[发明专利]一种地波雷达船只断裂航迹预测方法

说明书

本发明公开了一种地波雷达船只断裂航迹预测方法，属于船只断裂航迹预测领域，利用地波雷达采集到的船只经纬度信息，将其并行输入到不同窗口长度的卷积神经网络中，对提取到的多尺度特征进行特征融合，利用GRU结构能够保存历史信息的特点，通过深层GRU模型进行时间序列的学习，利用时间注意力机制对特征分配不同的权重，便于网络学习关键信息，使用自回归模型对当前时间步的经纬度线性信息进行预测，并与注意力机制输出的航迹进行融合，实现了线性与非线性预测模型的结合。为了充分利用地波雷达航迹信息，针对航迹断裂预测问题，将断裂前后的数据分别进行航迹预测，通过熵值法对两次预测结果进行权重的分配，最终经过加权求和实现船只航迹预测。

技术领域

本发明属于船只断裂航迹预测领域，具体涉及一种地波雷达船只断裂航迹预测方法。

背景技术

地波雷达具有监测范围广、超视距等优点，被广泛应用于船只检测领域，是海上监测的常用手段。然而地波雷达的工作环境中往往充斥着大量干扰因素，如地杂波、海杂波、电离层杂波等，当船只进入到杂波区域，在多普勒区域会发生掩盖，导致探测到的航迹发生断裂甚至消失的情况，出现无法检测到目标船只的问题，导致地波雷达无法长时间连续跟踪目标，限制了其监测目标的能力。

在船只目标航迹预测领域，按照预测方法大致可分为两种，方法分别是基于船舶动力学模型进行数学建模预测和不基于船舶动力学模型依照航迹数据拟合预测。当前所提出的船只运动模型都有严格的假定条件限定，但是由于系统和测量噪声的存在，难以获得精确的预测航迹，并且地波雷达探测的海域中存在着众多运动形式不一的船只，仅靠一个模型很难刻画出船只的运动轨迹，即便基于多目标联合建模对船只航迹进行估计，提取出特定船只航迹信息也还需要进一步判断。不基于动力学模型的航迹预测方法不能有效地解决长期序列依赖问题。

发明内容

为了准确预测地波雷达船只航迹，本发明提出了一种地波雷达船只断裂航迹预测方法，通过多尺度特征融合结合GRU与时间注意力机制并与自回归网络(AR)进行结果相加融合，利用断裂前的经纬度信息预测正向航迹，利用断裂后的经纬度信息进行逆向预测，随后将两次预测航迹通过赋予相应权重进行加权求和，从而得到目标船只最终的位置。

为了实现上述目的，本发明采用如下技术方案：

一种地波雷达船只断裂航迹预测方法，基于多尺度卷积神经网络结合GRU与注意力机制对地波雷达船只断裂航迹进行预测，具体步骤如下：

步骤1：地波雷达采集船只航迹原始数据并划分为三维结构的时间序列，将原始数据中的经度和纬度信息并行输入到卷积神经网络中；

步骤2：采用一维卷积进行特征提取，使用不同窗口长度的卷积神经网络学习经纬度特征，以获得不同尺度的特征；

步骤3：对提取到的多尺度特征进行特征融合，并将其输入到堆叠的GRU中进行时间序列学习；

步骤4：利用注意力机制进行特征分析，并且对每一个特征给予相应的权重，充分挖掘航迹信息中的有效信息，再将其输入全连接层；

步骤5：使用自回归模型对当前时间步的经纬度线性信息进行预测，并与注意力机制输出的航迹信息进行融合，预测出下一时间步的航迹。

优选地，步骤2中使用窗口长度为1和3的一维卷积，分别提取航迹信息的特征，在窗口长度为1的卷积层后使用最大池化层保留主要的特征，同时减少参数以及防止过拟合。

优选地，步骤3中堆叠的GRU模型由3层GRU组成，相比于单层GRU网络，GRU层数加深能够大大提高学习能力。

优选地，步骤4中采用时间注意力机制，是加权求和的过程，对堆叠的GRU学习到的特征维度进行注意力加权，对结果影响重大的特征赋予更高的权重，便于网络更好预测。