一种传感器短暂失效下带补偿机制的水面目标跟踪方法技术

本发明专利技术公开了一种传感器短暂失效下带补偿机制的水面目标跟踪方法，包括：采集目标观测信息，将采集数据进行处理并分为训练集和测试集；设计具有时序预测能力LSTM神经网络结构；离线训练LSTM神经网络；采用LSTM神经网络对传感器短时失效下观测量进行在线补偿，对在线补偿后的观测量采用UKF方法得到目标位置和速度信息滤波值。本发明专利技术LSTM神经网络能够处理含有噪声数据，对非线性数据有较好学习效果；采取离线训练和在线补偿方式降低训练神经网络内部参数导致的目标跟踪实时性不强；在传感器量测缺失下对观测值进行补偿，降低估计误差；在传感器量测出现缺失和目标发生机动时，降低传统方法中只取信运动模型而造成估计误差。

【技术实现步骤摘要】
一种传感器短暂失效下带补偿机制的水面目标跟踪方法
本专利技术涉及一种水面目标跟踪方法，特别是一种传感器短暂失效下带补偿机制的目标跟踪方法，属于目标跟踪

技术介绍
卡尔曼滤波能很好地降低观测数据中包含系统噪声和干扰的影响，在通信、导航、指导和控制等领域得到了较好的应用。由于传感器受环境等因素干扰，观测器并非能一直获取正确的数据，某些情况下观测器只接收到噪声值。对于水面目标跟踪系统，通常利用雷达、GPS等传感器对水面目标的位置、距离和速度等信息测量。传感器的信号是通过多条路径到达的，而水面环境中的地磁、天气、障碍物等会导致信号强度降低或者完全堵塞，这是影响定位误差的主要原因之一。此外，由于水面舰船受到大风浪的影响，数据传输发生短暂延迟，即雷达传感器出现短暂失效的情况，导致目标跟踪失败。此时，传统跟踪方法跟踪精度不高，甚至容易滤波发散。因此，探寻一个准确、可靠的目标跟踪方法是具有重大的理论和实践价值。传感器短暂失效的估计问题提出来已久，N.E.Nahi.Optiamlrecursiveestimationwithuncertainobser本文档来自技高网...

【技术保护点】
1.一种传感器短暂失效下带补偿机制的水面目标跟踪方法，其特征在于，包括以下步骤：/n步骤1：采集目标的观测信息，将采集的数据进行数据处理，将处理后的数据分为训练集和测试集；/n步骤2：设计具有时序预测能力的LSTM神经网络结构；/n步骤3：离线训练LSTM神经网络；/n步骤4：采用LSTM神经网络对传感器短时失效下的观测量进行在线补偿，对在线补偿后的观测量采用UKF方法得到目标位置和速度信息的滤波值。/n

【技术特征摘要】
1.一种传感器短暂失效下带补偿机制的水面目标跟踪方法，其特征在于，包括以下步骤：
步骤1：采集目标的观测信息，将采集的数据进行数据处理，将处理后的数据分为训练集和测试集；
步骤2：设计具有时序预测能力的LSTM神经网络结构；
步骤3：离线训练LSTM神经网络；
步骤4：采用LSTM神经网络对传感器短时失效下的观测量进行在线补偿，对在线补偿后的观测量采用UKF方法得到目标位置和速度信息的滤波值。


2.根据权利要求1所述的一种传感器短暂失效下带补偿机制的水面目标跟踪方法，其特征在于：步骤1所述将采集的数据进行数据处理具体为：
目标观测方程为：



式中，θk和rk分别为k时刻的方位角和距离，vθ和vr分别是k时刻方位角和距离的噪声值，选取为高斯白噪声，随机变量γk用来描述测量数据的丢失情况，γk取0时表示测量信息丢失，取值为1时表示信息未丢失，其服从伯努利分布，在k时刻数据未丢失的概率为p{γk＝1}＝pk(0≤pk≤1)，且γk与γt不相关；
在传感器未发生短暂失效下得到归一化的数据组数据归一化具体为：



式中m为样本总数，和分别为归一化后的方位角和距离。


3.根据权利要求1或2所述的一种传感器短暂失效下带补偿机制的水面目标跟踪方法，其特征在于：步骤3所述离线训练LSTM神经网络具体为：
步骤3.1：当数据归一化处理结束后，选取j个历史样本，利用对进行预测，从而得到预测值其中j+1≤k≤m,m为样本总数，k一次迭代开始值为j+1；
步骤3.2：采用前向传播算法获取到并与标签数据作差，通过反向传播算法更新LSTM神经网络的内部参数；
步骤3.3：判断是否达到设定的迭代次数，当达到设定的迭代次数后，完成对LSTM神经网络内部结构参数调节，并提供训练好的神经网络，否则，将预测的数据作为新的输入，并令k＝k+1，跳转至步骤3.1。


4.根据权利要求1、2或3所述的一种传感器短暂失效下带补偿机制的水面目标跟踪方法，其特征在于：步骤4所述...

【专利技术属性】
技术研发人员：王宏健，阮力，周佳加，王莹，代涛，高伟，韩宇辰，刘越，汤扬华，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23