CN114660561A - Ais与雷达的航迹关联方法及装置 - Google Patents
Ais与雷达的航迹关联方法及装置 Download PDFInfo
- Publication number
- CN114660561A CN114660561A CN202210256070.8A CN202210256070A CN114660561A CN 114660561 A CN114660561 A CN 114660561A CN 202210256070 A CN202210256070 A CN 202210256070A CN 114660561 A CN114660561 A CN 114660561A
- Authority
- CN
- China
- Prior art keywords
- ais
- radar
- cluster level
- dimensional
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 221
- 238000009826 distribution Methods 0.000 claims abstract description 136
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 39
- 230000002776 aggregation Effects 0.000 claims description 28
- 238000004220 aggregation Methods 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种AIS与雷达的航迹关联方法及装置,所述方法包括:分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;将AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;基于AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。本发明将AIS和雷达的航迹关联问题转化为分布特征之间的最优传输问题,再根据分布特征之间的最优传输确定航迹关联,提高了在目标密集场景下AIS和雷达的航迹关联的准确性。
Description
技术领域
本发明涉及AIS与航海雷达航迹融合技术领域,尤其涉及一种AIS与雷达的航迹关联方法及装置。
背景技术
随着船舶数量不断增多,船只密度不断增大,各船舶之间相关信息的交换在保障船舶航行安全和提高航运效率方面是十分重要的。
雷达和自动识别***(Automatic Identification System,AIS)作为船舶避碰***主要的数据来源,有着各自特点,而且二者获取的信息具有一定的互补性和冗余性。
船用航海雷达是主动式传感器,可以对运动和静止的目标进行检测跟踪,提供距离、方位、航速、航向等信息。但雷达易受天气、海况以及地形遮挡的影响,从而导致出现虚假目标、目标漏检和分辨率低等问题。
AIS是被动式传感器,工作在甚高频,不受船舶位置和天气因素的影响。但是AIS不是自动探测装置,不能探测到孤岛和其他未装备AIS设备的船舶,另外数据存在时间延迟。
因此,将AIS和雷达获得的数据进行结合有利于改善船舶对周围环境的探测性能,是船舶避碰和导航的重要手段。
传统AIS与雷达航迹关联方法主要有基于统计和基于模糊数学的方法。这两种方法十分依赖AIS与雷达航迹严格的时间对齐预处理操作。但是在目标密集环境下,被探测的目标数量很多,目标运动方式复杂多变,以及采样周期不同带来的航迹信息异步都对关联结果产生严重影响,导致关联的准确性不高。
综上,在目标密集场景下,提高AIS和雷达的航迹关联准确性是急需解决的技术问题。
发明内容
本发明提供一种AIS与雷达的航迹关联方法及装置,用以解决现有技术中在目标密集场景下,AIS与雷达的航迹关联准确性不高的缺陷。
本发明提供一种AIS与雷达的航迹关联方法,包括:
分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;
基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
可选地,所述局部特征提取模块包括局域聚合层、特征描述层和分组层;
其中,所述局域聚合层用于对航迹点进行不同尺度的局域聚合,获取所述航迹点的分布特征;
所述特征描述层用于对所述航迹点的分布特征进行编码,获取所述航迹点的高维特征向量;
所述分组层用于对所述航迹点的高维特征向量进行聚类和编码处理,获取簇级节点的高维特征向量。
可选地,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量,包括:
分别将所述AIS航迹点和所述雷达航迹点输入所述局部特征提取模块的局域聚合层,获取所述AIS航迹点的分布特征和所述雷达航迹点的分布特征;
分别将所述AIS航迹点的分布特征和所述雷达航迹点的分布特征输入所述局部特征提取模块的特征描述层,获取所述AIS航迹点的高维特征向量和所述雷达航迹点的高维特征向量;
分别将所述AIS航迹点的高维特征向量和所述雷达航迹点的高维特征向量输入所述局部特征提取模块的分组层,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量。
