CN111445498A - 一种采用Bi-LSTM神经网络的目标跟踪方法 - Google Patents
一种采用Bi-LSTM神经网络的目标跟踪方法 Download PDFInfo
- Publication number
- CN111445498A CN111445498A CN202010196608.1A CN202010196608A CN111445498A CN 111445498 A CN111445498 A CN 111445498A CN 202010196608 A CN202010196608 A CN 202010196608A CN 111445498 A CN111445498 A CN 111445498A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- stm
- target tracking
- target
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种采用Bi‑LSTM神经网络的目标跟踪方法,目的是解决强机动目标运动过程复杂、运动模型难以建立且计算量大的问题,提高目标跟踪精度。技术方案是先建立目标跟踪系统,采集运动目标位置、速度数据,并进行数据预处理,获得目标运动训练集和测试集;然后设计适用于目标跟踪的Bi‑LSTM神经网络,用训练集训练神经网络中的权重参数;最后用训练好的模型实现目标跟踪。本发明适用于处理时间序列上的连续数据,通过历史数据预测下一时刻目标运动状态,目标跟踪的精度较高。
Description
技术领域
本发明属于目标跟踪技术领域,涉及一种采用Bi-LSTM神经网络的目标跟踪方法。
背景技术
目标跟踪是军事领域的一个重要的方面。在目标跟踪问题的研究中,实现实时、高精度的跟踪机动目标是目标跟踪系统设计的主要目的。单目标跟踪的目的是实现对目标位置、速度、姿态的预测估计。目前单目标跟踪是大多通过滤波算法,对目标运动模型的量测值进行滤波估计,能够达到不错的精度。蔺红明、魏兵卓等在《一种用于搜索雷达的交互多模型跟踪滤波算法》中,采用交互式多模型算法将α-β滤波和α-β-γ滤波算法结合,将机动目标分为CV模型和CA模型下的运动,提高了单模型机动目标跟踪精度和效果。潘静岩,潘媚媚等在《一种参数自适应变化的强机动目标跟踪算法》中,对当前统计模型中的加速度变化率进行自适应调整,并在滤波算法中对强跟踪滤波器的时变渐消因子的尺度调节系数进行自适应调整,提高了对强机动目标的跟踪精度。而对强机动运动目标来说,其运动过程较为复杂,运动模型难以确立,采用滤波算法进行估计计算量大,且跟踪效果不理想,误差较大。因此,探寻一个简易、高精度、可靠的强机动目标跟踪方法是具有重大的理论和实践价值。深度学习技术在近几年发展迅猛且应用范围广泛,在很多领域都取得了较好的成果。区别于传统的目标跟踪算法,需要建立机动目标运动模型,深度学习技术通过模拟人脑的神经元之间的结构,构建多个隐藏层,利用人脑的学习能力,通过学习的方式来实现机动目标跟踪。由于当前统计模型和自适应滤波算法对弱机动目标跟踪效果差,范志明在《基于神经网络的机动目标自适应跟踪算法》中,提出了基于神经网络的自适应跟踪算法,将滤波器的输出经过神经网络输出一个0或1,判断目标的机动状态,应用合适的系统方差,提高对不同机动目标的跟踪精度。彭章友,陈琳妍在《基于BPNN的自适应机动目标跟踪》中,将BP神经网络应用于自适应跟踪算法中,提取出观测值的特征量用以训练BP神经网络,并将计算得到特征量,输入到训练好的BP神经网络中,根据网络输出的运动模型进行滤波更新,以提高跟踪精度。目前神经网络在目标跟踪领域的应用,均是用以优化滤波算法,提高滤波算法的精度和效果,但运动目标模型难以贴合实际,计算量较大,因此本发明提出了一种简易、高精度的单目标跟踪算法。史殿习,潘晨等在《一种基于双向长短期记忆神经网络的目标跟踪方法》中,将Bi-LSTM神经网络应用于视频目标跟踪,利用卷积神经网络提取图像中的提取特征值,得到目标区域,然后带入Bi-LSTM进行训练,最终得到目标估计区域。在此文献中,将正向LSTM层输出的损失函数与反向LSTM层输出的损失函数相加并取均值,作为整个神经网络的损失函数。文献中设预测目标区域与真实目标区域的比值为阈值,当阈值大于0.4时,其跟踪精度较低,预测效果不佳。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种能够有效地对强机动目标进行跟踪,不需要建立目标运动模型和滤波算法的采用Bi-LSTM神经网络的目标跟踪方法。旨在解决现有强机动目标跟踪算法目标模型复杂、跟踪精度低的问题。
为解决上述技术问题,本发明的一种采用Bi-LSTM神经网络的目标跟踪方法,包括以下步骤:
步骤1:利用GPS传感器完成数据收集,获取目标运动数据,包括纬度、经度和速度,得到目标跟踪训练集和测试集,并对数据集中的数据进行归一化处理,具体为:
步骤2:初始化Bi-LSTM神经网络参数,包括学习率、迭代次数、隐含层节点数和时间步长,将步骤1中得到的归一化后的训练集数据按时序输入至Bi-LSTM神经网络的输入层;
步骤3:利用时序上前n组数据预测第n+1组数据,得到全部数据的预测结果,n为时间步长;
步骤4:将预测值与实际值进行比较,计算其均方误差:
其中,yi为所选样本第i个数据的真实值,y′i为经过神经网络得到的预测值;
步骤5:根据均方误差采用反向传播算法优化神经网络模型的权重和偏置;
步骤6:判断是否达到迭代次数,若达到迭代次数则执行步骤7,若未达到迭代次数,则返回执行步骤3;
步骤7:将目标跟踪测试集中的数据按时序输入训练完成后的神经网络模型中,得到测试集的预测数据集并对预测数据进行解析处理,解析处理具体为:
本发明还包括:
步骤2中Bi-LSTM神经网络为:包括多维输入输出层和两层隐含层,输入层维度为3,包括经度、纬度和速度数据;输出层维度为3,输出经度、纬度、速度数据;Bi-LSTM隐含层包括两个LSTM的隐含层,其传播方向分为前向传播和反向传播,两个隐含层分别与输入层和输出层按权重参数和偏置参数相连接,隐含层之间没有连接。
本发明的有益效果:本发明提出一种强机动目标跟踪方法,在本发明中应用Bi-LSTM进行目标跟踪,通过对目标位置、速度进行预测,实现对目标的跟踪。本发明中将正向LSTM层的输出及反向LSTM层的输出相加,而后计算Bi-LSTM网络的损失函数;本发明能够有效地对强机动目标进行跟踪,不需要建立目标运动模型和滤波算法,通过历史数据对下一时刻目标的运动状态进行估计,提高了目标跟踪精度。
附图说明
图1为LSTM神经网络结构原理图;
图2为Bi-LSTM神经网络结构原理图;
图3为反向传播算法流程图;
图4(a)为试验所用GPS传感器,图4(b)为试验所用无人小车;
图5是采用Bi-LSTM神经网络的目标跟踪算法流程图;
图6(a)为采用LSTM神经网络目标跟踪算法对强机动模型的纬度跟踪效果;
图6(b)为采用Bi-LSTM神经网络目标跟踪算法对强机动模型的纬度跟踪效果;
图6(c)为采用LSTM神经网络目标跟踪算法对强机动模型的经度跟踪效果;
图6(d)为采用Bi-LSTM神经网络目标跟踪算法对强机动模型的经度跟踪效果;
图6(e)为采用LSTM神经网络目标跟踪算法对强机动模型的速度跟踪效果;
图6(f)为采用Bi-LSTM神经网络目标跟踪算法对强机动模型的速度跟踪效果。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
具体实施方式流程如图5所示,本发明提出的一种采用Bi-LSTM神经网络的目标跟踪算法实施方式包括以下步骤:
步骤1:利用GPS传感器完成数据收集,获取目标运动数据,并对数据进行处理。
对数据进行预处理,将数据中的有效信息提取出来,得到目标跟踪训练集和测试集。基于目标跟踪训练集和测试集,对数据集中的数据进行归一化处理,将每个数据值限制在一定范围内,降低计算的复杂性,提高计算精度。
步骤2:设计适用于单目标跟踪的Bi-LSTM神经网络的网络结构;
设计的Bi-LSTM神经网络结构包括多维输入输出层和两层隐含层。选取合适的学习率、隐含层节点数及时间步长,能够有效的提高跟踪精度,在经过一定的试验,本步骤选取学习率0.0001、隐含层节点数为10、时间步长为10。
输入层维度为3,包括经度、纬度和速度数据;输出层维度为3,输出经度、纬度、速度数据。
Bi-LSTM隐含层包括两个LSTM的隐含层,其传播方向分为前向传播和反向传播,如图2所示。如图1所示,LSTM神经网络拥有三个特殊的“门”,即遗忘门、输入门、输出门。通过这三个“门”结构选择对当前时刻有影响的信息来调节循环神经网络的状态。“门”结构将sigmoid神经网络和按位乘的操作结合在一起,sigmoid作为激活函数,控制当前的输入信息多少可以通过。LSTM神经网络具有时序性,可以根据需要使用历史信息。Bi-LSTM神经网络不仅具有LSTM的特点,通过反向传播层,还可以使用未来的信息,来决定输出层的输出结果。
步骤3:利用训练集数据输入训练Bi-LSTM神经网络,调节神经网络结构参数。基于Bi-LSTM神经网络的单目标跟踪算法的过程可大致分为:利用输入数据第用第1-10个数据,计算得到第11个数据的预测值,然后用第2-11个数据,计算得到第12个数据的预测值,以此类推得到全部的预测结果,将预测值与实际值进行比较,计算其均方误差;利用反向传播算法,调节神经网络的结构参数并再次进行预测,计算损失函数,即均方误差(MSE)…反复迭代,得到参数较优的模型。
步骤3.1:基于目标跟踪训练集,按时序将数据输入神经网络中,每一时刻的数据均为3维输入,包括经度、纬度、速度数据。
步骤3.2:设置Bi-LSTM神经网络模型参数,包括学习率设为0.0001、隐含层节点数设为10、时间步长设为10,设置迭代次数,设置神经网络信息传递的权重和偏置。
步骤3.3:基于Bi-LSTM神经网络的单目标跟踪算法,利用输入数据第用第1-10个数据,计算得到第11个数据的预测值,然后用第2-11个数据,计算得到第12个数据的预测值,以此类推得到全部的预测结果,将预测值与实际值进行比较,计算其均方误差(MSE);
其中,yi为所选样本batch里第i个数据的真实值,y′i为经过神经网络得到的预测值。
步骤3.4:基于均方误差,采用反向传播算法优化神经网络模型的权重和偏置。
反向传播算法流程如图3所示,反向传播算法是一个迭代的思想,从数据集中选取batch,batch是指此次训练的样本,每次迭代开始前都要选择部分数据。将选取的数据带入神经网络模型,经过前向传播算法得到预测值,将预测值与真实值对比得到误差,从而得到定义好的损失函数,根据损失函数MSE将误差从输出层向隐含层反向传播,直至传播到输入层,在反向传播过程中根据MSE调整神经网络的参数值,不断迭代,直至损失函数收敛。
反向传播算法:
其中⊙表示Hadamard乘积,C为代价函数,zl=wlal-1+bl表示第L层的输入,wl表示第l-1层连接到第l层神经元的权重,bl表示第l层神经元的偏置,al=σ(zL)表示第L层的输出,σ表示激活函数。
步骤3.5:判断是否达到迭代次数,若达到执行步骤3.6,若未达到执行步骤3.3。
步骤3.6:基于目标跟踪测试集,将数据按时序输入训练完成后的神经网络模型中,得到测试集的预测数据集,对预测数据进行解析处理,生成预测曲线图。
基于LSTM神经网络和Bi-LSTM神经网络目标跟踪算法,通过实施例对本发明进行验证。
试验数据使用图4(a)和图4(b)所示无人小车搭载GPS传感器获取,通过无人小车在室外进行强机动运动,获得目标跟踪训练集数据1800组,测试集数据250组。LSTM网络和Bi-LSTM网络模型参数设置相同,输入输出均为三维,时间步长为10,隐含层节点为10,学习率设为0.0001,迭代次数为1000次。由训练集对两种网络模型进行训练,并由测试集带入训练好的神经网络模型,得到预测数据集,和测试集数据对比,生成实际值和预测值的对比曲线图,并计算均方误差根(RMSE)。
其中,yi为所选测试集里第i个数据的真实值,y′i为经过神经网络得到的预测值。
试验结果如下
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
对本发明的效果验证:
图6(a)、图6(c)、图6(e)分别是基于LSTM神经网络目标跟踪算法对强机动模型的纬度、经度和速度进行估计,图6(b)、图6(d)、图6(f)分别是基于Bi-LSTM神经网络目标跟踪算法对强机动模型的纬度、经度和速度进行估计,图中实线(True)代表真实值,虚线(Predict)代表预测值。通过试验图组和试验数据可以看出基于Bi-LSTM神经网络目标跟踪算法的预测曲线和真实曲线拟合度高,表明基于Bi-LSTM的目标跟踪算法对强机动的目标跟踪效果更好。
本发明具体实施方式还包括:
本发明目的是解决强机动目标运动过程复杂、运动模型难以建立且计算量大的问题,提高目标跟踪精度。技术方案是先建立目标跟踪系统,采集运动目标位置、速度数据,并进行数据预处理,获得目标运动训练集和测试集;然后设计适用于目标跟踪的Bi-LSTM神经网络,用训练集训练神经网络中的权重参数;最后用训练好的模型实现目标跟踪。本发明适用于处理时间序列上的连续数据,通过历史数据预测下一时刻目标运动状态,目标跟踪的精度较高。
本发明的一种采用Bi-LSTM神经网络的目标跟踪方法包括以下步骤:
(1)构建目标跟踪系统。完成目标运动数据采集;
(2)设计构建基于Bi-LSTM神经网络的目标跟踪算法;
(3)优化神经网络参数,测试模型的跟踪效果和精度。
步骤(1)中目标跟踪系统由采集模块、应用于目标跟踪的Bi-LSTM神经网络和测试部分组成。采集模块和测试部分由无人小车和GPS传感器组成,无人小车搭载GPS传感器在户外进行强机动运动,获得大量目标运动数据,对目标位置、速度数据进行预处理,获得目标跟踪训练集和测试集。测试集用于训练神经网络模型参数,测试集用于测试目标跟踪效果和精度。
步骤(2)中设计的Bi-LSTM神经网络由多变量输入输出层和隐含层构成;输入输出层维数为3,分别为目标的纬度、经度和速度数据;隐含层为两层LSTM结构,一层为正向LSTM结构,输入数据按时间序列正序输入,另一层为反向LSTM结构,输入数据按时间序列倒序输入,两层隐含层之间无连接;输入层与两层隐含层之间按一定权重参数进行连接;两层隐含层的输出按一定权重叠加后连接到输出层。
步骤(3)包括
(3.1)设定神经网络初始参数,包括学习率和迭代次数。将步骤(1)获取的训练集数据按时序输入输入层,任意一组均为目标纬度、经度和速度组成的3维数组;
(3.2)利用时序上前10组数据预测第11组数据,第2到11组数据预测第12组数据,以此类推完成预测,并计算损失函数;
(3.3)利用反向传播算法优化神经网络权重参数;
(3.4)判断是否达到迭代次数,若完成,执行步骤(3.5);若没有,跳至(3.2);
(3.5)将步骤(1)中的测试集数据按时序输入训练完成后的神经网络模型中,利用时序上前10组数据预测第11组数据,第2到11组数据预测第12组数据,以此类推完成预测,比较与实际目标运动状态的误差,分析目标跟踪的效果和精度。
本发明具体实施方式还包括:
本发明的一种采用Bi-LSTM神经网络的目标跟踪方法技术方案具体为:
用高精度GPS传感器采集目标运动数据,对运动数据进行数据处理,形成目标跟踪训练集和测试集,将训练集输入Bi-LSTM神经网络,进行预测,并利用反向传播算法优化神经网络结构参数,最后使用测试集对训练模型进行测试。
其中,所述数据处理步骤包括:
其中,所述Bi-LSTM神经网络结构包括多维输入输出层和两层隐含层。输入层维度为3,包括经度、纬度和速度数据;输出层维度为3,输出经度、纬度、速度数据。Bi-LSTM隐含层包括两个LSTM的隐含层,其传播方向分为前向传播和反向传播。两个隐含层分别与输入层和输出层按一定权重参数相连接,隐含层之间没有连接。
其中,利用训练集数据输入神经网络进行训练的过程可大致分为:利用输入数据得到预测值,将预测值与实际值进行比较,计算其均方误差;利用反向传播算法,调节神经网络的结构参数并再次进行预测,计算均方误差…神经网络结构参数需要大量数据训练,以此得到高精度的模型。
其中,yi为所选样本batch里第i个数据的真实值,y′i为经过神经网络得到的预测值。
Claims (2)
1.一种采用Bi-LSTM神经网络的目标跟踪方法,其特征在于,包括以下步骤:
步骤1:利用GPS传感器完成数据收集,获取目标运动数据,包括纬度、经度和速度,得到目标跟踪训练集和测试集,并对数据集中的数据进行归一化处理,具体为:
步骤2:初始化Bi-LSTM神经网络参数,包括学习率、迭代次数、隐含层节点数和时间步长,将步骤1中得到的归一化后的训练集数据按时序输入至Bi-LSTM神经网络的输入层;
步骤3:利用时序上前n组数据预测第n+1组数据,得到全部数据的预测结果,n为时间步长;
步骤4:将预测值与实际值进行比较,计算其均方误差:
其中,yi为所选样本第i个数据的真实值,y′i为经过神经网络得到的预测值;
步骤5:根据均方误差采用反向传播算法优化神经网络模型的权重和偏置;
步骤6:判断是否达到迭代次数,若达到迭代次数则执行步骤7,若未达到迭代次数,则返回执行步骤3;
步骤7:将目标跟踪测试集中的数据按时序输入训练完成后的神经网络模型中,得到测试集的预测数据集并对预测数据进行解析处理,解析处理具体为:
2.根据权利要求1所述的一种采用Bi-LSTM神经网络的目标跟踪方法,其特征在于:步骤2所述的Bi-LSTM神经网络为:包括多维输入输出层和两层隐含层,输入层维度为3,包括经度、纬度和速度数据;输出层维度为3,输出经度、纬度、速度数据;Bi-LSTM隐含层包括两个LSTM的隐含层,其传播方向分为前向传播和反向传播,两个隐含层分别与输入层和输出层按权重参数和偏置参数相连接,隐含层之间没有连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196608.1A CN111445498A (zh) | 2020-03-19 | 2020-03-19 | 一种采用Bi-LSTM神经网络的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196608.1A CN111445498A (zh) | 2020-03-19 | 2020-03-19 | 一种采用Bi-LSTM神经网络的目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111445498A true CN111445498A (zh) | 2020-07-24 |
Family
ID=71650960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196608.1A Pending CN111445498A (zh) | 2020-03-19 | 2020-03-19 | 一种采用Bi-LSTM神经网络的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033777A (zh) * | 2021-03-16 | 2021-06-25 | 同济大学 | 一种基于神经网络标定模型的车载氛围灯色度标定方法 |
CN113537472A (zh) * | 2021-07-26 | 2021-10-22 | 北京计算机技术及应用研究所 | 一种低计算和存储消耗的双向递归神经网络 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN114221667A (zh) * | 2021-12-08 | 2022-03-22 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320297A (zh) * | 2018-03-09 | 2018-07-24 | 湖北工业大学 | 一种视频目标实时跟踪方法及系统 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN110096933A (zh) * | 2018-01-30 | 2019-08-06 | 华为技术有限公司 | 目标检测的方法、装置及系统 |
