CN111175719A - 基于bp神经网络的智能航迹起始方法 - Google Patents
基于bp神经网络的智能航迹起始方法 Download PDFInfo
- Publication number
- CN111175719A CN111175719A CN202010018851.4A CN202010018851A CN111175719A CN 111175719 A CN111175719 A CN 111175719A CN 202010018851 A CN202010018851 A CN 202010018851A CN 111175719 A CN111175719 A CN 111175719A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- radar
- neural network
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于BP(Back Propagation Network)神经网络的智能航迹起始方法。该方法尤其适用于具有明显运动特征或者明显自身特征属性目标的智能航迹起始。主要实现过程:建立目标训练样本集,样本集数据来源于实际雷达不同工作环境下目标数据和利用目标特征针对不同场景的目标仿真数据;提取目标细微特征参数,包括目标自身静态属性、运动特性以及时空关联特性等多种细微特征参数;构建BP神经网络智能模型;利用目标样本集合对网络模型进行训练;在雷达实际工作过程中实时利用网络模型对探测数据进行特征匹配,实现雷达目标航迹智能起始;提供全寿命周期自动在线学习训练与特征参数优化流程,在整个雷达工作寿命期间实现在线数据采集、模型训练和参数优化。
Description
技术领域
本发明属于雷达目标数据处理领域。
背景技术
在雷达工作过程中,可以采集各级不同的数据,包括点迹数据、航迹数据、自动起始数据以及其他类型的数据,在常规处理过程中会对感兴趣的数据进行集中分析,进行某个细节处理验证或者算法验证。然而,当前作战***或者指控***对雷达的要求越来越高,包括对目标类型的智能识别、快速准确的自动发现的同时控制起始虚警以及快速判断来袭目标的威胁等级和对目标进行毁伤评估等。利用传统的方法很难对每个环节进行兼顾,而且很难满足越来越高的智能化要求,譬如要对目标类型进行准确识别,需要对雷达的信号形式、驻留时间等进行重新设计,但是重新设计后的信号形式又很难保证对雷达威力等性能指标的要求。不同作战使命的雷达根据不同的工作环境和要求是不一样的,但是每个雷达完成后对不同类型目标细微特征的探测表征是一致的,而且目标本身的特征属性也是固定的,雷达在工作过程中产生的各环节数据是包含丰富的特征信息的。所以结合雷达采集的大数据对机器学习算法进行训练,然后利用训练结果与雷达实时工作数据进行匹配,可以实现对目标的智能分类和处理。
因此,充分利用雷达各环节数据提取目标的细微特征解决对目标类型的正确分类识别、对目标的快速正确起始以及稳定跟踪等问题,对于提升雷达数据处理各项性能具有十分重要的意义,本发明是针对该问题设计的一种方法。
发明内容
本发明充分利用雷达各环节的大量数据进行机器学习训练的提取各类目标细微特征分类,提供了一种基于BP神经网络的智能航迹起始方法,可以提高对目标的检测准确性、自动起始准确性和起始速度以及提高对目标跟踪的稳定程度。
本发明所采用的技术方案是基于BP神经网络的智能航迹起始方法,包括如下步骤:
步骤1:采集雷达实际工作中的各级数据或者仿真与雷达工作参数相匹配的不同场景目标的目标数据;
步骤2:在实际和仿真目标数据中提取不同数据的多元特征信息,建立样本集;
步骤3:构建BP神经网络训练模型,利用样本集目标特征数据对模型进行学习与训练;
步骤4:雷达工作时,将雷达工作中的各级数据与通过训练后的BP神经网络模型进行特征匹配,并将数据进行标记与分类;
步骤5:利用目标标记与分类结果,对符合航迹起始准则的目标点迹进行智能起始;
步骤6:雷达工作时,利用特征匹配成功的起始数据和未匹配成功的起始数据继续对BP神经网络进行机器训练;
步骤7:重复步骤1~6,直到雷达全寿命周期。
采用上述方案后,本发明将基于大数据的机器学习技术与目标静态特性、动态特性以及目标空时特性相结合,利用海量的雷达各级数据对机器学习算法进行训练,然后利用训练结果对雷达数据进行实时匹配分析,提升雷达在检测、跟踪以及自动起始等方面的性能指标,然后再利用数据对机器学习算法进行样本扩展训练不断完善机器学习模型,从而能进一步提升雷达数据处理性能指标。
附图说明
图1是基于BP神经网络的智能航迹起始方法的流程图。
具体实施方式
本发明将基于大数据的机器学习技术与目标静态特性、动态特性以及目标空时特性相结合,首先对参与机器学习训练的样本数据进行采集,包含雷达在不同工作环境下对不同目标类型采集的各级数据和基于实际雷达工作环境和目标特性的仿真数据,提取多种细微特征特性,利用样本数据集合对机器学习算法进行训练,然后利用训练结果对雷达目标数据进行反馈匹配判断,并利用匹配成功和未成功的有效数据对机器模型不断的递归训练,从而实现利用基于机器学习的细微特征提取目标分类算法提升雷达数据处理各级性能指标的效果。
结合附图1,本发明的具体实施步骤如下所述:
(1)数据样本的采集,包含雷达实际工作过程中在不同场景下采集的各级数据和根据具体场景仿真的不同特性的目标数据;
(2)提取目标数据的多元特征信息,包含静态特征信息、空间关联特征和时间关联特征,静态特征信息是表征目标本身自身属性的,时空关联特征主要是利用目标在运动过程中的时空特性区分目标和非目标数据的特征信息。其中静态特征信息包括不同目标类型的方位展宽、距离展宽、仰角质量、方位包络、距离包络、多普勒速度、微多普勒速度;空间关联特征包括云雨杂波特性、固定地物特性、孤立目标特性、群目标特性、地理信息匹配;时间关联特征,包括目标速度、目标加速度、目标轨迹、目标高度变化、目标能量变化、多普勒速度变化、微多普勒速度变化、RCS变化。
(3)根据数据与对应的静态特征、空间关联特征和时间关联特征建立相应的样本集;
(4)构建BP神经网络训练模型;
(5)利用样本集目标特征数据对模型进行学习与训练,在训练的过程中不断的调整权值和阈值,使得BP神经网络的表现函数达到最小;
