本发明专利技术提供一种基于支持向量回归的交互式多模型算法，包括搭建基于支持向量回归的交互式多模型算法，获取算法的调节系数；选取训练集和标签集；根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。本发明专利技术借助支持向量回归网络，增强了传统交互式多模型算法的自适应调整能力，其中支持向量回归网络作为反馈网络来根据每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，建立起模型匹配程度和过程噪声协方差系数之间的映射，减少模型不匹配时的跟踪误差。不匹配时的跟踪误差。不匹配时的跟踪误差。
【技术实现步骤摘要】
基于支持向量回归的交互式多模型算法、系统、存储介质及计算机设备
[0001]本专利技术涉及雷达数据处理领域，具体为一种基于支持向量回归的交互式多模型算法、系统、存储介质及计算机设备。
技术介绍
[0002]近年来，随着技术的发展，无人机的相关性能得到了很大的提高，各种高度机动的无人机不断发展，这对目标跟踪技术提出了更高的要求，强机动是指目标加速度或运动模式的相对瞬时和剧烈的变化，以及速度、角度和加速度的连续变化，传统的无人机跟踪算法模型适应性差，计算量大。
[0003]公开号为CN109491241A提供的一种针对机动目标的无人机(UAV)鲁棒化跟踪方法，其通过在交互式多模型框架下，获得最终的目标状态估计，使用的交互式多模型算法的性能在很大程度上依赖于所使用的模型，因此，为了提高算法的滤波精度，需要覆盖尽可能多的运动模型，但这样带来的问题是算法的计算量翻倍。另外，模型集中的模型过多会导致模型之间的竞争，从而降低算法的精度。因此，一般都是提前建立一个规模合适的模型集，模型集确定后，在跟踪过程中不会发生改变。然而，随着控制技术的发展，各种目标的移动性越来越好，预设的固定数量的模型集很难满足实际需求。
技术实现思路
[0004]本专利技术的目的在于提供一种基于支持向量回归的交互式多模型算法、系统、存储介质及计算机设备，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于支持向量回归的交互式多模型算法，包括卧床主体、底板和卧栏，其中：
[0007]S1:搭建基于支持向量回归的交互式多模型算法，将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数；
[0008]S2:选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理；
[0009]S3:根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，使其最终达到收敛；
[0010]S4:将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。
[0011]优选的，所述步骤S1中在每一个跟踪时刻，每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，将该系数作为调节系数。
[0012]优选的，所述步骤S1中所述向量回归网络的输入节点数与目标状态、量测维数和对应，输出层节点为1，网络关系式为：
[0013][0014]优选的，所述训练集包括多个机动等级的目标数据集，将目标数据集切分处理后获得训练集和标签集，所述标签集为每个时刻的目标真实状态。
[0015]优选的，所述归一标准化规则为Min
‑
Max标准化方式。
[0016]优选的，所述步骤S3中使用MSE作为损失函数并以端到端的方式训练反向传播神经网络，其中损失函数为：
[0017][0018]其中，m为训练数据数。
[0019]为实现上述目的，本专利技术另外还提供一种基于支持向量回归的交互式多模型系统，其中，所述系统包括：
[0020]模型构建模块，用于搭建基于支持向量回归的交互式多模型算法，并将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数；
[0021]数据预处理模块，用于选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理；
[0022]网络训练模块，用于根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，使其最终达到收敛；以及；
[0023]估计值计算模块，用于将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。
[0024]为实现上述目的，本专利技术另外还提供一种基于支持向量回归的交互式多模型存储介质，其中，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时能够实现上述的使用支持向量回归的交互式多模型算法的步骤。
[0025]为实现上述目的，本专利技术另外还提供一种基于支持向量回归的交互式多模型计算机设备，其中，所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的使用支持向量回归的交互式多模型算法的算法程序，所述使用支持向量回归的交互式多模型算法的算法程序配置为实现上述的使用支持向量回归的交互式多模型算法的步骤
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]本专利技术的交互式多模型方法基于支持向量回归网络的学习，借助支持向量回归网络的线性、非线性表达能力，增强了传统交互式多模型算法的自适应调整能力，其中支持向量回归网络作为反馈网络来根据每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，最后将协方差系数输出到传统交互式多模型算法中进行当前状态估计，建立起模型匹配程度和过程噪声协方差系数之间的映射，极大地减少模型不匹配时的跟踪误差。
附图说明
[0028]图1为本专利技术基于支持向量回归的交互式多模型的算法流程图；
[0029]图2为本专利技术基于支持向量回归的交互式多模型系统的结构示意图；
[0030]图3为本专利技术中支持向量回归网络的原理框图；
[0031]图4为本专利技术中基于支持向量回归的交互式多模型算法的原理框图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]实施例：
[0034]请参阅图1至图4，本专利技术提供一种技术方案：
[0035]一种基于支持向量回归的交互式多模型算法，包括以下步骤：
[0036]S1:搭建基于支持向量回归的交互式多模型算法，将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数。
[0037]其中，在每一个跟踪时刻，每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，将该系数作为调节系数，后面交互式多模型算法按照此调节系数来估计目标当前状态值。
[0038]另外，所述向量回归网络的输入节点数与目标状态、量测维数和对应，输出层节点为1，网络关系式为：
[0039][0040]S2:选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理。
[0041]所述训练集包括多个机动等级的目标数据集，将目标数据集切分处理后获得训练集和标签集，所述标签集为每个时刻的目标真实状态，所述归一标准化规则为Min
‑
Max标准化方式。
[0042]S3:根据支持向量回归网络模型及其训练参数，使用训练本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于支持向量回归的交互式多模型算法，其特征在于，包括以下步骤：S1:搭建基于支持向量回归的交互式多模型算法，将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数；S2:选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理；S3:根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，使其最终达到收敛；S4:将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。2.根据权利要求1所述的一种基于支持向量回归的交互式多模型算法，其特征在于：所述步骤S1中在每一个跟踪时刻，每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，将该系数作为调节系数。3.根据权利要求1所述的一种基于支持向量回归的交互式多模型算法，其特征在于：所述步骤S1中所述向量回归网络的输入节点数与目标状态、量测维数和对应，输出层节点为1，网络关系式为：4.根据权利要求1所述的一种基于支持向量回归的交互式多模型算法，其特征在于：所述训练集包括多个机动等级的目标数据集，将目标数据集切分处理后获得训练集和标签集，所述标签集为每个时刻的目标真实状态。5.根据权利要求4所述的一种基于支持向量回归的交互式多模型算法，其特征在于：所述归一标准化规则为Min
‑
Max标准化方式。6.根据权利要求1所述的一种基于支持向量回...
【专利技术属性】
技术研发人员：张平，周杨磊，徐忠祥，周著佩，查志贤，刘子健，陈宇，
申请(专利权)人：安徽耀峰雷达科技有限公司，
类型：发明
国别省市：
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。