可选地,所述注意力机制图神经网络包括自注意力机制图神经网络模块和交叉注意力机制图神经网络模块;
所述自注意力机制图神经网络模块用于获取AIS簇级节点之间的注意力权重和雷达簇级节点之间的注意力权重;
所述交叉注意力机制图神经网络模块用于获取AIS簇级节点与雷达簇级节点之间的注意力权重。
可选地,将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量,包括:
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的自注意力机制图神经网络模块,获取AIS簇级节点之间的注意力权重、雷达簇级节点之间的注意力权重;
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的交叉注意力机制图神经网络模块,获取AIS簇级节点与雷达簇级节点之间的注意力权重;
利用所述注意力机制图神经网络对所述AIS簇级节点之间的注意力权重、所述AIS簇级节点与雷达簇级节点之间的注意力权重,以及所述AIS簇级节点的高维特征向量进行注意力机制聚合,获取AIS簇级节点的高维分布特征向量;
利用所述注意力机制图神经网络对所述雷达簇级节点之间的注意力权重、所述AIS簇级节点与雷达簇级节点之间的注意力权重,以及所述雷达簇级节点的高维特征向量进行注意力机制聚合,获取雷达簇级节点的高维分布特征向量。
可选地,基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联,包括:
根据所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取得分矩阵;
对所述得分矩阵进行迭代优化,获取传输任务矩阵;
在所述传输任务矩阵中,行的最大得分值与列的最大得分值处于同一位置的情况下,将行中最大得分值对应的AIS航迹与列中最大得分值对应的雷达航迹进行关联。
可选地,对所述得分矩阵进行迭代优化,获取传输任务矩阵,包括:
在雷达航迹数大于AIS航迹数的情况下,将迭代优化后的得分矩阵添加一行和一列后作为所述传输任务矩阵。
可选地,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量之前,包括:
进行坐标转换,以使AIS航迹数据和雷达航迹数据在同一坐标系下。
本发明还提供一种AIS与雷达的航迹关联装置,包括:
第一获取模块,用于分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;
第二获取模块,用于将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;
第三获取模块,用于基于所AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述AIS与雷达的航迹关联方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述AIS与雷达的航迹关联方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述AIS与雷达的航迹关联方法。
本发明提供的AIS与雷达的航迹关联方法及装置,通过将AIS和雷达的航迹关联问题转化为分布特征之间的最优传输问题,再根据分布特征之间的最优传输确定航迹关联,提高了在目标密集场景下AIS和雷达的航迹关联的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的AIS与雷达的航迹关联方法的流程示意图之一;
图2是本发明实施例提供的AIS与雷达的航迹关联方法的流程示意图之二;
图3是本发明实施例提供的多尺度特征提取和簇级中心点特征提取的示意图;
图4是本发明实施例提供的AIS与雷达的航迹关联方法的流程示意图之三;
图5是本发明实施例提供的AIS与雷达的航迹关联装置的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的AIS与雷达的航迹关联方法的流程示意图之一,如图1所示,本发明提供一种AIS与雷达的航迹关联方法,该方法包括:
步骤101,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量。
具体地,图2是本发明实施例提供的AIS与雷达的航迹关联方法的流程示意图之二,如图2所示,主要分为四个部分:空间位置对齐、多尺度点级特征提取和簇级中心点特征提取、簇级自-交叉注意力机制图神经网络全局特征提取和优化匹配航迹关联。
由于AIS与雷达分别工作在不同的坐标系下,在进行航迹数据处理之前,需要进行空间位置对齐,就是需要将获取的AIS航迹数据和雷达航迹数据对齐到同一坐标系下。
可选地,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量之前,包括:
进行坐标转换,以使AIS航迹数据和雷达航迹数据在同一坐标系下。
具体地,由于AIS和雷达分别采用不同坐标系的各个传感器测量航迹信息,AIS工作在WGS-84坐标系(World Geodetic System-1984Coordinate System,WGS-84Coordinate System),而雷达工作在以雷达安装位置为原点的极坐标系,因此在AIS与雷达航迹关联之前需要进行坐标变换,以使AIS航迹数据和雷达航迹数据统一到同一坐标系下。
