[发明专利]基于循环神经网络的目标航迹预测方法

说明书

本发明公开了一种基于循环神经网络的目标航迹预测方法，属于雷达目标跟踪领域，主要解决现有航迹预测方法模型简单、复杂度低、通适性差且无法学习的问题。该方法首先对多种场景下同一型号雷达量测点迹和跟踪航迹数据进行收集，同时采用合作目标信息接收设备对合作目标航迹进行收集，并对数据进行剔除和修正，形成航迹原始数据集。然后构建目标航迹预测循环神经网络，设定训练样本特征向量，生成航迹训练集。最后，基于合作航迹训练集和雷达航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。该方法能自动训练生成预测算法，具有适用范围广、适配场景多、实用效果好等优点。

技术领域

本发明隶属于雷达目标跟踪领域，提供一种目标航迹预测方法，涉及循环神经网络的构建、训练与生成，适用于雷达数据处理系统。

背景技术

目标跟踪是雷达数据处理的核心关键技术，其通过建立雷达每帧量测数据与不同真实目标间的对应关系，并经过滤波估计，得到目标的运动轨迹和运动参数，从而实现目标个体实时连续掌握。目标跟踪包括航迹起始、航迹滤波、航迹预测、点航关联等多个技术环节，其中航迹预测是关键瓶颈环节，起承上启下作用，直接决定目标跟踪效果。如果航迹预测不准确，将会影响点航关联结果，导致点航关联错误，进而影响航迹滤波，使目标状态估计偏离目标真实状态，并有可能进一步引起后续连锁反应，致使跟踪发散、目标丢失。现有的航迹预测方法隐藏在航迹滤波环节，基于滤波的目标状态转移模型进行预测，根据包含的基本目标状态转移模型数量，可分为单模预测方法和多模预测方法。其中单模航迹预测方法是基于单一目标状态转移模型进行预测，多模预测方法则是基于多个目标状态转移模型，根据每个模型与目标实际运动模式的匹配程度，进行多模型加权预测或最匹配单一模型预测，分别与滤波的单模型滤波方法和多模型滤波方法相对应，而常用的基本目标状态转移模型则包括匀速模型、常加速度模型、协同转弯模型、Singer模型、当前统计模型和Jerk模型等。无论是单模预测方法，还是多模预测方法，均存在模型简单、能力有限、泛化性不足等问题，在实际运用中，由于目标运动模型未知，现有算法预测效果时好时坏，难以在目标任何运动模式下均取得稳定、良好的预测效果。同时现有预测方法还存在参数无法确定的问题，需要人工进行反复的修改和调试，并且调试后的航迹预测效果也难以达到最优。综上所述，现有的航迹预测方法存在模型简单、复杂度低、通适性差、缺乏学习能力等问题，难以根本整体上解决航迹预测问题。

发明内容

本发明的目的是提出一种目标航迹预测方法，旨在解决现有目标航迹预测方法模型简单、复杂度低、通适性差且无法学习的问题。

本发明所述的基于循环神经网络的目标航迹预测方法，具体包括以下技术措施：首先对同一型号雷达不同场景下量测点迹数据和跟踪航迹数据进行收集，剔除异常数据，形成雷达量测原始数据集。与此同时，根据雷达海空探测类别，利用合作目标信息接收设备，大量收集舰船或飞机合作目标航迹，剔除异常数据，形成合作目标航迹原始数据集。进一步，利用数据分析处理软件，参考同时段同区域的合作目标航迹数据，对雷达量测原始数据集中错误跟踪航迹数据进行修正或剔除。然后根据航迹预测问题性质，确定循环神经网络形式为一对一形式，基于典型循环神经网络结构，构建目标航迹预测循环神经网络。同时设定训练样本特征向量，基于原始数据集，分别提取生成雷达探测航迹训练集和合作目标航迹训练集，并对航迹训练集进行标准化预处理，生成无量纲航迹训练集。最后，采用循环神经网络训练方法，基于合作目标航迹训练集和雷达探测航迹训练集，对目标航迹预测循环神经网络进行训练优化，生成与雷达相匹配的目标航迹预测方法。

本发明提出的目标航迹预测方法，可基于大量目标航迹数据，训练生成与雷达相匹配的目标航迹预测方法，具有适用范围广、适配场景多、实用效果好等优点，所生成的目标航迹预测方法可无需调试直接应用于相应雷达中，实用性强。

附图说明

图1是基于循环神经网络的目标航迹预测方法流程图。

图2是目标航迹预测循环神经网络形式。

具体实施方式