[发明专利]一种基于航迹关联的目标意图判断方法

权利要求书

1.一种基于航迹关联的目标意图判断方法，其特征在于，步骤如下：

步骤1、通过对历史航迹量测数据中目标特征信息进行提取，获得运动特征信息和航迹特征信息，进而得到训练样本集；

所述运动特征信息包括目标的位置P、运动速度v、加速度α、航向d，目标的位置P以纬度B、经度L、海拔高度H表示；

第i个样本对应的运动特征s_i表示为：

式中，N为单个样本对应航段的采样点数，k为对应航段序号，t为时间间隔，ΔP_max、Δv_max、Δα_max、Δd_max分别对应为航段中相邻采样点目标位置变化的最大值、运动速度变化的最大值、加速度变化的最大值和航向变化的最大值；航迹特征信息用于提取航迹轨迹曲线，获取航迹轨迹曲线的航段弧长l、曲率角ω和航段曲线区域面积s，第i个样本对应的航迹特征z_i表示为：

式中，N为单个样本对应航段的采样点数，k为对应航段序号；

步骤2、构建DBN模型；

步骤3、利用训练样本集，对DBN模型进行训练，得到训练好的DBN模型；

步骤4、根据动态航迹的量测数据间的贯续性判断动态航迹是否为连续航迹，若各批次量测数据连续不中断，则为连续航迹，转入步骤5；若量测数据间存在中断，则为不连续航迹，转入步骤6；

步骤5、利用训练好的DBN模型对连续航迹进行匹配，具体如下：

5-1)输入经验航迹数据；

5-2)设置DBN相关参数，包括隐层层数、层节点数、最大迭代次数；

5-3)根据DBN参数构建输入层；

5-4)利用非监督学习的方法，提取航迹特征；

5-5)结合有标签的经验航迹，对DBN的网络参数进行有监督微调；

5-6)训练完成后，将待匹配的动态航迹数据输入到训练好的匹配模型中，进行航迹匹配，得到匹配结果；

步骤6、利用训练后的深度置信网络模型对不连续航迹进行匹配，输出匹配度最高的航迹，具体如下：

6-1)将经验航迹分段处理，然后作为DBN网络的训练集；

6-2)设置DBN相关参数，包括隐层层数、层节点数、最大迭代次数；

6-3)根据DBN参数构建输入层；

6-4)利用非监督学习的方法，提取航迹特征；

6-5)结合有标签的经验航迹，对DBN的相关参数进行有监督微调；

6-6)训练完成后，将待匹配的不连续动态航迹数据输入到训练好的匹配模型中，进行航迹匹配，输出匹配度最高的航迹。

2.根据权利要求1所述的基于航迹关联的目标意图判断方法，其特征在于，步骤2中，构建DBN模型，具体如下：

所述DBN由一个输入层、多个隐层、一个输出层组成，相邻层之间通过节点连接，DBN的每一层均能够分解为一个单独的RBM，DBN由RBM首尾相接堆叠而成，在堆叠的RBM的顶层加上一个回归分类器，实现对数据的分类识别功能；所述DBN的输入为待识别的数据，输出为识别出的类型，输入与输出节点数分别与输入数据维数和识别类型总数相等。

3.根据权利要求2所述的基于航迹关联的目标意图判断方法，其特征在于：回归分类器采用Softmax回归分类器。

4.根据权利要求3所述的基于航迹关联的目标意图判断方法，其特征在于，步骤3中，利用训练样本集，对DBN模型进行训练，得到训练好的DBN模型，具体如下：

首先设置DBN隐层的数目与每层的节点数，然后自下向上单独地无监督地训练每一层RBM，即使用没有标注正确归属的训练样本数据作为DBN模型的输入，先训练处于最底层的第一个RBM，它由输入层V₀和第一个隐层H₀组成，训练时先学习第一个RBM的参数W₀；将第一个RBM的输出结果作为第二个RBM的输入，即将H₀作为第二个RBM的可视层V₁，完成第二个RBM的训练得到网络参数W₁，依此类推，直到完成整个DBN模型的预训练，得到了整个DBN模型的偏置和权值，即接近全局最优点的网络初值；然后根据样本标签的先验知识，利用全局的反向传播算法对整个DBN模型进行微调，即对回归分类器Softmax进行有监督训练，同时微调学习DBN模型的网络参数；经过迭代训练，当DBN模型收敛到最优点时，结束整个网络的调整，进而得到训练好的DBN模型。