[发明专利]基于神经网络的航迹融合办法

说明书

本发明公开了一种基于神经网络的航迹融合办法，利用多个传感器获取对应的航迹数据，进行预处理后得到样本数据，随所述样本数据进行交互式多模型滤波，得到对应的状态估计，根据输入层、三个隐藏层和输出层，构建神经网络模型，并将划分为训练集、测试集和验证集的样本数据依次输入搜索神经网络模型中进行模型训练、测试和验证，然后将任意所述航迹数据输入训练后的所述神经网络模型，得到加权融合结果，同时再次进行交互式多模型滤波，并对任意时刻任意所述单模型进行一步预测，直至所有所述航迹数据融合完成，提升系统融合效果。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于神经网络的航迹融合办法。

背景技术

随着科学技术不断进步，雷达在地面、空中、海洋和太空等各个方面都发挥着巨大的作用。尤其在空中和太空，由于雷达发射和接收的电磁波在空气/真空中传播具有相对于其他介质更大的优势，因而雷达起着不可替代的作用。在军用方面，预警雷达、搜索警戒雷达、火控雷达、制导雷达以及机载雷达在各种环境下应用广泛，尤其是机载雷达分类最为细致应用最为广泛，发展也更为迅速。研究机载雷达、星载雷达和临近空间目标探测雷达对目标的探测跟踪，经过多雷达航迹数据融合达到较高精度的目标跟踪能力。但是由于各种雷达自身所处的工作环境差异大，复杂环境对雷达探测的准确性也有不同程度的干扰，使得多雷达探测到的目标数据都有不同程度的污染，这样的数据对后期的航迹融合也会产生较大影响。分步式航迹融合算法作为航迹融合技术的研究热点，可分为分层融合、加权融合和基于分步式滤波的融合三大类，其中加权融合算法因具有较好的性能和较低的计算量而受到广大专家和学者的重视。加权融合的基本思想是，基于多传感器局部跟踪航迹，根据一定的规则分配权值，对局部跟踪航迹进行加权平均，得到全局融合航迹。在加权融合系统中，权值的确定是关键，但目前的权值分配方案使系统融合效果不理想。

发明内容

本发明的目的在于提供一种基于神经网络的航迹融合办法，提升系统融合效果。

为实现上述目的，本发明提供了一种基于神经网络的航迹融合办法，包括：

获取航迹数据并进行预处理，得到样本数据；

根据所述样本数据进行交互式多模型滤波，得到对应的状态估计；

构建神经网络模型，并输入划分后的所述样本数据进行模型训练；

将任意所述航迹数据输入训练后的所述神经网络模型，得到加权融合结果；

对所述加权融合结果再次进行交互式多模型滤波后进行信息反馈，完成航迹融合。

其中，所述获取航迹数据并进行预处理，得到样本数据，包括：

基于多个传感器采集得到对应的航迹数据，并对所述航迹数据进行预处理后，存入数据库中，得到样本数据。

其中，根据所述样本数据进行交互式多模型滤波，得到对应的状态估计，包括：

基于所述传感器的数量，选择对应数量的单模型进行模型状态及其估计误差协方差的交互，并根据设定的转移概率矩阵进行模型之间的转移，然后更新模型概率，对子滤波器的状态估计及其误差协方差进行加权平均，得到所述样本数据基于多个所述单模型的状态估计。

其中，所述构建神经网络模型，并输入划分后的所述样本数据进行模型训练，包括：

利用输入层、三个隐藏层和输出层构建神经网络模型，并将所述样本数据划分为训练集、测试集和验证集，同时将所述训练集输入所述神经网络模型中进行模型训练，并利用所述测试集和所述验证集输入训练后的所述神经网络模型中进行测试和验证，得到权重矩阵，其中，所述输入层的节点数和所述传感器数量相同，所述输出层的节点数为1。

其中，将任意所述航迹数据输入训练后的所述神经网络模型，得到加权融合结果，包括：