【技术实现步骤摘要】
本专利技术属于信息融合及目标跟踪，尤其涉及一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法。
技术介绍
1、雷达目标跟踪是通过雷达观测手段来实现对感兴趣目标位置、速度、加速度等运动特征的在线估计、并形成稳定航迹的过程，其广泛应用于多种多样的军、民用领域，包括远程战略预警、海上防空反导、战场实时监控、多机协同定位等。然而随着感知环境的日趋复杂多变，特别是现代战场环境下作战双方常常采用机动、干扰、伪装等手段和技术，使得仅由单一平台获得的目标航迹精度难以满足后续火力拦截、打击的需求。因此，需要研究多平台雷达目标跟踪估计融合技术。
2、多平台估计融合是将来自多个平台的传感器数据进行整合优化的过程，旨在获得更高精度的状态估计，以提高目标跟踪的能力。经典的多平台雷达目标跟踪估计融合方法大致分为两类：第一类是以量测级融合为主的集中式处理方法，包括序贯滤波法、并行滤波法等；第二类是以航迹级融合为主的分布式处理方法，如协方差交叉融合法、加权融合法等。其中，量测级集中式融合是指同时获得所有平台的目标量测，进行综合以获得目标状态的最优估计。这类方法对融合中心的通信、计算能力要求较高，因此，在许多实际应用场合更多地采取分布式融合方法，将每个平台对目标的状态估计及其协方差矩阵传递至融合中心，在融合中心进行估计融合以获得更高精度的状态估计。
3、一般而言，多平台雷达观测同源目标时，受外界复杂环境的影响，来自不同平台的量测数据往往具有未知相关性。经典的估计融合方法需要对这种相关性进行可靠建模以获得高精度的估计融合
4、传统的多平台雷达目标跟踪估计融合方法总是要求参与融合的各平台数据的概率分布特征精确已知。例如，基于序贯滤波的估计融合方法假设来自各平台的量测噪声是不相关的、基于简单凸组合的估计融合方法假设来自于不同平台的子估计结果是不相关的或者相关性完全已知。
5、事实上，各平台数据的概率分布特征精确已知往往是很难实现的。由于复杂外部环境、干扰欺骗等的影响，使得多平台观测同源目标带来的量测噪声往往是相关的、且这种相关性总是难以建模。此外，即便多平台量测噪声之间不相关，将量测从极坐标转化至目标运动空间过程中由于依赖于同源且未知的目标状态，也总会导致量测噪声间存在未知的相关性。为此，部分多平台估计融合方法在假设子估计相关性未知的前提下，通过最小化诸如估计误差协方差矩阵的迹或行列式，来实现相关性未知的多平台估计融合的在线寻优，但其往往计算复杂、且总是获得次优而非最优的融合结果。
技术实现思路
1、本专利技术的目的是提供一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法，以学习多平台局部子估计间的未知相关性，提升目标跟踪精度。
2、本专利技术采用以下技术方案：一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法，包括以下步骤：
3、获取多个雷达平台估计得到的目标局部状态估计；其中，目标局部状态估计包括当前时刻估计的目标状态向量和前一时刻估计的目标状态向量，目标状态向量包括目标的位置和速度；
4、提取两个目标局部状态估计组合成输入状态组，将输入状态组进行最大最小归一化处理后送入transformer网络，并将transformer网络输出的结果进行反向最大最小归一化处理后，得到融合的状态估计向量；
5、将状态估计向量与未处理的目标局部状态估计组合为输入状态组，继续执行，直至遍历完所有目标局部状态估计，得到目标全局状态估计。
6、进一步地，transformer网络中的sin函数采用其三阶泰勒展开式替代，transformer网络中的cos函数采用其三阶泰勒展开式替代。
7、进一步地，transformer网络依次对目标状态向量中的每一个元素分别进行状态预测。
8、进一步地，最大最小归一化处理包括：
9、
10、其中，表示k时刻最大最小归一化处理后的输入状态组中的元素，δxk表示k时刻的输入状态组中元素的最大值与最小值的差值，xmid,k表示最大值与最小值的中值。
11、进一步地，transformer网络的损失函数为：
12、
13、其中，n表示训练样本的数量，
14、表示k时刻transformer网络对目标的预测状态，表示k时刻最大最小归一化处理后目标的真实状态。
15、本专利技术的另一种技术方案：一种基于transformer模型的多平台雷达目标跟踪估计融合装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的方法。
16、本专利技术的有益效果是：本专利技术针对传统多平台雷达目标跟踪估计融合需要精确已知雷达量测或局部子估计的相关性的局限，提出了一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法，以数据驱动代替精确建模，综合考虑多平台雷达目标跟踪量测噪声不相关和量测噪声相关两种场景，通过transformer模型对累积数据多层次结构特征进行挖掘，在线表征隐藏在累积历史数据中的多平台量测未知相关性，实现了端到端的多平台雷达目标高精度跟踪融合。
本文档来自技高网...【技术保护点】
1.一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，所述Transformer网络中的sin函数采用其三阶泰勒展开式替代，所述Transformer网络中的cos函数采用其三阶泰勒展开式替代。
3.如权利要求2所述的一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，所述Transformer网络依次对目标状态向量中的每一个元素分别进行状态预测。
4.如权利要求2-3任一项所述的一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，最大最小归一化处理包括：
5.如权利要求4所述的一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，所述Transformer网络的损失函数为：
6.一种基于Transformer模型的多平台雷达目标跟踪序贯估计融合装置，包括存储器、处理器以及存
...【技术特征摘要】
1.一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，所述transformer网络中的sin函数采用其三阶泰勒展开式替代，所述transformer网络中的cos函数采用其三阶泰勒展开式替代。
3.如权利要求2所述的一种基于transformer模型的多平台雷达目标跟踪序贯估计融合方法，其特征在于，所述transformer网络依次对目标状态向量中的每一个元素分别进行状态预测。<...
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。