AIS坐标的纬度和经度需要通过墨卡托投影转换为以AIS安装位置为中心的平面坐标系下。
坐标转换的表达式如下所示:
基准维度的维线圈半径r0的表达式如下所示:
而雷达工作在以雷达安装位置为原点的极坐标系,需要将以雷达安装位置为原点的极坐标系转换为以雷达安装位置为中心的平面坐标系。
雷达安装位置和AIS安装位置之间的误差可以忽略不计,默认雷达安装位置和AIS安装位置是同一位置。
通过将AIS对应的WGS-84坐标系转换为以AIS安装位置为中心的平面坐标系下,将以雷达安装位置为原点的极坐标系转换为以雷达安装位置为中心的平面坐标系,默认雷达安装位置和AIS安装位置是同一位置,从而实现了空间位置对齐,实现了将获取的AIS航迹数据和雷达航迹数据对齐到同一坐标系下。
在进行空间位置对齐之后,获取同一坐标系下AIS航迹数据和雷达航迹数据。
将AIS航迹点和雷达航迹点输入局部特征提取模块进行多尺度点级特征提取和簇级中心点特征提取,AIS航迹点携带AIS航迹位置、AIS航迹速度以及水上移动通信业务标识码(Maritime Mobile Service Identify,MMSI)等信息,雷达航迹点携带雷达航迹位置、雷达航迹速度以及航迹号等信息。
在通常情况下,来自于同一船舶的AIS航迹点和雷达航迹点在空间位置是邻近的,其与周围各航迹点的空间分布关系也是相近的。基于这一基本规则,构建了局部特征提取模块。
可选地,所述局部特征提取模块包括局域聚合层、特征描述层和分组层;
其中,所述局域聚合层用于对航迹点进行不同尺度的局域聚合,获取航迹点的分布特征;
所述特征描述层用于对所述航迹点的分布特征进行编码,获取所述航迹点的高维特征向量;
所述分组层用于对所述航迹点的高维特征向量进行聚类和编码处理,获取簇级中心节点的高维特征向量。
具体地,局部特征提取模块包括三个子层,分别是局域聚合层、特征描述层和分组层。
局域聚合层对每个输入的航迹点进行不同尺度的局域聚合,提取该航迹点的在局域区域的分布特征。
以AIS航迹数据为例进行说明,给定一段时间内AIS的历史航迹点集,以该历史航迹点集作为AIS航迹点图的输入,图中每一个节点代表一个AIS航迹点的特征,以节点vi为原点,对3个不同尺度距离半径内的节点进行聚合,获取节点vi的在局域区域的分布特征。
节点vi的在局域区域的分布特征的表达式如下所示:
h′i=σ(Whj→i+B)
式中,h′i表示节点vi的在局域区域的分布特征,σ(·)表示激活函数;W和B为可训练参数;hj→i表示节点vj与节点vi之间的特征向量差,节点vj表示局域区域内任一除节点vi之外的节点。
特征描述层使用多层感知机(Multi-layer Perceptron,MLP)神经网络对每个航迹点的分布特征进行编码,在特征向量中增加航迹位置和航迹速度的维度,从而获取航迹点的高维特征向量。
将航迹点的高维特征向量输入分组层,分组层根据航迹点携带的类别信息对航迹点进行聚类形成簇级节点,然后利用MLP神经网络对簇级节点的中心节点进行编码,最后,根据航迹点的高维特征向量和簇级中心节点的编码特征向量获取簇级节点的高维特征向量。类别信息可以为MMSI号或者雷达航迹号。
簇级节点的高维特征向量的表达式如下所示:
fi=hi+MLPenc(ai)
式中,fi表示簇级节点的高维特征向量,hi表示特征描述层输出的航迹点的高维特征向量,MLPenc()表示多层感知机神经网络,ai表示簇级中心节点的特征向量。
通过局部特征提取模块进行多尺度点级特征提取和簇级中心点特征提取,从而获取簇级节点的高维特征向量,为后续获取簇级节点的高维分布特征向量奠定基础。
在构建局部特征提取模块的基础上,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量。
可选地,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量,包括:
分别将所述AIS航迹点和所述雷达航迹点输入所述局部特征提取模块的局域聚合层,获取所述AIS航迹点的分布特征和所述雷达航迹点的分布特征;
分别将所述AIS航迹点的分布特征和所述雷达航迹点的分布特征输入所述局部特征提取模块的特征描述层,获取所述AIS航迹点的高维特征向量和所述雷达航迹点的高维特征向量;
分别将所述AIS航迹点的高维特征向量和所述雷达航迹点的高维特征向量输入所述局部特征提取模块的分组层,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量。
具体地,图3是本发明实施例提供的多尺度特征提取和簇级中心点特征提取的示意图,如图3所示,分别对AIS航迹和雷达航迹进行多尺度特征提取和簇级中心点特征提取。
首先,分别将AIS航迹点和雷达航迹点输入所述局部特征提取模块的局域聚合层进行不同尺度的局域聚合,获取AIS航迹点的分布特征和雷达航迹点的分布特征。
然后,分别将AIS航迹点的分布特征和雷达航迹点的分布特征输入所述局部特征提取模块的特征描述层进行编码,获取AIS航迹点的高维特征向量和雷达航迹点的高维特征向量。
最后,分别将AIS航迹点的高维特征向量和雷达航迹点的高维特征向量输入所述局部特征提取模块的分组层进行聚类和编码,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量。
