基于雷达与循环神经网络补全红外融合的动目标跟踪方法技术

本发公开了一种基于雷达与循环神经网络补全红外融合的动目标跟踪方法。其方案为：对同一目标、多种不同运动状态航迹的雷达数据进行预处理；利用预处理后数据分别对构建的第一、第二循环神经网络模型进行训练，分别确定出雷达数据的属性与时间的拟合关系，及雷达数据属性之间回归关系，对用训练后的两个循环神经网络模型级联而成的新的循环神经网络进行测试，当测试的正确性满足要求时，用该网络补全完红外数据的距离信息，融合补全后的红外数据和雷达数据的距离、方位角、俯仰角这三种信息，并进行交互式扩展卡尔曼滤波处理，完成目标的跟踪。本发明专利技术避免了红外数据缺少距离信息的缺陷，提高了目标跟踪的正确率，可用于防空、导航和交通管制。

【技术实现步骤摘要】
基于雷达与循环神经网络补全红外融合的动目标跟踪方法
本专利技术属于通信
，特别涉及一种动目标跟踪方法，可用于防空、导航和交通管制。
技术介绍
目标跟踪的基本概念是在50年代形成的，然而直至70年代初期，由于防空、导航和交通管制等航空航天领域的应用需要，目标跟踪理论才真正的引起人们的注意。之后，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日渐完善。在军事和民用领域，实现可靠而精确的跟踪目标始终是目标跟踪系统设计的主要目的。为此，几十年来许多科学家和工程师一直致力于该项课题的研究。所谓目标跟踪，就是为了维持对一个或多个目标当前状态的估计而对所接收到的传感器量测数据信息进行处理的过程。跟踪过程实质上是一个消除误差的处理过程，而误差主要来源于观测主体通过传感器观测到的客体运动状态与客体实际运动状态之间的噪声。目标跟踪是一个典型的不确定性问题，跟踪的不确定性主要来源于目标模型的不确定性、观测的不确定性及多目标密集回波环境造成的测量数据的模糊和不确定性等等。作为一种主动传感器，雷达能够提供跟踪目标量测的完整状态信息，即距离、方位角、俯仰角，因此在目标搜索与跟踪等方面具有重要作用。由于受波束宽度的限制，雷达探测的测角精度普遍不高，特别是俯仰角度的测量精度较低.并且因为雷达在工作时要向空中辐射大功率电磁波，因而易遭受电子干扰和反辐射导弹的攻击。红外传感器通过接收目标辐射的热能进行探测，且无需辐射任何能量，因而具有较强的抗干扰能力，不易被侦察或定位。但是红外传感器也存在一些不足，它不能提供目标的距离信息，作用距离较近，并且受气候影响大。雷达高精度的距离测量和红外传感器高精度的角度测量可以信息互补.通过数据融合技术，给出对目标位置的精确估计，改善对目标的跟踪和识别。所以在大多数情况下，红外传感器与雷达配合使用，成为相互独立又彼此补充的探测跟踪手段。因此，将雷达信息和红外信息融合起来，是一种目标跟踪常用有效的方式。李世忠等在IMM-EKF雷达与红外序贯滤波跟踪机动目标的文章中介绍了下的两种方法：一种是雷达/红外数据压缩融合算法，它是基于角度合成的异类传感器航迹数据融合算法，其通过将角度的量测噪声方差近似为精度，并以精度作为权值对角度进行加权平均合成，再对时间对准之后进行同步融合得到融合航迹，但是在雷达/红外数据采样周期不同的情况下，会在数据融合过程中因时间对准而产生误差。另一种是雷达/红外序贯融合算法，其在滤波过程中将雷达数据滤波之后的一步预测状态及其协方差矩阵作为红外的中间状态和协方差信息，再同红外的量测信息进行融合滤波实现对于目标的跟踪，该方法虽说避免了在雷达/红外数据采样周期不同的情况下，需要进行时间同步对准的问题，但是由于该方法是在滤波的过程中对于缺失距离属性的红外数据加以预测更新，实现雷达/红外数据融合，因此不可避免的产生了过程误差。上述两种雷达/红外数融合算法产生的时间对准误差和过程误差，降低了目标跟踪的精度。