼滤波算法进行多机动目标跟踪。本发明专利技术通过基于长短期记忆网络LSTM的多机动目标跟踪方法，能够准确提取机动目标的运动特征，准确预测机动目标的贝叶斯克拉美罗界BCRLB，进而对多机动目标分配雷达资源，实现多机动目标的高精度跟踪。

Multi maneuvering target tracking method based on LSTM network

【技术实现步骤摘要】
基于LSTM网络的多机动目标跟踪方法
本专利技术属于目标跟踪
，更进一步涉及机动目标跟踪
中的一种基于长短期记忆网络LSTM(LongShortTermMemoryNetwork)的多机动目标跟踪方法。本专利技术可用于雷达实时观测数据在多机动目标跟踪时，进行雷达资源分配和高精度目标跟踪。
技术介绍
多机动目标跟踪的主要任务是在有限的雷达资源条件下，对每一个机动目标分配足够的能量达到预期的跟踪精度。随着雷达应用场景的复杂化，传统雷达将发射功率平均分配给每个目标的方式，不能满足目标的跟踪精度。目前已经存有大量的利用认知技术进行雷达资源分配进而实现多目标跟踪的方法，但是，由于这些方法在估计目标运动状态时依赖目标的运动模型，在应对机动目标时，由于目标运动的高动态性以及随机性，存在模型失配的问题。严峻坤在其发表的论文“认知雷达中的资源分配算法研究”(西安电子科技大学工学博士学位论文2014年)中研究了理想检测条件下的单雷达多目标认知跟踪方法。该方法的具体步骤是，(1)建立理想条件下的目标运动模型和目标观测模型；(2)计算目标预测贝叶斯克拉美罗界矩阵BCRLB，并以最小化最差目标的BCRLB构建资源分配代价函数；(3)求解该资源分配问题；(4)结合资源分配结果使用粒子滤波方法进行目标跟踪。该方法存在的不足之处是，在计算目标预测BCRLB时需要依赖所建立的目标运动模型，在无法准确估计目标运动模型的情况下，不能精确计算BCRLB，影响目标的跟踪精度。西安电子科技大学在其申请的专利文献“用于雷达多目标跟踪的多波束发射功率动态分配方法”(专利申请号201110260636.6，申请公开号102426358B)中公开了一种用于雷达多目标跟踪的多波束发射功率动态分配方法。该方法实现的具体步骤是，(1)初始平均分配每个目标的发射电磁波功率；(2)跟踪目标以获得目标的外推坐标；(3)脉冲压缩处理回波信号，获得目标的雷达散射面积；(4)采用使所有目标跟踪平均误差最小的方法或使所有目标跟踪精度相同的方法计算每个目标的发射电磁波功率；(5)将计算后的功率按照目标外推坐标进行分配；(6)重复步骤(2)至步骤(6)，持续进行跟踪。该方法存在的不足之处是，跟踪目标时对目标状态转移矩阵的估计必须已知运动模型，无法处理未知机动目标运动模型的数据。
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，提出一种基于长短期记忆网络LSTM的多机动目标跟踪方法，这种方法可以解决多机动目标在不同运动模型下的BCRLB精确计算问题。实现本专利技术目的的思路是，利用长短期记忆网络LSTM强大的学习能力，从大量训练数据中学习机动目标的运动特征。将实时观测的数据输入到已经训练好的长短期记忆网络LSTM中，计算机动目标的预测BCRLB，实现多机动目标资源分配和高精度跟踪。本专利技术的具体步骤如下：(1)构建长短期记忆网络LSTM：(1a)搭建一个3层的长短期记忆网络LSTM，其结构依次为：输入层→隐含层→输出层；(1b)设置长短期记忆网络LSTM的各层参数如下：将长短期记忆网络的隐含层设置为1，输入单元的个数设置为64，隐单元的个数设置为32；(2)生成训练数据集：(2a)根据多机动目标跟踪的应用场景，随机设定多机动目标的初始状态；(2b)利用状态转移函数，依次计算50次目标状态向量组成一条状态序列，重复操作500000次，将50×500000个状态向量作为目标的真实状态，组成训练网络的标签集；(2c)利用传感器观测目标的观测方程，将50×500000个状态向量生成对应的观测向量，将50×500000个观测向量作为网络的训练集；(3)训练长短期记忆网络LSTM：(3a)初始化长短期记忆网络LSTM权值和偏置参数；(3b)将训练集输入到长短期记忆网络LSTM的输入层，将输入层的权值和偏置计算结果作为隐含层的输入数据；(3c)利用遗忘门函数和输入门函数，隐含层计算输入数据在当前时刻的历史记忆信息，利用输出门函数，隐含层计算输出层的输入数据；(3d)将输出层的权值和偏置计算结果作为目标一步状态的预测值；(3e)利用预测值和标签值计算网络的损失函数值，用批量梯度下降法，循环执行步骤(3b)到步骤(3e)更新长短期记忆LSTM的网络权值和偏置参数500000次，得到训练好的长短期记忆网络LSTM；(4)利用长短期记忆网络LSTM进行多机动目标资源分配：将实时观测的当前时刻多机动目标的观测数据输入到长短时记忆网络LSTM中，得到下一时刻每个机动目标状态的预测值，并计算相应的预测BCRLB，利用资源分配代价函数求解每个机动目标分配的资源值；(5)利用卡尔曼滤波算法进行多机动目标跟踪：使用卡尔曼滤波跟踪算法，结合每个机动目标状态的预测值和资源分配后每个机动目标状态的观测值，实现多机动目标跟踪。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长短时记忆网络LSTM，通过该网络直接从数据中学习机动目标的运动特征，克服了现有技术中计算目标的预测BCRLB依赖目标运动模型，进而进行资源分配和目标跟踪的问题，使得本专利技术在多机动目标跟踪时具有更高的跟踪精度。第二，由于本专利技术构建长短时记忆网络LSTM，通过该网络可以从多种机动目标运动模型数据中学习机动目标的运动特性，不用估计机动目标的状态转移矩阵，克服了现有技术中无法处理未知机动目标运动模型的数据才能进行雷达资源分配和多目标跟踪的问题，使得本专利技术能在多机动目标跟踪中能处理多种目标运动模型的数据。附图说明图1为本专利技术的流程图；图2为本专利技术的仿真图。具体实施方式下面结合附图对本专利技术做进一步的描述。参照图1，对本专利技术的具体步骤做进一步的描述。步骤1，构建长短期记忆网络LSTM。搭建一个3层的长短期记忆网络LSTM，其结构依次为：输入层→隐含层→输出层。设置长短期记忆网络LSTM的各层参数如下：将长短期记忆网络的隐含层设置为1，输入单元的个数设置为64，隐单元的个数设置为32。步骤2，生成训练数据集。根据多机动目标跟踪的应用场景，随机设定多机动目标的初始状态。利用状态转移函数，依次计算50次目标状态向量组成一条状态序列，重复操作500000次，将50×500000个状态向量作为目标的真实状态，组成训练网络的标签集。所述的状态转移函数如下：其中，表示多机动目标中的第q个机动目标在k时刻转移后的状态向量，Fk-1(·)表示目标状态转移函数，表示多机动目标中的第q个机动目标在k-1时刻的状态向量，表示多机动目标中的第q个机动目标在k-1时刻的高斯白噪声。利用传感器观测目标的观测方程，将50×500000个状态向量生成对应的观测向量，将50×500000个观测向量作为网络的训练集。所述的观测方程如下：其中，表示多机动目标中本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆网络LSTM的多机动目标跟踪方法，其特征在于，构建长短期记忆网络LSTM，通过训练网络估计机动目标的运动状态和预测贝叶斯克拉美罗界BCRLB，利用资源分配算法，对多机动目标进行资源分配，最后使用卡尔曼滤波算法实现多机动目标的高精度跟踪，该方法的具体步骤如下：/n(1)构建长短期记忆网络LSTM：/n(1a)搭建一个3层的长短期记忆网络LSTM，其结构依次为：输入层→隐含层→输出层；/n(1b)设置长短期记忆网络LSTM的各层参数如下：/n将长短期记忆网络的隐含层设置为1，输入单元的个数设置为64，隐单元的个数设置为32；/n(2)生成训练数据集：/n(2a)根据多机动目标跟踪的应用场景，随机设定多机动目标的初始状态；/n(2b)利用状态转移函数，依次计算50次目标状态向量组成一条状态序列，重复操作500000次，将50×500000个状态向量作为目标的真实状态，组成训练网络的标签集；/n(2c)利用传感器观测目标观测方程，将50×500000个真实状态向量生成对应的观测向量，将50×500000个观测向量组成训练集；/n(3)训练长短期记忆网络LSTM：/n(3a)初始化长短期记忆网络LSTM权值和偏置参数；/n(3b)将训练集输入到长短期记忆网络LSTM的输入层，将输入层的权值和偏置计算结果作为隐含层的输入数据；/n(3c)利用遗忘门函数和输入门函数，隐含层计算输入数据在当前时刻的历史记忆信息，利用输出门函数，隐含层计算输出层的输入数据；/n(3d)将输出层的权值和偏置计算结果作为目标一步状态的预测值；/n(3e)利用预测值和标签值计算网络的损失函数值，用批量梯度下降法，循环执行步骤(3b)到步骤(3e)更新长短期记忆LSTM的网络权值和偏置参数500000次，得到训练好的长短期记忆网络LSTM；/n(4)利用长短期记忆网络LSTM进行多机动目标资源分配：/n将实时观测的当前时刻多机动目标的观测数据输入到长短时记忆网络LSTM中，得到下一时刻每个机动目标状态的预测值，并计算相应的预测BCRLB，利用资源分配代价函数求解每个机动目标分配的资源值；/n(5)利用卡尔曼滤波算法进行多机动目标跟踪：/n使用卡尔曼滤波跟踪算法，结合每个机动目标状态的预测值和资源分配后每个机动目标状态的观测值，实现多机动目标跟踪。/n...

【技术特征摘要】
1.一种基于长短期记忆网络LSTM的多机动目标跟踪方法，其特征在于，构建长短期记忆网络LSTM，通过训练网络估计机动目标的运动状态和预测贝叶斯克拉美罗界BCRLB，利用资源分配算法，对多机动目标进行资源分配，最后使用卡尔曼滤波算法实现多机动目标的高精度跟踪，该方法的具体步骤如下：
(1)构建长短期记忆网络LSTM：
(1a)搭建一个3层的长短期记忆网络LSTM，其结构依次为：输入层→隐含层→输出层；
(1b)设置长短期记忆网络LSTM的各层参数如下：
将长短期记忆网络的隐含层设置为1，输入单元的个数设置为64，隐单元的个数设置为32；
(2)生成训练数据集：
(2a)根据多机动目标跟踪的应用场景，随机设定多机动目标的初始状态；
(2b)利用状态转移函数，依次计算50次目标状态向量组成一条状态序列，重复操作500000次，将50×500000个状态向量作为目标的真实状态，组成训练网络的标签集；
(2c)利用传感器观测目标观测方程，将50×500000个真实状态向量生成对应的观测向量，将50×500000个观测向量组成训练集；
(3)训练长短期记忆网络LSTM：
(3a)初始化长短期记忆网络LSTM权值和偏置参数；
(3b)将训练集输入到长短期记忆网络LSTM的输入层，将输入层的权值和偏置计算结果作为隐含层的输入数据；
(3c)利用遗忘门函数和输入门函数，隐含层计算输入数据在当前时刻的历史记忆信息，利用输出门函数，隐含层计算输出层的输入数据；
(3d)将输出层的权值和偏置计算结果作为目标一步状态的预测值；
(3e)利用预测值和标签值计算网络的损失函数值，用批量梯度下降法，循环执行步骤(3b)到步骤(3e)更新长短期记忆LSTM的网络权值和偏置参数500000次，得到训练好的长短期记忆网络LSTM；
(4)利用长短期记忆网络LSTM进行多机动目标资源分配：
将实时观测的当前时刻多机动目标的观测数据输入到长短时记忆网络LSTM中，得到下一时刻每个机动目标状态的预测值，并计算相应的预测BCRLB，利用资源分配代价函数求解每个机动目标分配的资源值；
(5)利用卡尔曼滤波算法进行多机动目标跟踪：
使用卡尔曼滤波跟踪算法，结合每个机动目标状态的预测值和资源分配后每个机动目标状态的观测值，实现多机动目标跟踪。


2.根...

【专利技术属性】
技术研发人员：纠博，刘宏伟，马佳佳，时玉春，陈渤，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61