【技术实现步骤摘要】
基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法
[0001]本专利技术属于目标跟踪
，涉及一种目标跟踪方法，具体涉及一种基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法，可用于空中交通管制、海上交通管制等领域。
技术背景
[0002]雷达目标跟踪方法根据雷达测量的目标状态信息并结合目标转移函数以及观测方程得到雷达目标状态的估计值；雷达目标跟踪系统中，由于受到不同回波干扰的影响，测量噪声经常表现出非高斯特性，并且雷达目标轨迹多呈现非线性特征，粒子滤波算法因其适用于非线性、非高斯系统的特性，被国内外研究人员应用于雷达目标跟踪领域并发挥着不可替代的作用；粒子滤波雷达目标跟踪方法使用一组状态空间中传播的样本粒子来近似的表示目标的概率密度函数，通过样本粒子数学期望对目标状态信息进行滤波进而获得目标状态的估计值。
[0003]但早期粒子滤波算法受重要性采样的影响，多次迭代计算后有效样本粒子数大幅下降，出现粒子退化问题，剩余的个别样本粒子无法代表目标的状态概率密度分布，将导致目标状态估计精度下降甚至跟踪发散导致跟踪失败；传统重采样方法虽然在一定程度上缓解权值退化现象，但同时也引入了新的问题，即权值越大的样本粒子子代越多，而权值较小的样本粒子被逐步削弱或剔除，最极端的情况是新的样本粒子集实际都是一个权值最大的样本粒子的子代，采样结果包含了许多重复粒子，从而损失了粒子的多样性，出现粒子退化问题。
[0004]近年来，研究人员将优化算法应用于粒子滤波目标跟踪的重采样过程中，例如南京电子技术研究所的江涛等人于202...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法，其特征在于，包括如下步骤：(1)获取训练样本集和测试样本集：(1a)对k时刻单目标转移后的N个状态维数为dim的样本粒子的权重进行修正归一化处理，并根据修正归一化结果选取权重最大的前N
eff
个样本粒子组成的有效样本粒子集以及服从均匀分布的大小为N
eff
的随机噪声组成训练样本集，同时将服从均匀分布的大小为B
×
N
eff
的随机噪声作为测试样本集，其中，N≥100，N
eff
＞0，dim≥6，＞0，dim≥6，表示k时刻转移后的第n
eff
个有效样本粒子；(2)构建重采样生成对抗网络模型H：(2a)构建重采样生成对抗网络模型H的结构：构建包含顺次连接的生成器G和判别器D的重采样生成对抗网络模型H，其中生成器G和判别器D均采用包括输入层、多个全连接层、输出层，激活函数为ReLU的人工神经网络，生成器G和判别器D输入层的通道数相同，生成器G和判别器D输出层的通道数分别为C
G
和C
D
；(2b)定义生成器G的损失函数L
G
和判别器D的损失函数L
D
：：其中，S
D0
表示判别器D对有效样本粒子集的判别分数，S
D1
表示判别器D对生成器G生成样本集的判别分数，M表示S
D0
、S
D1
的维数；(3)对重采样生成对抗网络模型H进行迭代训练：(3a)初始化迭代次数i，最大迭代次数为I，I＞20，第i次迭代生成器G、判别器D的网络权重参数分别为θ
G
、θ
D
，并令i＝0；(3b)将训练样本集作为重采样生成对抗网络模型H的输入，生成器G对每个随机噪声进行全连接计算后进行非线性ReLU激活，实现对噪声的重采样，得到包括N
eff
个生成样本的集合g1；判别器D对每个生成样本、每个有效样本粒子分别进行全连接计算后进行非线性ReLU激活，得到生成样本集g1对应的判别分数S
D1
、有效样本粒子集对应的判别分数S
D0
；(3c)采用损失函数L
D
，并通过判别分数S
D0
和S
D1
计算判别器D的损失值，再采用反向传播方法并通过损失值计算D的网络参数梯度，然后采用均方根传递算法通过D的网络参数梯度对D的网络参数θ
D
进行更新；同时采用损失函数L
G
，并通过判别分数S
D1
计算生成器G的损失值，再采用反向传播方法并通过损失值计算G的网络参数梯度，然后采用均方根传递算法通过G的网络参数梯度对G的网络参数θ
G
进行更新，得到本次迭代的重采样生成对抗网络模型H
i
；(3d)判断i...
【专利技术属性】
技术研发人员：黑永强，李世玉，麻广霖，李文涛，乔海东，康忱，牟进超，
申请(专利权)人：西安电子科技大学，
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。