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于雷达与循环神经网络补全红外融合的动目标跟踪方法，以避免雷达与红外数据融合中产生的上述误差，提高多传感器单目标跟踪的精度。实现本专利技术目的技术方案包括如下步骤：1、一种基于雷达与循环神经网络补全红外融合的动目标跟踪方法，其特征在于，包括如下：(1)获取训练数据集和测试数据集；(1a)模拟机动目标运动轨迹，生成目标的航迹数据信息，其中目标运动状态数目为3，分别为匀加速直线CA、匀速转弯CT、匀速直线CV三种运动状态模型；(1b)设置仿真时间为160s，雷达传感器的采样周期为1s，红外传感器的采样周期置为0.1s，雷达传感器的测距噪声均方差为100m，测角均方差为1°，红外传感器的测角均方差为0.5°，用雷达传感器和红外传感器这两个平台对目标进行数据测量，获得的雷达量测数据包含距离、方位角和俯仰角，红外量测数据包含方位角和俯仰角；(1c)从测量的数据中选取80％的雷达数据作为训练数据集，20％的雷达数据作为测试数据集；(2)构建循环神经网络模型；(2a)构建依次由输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层采用全连接的方式组成的第一循环神经网络模型，用于确定雷达量测数据的属性和时间之间拟合关系；(2b)构建依次由输入层、第一隐藏层、第二隐藏层和输出层采用全连接的方式组成的第二循环神经网络模型，用于确定雷达量测数据属性之间回归关系；(3)对第一循环神经网络模型进行训练；(3a)确定第一循环神经网络模型训练的最大迭代次数N；(3b)从训练数据集中随机选取航迹中的雷达数据，并将其作为训练样本，同时对训练数据集中选取的数据属性进行标签，表明所属的时间拟合函数；(3c)将训练样本输入到第一循环神经网络模型中进行训练，采用正向传播算法，计算第一循环神经网模型中各层的输出；(3d)采用反向传播算法，通过第一循环神经网络模型中各层的输出，对第一循环神经网络模型中各层节点的权值进行修正；(3e)重复执行步骤(3b)-(3d)，直到第一循环神经网络模型训练迭代次数为N时，保存修正后的第一循环神经网络模型的结构和各层节点的权值及偏值，得到训练好的第一循环神经网络模型；(4)对第二循环神经网络模型进行训练；(4a)确定第二循环神经网络模型训练的最大迭代次数N；(4b)从训练数据集中随机选取航迹中的雷达数据，并将其作为训练样本，同时对训练数据集中选取的数据属性进行标签，即将第一神经网络的输出确定的数据属性之间的回归函数作为该标签；(4c)将训练样本输入到第二循环神经网络模型中进行训练，采用正向传播算法，计算第二循环神经网模型中各层的输出；(4d)重复步骤(4b)-(4c)，直到第二循环神经网络模型训练迭代次数为N时，保存修正后的第二循环神经网络模型的结构和各层节点的权值及偏值，得到训练好的第二循环神经网络模型；(4e)将训练好的第一循环神经网络模型和第二循环神经网络模型进行级联，构成新的循环神经网络；(5)对新的循环神经网络进行测试；(5a)从测试集中随机选取雷达数据，并将其作为输入测试样本；(5b)向新的循环神经网络中输入测试样本，将测试样本经过新的循环神经网络输出结果与测试样本的标签进行对比，检测构建的新的循环神经网络的正确性：如果新的循环神经网络的正确性不满足要求，则改变新的循环神经网络的激活函数，重新对新的循环神经网络里面的第一循环神经网络模型和第二循环神经网络模型加以训练，直到测试的新的循环神经网络的正确性满足要求，执行(6)；如果新的循环神经网络模型的正确性满足要求，执行(6)；(6)用新的循环神经网络对红外数据信息进行补全；(6a)利用红外传感器平台对目标进行数据测量，获得红外数据的方位角和俯仰角；(6b)将红外数据的方位角和俯仰角输入到新的循环神经网络中，补全红外数据缺失的距离信息；...