通过将AIS航迹点和雷达航迹点输入局部特征提取模块进行多尺度点级特征提取和簇级中心点特征提取,从而获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量,为后续获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量奠定基础。
步骤102,将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量。
具体地,将局部特征提取模块输出的AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量输入注意力机制图神经网络,利用注意力机制图神经网络来模拟人在AIS航迹点和雷达航迹点之间来回观察的过程,从而获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量。
可选地,所述注意力机制图神经网络包括自注意力机制图神经网络模块和交叉注意力机制图神经网络模块;
所述自注意力机制图神经网络模块用于获取AIS簇级节点之间的注意力权重和雷达簇级节点之间的注意力权重;
所述交叉注意力机制图神经网络模块用于获取AIS簇级节点与雷达簇级节点之间的注意力权重。
具体地,注意力机制图神经网络包括自注意力机制图神经网络模块和交叉注意力机制图神经网络模块。
自注意力机制是在同一类型图上计算各节点之间注意力权重。
例如,AIS航迹图和AIS航迹图为同一类型图,雷达航迹图和雷达航迹图也为同一类型图。
交叉注意力机制是在不同类型图上计算各节点之间注意力权重。
例如,AIS航迹图和雷达航迹图为不同类型图。
利用自注意力机制图神经网络模块在AIS航迹图上可以获取AIS簇级节点之间的注意力权重,在雷达航迹图上可以雷达簇级节点之间的注意力权重。
利用交叉注意力机制图神经网络模块在AIS航迹图和雷达航迹图上可以获取AIS簇级节点与雷达簇级节点之间的注意力权重。
通过注意力机制图神经网络中的自注意力机制和交叉注意力机制获取AIS簇级节点之间的注意力权重、雷达簇级节点之间的注意力权重以及AIS簇级节点与雷达簇级节点之间的注意力权重,为后续获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量奠定基础。
可选地,将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量,包括:
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的自注意力机制图神经网络模块,获取AIS簇级节点之间的注意力权重、雷达簇级节点之间的注意力权重;
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的交叉注意力机制图神经网络模块,获取AIS簇级节点与雷达簇级节点之间的注意力权重;
利用所述注意力机制图神经网络对所述AIS簇级节点之间的注意力权重、所述AIS簇级节点与雷达簇级节点之间的注意力权重,以及所述AIS簇级节点的高维特征向量进行注意力机制聚合,获取AIS簇级节点的高维分布特征向量;
利用所述注意力机制图神经网络对所述雷达簇级节点之间的注意力权重、所述AIS簇级节点与雷达簇级节点之间的注意力权重,以及所述雷达簇级节点的高维特征向量进行注意力机制聚合,获取雷达簇级节点的高维分布特征向量。
具体地,图4是本发明实施例提供的AIS与雷达的航迹关联方法的流程示意图之三,如图4所示,在局部特征提取模块中进行多尺度点级特征提取和簇级中心点特征提取之后,经多重边聚合,然后在注意力机制图神经网络中交替进行自注意力机制和交叉注意力机制,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量,再根据AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量获取得分矩阵,对得分矩阵进行优化获取传输任务矩阵,根据传输任务矩阵获取AIS航迹和雷达航迹的优化匹配关联。
在注意力机制图神经网络中,首先,将AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量输入注意力机制图神经网络的自注意力机制图神经网络模块,获取AIS簇级节点之间的注意力权重、雷达簇级节点之间的注意力权重。
然后,将AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的交叉注意力机制图神经网络模块,获取AIS簇级节点与雷达簇级节点之间的注意力权重。
最后,利用注意力机制图神经网络对获取的注意力权重和簇级节点的高维特征向量进行注意力机制聚合,从而获取簇级节点的高维分布特征向量。
根据注意力机制里面的三要素:查询(query),关键词(key),注意力值(attentionvalue),对一个簇级节点进行注意力机制聚合,将簇级节点h的高维特征向量作为query,记为qh,将其余所有簇级节点u的高维特征向量作为key,记为ku。簇级节点h可以是AIS簇级节点,也可以是雷达簇级节点。簇级节点u是除簇级节点h之外的任一簇级节点。
