基于Bi-LSTM预测与模糊分析的中断航迹关联方法技术

本发明专利技术公开了基于Bi

【技术实现步骤摘要】
基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法


[0001]本专利技术涉及航迹数据处理
，具体地指一种基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法。

技术介绍

[0002]飞机的航迹通常具有密集性高、速度快、各目标间的相对速度低及可分性差等特点，受传感器特性、地理环境、电磁干扰、电磁静默、信息对抗等不确定性因素的影响，航迹数据会出现中断的现象。中断航迹的目标标签属性变化后，航迹数据对信息融合造成严重影响；中断航迹使传感器重新编批跟踪目标，加重传感器跟踪负担，造成跟踪测量的低效率。因此，需要一种适合在目标航迹中断情况下的航迹补全关联算法，来解决这一问题，使得来自于同一个目标的中断前后的航迹关联起来，形成一条连续的完整航迹。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提出一种基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，以解决同一目标中断前后的航迹关联问题，不仅可以提高目标跟踪连续性和稳定性，还可实现对目标实时跟踪。
[0004]为实现上述目的，本专利技术所设计的基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，其特殊之处在于，所述方法包括如下步骤：1）采用真实的飞机轨迹数据集作为训练航迹数据，将航迹数据进行航迹连续性判断分类；2）将连续的航迹数据转化为程序的标准输入格式，并将连续的航迹数据从中间截出一段航迹使其成为中断前航迹数据、中断后航迹数据；3）建立Bi
‑
LSTM预测模型，分别使用中断前航迹数据、中断后航迹数据训练Bi
‑
LSTM正向预测模型、Bi
‑
LSTM反向预测模型；4）将待预测的中断前航迹数据、中断后航迹数据分别输入Bi
‑
LSTM正向预测模型、Bi
‑
LSTM反向预测模型，所述Bi
‑
LSTM正向预测模型输出正向预测的航迹数据，所述Bi
‑
LSTM反向预测模型输出反向预测的航迹数据；5）将所述正向预测的航迹数据与反向预测的航迹数据使用中断航迹关联算法进行关联性分析，输出关联结果。
[0005]优选地，步骤5）中所述中断航迹关联算法为模糊航迹关联算法，具体步骤包括：51）确定模糊因素集，模糊因素u1、u2、u3分别表示位置、速度、加速度的模糊因素；52）使用正态型隶属度函数进行航迹关联，对于位置、速度和加速度因素的展度要进行调整，位置、速度和加速度因素的隶属度函数分别表示为：
式中，σ
x
、σ
y
、σ
z
表示位置模糊因素的展度，即位置误差方差；、、表示速度模糊因素的展度，即速度误差方差；、、表示加速度模糊因素的展度，即加速度误差方差；τ1、τ2、τ3分别表示位置、速度和加速度因素的隶属度函数对应的调整度；式中，f
ij
(l)表示第l时刻，i和j两个目标的相关程度，它是由在l时刻k个隶属度μ1、μ2、μ3和对应的权重a1、a2、a3乘积之和；对于目标1和目标2的n个航迹和m个航迹，构成一个在l时刻的模糊关联矩阵：54）在模糊关联矩阵中找到最大的元素f
ij
(l)，对于设置的阈值ε，如果f
ij
(l)>ε，则表示i和j两个目标关联，关联成功；否则为不关联，关联失败。
[0006]优选地，所述步骤54）判断关联失败后进行二次航迹关联，并更新隶属度函数，直至关联次数达到最大关联次数，流程结束。
[0007]优选地，在二次航迹关联过程中，更新隶属度函数是对第2个模糊因素的隶属度函数μ2进行调整，使其对中断时间t的改变相对敏感；隶属度函数μ2表示为：式中，v(t)表示在第2个模糊因素中时间的影响因子，与中断时间间隔t成正比，即当中断时间越长时，v(t)的影响程度越大。
[0008]优选地，根据中断时间间隔t的长短设置阈值，所述阈值表示为：ε=1
‑
f(t)式中，f(t)与中断时间间隔t成正比，航迹中断时间越长，阈值ε越小。
[0009]优选地，所述Bi
‑
LSTM正向预测模型中LSTM的正向计算公式为：
式中，f
l
为l时刻遗忘门的输出向量，W
f
为遗忘门的权重矩阵，x
l
为l时刻输入向量，U
f
为遗忘门输入层与中间层之间的权重矩阵，h
l
‑1为l
‑
1时刻LSTM单元的输出向量，b
f
为遗忘门的偏置向量，i
l
为l时刻输入门的输出向量，W
i
为输入门的权重矩阵，U
i
为输入门输入层与中间层之间的权重矩阵，b
i
为输入门的偏置向量，o
l
为l时刻输出门的输出向量，W
o
为输出门的权重矩阵，U
o
为输出门输入层与中间层之间的权重矩阵，b
o
为输出门的偏置向量，c
l
、c
l
‑1分别为l时刻、l
‑
1时刻记忆单元，W
c
为记忆单元的权重矩阵，U
c
为记忆单元输入层与中间层之间的权重矩阵，b
c
为记忆单元的偏置向量，σ()为激活函数，选用sigmod函数，符号
“”
为哈达玛积，h
l
为l时刻LSTM单元的输出向量。
[0010]优先地，所述Bi
‑
LSTM反向预测模型中LSTM的反向计算公式为：式中，S
l
为时刻l的输入矩阵，其中包括前一时刻l
‑
1的输出向量h
l
‑1，x为输入向量，x
l
为l时刻输入向量，h是LSTM单元的输出向量。
[0011]优选地，所述模糊因素集U={u1,u2,
…
,u
k
,
…
,u
n
}，其中u
k
表示对判决起作用的第k个模糊因素，模糊因素分为三类：第一类为一维信息，包括目标的位置、航速间、航向间和航向变化率间等的欧式距离；第二类为二维信息，包括目标x轴、y轴方向上的位置、速度和加速度之间的欧式距离及航向、航向变化率之间的欧式距离；第三类为三维信息，包括目标x、y、z轴方向上的位置、速度、加速度、方向余弦角及余弦角度变化率之间的欧式距离。
[0012]优选地，所述Bi
ꢀ‑
LSTM正向预测模型、Bi
‑
LSTM反向预测模型为时间卷积网络，采用TCN结构，包括膨胀卷积和残差链接。
[0013]本专利技术针对航迹数据处理过程中出现航迹数据不连续的问题、中断后航迹标签发生变化且中断时间较长的情况，有效解决将中断前后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，其特征在于：所述方法包括如下步骤：1）采用真实的飞机轨迹数据集作为训练航迹数据，将航迹数据进行航迹连续性判断分类；2）将连续的航迹数据转化为程序的标准输入格式，并将连续的航迹数据从中间截出一段航迹使其成为中断前航迹数据、中断后航迹数据；3）建立Bi
‑
LSTM预测模型，分别使用中断前航迹数据、中断后航迹数据训练Bi
‑
LSTM正向预测模型、Bi
‑
LSTM反向预测模型；4）将待预测的中断前航迹数据、中断后航迹数据分别输入Bi
‑
LSTM正向预测模型、Bi
‑
LSTM反向预测模型，所述Bi
‑
LSTM正向预测模型输出正向预测的航迹数据，所述Bi
‑
LSTM反向预测模型输出反向预测的航迹数据；5）将所述正向预测的航迹数据与反向预测的航迹数据使用中断航迹关联算法进行关联性分析，输出关联结果。2.根据权利要求1所述的基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，其特征在于：步骤5）中所述中断航迹关联算法为模糊航迹关联算法，具体步骤包括：51）确定模糊因素集，模糊因素u1、u2、u3分别表示位置、速度、加速度的模糊因素；52）使用正态型隶属度函数进行航迹关联，对于位置、速度和加速度因素的展度进行调整，位置、速度和加速度因素的隶属度函数分别表示为：式中，σ
x
、σ
y
、σ
z
表示位置模糊因素的展度，即位置误差方差；、、表示速度模糊因素的展度，即速度误差方差；、、表示加速度模糊因素的展度，即加速度误差方差；τ1、τ2、τ3分别表示位置、速度和加速度因素的隶属度函数对应的调整度；53）计算两个目标的相关程度，表示为：式中，f
ij
(l)表示第l时刻，i和j两个目标的相关程度，它是由在l时刻k个隶属度μ1、μ2、μ3和对应的权重a1、a2、a3乘积之和；对于目标1和目标2的n个航迹和m个航迹，构成一个在l时刻的模糊关联矩阵：
54）在模糊关联矩阵中找到最大的元素f
ij
(l)，对于设置的阈值ε，如果f
ij
(l)>ε，则表示i和j两个目标关联，关联成功；否则为不关联，关联失败。3.根据权利要求2所述的基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，其特征在于：所述步骤54）判断关联失败后进行二次航迹关联，并更新隶属度函数，直至关联次数达到最大关联次数，流程结束。4.根据权利要求3所述的基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，其特征在于：在二次航迹关联过程中，更新隶属度函数是对第2个模糊因素的隶属度函数μ2进行调整，使其对中断时间t的改变相对敏感；隶属度函数μ2表示为：式中，v(t)表示在第2个模糊因素中时间的影响因子，与中断时间间隔t成正比，即当中断时间越长时，v(t)的影响程度越大。5.根据权利要求4所述的基于Bi
‑
LSTM预测与模糊分析的中断航迹关联方法，其特征在于：根据中断时间间隔t的长短设置阈值，所述阈值表示为：ε=1
‑ꢀ
f(t)式中，f(t)与中...

【专利技术属性】
技术研发人员：刘立国，何志勇，马良荔，孟田珍，覃基伟，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：