RU2715798C1 - Extrapolated trajectory parameters of tracked object - Google Patents

Extrapolated trajectory parameters of tracked object Download PDF

Info

Publication number
RU2715798C1
RU2715798C1 RU2019108507A RU2019108507A RU2715798C1 RU 2715798 C1 RU2715798 C1 RU 2715798C1 RU 2019108507 A RU2019108507 A RU 2019108507A RU 2019108507 A RU2019108507 A RU 2019108507A RU 2715798 C1 RU2715798 C1 RU 2715798C1
Authority
RU
Russia
Prior art keywords
parameter
ann
values
training
radar
Prior art date
Application number
RU2019108507A
Other languages
Russian (ru)
Inventor
Сергей Назарович Лужных
Original Assignee
Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК")
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК") filed Critical Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК")
Priority to RU2019108507A priority Critical patent/RU2715798C1/en
Application granted granted Critical
Publication of RU2715798C1 publication Critical patent/RU2715798C1/en

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

FIELD: physics.
SUBSTANCE: invention relates to a method of extrapolating trajectory parameters of a tracked object. Method implemented by trajectory parameter extrapolation device made on the basis of artificial neural network (ANN), which forms training sampling at current survey of radar station (RLS), in which coefficients of ANN corresponding to this sampling are determined and performing the parameter extrapolation to the next view, is characterized in that the training sample is generated on the current radar map from the three radar values measured by the radar station, supplementing each of them with random parameter values obtained using the generator of additional random parameter values in the range of values, taking into account known errors of its measurement, wherein the parameter extrapolation to the next viewpoint is carried out by the last two measured values thereof with the help of an ANN, the coefficients of which are determined in accordance with the said training sample.
EFFECT: technical result consists in increase in the throughput capacity of the radar station.
1 cl, 1 dwg

Description

Заявляемое техническое решение относится к области радиолокации, в частности, к области сопровождения параметров траектории объекта с помощью обзорной радиолокационной станции (РЛС). Параметрами траектории объекта могут быть его координаты, скорость, пространственная ориентация и другие.The claimed technical solution relates to the field of radar, in particular, to the field of tracking the parameters of the trajectory of the object using the surveillance radar station. The parameters of the trajectory of an object can be its coordinates, speed, spatial orientation, and others.

Задача экстраполяции параметра траектории сопровождаемого объекта состоит в определении значения параметра в известный момент времени в точке, лежащей вне интервала наблюдения, по его значениям внутри этого интервала (Кузьмин С.З. Основы теории обработки радиолокационной информации. - М., 1974, стр. 229).The task of extrapolating the parameter of the trajectory of the tracked object is to determine the value of the parameter at a known point in time at a point lying outside the observation interval from its values inside this interval (Kuzmin S.Z. Fundamentals of the theory of processing radar information. - M., 1974, p. 229 )

Известным способом экстраполяции параметров траектории сопровождаемого объекта является способ, основанный на непосредственном расчете параметров траектории по данным выборочных значений координат в предположении, что объект движется по траектории известного вида, то есть параметр изменяется в соответствии с предполагаемым законом (Кузьмин С.З. Основы теории обработки радиолокационной информации. - М., 1974, стр. 229).A known method for extrapolating the parameters of the trajectory of the tracked object is a method based on the direct calculation of the parameters of the trajectory according to the selected coordinate values under the assumption that the object moves along a trajectory of a known type, that is, the parameter changes in accordance with the proposed law (Kuzmin S.Z. radar information. - M., 1974, p. 229).

Однако, предусмотреть вид функции, с помощью которой параметр траектории аппроксимируется в данный момент наилучшим образом, как правило, невозможно. На практике часто ограничиваются упрощенной моделью движения: линейной либо квадратичной.However, it is usually impossible to foresee the type of function with which the trajectory parameter is currently approximated in the best possible way. In practice, they are often limited to a simplified model of motion: linear or quadratic.

Если вид аппроксимирующей функции выбран неправильно, то возникают ошибки, тем

Figure 00000001
чем более отдаленной от реальной траектории является аппроксимирующая функция. Ошибки экстраполяции приводят к увеличению размеров стробов сопровождения, а значит к увеличению временных и энергетических затрат на сопровождение траектории объекта и в конечном счете - к уменьшению пропускной способности РЛС.If the type of the approximating function is chosen incorrectly, then errors occur,
Figure 00000001
the more distant from the real trajectory is the approximating function. Extrapolation errors lead to an increase in the size of tracking gates, which means an increase in time and energy costs for tracking the object’s trajectory and, ultimately, to a decrease in the radar throughput.