【技术保护点】
1.一种基于雷达与循环神经网络补全红外融合的动目标跟踪的方法，其特征在于，包括如下：/n(1)获取训练数据集和测试数据集；/n(1a)模拟机动目标运动轨迹，生成目标的航迹数据信息，其中目标运动状态数目为3，分别为匀加速直线CA、匀速转弯CT、匀速直线CV三种运动状态模型；/n(1b)设置仿真时间为160s，雷达传感器的采样周期为1s，红外传感器的采样周期置为0.1s，雷达传感器的测距噪声均方差为100m，测角均方差为1°，红外传感器的测角均方差为0.5°，用雷达传感器和红外传感器这两个平台对目标进行数据测量，获得的雷达量测数据包含距离、方位角和俯仰角，红外量测数据包含方位角和俯仰角；/n(1c)从测量的数据中选取80％的雷达数据作为训练数据集，20％的雷达数据作为测试数据集；/n(2)构建循环神经网络模型；/n(2a)构建依次由输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层采用全连接的方式组成的第一循环神经网络模型，用于确定雷达量测数据的属性和时间之间拟合关系；/n(2b)构建依次由输入层、第一隐藏层、第二隐藏层和输出层采用全连接的方式组成的第二循环神经网络模型，用于确定雷达量测数据属性之间回归关系；/n(3)对第一循环神经网络模型进行训练；/n(3a)确定第一循环神经网络模型训练的最大迭代次数N；/n(3b)从训练数据集中随机选取航迹中的雷达数据，并将其作为训练样本，同时对训练数据集中选取的数据属性进行标签，表明所属的时间拟合函数；/n(3c)将训练样本输入到第一循环神经网络模型中进行训练，采用正向传播算法，计算第一循环神经网模型中各层的输出；/n(3d)采用反向传播算法，通过第一循环神经网络模型中各层的输出，对第一循环神经网络模型中各层节点的权值进行修正；/n(3e)重复执行步骤(3b)-(3d)，直到第一循环神经网络模型训练迭代次数为N时，保存修正后的第一循环神经网络模型的结构和各层节点的权值及偏值，得到训练好的第一循环神经网络模型；/n(4)对第二循环神经网络模型进行训练；/n(4a)确定第二循环神经网络模型训练的最大迭代次数N；/n(4b)从训练数据集中随机选取航迹中的雷达数据，并将其作为训练样本，同时对训练数据集中选取的数据属性进行标签，即将第一神经网络模型的输出确定的数据属性之间的回归函数作为该标签；/n(4c)将训练样本输入到第二循环神经网络模型中进行训练，采用正向传播算法，计算第二循环神经网模型中各层的输出；/n(4d)重复步骤(4b)-(4c)，直到第二循环神经网络模型训练迭代次数为N时，保存修正后的第二循环神经网络模型的结构和各层节点的权值及偏值，得到训练好的第二循环神经网络模型；/n(4e)将训练好的第一循环神经网络模型和第二循环神经网络模型进行级联，构成新的循环神经网络；/n(5)对新的循环神经网络进行测试；/n(5a)从测试集中随机选取雷达数据，并将其作为输入测试样本；/n(5b)向新的循环神经网络中输入测试样本，将测试样本经过新的循环神经网络输出结果与测试样本的标签进行对比，检测构建的新的循环神经网络的正确性：/n如果新的循环神经网络的正确性不满足要求，则改变新的循环神经网络的激活函数，重新对新的循环神经网络里面的第一循环神经网络模型和第二循环神经网络模型加以训练，直到测试的新的循环神经网络的正确性满足要求，执行(6)；/n如果新的循环神经网络模型的正确性满足要求，执行(6)；/n(6)用新的循环神经网络对红外数据信息进行补全；/n(6a)利用红外传感器平台对目标进行数据测量，获得红外数据的方位角和俯仰角；/n(6b)将红外数据的方位角和俯仰角输入到新的循环神经网络中，补全红外数据缺失的距离信息；/n(6c)将补全后的红外数据和雷达数据的距离、方位角、俯仰角这三种信息进行数据融合，再对融合之后的数据进行交互式扩展卡尔曼滤波处理，完成目标的跟踪。/n...

