[发明专利]基于目标运动模型自学习的低空组网融合结果优化方法

权利要求书

1.目标运动模型自学习的低空组网融合结果优化方法，其特征在于，包括模型自学习组件以及训练数据集存储组件；所使用的文件包括模型自学习配置文件、训练数据集文件以及模型数据文件；

所述训练数据集存储组件采用存储服务器或同类装置并配置启用FTP文件传输服务，提供训练数据集的存储和基于FTP的数据文件上传下载服务，用于训练数据集及模型数据的存储管理；

所述模型自学习组件首先获取模型自学习配置文件，根据其中设置的参数，完成模型自学习的初始化设置，包括基于LSTM的低空目标运动状态预测模型训练输入及预测输出信息结构整理、训练数据集自动搜集整理、LSTM网络结构模型自动调整、LSTM模型自动训练和测试及模型数据保存，进而为融合计算航迹优化提供依据；

所述模型自学习配置文件用于实现基于长短时循环神经网络LSTM的低空飞行目标运动状态预测模型的自动训练，包括训练数据收集配置、常用模型结构配置、模型优化训练的相关参数；所述模型自学习配置文件采用XML格式文件，XML格式文件中的配置信息包含有数据名称、数据类型和数据内容；

所述训练数据集文件格式采用按照训练模型所需数据项顺序存储的二进制文件数据文件格式，训练数据集文件中仅存储训练数据内容，不存储数据描述信息或其他信息；

所述模型数据文件格式采用二进制文件数据文件格式，模型数据文件中仅存储模型数据内容，不存储数据描述信息或其他信息。

2.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法，其特征在于，所述模型自学习组件采用如下步骤实现：

001：根据低空目标运动状态特征项，整理出基于LSTM的目标运动状态预测模型的输入输出数据模型；

002：训练数据集的自动化搜集存储管理；训练数据集包括两类来源，无人机真实GPS位置值和雷达探测结果值；

003：长短时循环神经网络LSTM网络模型包括输入层、隐藏层以及输出层，输入层输入数据根据训练数据集数据向量确定，输出层输出结果根据需要预测的数据项确定，中间隐藏层层数及层中节点个数是超参，自动化确定中间隐藏层层数及层中节点个数，将隐藏层的层数及节点个数设置在一定范围之内，通过LSTM网络模型的循环训练，同时以预测准确性、训练效率以及过拟合情况作为评价指标，取最优的至少2个LSTM网络结构作为选定的LSTM网络结构；

较优模型的结构固定下来，当下次训练数据集搜集完成以后，通过对预先选定的LSTM网络结构进行自动训练，结合004步得出最优的LSTM网络结构用于目标运动状态的预测；

004：针对所述选定的LSTM网络结构，利用训练数据集自动执行训练流程，在LSTM网络模型训练到完成之后，自动调用测试集数据进行模型的测试验证，若测试结果达到设定准确率，则准确率最高的LSTM网络结构作为最优的LSTM网络模型进行数据存储固化，以用于低空目标运动状态的预测。

3.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法，其特征在于，步骤001具体为：

低空目标运动状态的数据项包括时刻、空间位置、速度、航向、加速度、航向变化率和高度变化率；

通过特征项集合约简算法及特征项之间的关联关系，速度、航向、加速度、航向变化率及高度变化率都可以通过时刻、空间三维位置计算得出，低空目标运动状态特征项选为时刻以及笛卡尔直角坐标系下三维位置；

基于LSTM循环神经网络的低空飞行目标运动状态预测模型，以时刻、目标三维位置信息为输入，以特定时刻下运动状态信息为输出，其中特定时刻下运动状态信息包括目标位置、速度、航向、加速度以及航向变化率；

由此得到基于LSTM的目标运动状态预测模型的输入输出数据模型，作为优化输出融合航迹的依据。