簇级节点h与簇级节点u之间的注意力权重αhu是key-query的softmax函数,其归一化后,注意力权重αhu的表达式如下所示:
式中,αhu表示簇级节点h与簇级节点u之间的注意力权重,softmax()表示softmax函数,ku表示簇级节点u的高维特征向量,qh表示簇级节点h的高维特征向量。
簇级节点h的高维分布特征向量为ch,那么簇级节点h经过注意力机制聚合后会对高维分布特征向量进行更新。更新后的簇级节点h的高维分布特征向量的表达式如下所示:
式中,c′h表示更新后的簇级节点h的高维分布特征向量,σ(·)表示激活函数,αhu表示簇级节点h与簇级节点u之间的注意力权重,W为聚合的学习参数,cu表示簇级节点u的高维特征向量,ehu表示簇级节点h与簇级节点u之间的边,ε表示所有簇级节点之间边的集合。
在获取簇级节点的高维分布特征向量之后,将已知的簇级节点的高维分布特征向量代替该簇级节点的高维特征向量参与求取其他簇级节点的高维分布特征向量。
Key,query和value是由图神经网络节点特征向量与可训练参数经过线性计算而得。多组相互独立的注意力机制能够将注意力的分配放到中心节点与其余几点之间多处相关的特征上,使得网络的学习能力更加强大。
通过注意力机制图神经网络获取簇级节点的高维分布特征向量,进一步有利于将AIS和雷达的航迹关联问题转化为分布特征之间的最优传输问题。
步骤103,基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
具体地,将AIS和雷达的航迹关联问题转化为AIS航迹的分布特征与雷达航迹的分布特征之间的最优传输问题,基于注意力机制图神经网络输出的AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量来确定AIS航迹与雷达航迹之间的关联。
可选地,基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联,包括:
根据所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取得分矩阵;
对所述得分矩阵进行迭代优化,获取传输任务矩阵;
在所述传输任务矩阵中,行的最大得分值与列的最大得分值处于同一位置的情况下,将行中最大得分值对应的AIS航迹与列中最大得分值对应的雷达航迹进行关联。
具体地,根据AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量,获取得分矩阵。
得分矩阵的表达式如下所示:
此时,已经将AIS和雷达的航迹关联问题转化为AIS航迹的分布特征与雷达航迹的分布特征之间的最优传输问题。
采用sinkhorn算法求解最优传输问题,通过反复迭代得到AIS航迹与雷达航迹之间最小的代价传输,得到每个簇级节点的最优关联关系,从而获取传输任务矩阵P。
传输任务矩阵代表AIS航迹与雷达航迹之间的优化关联,是从AIS航迹到雷达航迹的优化概率分布,传输任务矩阵P中的行代表AIS航迹,列代表雷达航迹。
在进行模型推断时,取传输任务矩阵P中的每一行(AIS簇级节点)的最大得分值所对应的列的索引为该条AIS航迹对应的雷达航迹,与此同时,取传输任务矩阵P中的每一列(雷达簇级节点)的最大得分值所对应的行的索引作为该条雷达航迹对应的AIS航迹。
在两次索引结果为同一位置的情况下,即:
式中,argmax()表示最大得分值索引,Pi,·表示传输任务矩阵P中的每一行,P.,j表示传输任务矩阵P中的每一列,M表示AIS簇级节点,N表示雷达簇级节点,j表示雷达簇级节点,i表示AIS簇级节点。
在两次索引结果为同一位置的情况,表明行中最大得分值对应的AIS航迹与列中最大得分值对应的雷达航迹是最优关联,将二者进行关联。在两次索引结果不在同一位置,表明行中最大得分值对应的AIS航迹与列中最大得分值对应的雷达航迹不是最优关联。
通过计算AIS簇级节点的高维分布特征向量与雷达簇级节点的高维分布特征向量的得分矩阵,对得分矩阵进行迭代优化,获取传输任务矩阵,在行的最大得分值与列的最大得分值处于同一位置的情况下,将行中最大得分值对应的AIS航迹与列中最大得分值对应的雷达航迹进行关联,提高了在目标密集场景下AIS和雷达的航迹关联的准确性。
在进行AIS航迹与雷达航迹关联时,存在虚假航迹周围无有效AIS信息与之匹配,以及没有安装AIS设备船只所形成的雷达航迹无法关联的情况,对于此种情况,需要对传输任务矩阵进行改变。
可选地,对所述得分矩阵进行迭代优化,获取传输任务矩阵,包括:
在雷达航迹数大于AIS航迹数的情况下,将迭代优化后的得分矩阵添加一行和一列后作为所述传输任务矩阵。
具体地,在虚假航迹周围无有效AIS信息与之匹配,以及没有安装AIS设备船只所形成的雷达航迹无法关联的情况,也就是在雷达航迹数大于AIS航迹数的情况下,需要使用dustbin算法去增加AIS航迹和雷达航迹的集合,也就是为得分矩阵添加一行和一列得到扩展的传输任务矩阵行值直接添加在得分矩阵的最后一行下面,列值直接添加在得分矩阵最后一列后面,进而可以容纳无法关联匹配的簇级节点的得分值。
在得分矩阵中添加的行和列的值为可训练参数z,添加行和列之后,扩展的得分矩阵的表达式如下所示:
式中,表示N*1维其值为1的扩展的传输任务矩阵,表示M*1维其值为1的扩展的传输任务矩阵的转置矩阵,fi A表示AIS簇级节点i的高维分布特征向量,表示雷达簇级节点j的高维分布特征向量,M表示AIS簇级节点,N表示雷达簇级节点。