Таким образом, недостатком известного способа является необходимость достаточно точного предположения о законе изменения параметров траектории сопровождаемого объекта.Thus, the disadvantage of this method is the need for a fairly accurate assumption about the law of changing the parameters of the trajectory of the tracked object.

Наиболее близкий к заявляемому способ экстраполяции параметров траектории сопровождаемого объекта основан на аппарате искусственных нейронных сетей (ИНС), описанный, например, в работе «Разработка нейросетевого экстраполятора в системе вторичной обработки радиорелейной информации». Истратов А.Ю., Бобин А.В. (International scientific-practical conference «Innovative Information Technologies». Prague - 2013, April 22-26. Part 3 Innovative Information Technologies In Industry, p. 153-164 (Международная научно-практическая конференция «Инновационные информационные технологии», Прага, 2013, апрель 22-26. Часть 3, «Инновационные информационные технологии в промышленности», стр. 153-164)).Closest to the claimed method of extrapolating the parameters of the trajectory of the tracked object is based on an apparatus of artificial neural networks (ANN), described, for example, in the work "Development of a neural network extrapolator in a secondary radio-relay information processing system." Istratov A.Yu., Bobin A.V. (International scientific-practical conference "Innovative Information Technologies". Prague - 2013, April 22-26. Part 3 Innovative Information Technologies In Industry, p. 153-164 (International scientific-practical conference "Innovative Information Technologies", Prague, 2013, April 22-26. Part 3, “Innovative information technologies in industry”, pp. 153-164)).

При этом используется свойство ИНС обучаться, то есть изменять свои коэффициенты на основе полученных данных - обучающей выборки.In this case, the property of ANN is used to learn, that is, to change their coefficients on the basis of the received data - the training sample.

Наиболее близкий способ включает следующие действия на каждом обзоре над экстраполируемым параметром траектории сопровождаемого объекта: обнаружение объекта в стробе и измерение экстраполируемого параметра траектории объекта, формирование обучающей выборки и определение соответствующих этой обучающей выборке коэффициентов ИНС (обучение ИНС), экстраполяцию параметра на следующий обзор с помощью обученной ИНС, расчет размеров строба на следующий обзор.The closest method includes the following actions on each review over the extrapolated parameter of the trajectory of the tracked object: detecting the object in the strobe and measuring the extrapolated parameter of the trajectory of the object, generating a training sample and determining the ANN coefficients corresponding to this training sample (ANN training), extrapolating the parameter to the next review using trained ANN, calculating the size of the strobe for the next review.

При экстраполяции нескольких параметров траектории экстраполяция каждого параметра осуществляется независимо друг от друга.When extrapolating several parameters of the trajectory, the extrapolation of each parameter is carried out independently of each other.

Недостаток наиболее близкого способа состоит в следующем. Для надежного обучения ИНС требуется достаточно большое количество (нескольких десятков) измерений параметра на интервале наблюдения с не устаревшими (актуальными) значениями параметра. Интервал наблюдения с актуальными значениями параметра характеризуется тем, что при любом маневре объекта по этому параметру для обеспечения экстраполяции с ошибками, не превосходящими допустимые, все значения обучающей выборки, должны находиться в пределах этого интервала. Такие требования к обучающей выборке означают необходимость большого ее объема, который при сопровождении скоростных и маневрирующих объектов может быть получен только в РЛС с очень высоким темпом обращения к объекту (одно и более обращений в секунду). А поскольку в типичных обзорных РЛС темп обращения к объекту весьма небольшой (5-10 обращений в минуту), то обучающая выборка остается актуальной в пределах не более трех обращений к объекту, что для качественного обучения ИНС и экстраполяции параметра объекта с ее помощью наиболее близким способом недостаточно. В результате экстраполяция скоростных и маневрирующих объектов наиболее близким способом осуществляется с ошибками, превосходящими допустимые, что, как уже отмечалось, приводит к увеличению размеров стробов сопровождения, а значит к увеличению временных и энергетических затрат на сопровождение траекторий объектов и в конечном счете - к уменьшению пропускной способности РЛС.The disadvantage of the closest method is as follows. Reliable ANN training requires a sufficiently large number (several tens) of parameter measurements on the observation interval with not outdated (relevant) parameter values. The observation interval with the actual values of the parameter is characterized by the fact that for any maneuver of the object by this parameter to ensure extrapolation with errors not exceeding permissible, all values of the training sample should be within this interval. Such requirements for the training sample mean the need for its large volume, which, when accompanied by high-speed and maneuvering objects, can only be obtained in radars with a very high rate of access to the object (one or more calls per second). And since in typical survey radars the rate of access to the object is very small (5-10 calls per minute), the training sample remains relevant within no more than three calls to the object, which for high-quality training of the ANN and extrapolation of the object parameter using it in the closest way not enough. As a result, extrapolation of high-speed and maneuvering objects in the closest way is carried out with errors that exceed permissible, which, as already noted, leads to an increase in the size of tracking gates, and therefore to an increase in time and energy costs for tracking the trajectories of objects and, ultimately, to a reduction in throughput radar capabilities.

