基于目标运动模型自学习的低空组网融合结果优化方法技术

本发明专利技术公开了一种基于目标运动模型自学习的低空组网融合结果优化方法，提出了一种优化融合计算输出航迹质量的方法，一方面将充分挖掘合作目标回传的GPS位置数据以及雷达上报的相对连续稳定的航迹信息中蕴含的低空飞行目标运动模型，然后利用该模型对融合计算输出融合航迹进行修正，提高输出融合航迹质量；另一方面构建基于长短时循环神经网络的低空飞行目标运动状态预测模型，并实现预测模型训练相关数据集的自动化搜集整理，模型结构自动化调整，模型自动化训练测试、模型数据的自动更新，实现基于LSTM的低空飞行目标运动状态预测模型的持续性优化，进而确保输出较高质量的目标修正融合航迹。标修正融合航迹。标修正融合航迹。

【技术实现步骤摘要】
基于目标运动模型自学习的低空组网融合结果优化方法


[0001]本专利技术涉及低空空情监视
，具体涉及基于目标运动模型自学习的低空组网融合结果优化方法。

技术介绍

[0002]随着大数据、人工智能技术的发展及工程应用，构建长短时循环神经网络模型对非线性延时状态信息进行预测是行之有效途径。
[0003]在低于一千米的低空中，实际低空空情监视应用中，低空组网雷达探测受低空地形地物及复杂电磁环境的干扰严重，加之低空飞行目标的强机动性，基于低空组网雷达上报数据进行融合处理生成的融合航迹通常质量低下，很难体现低空飞行目标的实际运动情况，传统的基于卡尔曼滤波平滑的方法能在一定程度上解决融合航迹不稳定的问题，但卡尔曼滤波是基于特定目标运动模型的，且低空飞行目标机动性较强，很难在目标机动飞行的情况下生成连续稳定的融合航迹，严重影响了低空飞行目标的连续稳定跟踪。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于目标运动模型自学习的低空组网融合结果优化方法，能够实现基于LSTM的低空飞行目标运动状态预测模型的持续性优化，进而确保输出较高质量的目标修正融合航迹。
[0005]为达到上述目的，本专利技术的技术方案为：一种目标运动模型自学习的低空组网融合结果优化方法，包括模型自学习组件以及训练数据集存储组件；所使用的文件包括模型自学习配置文件、训练数据集文件以及模型数据文件。
[0006]训练数据集存储组件采用存储服务器或同类装置并配置启用FTP文件传输服务，提供训练数据集的存储和基于FTP的数据文件上传下载服务，用于训练数据集及模型数据的存储管理。
[0007]模型自学习组件首先获取模型自学习配置文件，根据其中设置的参数，完成模型自学习的初始化设置，包括基于LSTM的低空目标运动状态预测模型训练输入及预测输出信息结构整理、训练数据集自动搜集整理、LSTM网络结构模型自动调整、LSTM模型自动训练和测试及模型数据保存，进而为融合计算航迹优化提供依据。
[0008]模型自学习配置文件用于实现基于长短时循环神经网络LSTM的低空飞行目标运动状态预测模型的自动训练，包括训练数据收集配置、常用模型结构配置、模型优化训练的相关参数；模型自学习配置文件采用XML格式文件，XML格式文件中的配置信息包含有数据名称、数据类型和数据内容。
[0009]训练数据集文件格式采用按照训练模型所需数据项顺序存储的二进制文件数据文件格式，训练数据集文件中仅存储训练数据内容，不存储数据描述信息或其他信息。
[0010]模型数据文件格式采用二进制文件数据文件格式，模型数据文件中仅存储模型数据内容，不存储数据描述信息或其他信息。
[0011]进一步地，模型自学习组件采用如下步骤实现：
[0012]001：根据低空目标运动状态特征项，整理出基于LSTM的目标运动状态预测模型的输入输出数据模型。
[0013]002：训练数据集的自动化搜集存储管理；训练数据集包括两类来源，无人机真实GPS位置值和雷达探测结果值。
[0014]003：长短时循环神经网络LSTM网络模型包括输入层、隐藏层以及输出层，输入层输入数据根据训练数据集数据向量确定，输出层输出结果根据需要预测的数据项确定，中间隐藏层层数及层中节点个数是超参，自动化确定中间隐藏层层数及层中节点个数，将隐藏层的层数及节点个数设置在一定范围之内，通过LSTM网络模型的循环训练，同时以预测准确性、训练效率以及过拟合情况作为评价指标，取最优的至少2个LSTM网络结构作为选定的LSTM网络结构。
[0015]较优模型的结构固定下来，当下次训练数据集搜集完成以后，通过对预先选定的LSTM网络结构进行自动训练，结合004步得出最优的LSTM网络结构用于目标运动状态的预测。
[0016]004：针对选定的LSTM网络结构，利用训练数据集自动执行训练流程，在LSTM网络模型训练到完成之后，自动调用测试集数据进行模型的测试验证，若测试结果达到设定准确率，则准确率最高的LSTM网络结构作为最优的LSTM网络模型进行数据存储固化，以用于低空目标运动状态的预测。
[0017]进一步地，步骤001具体为：
[0018]低空目标运动状态的数据项包括时刻、空间位置、速度、航向、加速度、航向变化率和高度变化率。
[0019]通过特征项集合约简算法及特征项之间的关联关系，速度、航向、加速度、航向变化率及高度变化率都可以通过时刻、空间三维位置计算得出，低空目标运动状态特征项选为时刻以及笛卡尔直角坐标系下三维位置。
[0020]基于LSTM循环神经网络的低空飞行目标运动状态预测模型，以时刻、目标三维位置信息为输入，以特定时刻下运动状态信息为输出，其中特定时刻下运动状态信息包括目标位置、速度、航向、加速度以及航向变化率。
[0021]由此得到基于LSTM的目标运动状态预测模型的输入输出数据模型，作为优化输出融合航迹的依据。
[0022]进一步地，步骤002包括如下具体步骤：
[0023]针对无人机真实GPS位置值来源的训练数据集的自动化处理方式包括两种手段，无人机可以自动回报GPS数值时，则实时接收GPS数值进行训练集整理，当无人机无法自动回报GPS数值时，则通过GPS数据文件导入的方式生成训练集。
[0024]针对雷达探测结果值来源的训练数据集的自动化处理方式也包括两种方式，一种是通过实时探测数据接收的方式进行整理，另一种方式是通过记录回放的数据进行训练集整理。
[0025]在实现训练数据集的自动化搜集存储管理之前，设置新搜集训练集的规模阈值，当数据集的规模达到规模阈值限定之后，将新收集的训练数据集移动到训练数据集存放目录，扩充原来的训练集，并清空原目录下数据，重新开始训练集收集整理，同时触发模型训
练机制，自动对低空目标运动趋势预测模型进行优化训练。
[0026]进一步地，模型自学习组件中，为融合计算航迹优化提供依据，具体为：
[0027]001：在LSTM网络模型训练结束之后，到配置文件中指定目录取得模型数据，将原来的模型数据删除，然后将新的模型数据读取加载；
[0028]002：获取目标短期历史时间段内的融合航迹信息，输入目标运动状态预测模型获取目标当前时刻运动状态信息，同时结合历史预测数据，统计计算该目标对应的速度、位置、航向、高度的稳定性信息。
[0029]003：结合当前组网雷达上报点航迹信息计算目标融合航迹信息，结合融合计算输出融合航迹信息，统计计算目标对应的速度、位置、航向、高度的稳定性信息。
[0030]004：根据目标运动模型预测的状态数据及融合计算结果数据稳定性的对比情况，按照稳定性从高到低分配对应权值，根据权值分配情况计算出修正结果并输出。
[0031]有益效果：
[0032]本专利技术提供的一种基于目标运动模型自学习的低空组网融合结果优化方法，针对低空飞行目标机动性强、低空地形地物电磁环境复杂致使组网雷达上报数据质量不高进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.目标运动模型自学习的低空组网融合结果优化方法，其特征在于，包括模型自学习组件以及训练数据集存储组件；所使用的文件包括模型自学习配置文件、训练数据集文件以及模型数据文件；所述训练数据集存储组件采用存储服务器或同类装置并配置启用FTP文件传输服务，提供训练数据集的存储和基于FTP的数据文件上传下载服务，用于训练数据集及模型数据的存储管理；所述模型自学习组件首先获取模型自学习配置文件，根据其中设置的参数，完成模型自学习的初始化设置，包括基于LSTM的低空目标运动状态预测模型训练输入及预测输出信息结构整理、训练数据集自动搜集整理、LSTM网络结构模型自动调整、LSTM模型自动训练和测试及模型数据保存，进而为融合计算航迹优化提供依据；所述模型自学习配置文件用于实现基于长短时循环神经网络LSTM的低空飞行目标运动状态预测模型的自动训练，包括训练数据收集配置、常用模型结构配置、模型优化训练的相关参数；所述模型自学习配置文件采用XML格式文件，XML格式文件中的配置信息包含有数据名称、数据类型和数据内容；所述训练数据集文件格式采用按照训练模型所需数据项顺序存储的二进制文件数据文件格式，训练数据集文件中仅存储训练数据内容，不存储数据描述信息或其他信息；所述模型数据文件格式采用二进制文件数据文件格式，模型数据文件中仅存储模型数据内容，不存储数据描述信息或其他信息。2.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法，其特征在于，所述模型自学习组件采用如下步骤实现：001：根据低空目标运动状态特征项，整理出基于LSTM的目标运动状态预测模型的输入输出数据模型；002：训练数据集的自动化搜集存储管理；训练数据集包括两类来源，无人机真实GPS位置值和雷达探测结果值；003：长短时循环神经网络LSTM网络模型包括输入层、隐藏层以及输出层，输入层输入数据根据训练数据集数据向量确定，输出层输出结果根据需要预测的数据项确定，中间隐藏层层数及层中节点个数是超参，自动化确定中间隐藏层层数及层中节点个数，将隐藏层的层数及节点个数设置在一定范围之内，通过LSTM网络模型的循环训练，同时以预测准确性、训练效率以及过拟合情况作为评价指标，取最优的至少2个LSTM网络结构作为选定的LSTM网络结构；较优模型的结构固定下来，当下次训练数据集搜集完成以后，通过对预先选定的LSTM网络结构进行自动训练，结合004步得出最优的LSTM网络结构用于目标运动状态的预测；004：针对所述选定的LSTM网络结构，利用训练数据集自动执行训练流程，在LSTM网络模型训练到完成之后，自动调用测试集数据进行模型的测试验证，若测试结果达到设定准确率，则准确率最高的LSTM...

【专利技术属性】
技术研发人员：何文涛，王家隆，王玉柱，杜松涛，王琦，李成功，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：