在经过若干次迭代后,得到丢弃dustbins后的传输任务矩阵P,对于有效航迹节点的匹配,通过最小化传输代价损失来获得全局最优匹配。
损失函数的表达式如下所示:
式中,Loss表示损失函数的值,χ表示所有AIS簇级节点和所有雷达簇级节点的集合,Pi,j表示AIS簇级节点i与雷达簇级节点j之间的传输任务矩阵,M表示AIS簇级节点,N表示雷达簇级节点,表示AIS簇级节点i与雷达簇级节点N+1之间扩展的传输任务矩阵,表示AIS簇级节点M+1与雷达簇级节点j之间扩展的传输任务矩阵。
通过对得分矩阵添加一行和一列,从而容纳无法关联匹配的簇级节点,提高了航迹关联的兼容性。
本发明提供的AIS与雷达的航迹关联方法,通过将AIS和雷达的航迹关联问题转化为分布特征之间的最优传输问题,再根据分布特征之间的最优传输确定航迹关联,提高了在目标密集场景下AIS和雷达的航迹关联的准确性。
本发明提供的图神经网络和优化匹配是可导的,这就使得从匹配标签到航迹点特征向量之间可以进行反向传播。
本发明通过使用深度学习方法设计了一个端到端的可训练结构,将航迹时序特征转化为空间图结构特征,利于高维特征信息表达,避免了传统方法中严格而又耗费计算资源的时间对齐问题。通过点级别的多尺度特征提取,簇级别自-交叉注意力机制特征聚合,在全局图的空间分布特征下,可以对大范围区域内的多目标进行关联。
另外,将AIS航迹点与雷达航迹点之间关联问题转化为从AIS航迹簇到雷达航迹簇的最优传输问题,在全局最优匹配下,克服一些航迹点交叉和重叠而造成局部匹配错误情况。
图5是本发明实施例提供的AIS与雷达的航迹关联装置的结构示意图,如图5所示,本发明还提供一种AIS与雷达的航迹关联装置,包括:第一获取模块501、第二获取模块502和第三获取模块503,其中:
第一获取模块501用于分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;
第二获取模块502用于将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;
第三获取模块503用于基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
具体来说,本申请实施例提供的AIS与雷达的航迹关联装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图6是本发明实施例提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行AIS与雷达的航迹关联方法,该方法包括:分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的AIS与雷达的航迹关联方法,该方法包括:分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的AIS与雷达的航迹关联方法,该方法包括:分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本申请实施例中术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种自动识别***AIS与雷达的航迹关联方法,其特征在于,包括:
分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;
基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
2.根据权利要求1所述的AIS与雷达的航迹关联方法,其特征在于,所述局部特征提取模块包括局域聚合层、特征描述层和分组层;
其中,所述局域聚合层用于对航迹点进行不同尺度的局域聚合,获取所述航迹点的分布特征;
所述特征描述层用于对所述航迹点的分布特征进行编码,获取所述航迹点的高维特征向量;
所述分组层用于对所述航迹点的高维特征向量进行聚类和编码处理,获取簇级节点的高维特征向量。
3.根据权利要求2所述的AIS与雷达的航迹关联方法,其特征在于,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量,包括:
分别将所述AIS航迹点和所述雷达航迹点输入所述局部特征提取模块的局域聚合层,获取所述AIS航迹点的分布特征和所述雷达航迹点的分布特征;
分别将所述AIS航迹点的分布特征和所述雷达航迹点的分布特征输入所述局部特征提取模块的特征描述层,获取所述AIS航迹点的高维特征向量和所述雷达航迹点的高维特征向量;
分别将所述AIS航迹点的高维特征向量和所述雷达航迹点的高维特征向量输入所述局部特征提取模块的分组层,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量。
4.根据权利要求1所述的AIS与雷达的航迹关联方法,其特征在于,所述注意力机制图神经网络包括自注意力机制图神经网络模块和交叉注意力机制图神经网络模块;
所述自注意力机制图神经网络模块用于获取AIS簇级节点之间的注意力权重和雷达簇级节点之间的注意力权重;
所述交叉注意力机制图神经网络模块用于获取AIS簇级节点与雷达簇级节点之间的注意力权重。