(6)雷达工作时,将雷达实时处理的各级数据与通过训练后的BP神经网络模型进行特征匹配,并将匹配后的数据进行标记与分类:其中静态特征、空间关联特征和时间关联特征都匹配的数据标记为确认起始航迹目标,并标记目标类型;静态特征、空间关联特征和时间关联特征都不匹配的数据标记为非起始航迹目标,并标记为杂波数据;静态特征、空间关联特征和时间关联特征其中一项或者两项匹配成功的数据标记为待确认起始航迹目标,需在后续处理中进行进一步判断;
(7)利用目标标记与分类结果,建立相应的航迹起始准则,对符合航迹起始准则的目标点迹进行智能起始;
(8)雷达工作时,利用特征匹配成功的起始数据和未匹配成功的起始数据继续对BP神经网络模型进行机器训练;
(9)重复步骤1~7,直到雷达全寿命周期。
Claims (3)
1.基于BP神经网络的智能航迹起始方法,其特征在于:
步骤1:采集雷达实际工作中的各级数据或者仿真与雷达工作参数相匹配的不同场景目标的目标数据;
步骤2:在实际和仿真目标数据中提取不同数据的多元特征信息,建立样本集;
步骤3:构建BP神经网络训练模型,利用样本集目标特征数据对模型进行学习与训练;
步骤4:雷达工作时,将雷达工作中的各级数据与通过训练后的BP神经网络模型进行特征匹配,并将数据进行标记与分类;
步骤5:利用目标标记与分类结果,对符合航迹起始准则的目标点迹进行智能起始;
步骤6:雷达工作时,利用特征匹配成功的起始数据和未匹配成功的起始数据继续对BP神经网络进行机器训练;
步骤7:重复步骤1~6,直到雷达全寿命周期。
2.根据权利要求1所述的基于BP神经网络的智能航迹起始方法,其特征在于:所述步骤2中目标多元特征信息为:
①提取不同类型目标的静态特征信息,包括不同目标类型的方位展宽、距离展宽、仰角质量、方位包络、距离包络、多普勒速度、微多普勒速度;
②提取不同类型目标数据之间的空间关联特征,包括云雨杂波特性、固定地物特性、孤立目标特性、群目标特性、地理信息匹配;
③提取不同类型目标数据之间的时间关联特征,包括目标速度、目标加速度、目标轨迹、目标高度变化、目标能量变化、多普勒速度变化、微多普勒速度变化、RCS变化。
3.根据权利要求1或权利要求2所述的基于BP神经网络的智能航迹起始方法,其特征在于:所述步骤5中将数据进行标记与分类为:
①静态特征、空间关联特征和时间关联特征都匹配的数据标记为确认起始航迹目标,并标记目标类型;
②静态特征、空间关联特征和时间关联特征都不匹配的数据标记为非起始航迹目标,并标记为杂波数据;
③静态特征、空间关联特征和时间关联特征其中一项或者两项匹配成功的数据标记为待确认起始航迹目标,需在后续处理中进行进一步判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018851.4A CN111175719B (zh) | 2020-01-08 | 2020-01-08 | 基于bp神经网络的智能航迹起始方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018851.4A CN111175719B (zh) | 2020-01-08 | 2020-01-08 | 基于bp神经网络的智能航迹起始方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111175719A true CN111175719A (zh) | 2020-05-19 |
CN111175719B CN111175719B (zh) | 2023-10-17 |
Family
ID=70656246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018851.4A Active CN111175719B (zh) | 2020-01-08 | 2020-01-08 | 基于bp神经网络的智能航迹起始方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111175719B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781592A (zh) * | 2020-06-12 | 2020-10-16 | 中国船舶重工集团公司第七二四研究所 | 基于细粒度特征分析的快速自动起始方法 |
CN111983601A (zh) * | 2020-07-17 | 2020-11-24 | 北京理工大学 | 一种基于贝叶斯原理的群目标跟踪航迹起始方法 |
CN112213724A (zh) * | 2020-09-16 | 2021-01-12 | 深圳航天科技创新研究院 | 基于探地雷达数据的后向投影成像方法、***及存储介质 |
CN113281715A (zh) * | 2021-05-09 | 2021-08-20 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113655457A (zh) * | 2021-08-24 | 2021-11-16 | 中国电子科技集团公司第十四研究所 | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 |
CN114200421A (zh) * | 2021-12-08 | 2022-03-18 | 哈尔滨工程大学 | 一种多频段子带信号融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339355A (zh) * | 2016-08-31 | 2017-01-18 | 哈尔滨工程大学 | 一种舰载机着舰短期航迹在线预测方法 |
CN108153519A (zh) * | 2018-01-16 | 2018-06-12 | 中国人民解放军海军航空大学 | 一种目标智能跟踪方法通用设计框架 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
-
2020
- 2020-01-08 CN CN202010018851.4A patent/CN111175719B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339355A (zh) * | 2016-08-31 | 2017-01-18 | 哈尔滨工程大学 | 一种舰载机着舰短期航迹在线预测方法 |
