【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
‑ ...
【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:
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。