5.根据权利要求4所述的AIS与雷达的航迹关联方法,其特征在于,将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量,包括:
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的自注意力机制图神经网络模块,获取AIS簇级节点之间的注意力权重、雷达簇级节点之间的注意力权重;
将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入所述注意力机制图神经网络的交叉注意力机制图神经网络模块,获取AIS簇级节点与雷达簇级节点之间的注意力权重;
利用所述注意力机制图神经网络对所述AIS簇级节点之间的注意力权重、所述AIS簇级节点与雷达簇级节点之间的注意力权重,以及所述AIS簇级节点的高维特征向量进行注意力机制聚合,获取AIS簇级节点的高维分布特征向量;
利用所述注意力机制图神经网络对所述雷达簇级节点之间的注意力权重、所述AIS簇级节点与雷达簇级节点之间的注意力权重,以及所述雷达簇级节点的高维特征向量进行注意力机制聚合,获取雷达簇级节点的高维分布特征向量。
6.根据权利要求1所述的AIS与雷达的航迹关联方法,其特征在于,基于所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联,包括:
根据所述AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取得分矩阵;
对所述得分矩阵进行迭代优化,获取传输任务矩阵;
在所述传输任务矩阵中,行的最大得分值与列的最大得分值处于同一位置的情况下,将行中最大得分值对应的AIS航迹与列中最大得分值对应的雷达航迹进行关联。
7.根据权利要求6所述的AIS与雷达的航迹关联方法,其特征在于,对所述得分矩阵进行迭代优化,获取传输任务矩阵,包括:
在雷达航迹数大于AIS航迹数的情况下,将迭代优化后的得分矩阵添加一行和一列后作为所述传输任务矩阵。
8.根据权利要求1所述的AIS与雷达的航迹关联方法,其特征在于,分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量之前,包括:
进行坐标转换,以使AIS航迹数据和雷达航迹数据在同一坐标系下。
9.一种AIS与雷达的航迹关联装置,其特征在于,包括:
第一获取模块,用于分别将AIS航迹点和雷达航迹点输入局部特征提取模块,获取AIS簇级节点的高维特征向量和雷达簇级节点的高维特征向量;
第二获取模块,用于将所述AIS簇级节点的高维特征向量和所述雷达簇级节点的高维特征向量输入注意力机制图神经网络,获取AIS簇级节点的高维分布特征向量和雷达簇级节点的高维分布特征向量;
第三获取模块,用于基于所AIS簇级节点的高维分布特征向量和所述雷达簇级节点的高维分布特征向量,获取AIS航迹与雷达航迹之间的关联。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中的任一项所述AIS与雷达的航迹关联方法。
11.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中的任一项所述AIS与雷达的航迹关联方法。
12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中的任一项所述AIS与雷达的航迹关联方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256070.8A CN114660561A (zh) | 2022-03-15 | 2022-03-15 | Ais与雷达的航迹关联方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256070.8A CN114660561A (zh) | 2022-03-15 | 2022-03-15 | Ais与雷达的航迹关联方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114660561A true CN114660561A (zh) | 2022-06-24 |
Family
ID=82029656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256070.8A Pending CN114660561A (zh) | 2022-03-15 | 2022-03-15 | Ais与雷达的航迹关联方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660561A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512221A (zh) * | 2022-09-22 | 2022-12-23 | 中国人民解放军海军航空大学 | 基于gnn的同步航迹鲁棒性关联方法 |
CN117129985A (zh) * | 2023-08-28 | 2023-11-28 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
-
2022
- 2022-03-15 CN CN202210256070.8A patent/CN114660561A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512221A (zh) * | 2022-09-22 | 2022-12-23 | 中国人民解放军海军航空大学 | 基于gnn的同步航迹鲁棒性关联方法 |
CN115512221B (zh) * | 2022-09-22 | 2024-02-27 | 中国人民解放军海军航空大学 | 基于gnn的同步航迹鲁棒性关联方法 |
CN117129985A (zh) * | 2023-08-28 | 2023-11-28 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
CN117129985B (zh) * | 2023-08-28 | 2024-03-26 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114660561A (zh) | Ais与雷达的航迹关联方法及装置 | |
CN110072183B (zh) | 基于群智感知的被动式定位指纹库构建方法 | |
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
US11574223B2 (en) | Method and apparatus for rapid discovery of satellite behavior | |
Feng et al. | Target tracking based on improved square root cubature particle filter via underwater wireless sensor networks | |
CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
Mehri et al. | A contextual hybrid model for vessel movement prediction | |
Kan et al. | Extreme learning machine terrain-based navigation for unmanned aerial vehicles | |
Yang et al. | Multi-target association algorithm of AIS-radar tracks using graph matching-based deep neural network | |
Wang et al. | Indoor tracking by rfid fusion with IMU data | |
CN104777469A (zh) | 一种基于量测误差协方差矩阵范数的雷达节点选择方法 | |
Huang et al. | Research on Real‐Time Anomaly Detection of Fishing Vessels in a Marine Edge Computing Environment | |
CN110749325B (zh) | 航迹规划方法和装置 | |
CN117671480A (zh) | 基于视觉大模型的滑坡自动识别方法、***和计算机设备 | |
Gao et al. | Terrain matching localization for underwater vehicle based on gradient fitting | |
Aghapour et al. | Outlier accommodation in moving‐horizon state estimation: A risk‐averse performance‐specified approach | |
CN113203424B (zh) | 多传感器的数据融合方法、装置及相关设备 | |
CN115147720A (zh) | 基于坐标注意力和长短距上下文的sar舰船检测方法 | |
US20230096901A1 (en) | Object tracking using spatial voting | |
CN115019204A (zh) | 一种知识图谱的战场目标识别方法、装置、设备及介质 | |
CN111833395B (zh) | 一种基于神经网络模型的测向体制单目标定位方法和装置 | |
Son | Smart tracking algorithm for multi‐static sonar based on expectation maximisation | |
CN113640760A (zh) | 基于空情数据的雷达发现概率评估方法及设备 | |
Hu et al. | A TDOA/AOA hybrid positioning based on improved sparrow search algorithm for mobile position estimation | |
Peng et al. | PL-Net: towards deep learning-based localization for underwater terrain |
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 |