【技术特征摘要】
1.一种基于雷达与循环神经网络补全红外融合的动目标跟踪的方法，其特征在于，包括如下：
(1)获取训练数据集和测试数据集；
(1a)模拟机动目标运动轨迹，生成目标的航迹数据信息，其中目标运动状态数目为3，分别为匀加速直线CA、匀速转弯CT、匀速直线CV三种运动状态模型；
(1b)设置仿真时间为160s，雷达传感器的采样周期为1s，红外传感器的采样周期置为0.1s，雷达传感器的测距噪声均方差为100m，测角均方差为1°，红外传感器的测角均方差为0.5°，用雷达传感器和红外传感器这两个平台对目标进行数据测量，获得的雷达量测数据包含距离、方位角和俯仰角，红外量测数据包含方位角和俯仰角；
(1c)从测量的数据中选取80％的雷达数据作为训练数据集，20％的雷达数据作为测试数据集；
(2)构建循环神经网络模型；
(2a)构建依次由输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层采用全连接的方式组成的第一循环神经网络模型，用于确定雷达量测数据的属性和时间之间拟合关系；
(2b)构建依次由输入层、第一隐藏层、第二隐藏层和输出层采用全连接的方式组成的第二循环神经网络模型，用于确定雷达量测数据属性之间回归关系；
(3)对第一循环神经网络模型进行训练；
(3a)确定第一循环神经网络模型训练的最大迭代次数N；
(3b)从训练数据集中随机选取航迹中的雷达数据，并将其作为训练样本，同时对训练数据集中选取的数据属性进行标签，表明所属的时间拟合函数；
(3c)将训练样本输入到第一循环神经网络模型中进行训练，采用正向传播算法，计算第一循环神经网模型中各层的输出；
(3d)采用反向传播算法，通过第一循环神经网络模型中各层的输出，对第一循环神经网络模型中各层节点的权值进行修正；
(3e)重复执行步骤(3b)-(3d)，直到第一循环神经网络模型训练迭代次数为N时，保存修正后的第一循环神经网络模型的结构和各层节点的权值及偏值，得到训练好的第一循环神经网络模型；
(4)对第二循环神经网络模型进行训练；
(4a)确定第二循环神经网络模型训练的最大迭代次数N；
(4b)从训练数据集中随机选取航迹中的雷达数据，并将其作为训练样本，同时对训练数据集中选取的数据属性进行标签，即将第一神经网络模型的输出确定的数据属性之间的回归函数作为该标签；
(4c)将训练样本输入到第二循环神经网络模型中进行训练，采用正向传播算法，计算第二循环神经网模型中各层的输出；
(4d)重复步骤(4b)-(4c)，直到第二循环神经网络模型训练迭代次数为N时，保存修正后的第二循环神经网络模型的结构和各层节点的权值及偏值，得到训练好的第二循环神经网络模型；
(4e)将训练好的第一循环神经网络模型和第二循环神经网络模型进行级联，构成新的循环神经网络；
(5)对新的循环神经网络进行测试；
(5a)从测试集中随机选取雷达数据，并将其作为输入测试样本；
(5b)向新的循环神经网络中输入测试样本，将测试样本经过新的循环神经网络输出结果与测试样本的标签进行对比，检测构建的新的循环神经网络的正确性：
如果新的循环神经网络的正确性不满足要求，则改变新的循环神经网络的激活函数，重新对新的循环神经网络里面的第一循环神经网络模型和第二循环神经网络模型加以训练，直到测试的新的循环神经网络的正确性满足要求，执行(6)；
如果新的循环神经网络模型的正确性满足要求，执行(6)；
(6)用新的循环神经网络对红外数据信息进行补全；
(6a)利用红外传感器平台对目标进行数据测量，获得红外数据的方位角和俯仰角；
(6b)将红外数据的方位角和俯仰角输入到新的循环神经网络中，补全红外数据缺失的距离信息；
(6c)将补全后的红外数据和雷达数据的距离、方位角、俯仰角这三种信息进行数据融合，再对融合之后的数据进行交互式扩展卡尔曼滤波处理，完成目标的跟踪。


2.根据权利要求1所述的方法，其中(2a)构建的第一循环神经网络模型中的各层节点如下：
输入层节点数为128，
每个隐藏层的节点数均为64，
输出层节点数为8。


3.根据权利要求1所述的方法，其中(2b)构建的第二循环神经网络模型中的各层节点如下：
输入层节点数为128，
每个隐藏层的节点数128，
输出层节点数为8。


4.根据权利要求1所述的方法，其中(3c)采用正向传播算法，计算第一循环神经网络模型中各层的输出，公式如下：
ht＝F(Uxt+Vht-1+b)
yt＝G(Wht+c)
ht为t时刻隐藏层的输出，yt为t时刻输出层输出的雷达数据，ht-1为t-1时刻隐藏层的输出，xt为t时刻输入层输入的雷达数据，b表示输入层和隐藏层的偏值，c表示隐藏层和输出层的偏值，U表示输入层和隐藏层之间的权重矩阵，V表示隐藏层之间的权重矩阵，W表示隐藏层和输出层之间的权重矩阵，F()是非线性激活函数tanh，V()是...

【专利技术属性】
技术研发人员：刘向丽，柯励，李赞，宋仪雯，何治宇，刘冬妮，
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