CN116304966A - 基于多源数据融合的航迹关联方法 - Google Patents
基于多源数据融合的航迹关联方法 Download PDFInfo
- Publication number
- CN116304966A CN116304966A CN202211104062.8A CN202211104062A CN116304966A CN 116304966 A CN116304966 A CN 116304966A CN 202211104062 A CN202211104062 A CN 202211104062A CN 116304966 A CN116304966 A CN 116304966A
- Authority
- CN
- China
- Prior art keywords
- track
- aircraft
- layer
- network
- cnn
- 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 34
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 17
- 238000004088 simulation Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多源数据融合的航迹关联方法,主要解决现有技术在进行航迹关联时,不能有效利用多维域信息导致航迹关联性能较低的问题。该方法的实现步骤为:利用生成的飞机型号图像数据集训练构建的图像识别网络,对飞机型号图像进行识别得到目标型号特征向量,与采用卡尔曼滤波算法对飞机航迹数据处理得到的目标运动特征向量进行头尾拼接得到多源特征向量数据集;利用多源特征向量数据集训练构建的航迹关联网络;将待识别的航迹数据输入到航迹关联网络中,得到航迹关联结果。本发明可以处理多源量测数据,对飞机航迹数据的关联准确率高,可用于实时跟踪飞机目标。
Description
技术领域
本发明属于通信技术领域,更进一步涉及雷达通信技术领域中的一种基于多源信息融合的航迹关联方法。本发明可用于对飞机目标的航迹进行关联,进而实现对飞机目标的跟踪。
背景技术
在多传感器多目标跟踪问题中,由于观测环境复杂,环境杂波较多,飞机目标机动性强等原因,传感器观测到的量测信息可能会发生中断,同时不同的传感器会收到来自相同目标的大量量测信息,因此需要在大量的量测信息和目标之间建立一一对应关系,进而估计每个飞机目标的完整航迹。
北京遥感设备研究所在其申请的专利文献“一种基于全向搜索的航迹关联方法”(申请号CN201910623834.0,申请公布号CN 110320511 B)中公开了一种基于全向搜索的航迹关联方法。该方法的实现步骤包括:使用雷达获取航迹的运动特征数据的实测矩阵;每一个处理周期会由实测矩阵和预测矩阵计算得到滤波矩阵,每一个处理周期由上一个处理周期的滤波矩阵计算预测矩阵,初始滤波矩阵有前两个处理周期的实测结果计算得到;每一个处理周期判断实测矩阵是否在预测窗范围内,从而形成一个完整地稳定的航迹。该发明克服了***航迹混乱引起的关联质量下降的问题,但是,该航迹关联方法仍然存在的不足之处是,还是基于使用雷达所获取的单一运动特征数据,以目标位置为评判标准对航迹进行关联,无法利用多源异构数据,导致关联准确率不高。
西北工业大学在其所申请的专利文献“一种基于运动信息和属性信息的航迹关联方法”(申请号CN202010477946.2,申请公布号CN111854729A)中公开了一种基于运动信息和属性信息的航迹关联方法。该方法的实现步骤包括:多传感器采集多目标的运动信息和属性信息;计算基于目标运动信息的航迹关联度;加权融合目标运动信息和目标属性信息中的航迹关联度;根据计算得到的总关联度判断航迹是否关联。该方法将基于目标属性信息的航迹关联度作为权重修正基于目标运动信息的航迹关联度,对不同维域的信息进行了融合,进而提升目标航迹关联的准确度。但是,该航迹关联方法仍然存在的不足之处是,针对不同型号飞机目标,需要根据其不同的目标属性信息,对每个目标的属性信息与运动信息进行数据融合的权重重新进行设计,增加了航迹关联的复杂度,导致关联效率较低。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于多源数据融合的航迹关联方法,以解决现有普通方法无法利用多源异构数据,导致航迹关联的准确性较差的问题。以及现有特征融合方法中,需要根据不同目标对数据融合方式进行调整,导致航迹关联的效率不高问题。
实现本发明目的的技术思路是:将收集到的飞机可见光图像数据和飞机雷达航迹数据分两路并行处理,对雷达收集到的飞机航迹片段信息进行文本域上的数据处理,得到目标的运动特征向量;使用图像分类网络对可见光传感器收集到的可见光图像进行识别,对于不同的飞机型号,使用不同的特征向量进行表示。将图像域提取出的目标型号特征向量和文本域提取出运动特征向量进行拼接,就可以实现多源数据的特征融合。将不同飞机型号的多源特征向量作为训练数据送入神经网络中进行训练,得到用于航迹关联的神经网络模型,可使用这一模型对不同飞机目标进行航迹关联,不需要对数据融合的方式进行调整,从而提高关联效率。
实现本发明目的的具体步骤如下:
步骤1,生成飞机目标的航迹数据集:
利用交互式多模型算法,模拟飞机目标的运动轨迹,生成飞机目标的航迹数据集;
步骤2,生成飞机型号图像训练集和飞机型号图像测试集:
选取至少三类飞机型号图像,每一类型号的飞机图片数量不少于100张,使用不同的数字对飞机的不同类别进行标签表示,并将飞机型号图像数据集按照5:1的比例划分为飞机型号图像训练集和飞机型号图像测试集;
步骤3,构建CNN图像识别网络:
构建一个12层的CNN图像识别网络,其结构依次为:输入层,第一模块,第二模块,全连接层和输出层;所述输入层包括二维卷积层,最大池化层;所述第一模块包括两个串联的二维卷积层,最大池化层;所述第二模块包括三层串联的二维卷积层,最大池化层;所述输出层包含全连接层和Soft-max层;
设置各层参数如下:
将图像识别网络中的二维卷积层的卷积核个数均设置为64,卷积核大小均设置为3×3,最大池化层的池化核大小均设置为1×2,池化核的移动步长均设置为1×2;全连接层的输出维度设置为4096×1;
步骤4,训练CNN图像识别网络:
将飞机型号图像训练集输入到CNN图像识别网络中,利用批量梯度下降法对CNN图像识别网络的参数进行迭代更新,直至网络损失函数达到收敛时为止,得到训练好的CNN图像识别网络;
步骤5,获取运动信息的特征向量和目标型号特征向量:
步骤5.1,采用卡尔曼滤波算法,对飞机历史航迹数据进行状态预测和状态更新,以获得飞机的位置、速度和加速度特征;
步骤5.2,将飞机型号图像测试集输入到训练好的CNN图像识别网络中,输出目标型号特征向量;
步骤6,将运动信息特征向量和目标型号特征向量进行特征融合,生成多源特征训练集:
步骤6.1,采用模糊K-MEANS算法,对运动信息特征向量执行50次聚类,计算运动信息特征向量中元素到聚类中心的距离,判断每一次聚类结果中被划分为同一类别的运动信息特征向量与其所属目标类别的真实值是否相同,若是,判断该聚类对运动信息特征向量的所属目标类别进行正确划分;否则,为错误的划分结果;统计50次聚类中能正确判别该向量所属目标类别的次数a,根据各运动信息特征向量在多次聚类中被划分为同一所属类别的次数,设置门限值m为48;当a≥m时,判定该特征向量为已知所属目标的运动信息特征向量;当a<m时,判定该特征向量为未知所属目标的运动信息特征向量;
步骤6.2,将目标型号的特征向量和运动信息的特征向量头尾拼接,得到多源特征向量;将多源特征数据集中已知所属目标的所有特征向量组成多元特征训练集,将多源特征数据集中未知所属目标的所有特征向量组成多元特征测试集;
步骤7,构建CNN-LSTM航迹关联网络:
搭建一个由左支路和右支路级联的CNN-LSTM航迹关联网络;所述左支路是由一层卷积层和一层最大池化层串联的CNN模块,右支路是由长短期记忆层和Dropout层串联组成的LSTM模块;
设置CNN-LSTM航迹关联网络中的各层参数如下:
将左支路中卷积层的卷积核数目设置为64,卷积核的尺寸设置为5;将左支路中最大池化层的池化尺寸设置为2;将右支路中长短期记忆层的神经元个数设置为32;将右支路中Dropout层丢弃率设置为0.5;
步骤8,训练CNN-LSTM航迹关联网络:
将多元特征训练集分批量输入到CNN-LSTM航迹关联网络中,采用反向传播算法,对CNN-LSTM网络模型的参数进行迭代更新,直至网络损失函数收敛为止,得到训练好的CNN-LSTM航迹关联网络;所述批量的大小为128个数据;
步骤9,识别航迹数据:
步骤9.1,使用与步骤5、步骤6相同的方式,将待识别的航迹数据进行处理,得到关联所需的多源特征数据集;
步骤9.2,将多源特征数据集输入到训练好的CNN-LSTM航迹关联网络中,输出航迹数据的关联结果。
本发明与现有技术相比,具有以下优点:
第1,本发明将图像域处理得到的目标型号特征和文本域处理得到的目标运动特征进行拼接,进行图像域和文本域多源数据的融合,克服了传统算法不能有效利用多维域信息导致关联过程中飞机目标特征信息较少产生的关联准确率较低的缺陷,使得本发明成功实现了多源数据融合,提高了航迹关联处理过程中所能使用到信息的丰富程度,进一步提升航迹关联的准确性。
第2,本发明搭建用于航迹关联的神经网络模型,将不同飞机型号的多源特征向量作为训练数据送入神经网络中进行训练,可使用训练后模型对不同型号飞机目标进行航迹关联,克服了现有特征融合的关联算法需要根据不同型号飞机目标对数据融合方式进行调整而导致航迹关联效率不高的不足,使得本发明可以使用同一航迹关联网络模型,对不同的飞机型号直接进行处理,进一步提升了航迹关联的效率。
附图说明
图1为本发明的实现流程图;
图2为本发明中构建的CNN图像识别网络模型结构图;
图3为本发明中构建的并联CNN-LSTM网络模型结构图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细描述。
参照图1和实施例,对本发明的实现步骤作进一步详细描述。
步骤1,生成飞机航迹数据集。
本发明的实施例中***观测区域内的目标数量为50,其中匀速运动目标个数为20,匀加速运动目标个数为10,左转弯运动目标个数为10,右转弯运动目标个数为10,利用交互式多模型算法,模拟上述每个飞机目标的运动轨迹,生成每个目标的航迹数据信息。
步骤2,生成飞机型号图像数据集,划分飞机型号图像训练集和飞机型号图像测试集。
本发明的实施例中飞机型号图像数据集由三种型号的飞机组成,分别为战斗机歼-20,运输机运-20和直升机武直-10。每种不同型号的飞机各100张,三种型号的飞机图片共300张组成飞机型号图像数据集。用数字0,1,2分别作为歼-20、运-20、武直-10三种型号飞机的类别标签,并将飞机型号图像数据集按照5:1的比例划分为飞机型号图像训练集和飞机型号图像测试集。
步骤3,构建CNN图像识别网络。
参照图2,对本发明构建的CNN图像识别网络结构做进一步描述。
构建一个12层的CNN图像识别网络,其结构依次为:输入层,第一模块,第二模块,全连接层和输出层;所述输入层包括二维卷积层,最大池化层;所述第一模块包括两个串联的二维卷积层,最大池化层;所述第二模块包括三层串联的二维卷积层,最大池化层;所述输出层包含全连接层和Soft-max层。
设置各层参数如下:
将图像识别网络中的二维卷积层的卷积核个数均设置为64,卷积核大小均设置为3×3,最大池化层的池化核大小均设置为1×2,池化核的移动步长均设置为1×2。全连接层的输出维度设置为4096×1。
步骤4,使用飞机型号图像训练集训练CNN图像识别网络。
将飞机型号图像训练集输入到CNN图像识别网络中,设置批量大小batch_size为16,利用批量梯度下降法对网络参数进行迭代更新,直至网络损失函数达到收敛时为止,得到训练好的CNN图像识别网络。
步骤5,获取运动信息的特征向量和目标型号特征向量。
步骤5.1采用卡尔曼滤波算法,获取运动信息的特征向量算法步骤如下:
第一步,根据飞机历史时刻的估计值,对飞机在当前时刻的航迹进行状态预测,按照下式,计算飞机在当前的每个时刻航迹误差协方差预测值如下:
其中,为根据飞机第k-1个时刻的航迹状态估计值计算的飞机在第k个时刻的航迹状态预测值,Pk|k-1为根据飞机第k-1个时刻的航迹误差协方差估计值计算的飞机在第k个时刻航迹误差协方差预测值,Fk-1为第k-1个时刻飞机的状态转移矩阵,Qk为***过程中产生的噪声,/>为飞机在第k-1个时刻的航迹状态估计值,Pk-1为飞机在第k-1个时刻航迹误差协方差估计值,上角标T表示转置操作;
第二步,根据飞机当前时刻的航迹状态预测值以及已知的飞机航迹的雷达量测值,计算飞机当前时刻航迹状态估计值和航迹误差协方差估计值:
Pk=[I-GkHk]Pk|k-1
其中,为飞机在第k个时刻航迹状态估计值,/>该估计值包含6个特征,xk,yk分别为飞机在x轴和y轴方向上的位置特征,/>分别为飞机在x轴和y轴方向上的速度特征,/>分别为飞机在x轴和y轴方向上的加速度特征,/>为运动信息的6维特征向量,Pk为飞机在第k个时刻航迹误差协方差估计值,Hk为飞机航迹的观测矩阵,Rk为噪声协方差矩阵,Zk为飞机在第k个时刻航迹的雷达量测值,I为六维的单位矩阵,Gk为卡尔曼增益矩阵。
步骤5.2,将飞机型号测试集输入到训练好的CNN图像识别网络,输出1维的目标型号特征向量。
步骤6,将运动信息特征向量和目标型号特征向量进行特征融合,生成多源特征训练集和多源特征测试集。
采用模糊K-MEANS算法,对运动信息特征向量执行50次聚类,计算运动信息特征向量中元素到聚类中心的距离,距离同一聚类中心较近的运动信息特征向量的所属目标类别相同。
通过观察距离同一聚类中心较近的运动信息特征向量在其生成时所属目标类别是否相同,判断每一次聚类能否正确对运动信息特征向量的所属目标类别进行划分;统计50次聚类中能正确判别该向量所属目标类别的次数,记为a,设置门限值m为48;当a≥m时,判定该特征向量为已知所属目标的运动信息特征向量;当a<m时,判定该特征向量为未知所属目标的运动信息特征向量。
将目标型号的特征向量和运动信息的特征向量头尾拼接,得到多源特征向量。本发明实施例中将目标型号的1维特征向量拼接至运动信息提取出的6维特征向量之后,得到新的7维特征向量。
将多源特征数据集中已知所属目标的所有特征向量组成多元特征训练集,将多源特征数据集中未知所属目标的所有特征向量组成多元特征测试集。
步骤7,构建CNN-LSTM航迹关联网络。
参照图3,对构建的CNN-LSTM航迹关联网络结构做进一步的描述。
搭建一个由左支路和右支路级联的CNN-LSTM航迹关联网络。所述左支路是由一层卷积层和一层最大池化层串联的CNN模块,右支路是由长短期记忆层和Dropout层串联组成的LSTM模块。
设置CNN-LSTM航迹关联网络中的各层参数如下:
将左支路中卷积层的卷积核数目设置为64,卷积核的尺寸设置为5。该卷积层用于提取航迹的变化特征,例如,因目标速度加速度改变而造成的航迹变化。
将左支路中最大池化层的池化尺寸设置为2。该最大池化层用于对卷积层提取到的特征图进行采样,使数据降维,进而加快网络收敛速度。
将右支路中长短期记忆层的神经元个数设置为32。该长短期记忆层用于提取航迹的时序变化特征,例如,因时间改变而造成的航迹变化。
将右支路中Dropout层丢弃率设置为0.5。该Dropout层用于防止网络在训练过程中出现过拟合。
步骤8,使用多源特征训练集训练CNN-LSTM航迹关联网络。
设置数据批量大小为128,将多元特征训练集分批量输入到CNN-LSTM航迹关联网络,采用反向传播算法,对CNN-LSTM网络模型的参数进行迭代更新,直至网络损失函数收敛为止,得到训练好的CNN-LSTM航迹关联网络。
步骤9,获得航迹关联结果。
将多元特征测试集输入到训练好的CNN-LSTM航迹关联网络中,输出航迹特征向量的所属目标类别,即为关联结果。
下面结合仿真实验对本发明的效果做进一步说明
1.本发明的仿真条件:
本发明的仿真实验的硬件平台为:处理器为Intel i7 10400k CPU,主频为3.9GHz,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作***,基于python 3.6的Keras框架和Matlab R2019b。
本发明仿真实验所使用的输入目标航迹为利用软件Matlab R2019b,在下述条件下生成的。
设置***仿真时间T为100s,***生成频率fs设为1,***观测区域内的群目标数量为50,其中匀速运动目标个数为20,匀加速运动目标个数为10,左转弯运动目标个数为10,右转弯运动目标个数为10,运用运动方程得到50个目标的仿真轨迹。
2.仿真内容与结果分析:
本发明仿真实验是采用本发明和两个最经典的现有技术(K-MEANS方法和模糊K-MEANS方法)分别对输入的目标航迹进行关联,每种关联方式得到50个航迹的分类结果。
为了对本发明的实验结果进行评价,利用下述的评价指标(关联正确率)的公式,对每种关联方式分别得到的50个航迹的分类结果,分别计算每种分类结果的关联正确率:
将三种方法仿真结果的所有的关联正确率绘制成表1如下:
表1.仿真实验中三种方法关联正确率一览表
模糊K-MEANS | K-MEANS | 本发明 |
95.12% | 72.42% | 98.31% |
结合表1可以看出,本发明的关联正确率为98.31%,高于现有的两种方法,证明本发明可以得到更高的关联准确率。
以上仿真实验表明:本发明将图像域处理得到的目标型号特征和文本域处理得到的目标运动特征进行拼接,进行图像域和文本域多源数据的融合,克服了传统算法不能有效利用多维域信息导致关联过程中飞机目标特征信息较少产生的关联准确率较低的缺陷。搭建用于航迹关联的神经网络模型,将不同飞机型号的多源特征向量作为训练数据送入神经网络中进行训练,可使用训练后模型对不同型号飞机目标进行航迹关联,克服了现有特征融合的关联算法需要根据不同型号飞机目标对数据融合方式进行调整而导致航迹关联效率不高的不足,使得本发明可以使用同一航迹关联网络模型,对不同的飞机型号直接进行处理,进一步提升了航迹关联效率和准确率,是一种高效的飞机航迹关联算法。
Claims (3)
1.一种基于多源数据融合的航迹关联方法,其特征在于,利用飞机目标航迹特征组成的运动信息特征向量与识别飞机可见光图像获取到的目标型号特征向量进行多源特征融合,利用多源特征融合后的数据对构建的CNN-LSTM航迹关联网络进行训练;该方法的步骤包括如下:
步骤1,生成飞机目标的航迹数据集:
利用交互式多模型算法,模拟飞机目标的运动轨迹,生成飞机目标的航迹数据集;
步骤2,生成飞机型号图像训练集和飞机型号图像测试集:
选取至少三类飞机型号图像,每一类型号的飞机图片数量不少于100张,使用不同的数字对飞机的不同类别进行标签表示,并将飞机型号图像数据集按照5:1的比例划分为飞机型号图像训练集和飞机型号图像测试集;
步骤3,构建CNN图像识别网络:
构建一个12层的CNN图像识别网络,其结构依次为:输入层,第一模块,第二模块,全连接层和输出层;所述输入层包括二维卷积层,最大池化层;所述第一模块包括两个串联的二维卷积层,最大池化层;所述第二模块包括三层串联的二维卷积层,最大池化层;所述输出层包含全连接层和Soft-max层;
设置各层参数如下:
将图像识别网络中的二维卷积层的卷积核个数均设置为64,卷积核大小均设置为3×3,最大池化层的池化核大小均设置为1×2,池化核的移动步长均设置为1×2;全连接层的输出维度设置为4096×1;
步骤4,训练CNN图像识别网络:
将飞机型号图像训练集输入到CNN图像识别网络中,利用批量梯度下降法对CNN图像识别网络的参数进行迭代更新,直至网络损失函数达到收敛时为止,得到训练好的CNN图像识别网络;
步骤5,获取运动信息的特征向量和目标型号特征向量:
步骤5.1,采用卡尔曼滤波算法,对飞机历史航迹数据进行状态预测和状态更新,以获得飞机的位置、速度和加速度特征;
步骤5.2,将飞机型号图像测试集输入到训练好的CNN图像识别网络中,输出目标型号特征向量;
步骤6,将运动信息特征向量和目标型号特征向量进行特征融合,生成多源特征训练集:
步骤6.1,采用模糊K-MEANS算法,对运动信息特征向量执行50次聚类,计算运动信息特征向量中元素到聚类中心的距离,判断每一次聚类结果中被划分为同一类别的运动信息特征向量与其所属目标类别的真实值是否相同,若是,判断该聚类对运动信息特征向量的所属目标类别进行正确划分;否则,为错误的划分结果;统计50次聚类中能正确判别该向量所属目标类别的次数a,根据各运动信息特征向量在多次聚类中被划分为同一所属类别的次数,设置门限值m为48;当a≥m时,判定该特征向量为已知所属目标的运动信息特征向量;当a<m时,判定该特征向量为未知所属目标的运动信息特征向量;
步骤6.2,将目标型号的特征向量和运动信息的特征向量头尾拼接,得到多源特征向量;将多源特征数据集中已知所属目标的所有特征向量组成多元特征训练集,将多源特征数据集中未知所属目标的所有特征向量组成多元特征测试集;
步骤7,构建CNN-LSTM航迹关联网络:
搭建一个由左支路和右支路级联的CNN-LSTM航迹关联网络;所述左支路是由一层卷积层和一层最大池化层串联的CNN模块,右支路是由长短期记忆层和Dropout层串联组成的LSTM模块;
设置CNN-LSTM航迹关联网络中的各层参数如下:
将左支路中卷积层的卷积核数目设置为64,卷积核的尺寸设置为5;将左支路中最大池化层的池化尺寸设置为2;将右支路中长短期记忆层的神经元个数设置为32;将右支路中Dropout层丢弃率设置为0.5;
步骤8,训练CNN-LSTM航迹关联网络:
将多元特征训练集分批量输入到CNN-LSTM航迹关联网络中,采用反向传播算法,对CNN-LSTM网络模型的参数进行迭代更新,直至网络损失函数收敛为止,得到训练好的CNN-LSTM航迹关联网络;所述批量的大小为128个数据;
步骤9,识别航迹数据:
步骤9.1,使用与步骤5、步骤6相同的方式,将待识别的航迹数据进行处理,得到关联所需的多源特征数据集;
步骤9.2,将多源特征数据集输入到训练好的CNN-LSTM航迹关联网络中,输出航迹数据的关联结果。
2.根据权利要求1所述基于多源数据融合的航迹关联方法,其特征在于,步骤5.1中所述卡尔曼滤波算法的步骤如下:
第一步,根据飞机历史时刻的估计值,对飞机在当前时刻的航迹进行状态预测,按照下式,计算飞机在当前的每个时刻航迹误差协方差预测值如下:
其中,为根据飞机第k-1个时刻的航迹状态估计值计算的飞机在第k个时刻的航迹状态预测值,Pk|k-1为根据飞机第k-1个时刻的航迹误差协方差估计值计算的飞机在第k个时刻航迹误差协方差预测值,Fk-1为第k-1个时刻飞机的状态转移矩阵,Qk为***过程中产生的噪声,/>为飞机在第k-1个时刻的航迹状态估计值,Pk-1为飞机在第k-1个时刻航迹误差协方差估计值,上角标T表示转置操作;
第二步,根据飞机当前时刻的航迹状态预测值以及已知的飞机航迹的雷达量测值,计算飞机当前时刻航迹状态估计值和航迹误差协方差估计值:
Pk=[I-GkHk]Pk|k-1
3.根据权利要求1所述基于多源数据融合的航迹关联方法,其特征在于,步骤5.2中所述目标型号特征向量指的是,将飞机型号测试集输入到训练好的CNN图像识别网络,输出1维的目标型号特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211104062.8A CN116304966A (zh) | 2022-09-09 | 2022-09-09 | 基于多源数据融合的航迹关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211104062.8A CN116304966A (zh) | 2022-09-09 | 2022-09-09 | 基于多源数据融合的航迹关联方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304966A true CN116304966A (zh) | 2023-06-23 |
Family
ID=86817342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211104062.8A Pending CN116304966A (zh) | 2022-09-09 | 2022-09-09 | 基于多源数据融合的航迹关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304966A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738216A (zh) * | 2023-08-15 | 2023-09-12 | 湖南警察学院 | 预警大数据的关联处理方法和装置 |
-
2022
- 2022-09-09 CN CN202211104062.8A patent/CN116304966A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738216A (zh) * | 2023-08-15 | 2023-09-12 | 湖南警察学院 | 预警大数据的关联处理方法和装置 |
CN116738216B (zh) * | 2023-08-15 | 2023-12-26 | 湖南警察学院 | 预警大数据的关联处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN108846426B (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN107766668B (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN114111764B (zh) | 一种导航知识图谱构建及推理应用方法 | |
CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及*** | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN113050797A (zh) | 一种通过毫米波雷达实现手势识别的方法 | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN114781512B (zh) | 基于多源异构数据融合的电磁目标航迹拟合方法 | |
CN113064489A (zh) | 一种基于L1-Norm的毫米波雷达手势识别方法 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN111368653A (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors |
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 |