Таким образом, техническим результатом (решаемой технической проблемой) является увеличение пропускной способности РЛС вследствие уменьшения временных и энергетических затрат на сопровождение траекторий радиолокационных объектов за счет уменьшения ошибок экстраполяции параметров траектории при малом количестве их измерений.Thus, the technical result (the technical problem to be solved) is an increase in the radar capacity due to a decrease in the time and energy costs for tracking the trajectories of radar objects by reducing the extrapolation errors of the trajectory parameters with a small number of their measurements.

Технический результат достигается тем, что в способе экстраполяции параметров траектории сопровождаемого объекта с помощью устройства экстраполяции параметра траектории, выполненного на основе ИНС, формирующего на текущем обзоре РЛС обучающую выборку, определяют соответствующие этой выборке коэффициенты ИНС и осуществляют экстраполяцию параметра на следующий обзор, согласно изобретению, обучающую выборку формируют на текущем обзоре РЛС из трех последних измеренных с помощью РЛС значений экстраполируемого параметра, дополняя каждое из них случайными значениями параметра, полученными с помощью генератора дополнительных случайных значений параметра в интервале значений, учитывающих известные ошибки его измерения, при этом экстраполяцию параметра на следующий обзор осуществляют по двум последним измеренным его значениям с помощью ИНС, коэффициенты которой определены в соответствии с упомянутой обучающей выборкой.The technical result is achieved by the fact that in the method of extrapolating the trajectory parameters of the tracked object using the trajectory parameter extrapolation device based on the ANN, forming a training sample on the current radar survey, ANN coefficients corresponding to this sample are determined and the parameter is extrapolated to the next review, according to the invention, the training sample is formed on the current radar survey from the last three values of the extrapolated parameter measured by the radar, supplementing each e of them are random values of the parameter obtained using the generator of additional random values of the parameter in the range of values that take into account the known errors of its measurement, and the extrapolation of the parameter to the next review is carried out by the last two measured values of it using the ANN, the coefficients of which are determined in accordance with the aforementioned training sample.

Изобретение иллюстрируется чертежом, на котором приведена функциональная схема устройства экстраполяции параметра траектории.The invention is illustrated in the drawing, which shows a functional diagram of a device for extrapolating a path parameter.

Рассмотрим суть заявляемого технического решения.Consider the essence of the proposed technical solution.

В заявляемом техническом решении для экстраполяции параметра траектории применяется аппарат искусственных нейронных сетей (Татузов А.Л. Нейронные сети в задачах радиолокации. Кн. 28 - М.: Радиотехника, 2009. (Научная серия «Нейрокомпьютеры и их применение»)).In the claimed technical solution, the apparatus of artificial neural networks is used to extrapolate the trajectory parameter (A. Tatuzov. Neural networks in radiolocation problems. Kn. 28 - M .: Radio engineering, 2009. (Scientific series "Neurocomputers and their application")).

Как уже отмечалось, основная проблема в применении ИНС для экстраполяции параметров траектории скоростных маневрирующих объектов заключается в обучении ИНС по обучающей выборке, состоящей не более чем из трех значений экстраполируемого параметра. При обучающей выборке такого объема невозможно обеспечить качественное обучение ИНС, а следовательно, и осуществить экстраполяцию параметра траектории в пределах допустимой ошибки.As already noted, the main problem in using the ANN for extrapolating the parameters of the trajectory of high-speed maneuvering objects is to train the ANN in a training set consisting of no more than three values of the extrapolated parameter. With a training sample of such a volume, it is impossible to provide high-quality training of the ANN and, therefore, to extrapolate the trajectory parameter within the margin of permissible error.

ИНС считается обученной, если в результате обучения коэффициенты ИНС становятся такими, что при каждом новом значении параметра из обучающей выборки выходное значение параметра в пределах допустимой ошибки остается постоянным.An ANN is considered trained if, as a result of training, ANN coefficients become such that with each new parameter value from the training set, the parameter output value remains constant within the allowable error.

Методы обучения ИНС хорошо известны: Федосин С.А., Ладяев Д.А., Марьина О.А. Анализ и сравнение методов обучения нейронных сетей. Вестник мордовского университета, 2010, №4. Серия «Физико-математические науки»; Портал знаний об искусственном интеллекте neuronus.com 2013-2018. Обучение нейронных сетей: https://neuronus.com/theory/nn/238-obucheniya-nejronnoi-seti.html/.The methods of teaching ANNs are well known: Fedosin S.A., Ladyaev D.A., Maryina O.A. Analysis and comparison of training methods for neural networks. Bulletin of the Mordovian University, 2010, No. 4. Series "Physics and Mathematics"; The artificial intelligence knowledge portal neuronus.com 2013-2018. Neural network training: https://neuronus.com/theory/nn/238-obucheniya-nejronnoi-seti.html/.

В изобретении обучающая выборка, формируется из трех измеренных значений экстраполируемого параметра, каждое из которых дополнено случайными значениями этого параметра, сгенерированными в интервале значений, учитывающем известные ошибки его измерения. Количество дополнительных значений параметра определяется исходя из допустимых ошибок его экстраполяции. Как показывают исследования, обычно требуется не более нескольких десятков значений.In the invention, a training sample is formed from three measured values of the extrapolated parameter, each of which is supplemented by random values of this parameter generated in the range of values that take into account the known errors of its measurement. The number of additional parameter values is determined based on the permissible errors of its extrapolation. As studies show, usually no more than a few dozen values are required.

Используемая в изобретении возможность применения в обучающей выборке случайных сгенерированных значений экстраполируемого параметра следует из того, что измеренные значения параметра всегда случайны в интервале, определяемом ошибками его измерения, и поэтому сгенерированные указанным образом значения статистически не отличаются от измеренных.The possibility of using randomly generated values of the extrapolated parameter used in the training sample follows from the fact that the measured values of the parameter are always random in the interval determined by the errors of its measurement, and therefore the values generated in this way are not statistically different from the measured values.

Сформированная таким образом обучающая выборка позволяет провести полноценное обучение ИНС, а затем с использованием обученной таким образом ИНС по двум измеренным на обзоре значениям параметра осуществить его экстраполяцию на следующий обзор. Ошибка экстраполяции при этом не превосходит допустимую.The training sample formed in this way allows for full-fledged training of the ANN, and then using the ANN so trained for the two parameter values measured in the review, extrapolates it to the next review. The extrapolation error does not exceed the allowable one.

Таким образом достигается заявляемый технический результат.Thus, the claimed technical result is achieved.

Заявляемый способ может быть осуществлен с помощью приведенного на чертеже устройства, которое содержит сдвиговый регистр 1, переключатель обучение-экстраполяция 2, искусственную нейронную сеть 3, блок проверки условия обучения ИНС 4, ключ 5, блок расчета размеров строба 6, блок обнаружения объекта в стробе и измерения значения параметра 7, блок генерации дополнительных случайных значений параметра 8, при этом первый, второй и третий выходы сдвигового регистра 1 соединены с соответствующими входами переключателя обучение-экстраполяция 2, первый и второй выходы которого соединены с первым и вторым входами ИНС 3, третий выход переключателя 2 соединен с первым входом блока проверки условия обучения ИНС 4, выход ИНС 3 соединен со вторым входом блока проверки условия обучения ИНС 4 и первым входом ключа 5, первый выход блока проверки условия обучения ИНС 4 соединен с третьим входом ИНС 3, второй выход блока проверки условия обучения ИНС 4 соединен с пятым входом переключателя обучение-экстраполяция 2 и вторым входом ключа 5, выход ключа 5 соединен со входом блока расчета размеров строба 6, выход которого соединен со входом блока обнаружения объекта в стробе и измерения параметра 7, выход которого соединен с первым входом сдвигового регистра 1 и четвертым входом переключателя обучение-экстраполяция 2, входы блока генерации дополнительных случайных значений параметра 8, соединены с четвертым, пятым и шестым выходами сдвигового регистра 1, выходы блока 8 соединены со вторым, третьим и четвертым входами сдвигового регистра 1.The inventive method can be carried out using the device shown in the drawing, which contains a shift register 1, a learning-extrapolation switch 2, an artificial neural network 3, an ANN 4 learning condition verification unit, a key 5, a gate size calculation unit 6, an object detection unit in the strobe and measuring the value of parameter 7, the block generating additional random values of parameter 8, while the first, second and third outputs of the shift register 1 are connected to the corresponding inputs of the switch training-extrapolation 2, ne the second and second outputs of which are connected to the first and second inputs of the ANN 3, the third output of the switch 2 is connected to the first input of the ANS 4 learning condition test block, the output of the ANN 3 is connected to the second input of the ANN 4 learning condition test block and the first key input 5, the first output unit for testing the conditions for training ANN 4 is connected to the third input of ANN 3, the second output of the unit for checking the conditions for training ANN 4 is connected to the fifth input of the training-extrapolation switch 2 and the second input of key 5, the output of key 5 is connected to the input of the block size calculation block 6, the output of which is connected to the input of the unit for detecting the object in the strobe and measuring parameter 7, the output of which is connected to the first input of the shift register 1 and the fourth input of the training-extrapolation switch 2, the inputs of the block for generating additional random values of parameter 8 are connected to the fourth, fifth, and sixth outputs the shift register 1, the outputs of block 8 are connected to the second, third and fourth inputs of the shift register 1.

Устройство может быть выполнено с использованием следующих функциональных элементов.The device can be made using the following functional elements.

Сдвиговый регистр 1 - сдвиговый регистр последовательного входа с тремя многоразрядными ячейками (Интегральные микросхемы. Справочник под ред. Б В. Тарабрина. - М., Радио и связь, 1984).Shift register 1 - shift register of serial input with three multi-bit cells (Integrated circuits. Handbook edited by B. V. Tarabrina. - M., Radio and communications, 1984).

Искусственная нейронная сеть (ИНС) 3 - искусственная нейронная сеть с двумя входами (Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М., Горячая линия-Телеком, 2002).Artificial neural network (ANN) 3 - an artificial neural network with two inputs (Kruglov VV, Borisov VV Artificial neural networks. Theory and practice. - M., Hot line-Telecom, 2002).

Блок проверки условия обучения ИНС 4 - вычислитель, реализующий проверку выполнения условия |Xизм i-Хвых|≤EPS (Интегральные микросхемы. Справочник под ред. Б.В. Тарабрина. - М., Радио и связь, 1984.The unit for checking the conditions for training ANN 4 is a computer that implements verification of the fulfillment of the condition | X ISM i -X output | ≤EPS (Integrated circuits. Handbook edited by BV Tarabrin. - M., Radio and communications, 1984.

Ключ 5 - цифровой ключ (Интегральные микросхемы. Справочник под ред. Б.В. Тарабрина. - М., Радио и связь, 1984).Key 5 - a digital key (Integrated circuits. Handbook edited by BV Tarabrin. - M., Radio and communications, 1984).

Блок расчета размеров строба 6 - цифровой вычислитель, реализующий операции выбора размеров строба (Кузьмин С.З. Основы теории обработки радиолокационной информации. - М., 1974, стр. 237).Block size calculation strobe 6 - a digital computer that implements the operation of selecting the size of the strobe (Kuzmin SZ Fundamentals of the theory of processing radar information. - M., 1974, p. 237).

Блок обнаружения объекта в стробе и измерения значения параметра 7 - известные устройства, осуществляющие обнаружение объекта и измерение значения параметров объекта (Кузьмин С.З. Основы теории обработки радиолокационной информации. - М., 1974, стр. 323).The unit for detecting an object in the strobe and measuring the value of parameter 7 are known devices that detect the object and measure the value of the parameters of the object (Kuzmin S.Z. Fundamentals of the theory of processing radar information. - M., 1974, p. 323).

Блок генерации дополнительных случайных значений параметра 8 - цифровой блок осуществляющий генерацию случайной величины в заданном интервале значений (Зубчук В.И. и др. Справочник по цифровой схемотехнике. - К., 1990).The block for generating additional random values of parameter 8 is a digital block that generates a random variable in a given range of values (Zubchuk V.I. et al. Handbook of digital circuitry. - K., 1990).

Рассмотрим работу устройства, с помощью которого может быть осуществлен заявляемый способ.Consider the operation of the device with which the claimed method can be implemented.

Измеренное в блоке обнаружения объекта в стробе и измерения значения параметра 7 очередное значение Хизм i экстраполируемого параметра траектории поступает на первый вход сдвигового регистра 1 в третью ячейку, сдвигая ранее записанные в сдвиговом регистре 1 значения в следующие ячейки. Этот же сигнал в качестве управляющего поступает на четвертый вход переключателя обучение-экстраполяция 2 и устанавливает его в положение «обучение». В результате в сдвиговом регистре 1 оказываются три последних измеренных значения экстраполируемого параметра Хизм i-2, Хизм i-1 и Хизм i. Значения параметра с выходов 4, 5 и 6 сдвигового регистра 1 подаются на входы блока генерации дополнительных случайных значений параметра 8, где по этим значениям и с учетом известных ошибок измерения параметра определяются интервалы генерируемых дополнительных случайных значений параметра. В этих интервалах и генерируются указанные значения параметра. Сгенерированные таким образом случайные значения параметра с выходов блоков 8 поступают на второй, третий и четвертый входы сдвигового регистра 1 и дополняют соответствующие ячейки сдвигового регистра 1 необходимым количеством (несколько десятков) дополнительных значений параметра. Таким образом формируется обучающая выборка для ИНС 3.The next value X meas i of the extrapolated path parameter, measured in the block for detecting the object in the strobe and measuring the value of parameter 7, is fed to the first input of the shift register 1 in the third cell, shifting the values previously recorded in the shift register 1 to the following cells. The same signal as a control is fed to the fourth input of the training-extrapolation switch 2 and sets it to the "training" position. As a result, in the shift register 1 are the last three measured values of the extrapolated parameter X ISM i-2 , X ISM i-1 and X ISM i . The parameter values from the outputs 4, 5 and 6 of the shift register 1 are fed to the inputs of the block for generating additional random values of parameter 8, where the intervals of the generated additional random values of the parameter are determined from these values and taking into account known measurement errors of the parameter. In these intervals, the specified parameter values are generated. The random parameter values generated in this way from the outputs of blocks 8 go to the second, third, and fourth inputs of the shift register 1 and supplement the corresponding cells of the shift register 1 with the necessary number (several tens) of additional parameter values. Thus, a training sample for ANN 3 is formed.

Три указанных измеренных значения параметра (Хизм i-2, Хизм i-1 и Хизм i), дополненные сгенерированными случайными значениями, с первого, второго и третьего выходов сдвигового регистра 1 поступают на соответствующие входы переключателя обучение-экстраполяция 2. Поскольку переключатель обучение-экстраполяция 2 находится в положении «обучение», то значения параметра Хизм i-2, Хизм i-1 с первого и второго его выходов подаются соответственно на первый и второй входы ИНС 3, а значение Xизм i в качестве целевого значения параметра с третьего выхода переключателя 2 поступает на первый вход блока проверки условия обучения ИНС 4.Three indicated measured values of the parameter (X measurement i-2 , X measurement i-1 and X measurement i ), supplemented by the generated random values, from the first, second and third outputs of the shift register 1 go to the corresponding inputs of the training-extrapolation switch 2. Since the switch training-extrapolation 2 is in the "training" position, then the values of the parameter X ISM i-2 , X ISM i-1 from the first and second outputs of it are supplied respectively to the first and second inputs of ANN 3, and the value X ISM i as the target value parameter with third output switch 2 is supplied to a first input condition check unit 4 ANN training.

В ИНС 3 в соответствии со структурой ИНС в течение нескольких итераций, количество которых заранее неизвестно, осуществляется поиск коэффициентов ИНС 3 (обучение ИНС), при которых выходной сигнал ИНС 3 Хвых достигает целевого значения параметра Хизм i с ошибкой, не превышающей заданное допустимое значение EPS. Коррекция коэффициентов ИНС 3 проводится по команде, поступающей на третий вход ИНС 3 с первого выхода блока проверки условия обучения ИНС 4.In ANN 3, in accordance with the structure of ANN, for several iterations, the number of which is not known in advance, ANN 3 coefficients are searched (ANN training), at which the ANN output signal 3 Х out reaches the target value of the parameter X ISM with an error that does not exceed the specified permissible EPS value. Correction of ANN 3 coefficients is carried out according to the command received at the third input of ANN 3 from the first output of the unit for checking the conditions for training ANN 4.

В блоке проверки условия обучения ИНС 4 осуществляется сравнение поступающего с выхода ИНС 3 выходного сигнала Хвых с целевым значением параметра Хизм i. При этом, если |Хизм i-Хвых|>EPS, то есть условие обучения ИНС не выполняется, то с первого выхода блока проверки условия обучения ИНС 4 на третий вход ИНС 3 выдается команда на очередную коррекцию коэффициентов.In the unit for verifying the conditions for training ANN 4, a comparison is made of the output signal X output coming from the output of ANN 3 with the target value of the parameter X ISM i . Moreover, if | X is i -X output |> EPS, that is, the condition for training the ANN is not fulfilled, then from the first output of the unit for verifying the learning conditions of ANN 4, the command for the next correction of the coefficients is issued to the third input of ANN 3.

Если операция поиска коэффициентов ИНС 3 прошла успешно, то есть |Xизм i- Хвых|≤EPS, то считается, что ИНС 3 обучена, и она может использоваться для экстраполяции параметра на следующий обзор. В этом случае со второго выхода блока проверки условия обучения ИНС 4 на пятый вход переключателя обучение-экстраполяция 2 выдается команда, по которой переключатель 2 переводится в положение «экстраполяция», этим же сигналом открывается ключ 5. Сдвиговый регистр 1, в котором записаны значения параметра Xизм i-1 и Хизм i, вторым и третьим выходами подключается соответственно к первому и второму входам ИНС 3. В соответствии со структурой обученной ИНС 3 осуществляется экстраполяция параметра на следующий обзор. При экстраполяции дополнительно сгенерированные значения параметра, записанные в сдвиговом регистре 1 не используются. Экстраполированное значение параметра Хвых с выхода ИНС 3 через открытый ключ 5 поступает на вход блока расчета размеров строба 6, где с учетом известных по предыдущим обращениям к объекту ошибок экстраполяции рассчитываются размеры строба. По этим данным, переданным в блок обнаружения объекта в стробе и измерения значения параметра 7, осуществляется обнаружение объекта и измерение значения параметра, которое с выхода этого блока подается на первый вход сдвигового регистра 1, сдвигая записанные в нем значения в следующие ячейки. Этим же сигналом переключатель обучение-экстраполяция 2 переводится в положение «обучение». Далее работа устройства повторяется.If the operation of searching for ANN 3 coefficients was successful, that is, | X change i - X output | ≤EPS, then it is considered that ANN 3 is trained, and it can be used to extrapolate the parameter to the next review. In this case, a command is issued from the second output of the INS 4 learning condition checking unit 4 to the fifth input of the training-extrapolation switch 2, by which the switch 2 is switched to the “extrapolation” position, the key 5 is opened by the same signal. Shift register 1, in which the parameter values are written X ISM i-1 and X ISM i , the second and third outputs are connected respectively to the first and second inputs of ANN 3. In accordance with the structure of the trained ANN 3, the parameter is extrapolated to the next review. When extrapolating, the additionally generated parameter values recorded in shift register 1 are not used. The extrapolated value of the parameter X is O ANN output 3 through the open switch 5 is input to the gate size calculation unit 6, which based on the known previous treatment for the object extrapolation errors calculated strobe dimensions. According to these data, transmitted to the unit for detecting an object in the strobe and measuring the value of parameter 7, the object is detected and the value of the parameter is measured, which from the output of this block is supplied to the first input of the shift register 1, shifting the values recorded in it to the following cells. The same signal switches the training-extrapolation 2 switch to the "training" position. Further, the operation of the device is repeated.

Таким образом, в описанном устройстве обучающая выборка, сформированная из трех измеренных на обзоре значений Хизм i-2, Хизм i-1 и Хизм i экстраполируемого параметра, дополненных случайными его значениями, сгенерированными в блоках генерации дополнительных случайных значений параметра 8, позволяет осуществить экстраполяцию параметра траектории сопровождаемого объекта на следующий обзор с помощью искусственной нейронной сети с ошибками экстраполяции, не превосходящими допустимые. Таким образом достигается заявленный технический результат.Thus, in the described device, the training sample, formed from three values measured in the review, X ISM i-2 , X ISM i-1 and Khizm i of the extrapolated parameter, supplemented by its random values generated in the blocks for generating additional random values of parameter 8, allows extrapolation of the trajectory parameter of the tracked object to the next survey using an artificial neural network with extrapolation errors not exceeding the permissible ones. Thus, the claimed technical result is achieved.

Claims (1)

Способ экстраполяции параметров траектории сопровождаемого объекта с помощью устройства экстраполяции параметра траектории, выполненного на основе искусственной нейронной сети (ИНС), формирующего на текущем обзоре радиолокационной станции (РЛС) обучающую выборку, в котором определяют соответствующие этой выборке коэффициенты ИНС и осуществляют экстраполяцию параметра на следующий обзор, отличающийся тем, что обучающую выборку формируют на текущем обзоре РЛС из трех последних измеренных с помощью РЛС значений экстраполируемого параметра, дополняя каждое из них случайными значениями параметра, полученными с помощью генератора дополнительных случайных значений параметра в интервале значений, учитывающих известные ошибки его измерения, при этом экстраполяцию параметра на следующий обзор осуществляют по двум последним измеренным его значениям с помощью ИНС, коэффициенты которой определены в соответствии с упомянутой обучающей выборкой.The method of extrapolating the trajectory parameters of the tracked object using the trajectory parameter extrapolation device, made on the basis of an artificial neural network (ANN), which forms a training sample in the current radar station overview, in which ANN coefficients are determined and the parameter is extrapolated to the next review characterized in that the training sample is formed on the current radar survey from the last three values of the extrapolated pairs measured using the radar meters, supplementing each of them with random parameter values obtained using the generator of additional random parameter values in the range of values that take into account the known errors of its measurement, while extrapolating the parameter to the next review using its last two measured values using the ANN, the coefficients of which are determined in according to the mentioned training sample.
RU2019108507A 2019-03-25 2019-03-25 Extrapolated trajectory parameters of tracked object RU2715798C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2019108507A RU2715798C1 (en) 2019-03-25 2019-03-25 Extrapolated trajectory parameters of tracked object

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2019108507A RU2715798C1 (en) 2019-03-25 2019-03-25 Extrapolated trajectory parameters of tracked object

Publications (1)

Publication Number Publication Date
RU2715798C1 true RU2715798C1 (en) 2020-03-03

Family

ID=69768326

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019108507A RU2715798C1 (en) 2019-03-25 2019-03-25 Extrapolated trajectory parameters of tracked object

Country Status (1)

Country Link
RU (1) RU2715798C1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110066579A1 (en) * 2009-09-16 2011-03-17 Oki Electric Industry Co., Ltd. Neural network system for time series data prediction
US20110320386A1 (en) * 2010-06-29 2011-12-29 Rockwell Automation Technologies, Inc. Extrapolating empirical models for control, prediction, and optimization applications
RU2600099C1 (en) * 2015-03-23 2016-10-20 Юрий Анатольевич Кропотов Method of neural network forecasting of change of values of function with its complementary wavelet processing and device for its implementation
CN107748942A (en) * 2017-11-24 2018-03-02 清华大学 Radar Echo Extrapolation Forecasting Methodology and system based on velocity field sensing network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110066579A1 (en) * 2009-09-16 2011-03-17 Oki Electric Industry Co., Ltd. Neural network system for time series data prediction
US20110320386A1 (en) * 2010-06-29 2011-12-29 Rockwell Automation Technologies, Inc. Extrapolating empirical models for control, prediction, and optimization applications
RU2600099C1 (en) * 2015-03-23 2016-10-20 Юрий Анатольевич Кропотов Method of neural network forecasting of change of values of function with its complementary wavelet processing and device for its implementation
CN107748942A (en) * 2017-11-24 2018-03-02 清华大学 Radar Echo Extrapolation Forecasting Methodology and system based on velocity field sensing network

Similar Documents

Publication Publication Date Title
CN106204638A (en) A kind of based on dimension self-adaption with the method for tracking target of taking photo by plane blocking process
Wang et al. An adaptive UKF based SLAM method for unmanned underwater vehicle
CN111429482A (en) Target tracking method and device, computer equipment and storage medium
CN103941253B (en) A kind of sliding window detection & extraction method of search radar data and system thereof
CN104931906B (en) The transmission delay calibration method and system of the digital channel of integrated circuit test system
US9213100B1 (en) Bearing-only tracking for horizontal linear arrays with rapid, accurate initiation and a robust track accuracy threshold
CN106872958A (en) Radar target self-adapting detecting method based on linear fusion
US20230046671A1 (en) Method and device for eliminating non-line of sight errors of time of arrival measurement values, and terminal
CN113176529B (en) Magnetic gradiometer correction method, magnetic gradiometer correction device and storage medium
Jiang et al. Optimal path planning and sensor placement for mobile target detection
CN111830501B (en) HRRP history feature assisted signal fuzzy data association method and system
CN110161181A (en) The concentration of component recognition methods of mixed gas and system
Scarpetta et al. Analysis of TDR signals with convolutional neural networks
RU2715798C1 (en) Extrapolated trajectory parameters of tracked object
Khlamov et al. The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling
CN114449439A (en) Method and device for positioning underground pipe gallery space
Hamed et al. An application of K-Nearest Neighbor interpolation on calibrating corrosion measurements collected by two non-destructive techniques
RU2643623C1 (en) Device for modeling combinations of different types of moving objects
CN110850366B (en) Positioning method based on received signal strength under mixed line-of-sight and non-line-of-sight environment
CN106767773A (en) A kind of indoor earth magnetism reference map construction method and its device
Tsyganov et al. Adaptive eetimation of a moving object trajectory using sequential hypothesis testing
RU2730367C1 (en) Method of calibrating intelligent sensors
CN104330772A (en) Bi-station location method based on multidirection optimizing all tracking type UKF filtering algorithm
An et al. Statistical feature analysis and preprocessing assisted artificial neural network for cleaning multi-type concurrent anomalies in time series data
CN114777766B (en) Target positioning method and device based on magnetic field gradient tensor

Legal Events

Date Code Title Description
QA4A Patent open for licensing

Effective date: 20200625