【技术实现步骤摘要】
一种目标运动态势预测方法及装置
本专利技术涉及雷达智能信息处理领域，特别涉及一种目标运动态势预测方法及装置。
技术介绍
目标运动态势预测是依据探测感知该目标的历史数据，形成目标运动态势(包括位置、速度等)的合理化预测。目标运动态势的预测是态势感知评估的重要组成部分。态势感知评估通过综合分析敌方战斗力量分布与活动、战场环境、敌方作战意图及敌方战场运动参数等因素，分析确定当前战场事件发生的深层次原因，为决策人员提供辅助支持，是未来信息化、智能化作战的关键环节。传统的目标运动跟踪预测多是基于先验理论模型的预测方法，常用算法包括卡尔曼滤波(KalmanFilter，KF)、扩展卡尔曼滤波(ExtendKalmanFilter，EKF)、无迹卡尔曼滤波(UnscentedKalmanFilter，UKF)滤波和粒子滤波(ParticleFilter，PF)算法等。其中，KF为线性高斯假设条件下的最优贝叶斯滤波算法。为了将KF推广到非线性条件下，分别从非线性函数的一阶泰勒展开近似和高斯分布的高阶矩近似两个角度进行改进，可以分别推...
【技术保护点】
1.一种目标运动态势预测方法，其特征在于，包括以下步骤：/n获取目标在各时刻的历史运动态势参数，根据所述历史运动态势参数，生成所述目标的运动态势历史时间序列；/n利用所述运动态势历史时间序列训练长短时记忆网络模型，获取未来预设时间间隔对应的时间维预测值；/n利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型，获取与所述时间维预测值对应的空间维修正值；/n利用所述长短时记忆网络模型，获取与所述空间维修正值对应的空间维修正值的预测值；/n根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。/n
【技术特征摘要】
1.一种目标运动态势预测方法，其特征在于，包括以下步骤：
获取目标在各时刻的历史运动态势参数，根据所述历史运动态势参数，生成所述目标的运动态势历史时间序列；
利用所述运动态势历史时间序列训练长短时记忆网络模型，获取未来预设时间间隔对应的时间维预测值；
利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型，获取与所述时间维预测值对应的空间维修正值；
利用所述长短时记忆网络模型，获取与所述空间维修正值对应的空间维修正值的预测值；
根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
2.根据权利要求1所述的目标运动态势预测方法，其特征在于，所述获取目标在各时刻的历史运动态势参数，根据所述历史运动态势参数，生成所述目标的运动态势历史时间序列，包括：
获取所述目标在某一时刻t的N个历史运动态势参数，所述N个历史运动态势参数包括位置、速度、加速度；
根据所述N个历史运动态势参数构成时刻t的N维特征向量；
基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
3.根据权利要求1或2所述的目标运动态势预测方法，其特征在于，所述利用所述运动态势历史时间序列训练长短时记忆网络模型，获取未来预设时间间隔对应的时间维预测值，包括：
对所述运动态势历史时间序列进行切分，构成第一训练样本集；
将所述第一训练样本集输入到所述长短时记忆网络模型中生成训练好的长短时记忆网络模型；
将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测，获得未来预设时间间隔对应的时间维预测值。
4.根据权利要求1-3任一所述的目标运动态势预测方法，其特征在于，所述利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型，获取与所述时间维预测值对应的空间维修正值，包括：
根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集；
将所述第二训练样本集输入到所述卷积神经网络模型中，生成训练好的卷积神经网络模型；
将所述时间维预测值输入到所述训练好的卷积神经网络模型，获得与所述时间维预测值对应的空间维修正值。
5.根据权利要求1-4任一所述的目标运动态势预测方法，其特征在于，所述利用所述长短时记忆网络模型，获取与所述空间维修正值对应的空间维修正值的预测值，包括：
将所述时间维预测值对应的空间维修正值输入到所述训练好...
【专利技术属性】
技术研发人员：戴逸翔，于俊朋，张强，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：江苏;32
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。