CN110390294A (zh) * | 2019-07-19 | 2019-10-29 | 中国人民解放军国防科技大学 | 一种基于双向长短期记忆神经网络的目标跟踪方法 |
-
2020
- 2020-03-19 CN CN202010196608.1A patent/CN111445498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096933A (zh) * | 2018-01-30 | 2019-08-06 | 华为技术有限公司 | 目标检测的方法、装置及系统 |
CN108320297A (zh) * | 2018-03-09 | 2018-07-24 | 湖北工业大学 | 一种视频目标实时跟踪方法及系统 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN110390294A (zh) * | 2019-07-19 | 2019-10-29 | 中国人民解放军国防科技大学 | 一种基于双向长短期记忆神经网络的目标跟踪方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033777A (zh) * | 2021-03-16 | 2021-06-25 | 同济大学 | 一种基于神经网络标定模型的车载氛围灯色度标定方法 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN113537472A (zh) * | 2021-07-26 | 2021-10-22 | 北京计算机技术及应用研究所 | 一种低计算和存储消耗的双向递归神经网络 |
CN113537472B (zh) * | 2021-07-26 | 2024-04-09 | 北京计算机技术及应用研究所 | 一种低计算和存储消耗的双向递归神经网络的构建方法 |
CN114221667A (zh) * | 2021-12-08 | 2022-03-22 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
CN114221667B (zh) * | 2021-12-08 | 2023-08-18 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CA3067573A1 (en) | Target tracking systems and methods for uuv | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN111798491B (zh) | 一种基于Elman神经网络的机动目标跟踪方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN109634309B (zh) | 一种飞行器自主避障系统、方法及飞行器 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
CN111027627A (zh) | 一种基于多层感知机的振动信息地形分类识别方法 | |
CN112762957A (zh) | 一种基于多传感器融合的环境建模及路径规划方法 | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
CN114842681A (zh) | 一种基于多头注意力机制的机场场面航迹预测方法 | |
Xie et al. | Dual-channel and bidirectional neural network for hypersonic glide vehicle trajectory prediction | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN114819068A (zh) | 一种混合型目标航迹预测方法及系统 | |
CN116151102A (zh) | 一种空间目标超短弧初始轨道智能确定方法 | |
CN113447021A (zh) | 基于lstm神经网络模型的mems惯性导航系统定位增强方法 | |
CN115357862B (zh) | 一种狭长空间中的定位方法 | |
CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 | |
CN116663384A (zh) | 一种战场任务规划背景下的目标轨迹预测方法 | |
CN115061485A (zh) | 一种基于神经网络的无人飞行器制导指令生成方法及系统 | |
CN115618988A (zh) | 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 | |
Zhao et al. | RNN learning controller trained by ADRC |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |