【技术实现步骤摘要】
一种多目标信息关联神经网络损失函数计算方法及装置
本专利技术涉及多目标信息关联深度学习技术，更具体地，本专利技术涉及一种多目标信息关联神经网络损失函数计算方法及装置，适用于多源多目标信息关联问题。
技术介绍
目标信息关联是指在多目标场景下，根据不同平台不同手段获取信息间的内在相似性，对源于同一目标的多源多域目标信息进行关联判断，确定关联关系，为后续的信息融合、属性判别、威胁估计和态势分析提供基础和依据。其中目标信息主要是指雷达、电子侦察、光电、卫星遥感以及卫星SAR等各型主被动手段获取的，描述场景内目标在哪里、是什么的信息。各型主被动手段上报的信息格式类别多、差异大，包括格式化报文、遥感图像、视频影像、语音、文本等，经特征提取和同一空间表示后，可转换为统一的向量。在多传感器信息融合领域中，传统的目标信息关联研究主要聚焦于目标航迹跟踪问题和多目标航迹关联问题，有点航关联技术、接续关联技术以及航迹关联技术等研究重点，一般基于概率统计理论，通过模型假设和公式推导，手动建立关联检验统计模型，来对目标单个时间点空间位置信息或多...
【技术保护点】
1.一种多目标信息关联神经网络损失函数计算方法，其特征在于，包括以下步骤：/n步骤1：设定多目标信息关联神经网络损失函数为
【技术特征摘要】
1.一种多目标信息关联神经网络损失函数计算方法，其特征在于，包括以下步骤：
步骤1：设定多目标信息关联神经网络损失函数为其中AT表示正确关联对集合，AF表示错误关联对集合，a＝(i1,i2,…,iS)为关联对，ij表示信源j的目标信息编号，对应第ij个目标信息，信源个数为S，ya为关联对标签，由外部输入，如果该关联对为正确关联对，即a∈AT，ya＝1，如果该关联对为错误关联对，即a∈AF，ya＝0，为多目标信息关联神经网络的预测输出，表示关联对为正确关联对的概率，ω为样本不平衡加权系数；
步骤2：在多目标信息关联神经网络内，设定与损失函数计算直接相关的目标关联预测网络部分，该网络部分的输入X为二维矩阵，每行表示一个关联对的关联向量，不同行对应不同关联对的关联向量，该网络部分的预测输出为一维向量，表示X中每行所对应关联对为正确关联对的概率，作为整个多目标信息关联神经网络的输出；
步骤3：在多目标信息关联神经网络内，位于目标关联预测网络部分前面，设定关联对关联向量构建网络部分，根据整个网络外部输入的关联对集合A，基于目标信息表示和全局特征信息表示，合成关联对对应的关联向量xa，进一步合并构建成X，作为目标关联预测网络部分的输入；
步骤4：在多目标信息关联神经网络训练过程中，按照多目标信息关联神经网络整体输入要求，输入目标信息样本数据和关联对集合A，得到网络预测输出按照设定的损失函数，结合关联对集合A对应的外部输入标签Y，计算网络训练损失，可进一步作为神经网络训练优化目标函数，通过梯度反向传播算法，对待训练神经网络参数进行优化。
2.如权利要求1所述的一种多目标信息关联神经网络损失函数计算方法，其特征在于，所述步骤1中的ω可采用动态计算方法进行计算，计算公式为ωk＝||AT||/||AF||，||·||表示集合大小，AT表示正确关联对集...
【专利技术属性】
技术研发人员：崔亚奇，何友，刘瑜，
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
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。