CN108153519A (zh) * | 2018-01-16 | 2018-06-12 | 中国人民解放军海军航空大学 | 一种目标智能跟踪方法通用设计框架 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781592A (zh) * | 2020-06-12 | 2020-10-16 | 中国船舶重工集团公司第七二四研究所 | 基于细粒度特征分析的快速自动起始方法 |
CN111781592B (zh) * | 2020-06-12 | 2023-12-22 | 中国船舶集团有限公司第七二四研究所 | 基于细粒度特征分析的快速自动起始方法 |
CN111983601A (zh) * | 2020-07-17 | 2020-11-24 | 北京理工大学 | 一种基于贝叶斯原理的群目标跟踪航迹起始方法 |
CN112213724A (zh) * | 2020-09-16 | 2021-01-12 | 深圳航天科技创新研究院 | 基于探地雷达数据的后向投影成像方法、***及存储介质 |
CN112213724B (zh) * | 2020-09-16 | 2023-06-13 | 深圳航天科技创新研究院 | 基于探地雷达数据的后向投影成像方法、***及存储介质 |
CN113281715A (zh) * | 2021-05-09 | 2021-08-20 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113281715B (zh) * | 2021-05-09 | 2022-06-21 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113655457A (zh) * | 2021-08-24 | 2021-11-16 | 中国电子科技集团公司第十四研究所 | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 |
CN113655457B (zh) * | 2021-08-24 | 2023-11-24 | 中国电子科技集团公司第十四研究所 | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 |
CN114200421A (zh) * | 2021-12-08 | 2022-03-18 | 哈尔滨工程大学 | 一种多频段子带信号融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111175719B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111175719B (zh) | 基于bp神经网络的智能航迹起始方法 | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN111476817A (zh) | 一种基于yolov3的多目标行人检测跟踪方法 | |
CN111796343A (zh) | 一种基于人工智能算法的强对流天气短时临近识别方法 | |
CN109241227B (zh) | 基于stacking集成学习算法的时空数据预测建模方法 | |
CN105354356A (zh) | 一种基于雷达情报仿真的空情融合性能评估***及方法 | |
CN104851097A (zh) | 基于目标形状与阴影辅助的多通道sar-gmti方法 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN110133714A (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
CN106327528A (zh) | 无人机运动目标跟踪方法及无人机的工作方法 | |
CN103593856A (zh) | 单目标跟踪方法及*** | |
CN104301585A (zh) | 一种运动场景中特定种类目标实时检测方法 | |
CN113917402A (zh) | 一种基于辐射源特征参数的雷达***自主控制方法 | |
CN104463909A (zh) | 基于信度组合地图模型的视觉目标跟踪方法 | |
CN109145175B (zh) | 基于stacking集成学习算法的时空数据预测方法 | |
CN109270520B (zh) | 基于幅度信息获取二次雷达应答目标身份代码的处理方法 | |
CN112509285B (zh) | 基于卷积神经网络cnn的全球台风报文收集方法及收集*** | |
CN111781592B (zh) | 基于细粒度特征分析的快速自动起始方法 | |
CN108153519B (zh) | 一种目标智能跟踪方法通用设计框架 | |
CN109685823A (zh) | 一种基于深度森林的目标跟踪方法 | |
CN116340533B (zh) | 一种基于知识图谱的星载电磁频谱大数据智能处理*** | |
CN115902804B (zh) | 一种无人机集群类型识别方法和*** | |
CN111783739A (zh) | 一种通信辐射源相似运动轨迹比较方法 | |
CN113316080B (zh) | 基于Wi-Fi与图像融合指纹的室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 210003 No. 346, Zhongshan North Road, Jiangsu, Nanjing Applicant after: 724 Research Institute of China Shipbuilding Corp. Address before: 210003 No. 346, Zhongshan North Road, Jiangsu, Nanjing Applicant before: 724TH RESEARCH INSTITUTE OF CHINA SHIPBUILDING INDUSTRY Corp. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |