CN108984974A - 卷积自编码器的设计方法和系统 - Google Patents
卷积自编码器的设计方法和系统 Download PDFInfo
- Publication number
- CN108984974A CN108984974A CN201810979456.5A CN201810979456A CN108984974A CN 108984974 A CN108984974 A CN 108984974A CN 201810979456 A CN201810979456 A CN 201810979456A CN 108984974 A CN108984974 A CN 108984974A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- acceleration
- filtering
- volume point
- value
- 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 43
- 238000013461 design Methods 0.000 title claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 171
- 238000001914 filtration Methods 0.000 claims abstract description 76
- 238000012937 correction Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000001902 propagating effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000005648 markovian process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了卷积自编码器的设计方法和系统,包括:获取目标信号,通过巴拿赫滤波算法进行滤波处理,得到统计距离;获取目标的当前加速度、目标加速度的正负极限,得到修正系数的取值区间;将统计距离、目标的当前加速度和修正系数通过模糊规则和模糊推理,得到模糊输出集合;对模糊输出集合进行去模糊化,得到修正系数精确值;根据修正系数精确值对目标加速度的正负极限进行修正,得到修正的目标加速度的正负极限;根据修正的目标加速度的正负极限,得到噪声方差值;确定容积点,对滤波进行时间更新和测量更新,以及对统计距离进行更新,直至噪声方差最小时,滤波结束,从而实时调整加速度极限值,使卷积自编码器具有较好的跟踪效果。
Description
技术领域
本发明涉及卷积自编码器技术领域,尤其是涉及卷积自编码器的设计方法和系统。
背景技术
不同于需要通过向外发射电磁波并接收反射回来的信号以实现侦查功能的有源探测技术,卷积自编码器在探测过程中只需从外界目标接收信号而不用自身向外发射电磁波,这极大增强其隐蔽探测的效果并且也可以更好的抵御外部的信号干扰作用。将SLAM算法引入到卷积自编码器的设计中,可以提高卷积自编码器的运行速度,但当被跟踪的目标突发强机动变化时,标准SLAM算法由于取值固定,无法快速响应,导致跟踪效果变差。
发明内容
有鉴于此,本发明的目的在于提供卷积自编码器的设计方法和系统,从而实时调整加速度极限值,使卷积自编码器具有较好的跟踪效果。
第一方面,本发明实施例提供了一种卷积自编码器的设计方法,所述方法包括:
获取目标信号,将所述目标信号通过巴拿赫滤波算法进行滤波处理,得到统计距离;
获取目标的当前加速度、目标加速度的正极限和目标加速度的负极限;
根据所述目标的当前加速度、所述目标加速度的正极限和所述目标加速度的负极限,得到修正系数的取值区间;
将所述统计距离、所述目标的当前加速度和所述修正系数通过模糊规则和模糊推理,得到模糊输出集合;
对所述模糊输出集合进行去模糊化,得到修正系数精确值;
根据所述修正系数精确值对所述目标加速度的正极限和所述目标加速度的负极限进行修正,得到修正的目标加速度的正极限和修正的目标加速度的负极限;
根据所述修正的目标加速度的正极限和所述修正的目标加速度的负极限,得到噪声方差值;
确定容积点,对所述滤波进行时间更新和测量更新,以及对所述统计距离进行更新,直至所述噪声方差值最小时,滤波结束。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述将所述统计距离、所述目标的当前加速度和所述修正系数通过模糊规则和模糊推理,得到模糊输出集合,包括:
获取所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集;
将所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,得到所述模糊输出集合。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述对所述模糊输出集合进行去模糊化,得到精确值,包括:
从所述模糊输出集合中选取元素,并获取所述元素的隶属度;
根据所述元素和所述元素的所述隶属度,得到所述元素的精确值。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述容积点包括第一容积点,所述确定容积点,对所述滤波进行时间更新和测量更新,包括:
根据所述第一容积点确定传播后的第一容积点;
根据所述传播后的第一容积点估计滤波的状态预测值;
根据所述滤波的状态预测值计算滤波的状态预测误差协方差。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述容积点包括第二容积点,所述确定容积点,对所述滤波进行时间更新和测量更新,还包括:
根据所述第二容积点确定传播后的第二容积点;
根据所述传播后的第二容积点估计滤波的量测预测值;
根据所述滤波的量测预测值计算新息协方差矩阵和互协方差矩阵;
根据所述新息协方差矩阵和所述互协方差矩阵计算巴拿赫增益;
根据所述巴拿赫增益计算滤波的状态更新值;
根据所述巴拿赫增益和所述新息协方差矩阵计算状态协方差更新值。
第二方面,本发明实施例还提供卷积自编码器的设计系统,所述系统包括:
滤波单元,用于获取目标信号,将所述目标信号通过巴拿赫滤波算法进行滤波处理,得到统计距离;
加速度获取单元,用于获取目标的当前加速度、目标加速度的正极限和目标加速度的负极限;
修正系数获取单元,用于根据所述目标的当前加速度、所述目标加速度的正极限和所述目标加速度的负极限,得到修正系数的取值区间;
模糊处理单元,用于将所述统计距离、所述目标的当前加速度和所述修正系数通过模糊规则和模糊推理,得到模糊输出集合;
去模糊化单元,用于对所述模糊输出集合进行去模糊化,得到修正系数精确值;
修正单元,用于根据所述修正系数精确值对所述目标加速度的正极限和所述目标加速度的负极限进行修正,得到修正的目标加速度的正极限和修正的目标加速度的负极限;
噪声方差值获取单元,用于根据所述修正的目标加速度的正极限和所述修正的目标加速度的负极限,得到噪声方差值;
更新单元,用于确定容积点,对所述滤波进行时间更新和测量更新,以及对所述统计距离进行更新,直至所述噪声方差值最小时,滤波结束。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述模糊处理单元包括:
获取所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集;
将所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,得到所述模糊输出集合。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述去模糊化单元包括:
从所述模糊输出集合中选取元素,并获取所述元素的隶属度;
根据所述元素和所述元素的所述隶属度,得到所述元素的精确值。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述容积点包括第一容积点,所述更新单元包括:
根据所述第一容积点确定传播后的第一容积点;
根据所述传播后的第一容积点估计滤波的状态预测值;
根据所述滤波的状态预测值计算滤波的状态预测误差协方差。
结合第二方面,本发明实施例提供了第二方面的第四种可能的实施方式,其中,所述容积点包括第二容积点,所述更新单元还包括:
根据所述第二容积点确定传播后的第二容积点;
根据所述传播后的第二容积点估计滤波的量测预测值;
根据所述滤波的量测预测值计算新息协方差矩阵和互协方差矩阵;
根据所述新息协方差矩阵和所述互协方差矩阵计算巴拿赫增益;
根据所述巴拿赫增益计算滤波的状态更新值;
根据所述巴拿赫增益和所述新息协方差矩阵计算状态协方差更新值。
本发明实施例提供了卷积自编码器的设计方法和系统,包括:获取目标信号,通过巴拿赫滤波算法进行滤波处理,得到统计距离;获取目标的当前加速度、目标加速度的正负极限,得到修正系数的取值区间;将统计距离、目标的当前加速度和修正系数通过模糊规则和模糊推理,得到模糊输出集合;对模糊输出集合进行去模糊化,得到修正系数精确值;根据修正系数精确值对目标加速度的正负极限进行修正,得到修正的目标加速度的正负极限;根据修正的目标加速度的正负极限,得到噪声方差值;确定容积点,对滤波进行时间更新和测量更新,以及对统计距离进行更新,直至噪声方差最小时,滤波结束,从而实时调整加速度极限值,使卷积自编码器具有较好的跟踪效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例一提供的卷积自编码器的设计方法流程图;
图2为本发明实施例一提供的卷积自编码器的设计方法中步骤S104的流程图;
图3为本发明实施例一提供的卷积自编码器的设计方法中统计距离隶属函数曲线图;
图4为本发明实施例一提供的卷积自编码器的设计方法中当前加速度隶属函数曲线图;
图5为本发明实施例一提供的卷积自编码器的设计方法中修正系数隶属函数曲线图;
图6为本发明实施例一提供的卷积自编码器的设计方法中步骤S105的流程图;
图7为本发明实施例一提供的卷积自编码器的设计方法中步骤S108中第一容积点的流程图;
图8为本发明实施例一提供的卷积自编码器的设计方法中步骤S108中第二容积点的流程图;
图9为本发明实施例一提供的卷积自编码器的设计方法中卷积自编码器算法流程图;
图10为本发明实施例二提供的X方向加速度对比示意图;
图11为本发明实施例二提供的Y方向加速度对比示意图;
图12为本发明实施例二提供的X方向速度均方根误差对比示意图;
图13为本发明实施例二提供的Y方向速度均方根误差对比示意图;
图14为本发明实施例二提供的X方向位置均方根误差对比示意图;
图15为本发明实施例二提供的Y方向位置均方根误差对比示意图;
图16为本发明实施例三提供的卷积自编码器的设计系统示意图。
图标:
10-滤波单元;20-加速度获取单元;30-修正系数获取单元;40-模糊处理单元;50-去模糊化单元;60-修正单元;70-噪声方差值获取单元;80-更新单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1为本发明实施例一提供的卷积自编码器的设计方法流程图。
参照图1,该方法包括以下步骤:
步骤S101,获取目标信号,将目标信号通过巴拿赫滤波算法进行滤波处理,得到统计距离;
步骤S102,获取目标的当前加速度、目标加速度的正极限和目标加速度的负极限;
步骤S103,根据目标的当前加速度、目标加速度的正极限和目标加速度的负极限,得到修正系数的取值区间;
步骤S104,将统计距离、目标的当前加速度和修正系数通过模糊规则和模糊推理,得到模糊输出集合;
步骤S105,对模糊输出集合进行去模糊化,得到修正系数精确值;
步骤S106,根据修正系数精确值对目标加速度的正极限和目标加速度的负极限进行修正,得到修正的目标加速度的正极限和修正的目标加速度的负极限;
步骤S107,根据修正的目标加速度的正极限和修正的目标加速度的负极限,得到噪声方差值;
步骤S108,确定容积点,对滤波进行时间更新和测量更新,以及对统计距离进行更新,直至噪声方差值最小时,滤波结束。
在本实施例中,步骤S101中的统计距离可通过公式(1)获取。
根据公式(1)计算统计距离:
其中,dk为统计距离,γk为滤波残差,Gk为滤波方差。
进一步的,在步骤S101中,根据公式(2)进行滤波初始化处理:
S0|0=chol{P0|0} (2)
其中,P0|0为误差协方差,X0|0为状态初始值,S0|0为误差协方差的平方根,chol为Cholesky平方根法。
在本实施例中,步骤S102中的当前加速度可通过目标加速度的正极限和目标加速度的负极限获取。
为取得较好的跟踪效果,对SLAM算法进行改进,根据公式(3)计算当前加速度:
其中,为目标的当前加速度,amax为目标加速度的正极限,a-max为目标加速度的负极限,β为修正系数。
这里,β为修正系数,是一个常数,根据目标的当前加速度、目标加速度的正极限和目标加速度的负极限,得到修正系数β的取值区间为
在本实施例中,步骤S103还包括:
根据公式(4)计算当前加速度的极限值:
其中,为目标的当前加速度,amax为目标加速度的正极限,a-max为目标加速度的负极限,β为修正系数。
进一步的,参照图2,步骤S104包括:
步骤S201,获取统计距离的模糊子集、目标的当前加速度的模糊子集和修正系数的模糊子集;
具体地,由于对目标机动性能有效反映的最佳参数是加速度,因此,将当前加速度和统计距离dk确定为模糊控制器的输入量,修正系数β为模糊控制器的输出量。
选择好输入量以及输出量之后,进行模糊化处理。通过归一化dk、保证dk∈[0,1]以及同时将dk模糊子集定义成成B(大)、M(中)、S(小)、Z(零),以及将模糊子集定位成PB(正大)、PM(正中)、PS(正小)、Z(零)、NS(负小)、NM(负中)、NB(负大)。通过gauss型与gbell型共同表达隶属度函数,得到统计距离dk隶属函数(如图3所示)和当前加速度隶属函数(如图4所示)。
修正系数β为模糊控制器的输出量,该值的取值区间为同时将模糊子集定义成EB(极大)、VB(很大)、B(大)、M(中)、S(小)、VS(很小),得到如图5所示的trimf型隶属度函数。
步骤S202,将统计距离的模糊子集、目标的当前加速度的模糊子集和修正系数的模糊子集通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,得到模糊输出集合。
进一步的,步骤S202包括:
通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,根据公式(5)计算模糊输出集合:
其中,U为模糊输出集合,“∧”为对两数取小值,为运算合成,Ri是在第i条模糊规则基础上推导出的模糊蕴含关系,根据公式(6)计算Ri:
Ri=(Ai∧Bi)→Ci=Ai∧Bi∧Ci (6)
其中,Ai为统计距离dk的模糊子集,Bi为当前加速度的模糊子集,Ci为修正系数β的模糊子集,结合表1信息,即可获得dk与所对应的β的模糊输出集合。
表1
进一步的,参照图6,步骤S105包括:
步骤S601,从模糊输出集合中选取元素,并获取元素的隶属度;
这里,假定βi是存在于模糊输出集合U中的一个元素,则其对应的隶属度是μU(βi)。
步骤S602,根据元素和元素的隶属度,得到元素的精确值。
具体地,在步骤S602中,根据公式(7)计算元素的精确值:
其中,βcen为元素βi的精确值,μU(βi)为元素βi的隶属度。
进一步的,步骤S106包括:
根据公式(8)修正目标加速度的正极限和目标加速度的负极限:
其中,为目标的当前加速度,amax为目标加速度的正极限,a-max为目标加速度的负极限,βcen为修正系数β的精确值。
进一步的,在步骤S107中,SLAM算法通过修正处理后的Rayleigh分布与非零均值对目标的机动加速度变化特性进行实时描述,假定机动加速度a(t)符合其中,为零均值的一阶Markov过程,均值为当前时刻的实时加速度。通过分析一维状态作为分析例子(对于其它多维运动目标只需扩维进行表达),根据公式(9)计算离散时间系统的状态方程:
其中,Xk+1为离散时间系统k+1时刻的状态,Xk为离散时间系统k时刻的状态,Φk为离散时间系统k时刻的状态转移矩阵,Uk为离散时间系统k时刻的输入控制矩阵,为离散时间系统k时刻的机动加速度的均值,wk为零均值高斯白噪声。
根据公式(10)计算状态转移矩阵:
其中,Φ为状态转移矩阵,T为采样周期,a为机动频率,体现目标机动的快慢。
根据公式(11)计算输入控制矩阵:
其中,U为输入控制矩阵,T为采样周期,a为机动频率,体现目标机动的快慢。
根据公式(12)计算状态噪声方差:
其中,Qk为离散时间系统k时刻的状态噪声方差,wk为零均值高斯白噪声,a为机动频率,为机动加速度方差。
根据公式(13)计算各项系数:
其中,T为采样周期,a为机动频率,体现目标机动的快慢。
进一步的,步骤S107还包括:
根据公式(14)计算机动加速度方差:
其中,为机动加速度方差,amax为目标加速度的正极限,a-max为目标加速度的负极限,为机动加速度的均值。
考虑到在真实情况下,不能直接得到,利用一步预测值进行代替处理,因此,根据公式(15)计算机动加速度方差:
其中,为机动加速度方差,amax为目标加速度的正极限,a-max为目标加速度的负极限,为机动加速度的均值的一步预测值。
进一步的,在步骤S107中,SLAM算法在服从Rayleigh分布时,不能对非机动与弱机动目标缺陷进行精确分析,主要是因为SLAM算法无法对目标的机动加速度Rayleigh分布进行有效修正。在目标加速度属于正值的条件下,根据公式(16)计算目标加速度的数学期望:
其中,E(a)为目标加速度的数学期望,amax为目标加速度的正极限,μ为Rayleigh分布的位置参数。
根据公式(17)计算目标加速度方差:
其中,D(a)为目标加速度方差,μ为Rayleigh分布的位置参数。
根据公式(18)计算目标加速度期望的平方:
进而有公式(19):
根据公式(16)、公式(17)和公式(19),可以得到公式(20):
整理得到公式(21):
同理可得,在目标的当前加速度为负值时,可以得到公式(22):
其中,a-max为目标加速度的负极限。
根据公式(21)、公式(22)、公式(16)和公式(17),整理可以得到公式(23)和公式(24):
根据公式(23)和公式(24)可知,只有当加速度均值即当前加速度取值在或者区间,SLAM算法才能对目标进行有效跟踪。而对于当前加速度取值在的机动目标,SLAM算法则无法正确描述。通过对标准SLAM算法进行改进,以达到更好的跟踪效果。
进一步的,参照图7,步骤S108包括:
步骤S701,根据第一容积点确定传播后的第一容积点;
步骤S702,根据传播后的第一容积点估计滤波的状态预测值;
步骤S703,根据滤波的状态预测值计算滤波的状态预测误差协方差。
进一步的,在步骤S701中,根据公式(25)确定第一容积点:
其中,i=1,2,…,m,Xi,k-1为第一容积点在第i条模糊规则基础上在k-1时刻的状态,Sk-1为在k-1时刻进行求平方根运算,为在k-1时刻的状态估计值,ξi为基本容积点。
根据公式(26)计算基本容积点:
其中,ξi为基本容积点,m为k时刻的容积点数,且m=2nx,εi为nx阶单位向量,nx是状态量维数。
进一步的,在步骤S701中,根据公式(27)计算传播后的容积点:
其中,为第一容积点在第i条模糊规则基础上在k-1时刻传播后的状态,Φ为状态转移矩阵,Xi,k-1为第一容积点在第i条模糊规则基础上在k-1时刻的状态,U为输入控制矩阵,为k-1时刻的当前加速度。
进一步的,在步骤S702中,根据公式(28)计算状态预测值:
其中,为在k-1时刻预测的k时刻的状态预测值,m为k时刻的容积点数,为第一容积点在第i条模糊规则基础上在k-1时刻传播后的状态。
进一步的,在步骤S703中,根据公式(29)计算状态预测误差协方差:
其中,Pk|k-1为在k-1时刻预测的k时刻的状态预测误差协方差,为第一容积点在第i条模糊规则基础上在k-1时刻传播后的状态,为在k-1时刻预测的k时刻的状态预测值,Qk-1为在k-1时刻的状态噪声方差。
进一步的,参照图8,步骤S108还包括:
步骤S801,根据第二容积点确定传播后的第二容积点;
步骤S802,根据传播后的第二容积点估计滤波的量测预测值;
步骤S803,根据滤波的量测预测值计算新息协方差矩阵和互协方差矩阵;
步骤S804,根据新息协方差矩阵和互协方差矩阵计算巴拿赫增益;
步骤S805,根据巴拿赫增益计算滤波的状态更新值;
步骤S806,根据巴拿赫增益和新息协方差矩阵计算状态协方差更新值。
进一步的,在步骤S801中,根据公式(30)计算第二容积点:
其中,Xi,k|k-1为第二容积点在第i条模糊规则基础上在k-1时刻预测的k时刻的状态,ξi为基本容积点,为在k-1时刻预测的k时刻的状态预测值,Sk|k-1为对状态预测误差协方差进行求平方根运算,且Sk|k-1=chol{Pk|k-1}。
进一步的,在步骤S801中,根据公式(31)计算传播后的第二容积点:
Zi,k|k-1=h(Xi,k|k-1) (31)
其中,Zi,k|k-1为传播后的第二容积点状态,h为估计函数,Xi,k|k-1为第二容积点在第i条模糊规则基础上在k-1时刻预测的k时刻的状态。
进一步的,在步骤S802中,根据公式(32)计算量测预测值:
其中,为传播后的第二容积点的量测预测值,Zi,k|k-1为传播后的第二容积点状态,m为k时刻的容积点数。
进一步的,在步骤S803中,根据公式(33)计算新息协方差矩阵:
其中,Pzz,k|k-1为新息协方差矩阵,m为k时刻的容积点数,Zi,k|k-1为传播后的第二容积点状态,为传播后的第二容积点的量测预测值,Rk为偏差量。
进一步的,在步骤S803中,根据公式(34)计算互协方差矩阵:
其中,Pxz,k|k-1为互协方差矩阵,m为k时刻的容积点数,Xi,k|k-1为第二容积点在第i条模糊规则基础上在k-1时刻预测的k时刻的状态,为在k-1时刻预测的k时刻的状态预测值,Zi,k|k-1为传播后的第二容积点状态,为传播后的第二容积点的量测预测值,Rk为偏差量。
进一步的,在步骤S804中,根据公式(35)计算巴拿赫增益:
其中,Kk为巴拿赫增益,Pxz,k|k-1为互协方差矩阵,为新息协方差矩阵的逆矩阵。
进一步的,在步骤S805中,根据公式(36)计算状态更新值:
其中,为k时刻的状态最优估计值,为在k-1时刻预测的k时刻的状态预测值,Kk为巴拿赫增益,Zk为k时刻的实际量测值,为传播后的第二容积点的量测预测值。
进一步的,在步骤S806中,根据公式(37)计算状态协方差更新值:
其中,Pk为k时刻的误差协方差,Pk|k-1为在k-1时刻预测的k时刻的误差协方差,Kk为巴拿赫增益,Pzz,k|k-1为新息协方差矩阵。
进一步的,在步骤S108中,根据公式(38)计算滤波残差:
其中,γk为滤波残差,Zk为k时刻的实际量测值,为传播后的第二容积点的量测预测值。
进一步的,在步骤S108中,根据公式(39)计算滤波方差:
其中,Gk为滤波方差,Pzz,k|k-1为新息协方差矩阵,m为k时刻的容积点数,Zi,k|k-1为传播后的第二容积点状态,为传播后的第二容积点的量测预测值,Rk为偏差量。
这里,根据滤波残差γk和滤波方差Gk可以获得统计距离dk,根据统计距离dk和当前加速度通过模糊控制器可以得到修正系数β的精确值,从而可以获得噪声方差Qk,利用巴拿赫滤波算法中的容积卡尔曼滤波器,通过对MCS模型中的第一容积点和第一容积点进行更新,直至噪声方差值最小时,滤波结束(如图9所示)。
实施例二:
首先,构建一个二维直角坐标系,并使观测站位于原点(0,0)处;所跟踪的目标辐射源具有初始状态X0|0=[20km,180m/s,0m/s2;25km,200m/s,0m/s2]T;状态误差协方差矩阵的初值P0|0=diag[1000 100 10 1000 100 10];探测周期与探测时间分别为T=1s与N=200s;被追踪目标的辐射频率为fT=10GHz;方位角及其变化率精度为5mrad与2mrad/s,多普勒频率波动率精度为0.1Hz/s;加速度正、负极限值依次是amax=150m/s2与a-max=-150m/s2;机动频率为α=0.9。
为了对各机动状态下的新算法跟踪效果进行分析,把在二维坐标系中的目标运动过程分成如下4个不同部分:最初50s内保持匀速直线运动,之后从第51s开始转为弱机动转弯状态,对应的加速度为(ax,ay)=(21m/s2,-30m/s2),经过50s之后,从第101s转为强机动快速转弯状态,此时对应加速度为(ax,ay)=(-93m/s2,120m/s2)。经过50s之后,于151s停止加速,并迅速转为匀速直线运动。通过MATLAB2010a仿真软件,对比分析标准SLAM自适应巴拿赫滤波(CS-BF)算法以及改进后的SLAM自适应(MCS-BF)跟踪算法各自执行了500次的Monte-Carlo仿真测试结果,并将所得测试数据利用均方根误差RMSE(Root Mean SquareError)完成了评价过程。
根据公式(40)计算均方根误差:
其中,M为仿真次数,xk为k时刻下对应状态真值,为滤波预估数。
根据仿真结果可知:如图10和图11所示,曲线①为真值,即目标运动的真实加速度,曲线②为CS-BF预估值,即基于标准SLAM算设计的卷积自编码器跟踪目标运动的加速度预估值,曲线③为MCS-BF预估值,即基于MCS-BF算法的卷积自编码器跟踪目标运动的加速度预估值。在最开始的100s时间内,目标保持无机动与弱机动状态,基于标准SLAM算设计的卷积自编码器不能准确跟踪这一时段的机动目标。而MCS-BF算法通过对修正系数进行实时调整的方式,使算法在跟踪非弱机动目标时可以实现较低噪声方差,确保具备良好的跟踪效果。进入后期的100s之后,目标开始转为强机动状态,此时MCS-BF算法表现出更佳的追踪优势。
如图12和图13所示,曲线①为CS-BF算法的速度均方根误差,曲线②为MCS-BF算法的速度均方根误差,在进入后期的100s之后,由于目标进入稳定运动状态之后,算法增益也将同时达到最小,如果目标在这时突然转为强机动状态,则将导致滤波残差迅速增加,而标准SLAM算法只有固定的加速度极限值,因此噪声方差不能与机动状态一起变大,导致算法增益依然处于最小值,极大影响了跟踪效果。对SLAM算法改进之后,如图14和图15所示,曲线①为CS-BF算法的位置均方根误差,曲线②为MCS-BF算法的位置均方根误差,通过分析滤波残差与加速度的均值变化来确定目标的机动性高低,并实现自适应增加调整系数的作用,加快收敛速度并明显提升跟踪精度。
实施例三:
图16为本发明实施例三提供的卷积自编码器的设计系统示意图。
参照图16,该系统包括:
滤波单元10,用于获取目标信号,将目标信号通过巴拿赫滤波算法进行滤波处理,得到统计距离;
加速度获取单元20,用于获取目标的当前加速度、目标加速度的正极限和目标加速度的负极限;
修正系数获取单元30,用于根据目标的当前加速度、目标加速度的正极限和目标加速度的负极限,得到修正系数的取值区间;
模糊处理单元40,用于将统计距离、目标的当前加速度和修正系数通过模糊规则和模糊推理,得到模糊输出集合;
去模糊化单元50,用于对模糊输出集合进行去模糊化,得到修正系数精确值;
修正单元60,用于根据修正系数精确值对目标加速度的正极限和目标加速度的负极限进行修正,得到修正的目标加速度的正极限和修正的目标加速度的负极限;
噪声方差值获取单元70,用于根据修正的目标加速度的正极限和修正的目标加速度的负极限,得到噪声方差值;
更新单元80,用于确定容积点,对滤波进行时间更新和测量更新,以及对统计距离进行更新,直至噪声方差值最小时,滤波结束。
进一步的,模糊处理单元40包括:
获取统计距离的模糊子集、目标的当前加速度的模糊子集和修正系数的模糊子集;
将统计距离的模糊子集、目标的当前加速度的模糊子集和修正系数的模糊子集通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,得到模糊输出集合。
进一步的,去模糊化单元50包括:
从模糊输出集合中选取元素,并获取元素的隶属度;
根据元素和元素的隶属度,得到元素的精确值。
进一步的,容积点包括第一容积点,更新单元80包括:
根据第一容积点确定传播后的第一容积点;
根据传播后的第一容积点估计滤波的状态预测值;
根据滤波的状态预测值计算滤波的状态预测误差协方差。
进一步的,容积点包括第二容积点,更新单元80还包括:
根据第二容积点确定传播后的第二容积点;
根据传播后的第二容积点估计滤波的量测预测值;
根据滤波的量测预测值计算新息协方差矩阵和互协方差矩阵;
根据新息协方差矩阵和互协方差矩阵计算巴拿赫增益;
根据巴拿赫增益计算滤波的状态更新值;
根据巴拿赫增益和新息协方差矩阵计算状态协方差更新值。
本发明实施例提供了卷积自编码器的设计方法和系统,包括:获取目标信号,通过巴拿赫滤波算法进行滤波处理,得到统计距离;获取目标的当前加速度、目标加速度的正负极限,得到修正系数的取值区间;将统计距离、目标的当前加速度和修正系数通过模糊规则和模糊推理,得到模糊输出集合;对模糊输出集合进行去模糊化,得到修正系数精确值;根据修正系数精确值对目标加速度的正负极限进行修正,得到修正的目标加速度的正负极限;根据修正的目标加速度的正负极限,得到噪声方差值;确定容积点,对滤波进行时间更新和测量更新,以及对统计距离进行更新,直至噪声方差最小时,滤波结束,从而实时调整加速度极限值,使卷积自编码器具有较好的跟踪效果。
本发明实施例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,处理器执行计算机程序时实现上述实施例提供的卷积自编码器的设计方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例的卷积自编码器的设计方法的步骤。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以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,可以存储在一个处理器可执行的非易失的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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种卷积自编码器的设计方法,其特征在于,所述方法包括:
获取目标信号,将所述目标信号通过巴拿赫滤波算法进行滤波处理,得到统计距离;
获取目标的当前加速度、目标加速度的正极限和目标加速度的负极限;
根据所述目标的当前加速度、所述目标加速度的正极限和所述目标加速度的负极限,得到修正系数的取值区间;
将所述统计距离、所述目标的当前加速度和所述修正系数通过模糊规则和模糊推理,得到模糊输出集合;
对所述模糊输出集合进行去模糊化,得到修正系数精确值;
根据所述修正系数精确值对所述目标加速度的正极限和所述目标加速度的负极限进行修正,得到修正的目标加速度的正极限和修正的目标加速度的负极限;
根据所述修正的目标加速度的正极限和所述修正的目标加速度的负极限,得到噪声方差值;
确定容积点,对所述滤波进行时间更新和测量更新,以及对所述统计距离进行更新,直至所述噪声方差值最小时,滤波结束。
2.根据权利要求1所述的卷积自编码器的设计方法,其特征在于,所述将所述统计距离、所述目标的当前加速度和所述修正系数通过模糊规则和模糊推理,得到模糊输出集合,包括:
获取所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集;
将所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,得到所述模糊输出集合。
3.根据权利要求1所述的卷积自编码器的设计方法,其特征在于,所述对所述模糊输出集合进行去模糊化,得到精确值,包括:
从所述模糊输出集合中选取元素,并获取所述元素的隶属度;
根据所述元素和所述元素的所述隶属度,得到所述元素的精确值。
4.根据权利要求1所述的卷积自编码器的设计方法,其特征在于,所述容积点包括第一容积点,所述确定容积点,对所述滤波进行时间更新和测量更新,包括:
根据所述第一容积点确定传播后的第一容积点;
根据所述传播后的第一容积点估计滤波的状态预测值;
根据所述滤波的状态预测值计算滤波的状态预测误差协方差。
5.根据权利要求1所述的卷积自编码器的设计方法,其特征在于,所述容积点包括第二容积点,所述确定容积点,对所述滤波进行时间更新和测量更新,还包括:
根据所述第二容积点确定传播后的第二容积点;
根据所述传播后的第二容积点估计滤波的量测预测值;
根据所述滤波的量测预测值计算新息协方差矩阵和互协方差矩阵;
根据所述新息协方差矩阵和所述互协方差矩阵计算巴拿赫增益;
根据所述巴拿赫增益计算滤波的状态更新值;
根据所述巴拿赫增益和所述新息协方差矩阵计算状态协方差更新值。
6.一种卷积自编码器的设计系统,其特征在于,所述系统包括:
滤波单元,用于获取目标信号,将所述目标信号通过巴拿赫滤波算法进行滤波处理,得到统计距离;
加速度获取单元,用于获取目标的当前加速度、目标加速度的正极限和目标加速度的负极限;
修正系数获取单元,用于根据所述目标的当前加速度、所述目标加速度的正极限和所述目标加速度的负极限,得到修正系数的取值区间;
模糊处理单元,用于将所述统计距离、所述目标的当前加速度和所述修正系数通过模糊规则和模糊推理,得到模糊输出集合;
去模糊化单元,用于对所述模糊输出集合进行去模糊化,得到修正系数精确值;
修正单元,用于根据所述修正系数精确值对所述目标加速度的正极限和所述目标加速度的负极限进行修正,得到修正的目标加速度的正极限和修正的目标加速度的负极限;
噪声方差值获取单元,用于根据所述修正的目标加速度的正极限和所述修正的目标加速度的负极限,得到噪声方差值;
更新单元,用于确定容积点,对所述滤波进行时间更新和测量更新,以及对所述统计距离进行更新,直至所述噪声方差值最小时,滤波结束。
7.根据权利要求6所述的卷积自编码器的设计系统,其特征在于,所述模糊处理单元包括:
获取所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集;
将所述统计距离的模糊子集、所述目标的当前加速度的模糊子集和所述修正系数的模糊子集通过Mamdani构建模糊推理系统,并通过Max-Min推理算法,得到所述模糊输出集合。
8.根据权利要求6所述的卷积自编码器的设计系统,其特征在于,所述去模糊化单元包括:
从所述模糊输出集合中选取元素,并获取所述元素的隶属度;
根据所述元素和所述元素的所述隶属度,得到所述元素的精确值。
9.根据权利要求6所述的卷积自编码器的设计系统,其特征在于,所述容积点包括第一容积点,所述更新单元包括:
根据所述第一容积点确定传播后的第一容积点;
根据所述传播后的第一容积点估计滤波的状态预测值;
根据所述滤波的状态预测值计算滤波的状态预测误差协方差。
10.根据权利要求6所述的卷积自编码器的设计系统,其特征在于,所述容积点包括第二容积点,所述更新单元还包括:
根据所述第二容积点确定传播后的第二容积点;
根据所述传播后的第二容积点估计滤波的量测预测值;
根据所述滤波的量测预测值计算新息协方差矩阵和互协方差矩阵;
根据所述新息协方差矩阵和所述互协方差矩阵计算巴拿赫增益;
根据所述巴拿赫增益计算滤波的状态更新值;
根据所述巴拿赫增益和所述新息协方差矩阵计算状态协方差更新值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979456.5A CN108984974A (zh) | 2018-08-24 | 2018-08-24 | 卷积自编码器的设计方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979456.5A CN108984974A (zh) | 2018-08-24 | 2018-08-24 | 卷积自编码器的设计方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108984974A true CN108984974A (zh) | 2018-12-11 |
Family
ID=64547653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810979456.5A Pending CN108984974A (zh) | 2018-08-24 | 2018-08-24 | 卷积自编码器的设计方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984974A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929733A (zh) * | 2019-12-09 | 2020-03-27 | 上海眼控科技股份有限公司 | 除噪方法、装置、计算机设备、存储介质及模型训练方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933106A (zh) * | 2016-05-26 | 2017-07-07 | 哈尔滨工程大学 | 一种基于模糊控制多模型算法的目标跟踪方法 |
CN107728138A (zh) * | 2017-09-15 | 2018-02-23 | 电子科技大学 | 一种基于当前统计模型的机动目标跟踪方法 |
CN107885232A (zh) * | 2017-10-23 | 2018-04-06 | 上海机电工程研究所 | 一种用于多策略机动跟踪的滤波方法 |
-
2018
- 2018-08-24 CN CN201810979456.5A patent/CN108984974A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933106A (zh) * | 2016-05-26 | 2017-07-07 | 哈尔滨工程大学 | 一种基于模糊控制多模型算法的目标跟踪方法 |
CN107728138A (zh) * | 2017-09-15 | 2018-02-23 | 电子科技大学 | 一种基于当前统计模型的机动目标跟踪方法 |
CN107885232A (zh) * | 2017-10-23 | 2018-04-06 | 上海机电工程研究所 | 一种用于多策略机动跟踪的滤波方法 |
Non-Patent Citations (1)
Title |
---|
张卓然,等.: "基于改进当前统计模型的自适应无源跟踪算法", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929733A (zh) * | 2019-12-09 | 2020-03-27 | 上海眼控科技股份有限公司 | 除噪方法、装置、计算机设备、存储介质及模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7792598B2 (en) | Sparse sampling planner for sensor resource management | |
CN105182291B (zh) | 自适应目标新生强度的phd平滑器的多目标跟踪方法 | |
CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
CN109508444A (zh) | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 | |
CN109031279A (zh) | 具有形状信息的多个群目标跟踪方法 | |
CN105354860B (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN107193009A (zh) | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 | |
CN104021289A (zh) | 一种非高斯非稳态噪声建模方法 | |
CN108061887A (zh) | 一种基于模糊交互式多模型算法的临近空间目标跟踪方法 | |
CN106546976B (zh) | 一种基于长周期非均匀采样目标跟踪处理方法及装置 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN110231620A (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN115981148A (zh) | 无人机地面移动目标跟踪方法 | |
CN104021285B (zh) | 一种具有最优运动模式切换参数的交互式多模型目标跟踪方法 | |
CN108984974A (zh) | 卷积自编码器的设计方法和系统 | |
CN107562837B (zh) | 一种基于道路网的机动目标跟踪算法 | |
Boström-Rost et al. | PMBM filter with partially grid-based birth model with applications in sensor management | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
Fernandes et al. | Cooperative localization for multiple soccer agents using factor graphs and sequential Monte Carlo | |
Bertsimas et al. | Multitarget tracking via mixed integer optimization | |
Zhou et al. | NLOS error mitigation in mobile location based on modified extended Kalman filter | |
Juang et al. | Comparative performance evaluation of GM-PHD filter in clutter | |
Witzgall et al. | Doppler geolocation with drifting carrier | |
Zheng et al. | Multi-Source Adaptive Selection and Fusion for Pedestrian Dead Reckoning | |
Wang et al. | An advanced algorithm for Fingerprint Localization based on Kalman Filter |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |