[发明专利]基于深度长短期记忆网络的窄带雷达目标跟踪方法

权利要求书

1.一种基于深度长短期记忆网络的窄带雷达目标跟踪方法，其特征在于，构建多种运动类型组成的训练数据集，构建深度长短期记忆网络，该方法的具体步骤包括如下：

(1)构建多种运动类型组成的训练数据集：

(1a)利用下述距离单元公式，计算窄带雷达观测场景中距离单元的总数：

其中，N_r表示窄带雷达观测场景中距离单元的总数，c表示光速，B表示窄带雷达发射信号的带宽，Δρ表示窄带雷达观测的距离范围，Δθ表示窄带雷达观测的方位角范围，θ_3dB表示窄带雷达发射信号的3dB波瓣宽度；

(1b)利用目标运动轨迹的构建方法，构建10N_r条训练目标的运动轨迹，将每一个训练目标每次被窄带雷达扫描时的坐标值，组成二维向量，作为当前时刻该训练目标的真实运动状态；

所述的目标运动轨迹的构建方法的步骤如下：

第一步，在待跟踪的目标运动类型中随机选择训练目标的运动类型；

第二步，在窄带雷达扫描范围内，随机设定训练目标运动的初始位置；

第三步，根据待跟踪目标的机动特性，设定训练目标运动的过程噪声的方差；

第四步，若训练目标运动为匀速运动，在待跟踪目标运动速度范围内随机选择其运动速度，若训练目标运动为匀变速运动，在待跟踪目标运动加速度范围内随机选择其加速度，若训练目标运动为协同转弯运动，在待跟踪目标运动转弯率范围内随机选择其转弯率；

第五步，根据不同运动类型的状态转移方程，仿真训练目标的真实运动状态；

(1c)利用下述窄带雷达观测方程，生成对应于每一个训练目标的真实运动状态的窄带雷达观测值：

ρ_m＝ρ_t+ε_ρ

θ_m＝θ_t+ε_θ

其中，ρ_m表示窄带雷达观测训练目标的径向距离，ρ_t表示训练目标真实的径向距离，ε_ρ表示窄带雷达观测训练目标的径向距离的观测噪声，θ_m表示窄带雷达观测训练目标的方位角，θ_t表示训练目标真实的方位角，ε_θ表示窄带雷达观测训练目标方位角的观测噪声；

(1d)将所有训练目标的真实运动状态与相应的窄带雷达观测值组成训练数据集；

(2)构建深度长短期记忆网络：

(2a)搭建一个由滤波网络和预测网络组成的深度长短期记忆网络，每一个网络的结构均为8层，其结构依次为：输入层→含有6个隐藏层的长短期记忆网络→输出层；

(2b)设置每一个网络各层参数如下：

将输入层设置为2×16的全连接层；

将长短期记忆网络的隐藏层数设置为6，输入单元的个数设置为16，隐单元的个数设置为256；

将输出层设置为256×2的全连接层；

(3)对训练集进行归一化处理：

(3a)用训练目标的真实运动状态除以窄带雷达观测的最远距离，得到归一化后的目标真实运动状态；

(3b)用窄带雷达观测训练目标的径向距离除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测训练目标的径向距离；用窄带雷达观测训练目标的方位角除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测训练目标的方位角；

(4)训练深度长短期记忆网络：

(4a)将归一化后的训练集中径向距离观测值与方位角观测值，分别输入到深度长短期记忆网络中得到网络的实际输出值，将归一化后的训练集中实际运动状态作为深度长短期记忆网络的期望输出值；

(4b)将深度长短期记忆网络的实际输出值与期望输出值，组成滤波网络和预测网络的代价函数；

(4c)使用最小批梯度下降法，训练深度长短期记忆网络，调整梯度下降法中梯度更新的步长，直到滤波网络和预测网络的代价函数均趋于不变，得到训练好的深度长短期记忆网络；

(5)窄带雷达目标跟踪：

(5a)用窄带雷达对待跟踪目标径向距离的观测值，除以窄带雷达观测的最远距离，得到归一化后的窄带雷达观测待跟踪目标的径向距离；用窄带雷达对待跟踪目标方位角的观测值，除以窄带雷达观测的最大方位角，得到归一化后的窄带雷达观测待跟踪目标的方位角；

(5b)将归一化后待跟踪目标位置的径向距离和方位角，输入训练好的深度长短期记忆网络，得到相应的归一化后待跟踪目标位置的滤波值和预测值；

(5c)用窄带雷达观测的最远距离，分别乘以归一化后待跟踪目标位置的滤波值和预测值，得到待跟踪目标位置的滤波值和预测值，完成窄带雷达目标跟踪。

2.根据权利要求1所述的基于深度长短期记忆网络的窄带雷达目标跟踪方法，其特征在于：步骤(4b)中所述的滤波网络和预测网络的代价函数分别如下：

其中，J(θ_f)表示滤波网络的代价函数，θ_f表示滤波网络中连接每一层网络的参数，其在训练滤波网络的过程中随着代价函数趋于不变而趋于最优，n表示训练集中目标的序号，k表示每一个目标被窄带雷达观测的序号，N表示训练集中目标的总数，Σ表示求和操作，L_n表示训练集中第n个轨迹包含的目标被窄带雷达观测的次数，表示训练集中第n个目标在第k次被窄带雷达观测时的真实状态，表示输入训练集中窄带雷达对第n个目标在第k次的观测值时滤波网络的输出，J(θ_p)表示预测网络的代价函数，θ_p表示预测网络中连接每一层网络的参数，其在训练预测网络的过程中随着代价函数趋于不变而趋于最优，表示输入训练集中窄带雷达对第n个目标在第k次的观测值时预测网络的输出。