CN111898755B - 单一航迹智能合成方法及装置 - Google Patents
单一航迹智能合成方法及装置 Download PDFInfo
- Publication number
- CN111898755B CN111898755B CN202010803312.1A CN202010803312A CN111898755B CN 111898755 B CN111898755 B CN 111898755B CN 202010803312 A CN202010803312 A CN 202010803312A CN 111898755 B CN111898755 B CN 111898755B
- Authority
- CN
- China
- Prior art keywords
- track
- network
- single track
- synthesis
- information
- 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.)
- Active
Links
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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明提供了单一航迹智能合成方法及装置,方法包括:广泛收集待解决单一航迹合成问题相关航迹,建立单一航迹合成基础数据集;基于前馈网络、循环网络和注意力机制,设计单一航迹合成网络;按照单一航迹合成网络的输入和输出要求,构建单一航迹合成网络训练数据集;采用神经网络训练方法,对单一航迹合成网络进行训练寻优,得到具体的单一航迹合成网络实现;在线部署已训练好的单一航迹合成网络实现,向网络实时输入同一目标多源航迹,网络实时输出合成的单一航迹。本发明实施例提供方案有效克服了现有方法假设过多、实际效果不可控,应用范围有限的不足,为实际工程应用提供了有效、有用的单一航迹合成方法。
Description
技术领域
本发明涉及多源航迹融合技术,更具体地,本发明涉及单一航迹智能合成方法及装置,适用于雷达组网和多源信息融合领域中同一目标多源航迹合成单一航迹问题。
背景技术
多源航迹融合是对来自不同平台不同手段的多源多目标航迹进行综合处理,以生成连续、稳定、精确的单一航迹,其中单一航迹是指一个目标唯一对应一条航迹,不存在冗余航迹,即多条航迹对应一个目标的情况。多源航迹融合主要包括目标航迹关联和单一航迹合成两大核心关键技术环节。其中目标航迹关联是在多目标环境下,对源于同一目标的多源航迹进行判别,构建多源航迹目标关联关系。而单一航迹合成则是在目标航迹关联基础上,根据多源航迹目标关联关系,进一步对同一目标的多源航迹进行融合处理,合成连续、稳定、精确的目标航迹。可见,目标航迹关联是单一航迹生成的前提和基础,决定了多源航迹融合的性能下界,而单一航迹合成则对最终生成的单一航迹质量具有直接影响,关乎多源航迹融合的性能上界。单一航迹合成作为多源航迹融合中的重要问题,自20世纪70年代初开始,就出现了相关研究,至今,仍是重要研究热点。现有研究思路一般是把单一航迹合成问题看作状态估计融合问题,基于状态估计理论,利用Kalman滤波、Unscented Kalman滤波、粒子滤波等典型滤波估计方法,结合具体的融合处理结构开展研究。比较典型的研究成果有集中式状态估计融合、分布式状态估计融合、带反馈信息的分布式状态估计融合以及异步状态估计融合等,它们具有理论性强、推导严谨、结果准确的优点。然而由于基于状态估计理论进行融合处理,需对目标运动模型和信源量测模型进行假设建模,现有方法在实际运用中,存在假设过多,所建模型与实际情况不一致、不匹配的问题,致使实际运用效果不可控,实际应用场景受限。例如,在实际运用中,现有方法经常会出现低质量信源航迹污染高质量信源航迹现象,导致合成航迹不稳定性显著增大,其航迹质量不仅无法逼近达到理论最优界,甚至可能低于原有最低航迹质量。为此,在工程实际中,为首先确保合成航迹的稳定性,避免相互污染问题,经常采用选主站的折中方法,即选择性能稳定、精确性高的信源航迹作为最终目标单一航迹。虽然选主站可保障合成航迹的稳定性,但却无法有效融合多源航迹,各取所长,实现合成航迹质量的提升,达到航迹融合的根本目的。综上可知,现有单一航迹合成方法存在假设过多、实际效果不可控,应用范围有限的问题,而实际工程中常常采用的选主站方法又无法实现航迹真正融合,因此亟需一种单一航迹智能合成方法及装置,既能适用于工程实际情况,又能有效融合多源航迹,提升航迹质量。
发明内容
本发明实施例的目的是基于机器学习和深度学习理论方法,提供单一航迹智能合成方法及装置,解决现有单一航迹合成方法假设过多、实际效果不可控,应用范围有限的问题,为实际工程运用提供适应性强、实用效果好的单一航迹合成方法和装置。具体技术方案如下:
第一方面,本发明实施例提供了单一航迹智能合成方法,所述方法包括:
广泛收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,经样本构建和错误剔除,建立单一航迹合成基础数据集;
基于前馈网络、循环网络和注意力机制,设计单一航迹合成网络;
基于单一航迹合成基础数据集,按照单一航迹合成网络的输入和输出要求,经时间对齐和信息补全,构建单一航迹合成网络训练数据集;
利用单一航迹合成网络训练数据集,采用神经网络训练方法,对单一航迹合成网络进行训练寻优,得到具体的单一航迹合成网络实现;
在线部署已训练好的单一航迹合成网络实现,向网络实时输入经时间对齐和信息补全处理的同一目标多源航迹,经单一航迹合成网络处理,网络实时输出合成的单一航迹。
第二方面,本发明实施例还提供了单一航迹智能合成装置,所述装置包括:
多源航迹预处理模块,为前后台公用模块,对多源航迹进行预处理,实现多源航迹时间对齐和缺失数据的信息补全,用于单一航迹合成网络训练数据集生成模块和单一航迹合成网络模块的多源航迹预处理;
单一航迹合成基础数据集收集模块,广泛收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,经样本构建和错误剔除,建立单一航迹合成基础数据集;
单一航迹合成网络训练数据集生成模块,为后台离线处理,基于单一航迹合成基础数据集,经多源航迹预处理模块处理,构建单一航迹合成网络训练数据集,为单一航迹合成网络训练寻优提供训练样本支持;
单一航迹合成网络训练模块,为后台离线处理,利用单一航迹合成网络训练数据集,采用神经网络训练方法,对在线部署单一航迹合成网络进行训练寻优,更新网络权重参数;
单一航迹合成网络模块,为前台在线处理,实时接收经过多源航迹预处理模块处理的同一目标多源航迹,网络实时输出合成的单一航迹。
本发明实施例提出的单一航迹智能合成方法及装置,可基于大量多源航迹实测数据,基于统一的神经网络结构,训练生成与实际问题相匹配的单一航迹合成方法,具有适用范围广、适配场景多、实用效果好的优点,有效克服了现有方法假设过多、实际效果不可控,应用范围有限的不足,为实际工程应用提供了有效、有用的单一航迹合成方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的单一航迹智能合成方法的一种流程示意图;
图2是本发明实施例提供的单一航迹合成网络的一种结构示意图;
图3是本发明实施例提供的单一航迹智能合成装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
为提供实际有效、有用的单一航迹合成方法,本发明实施例提供了单一航迹智能合成方法,如图1所示,所述方法包括以下步骤:
步骤1:广泛收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,经样本构建和错误剔除,建立单一航迹合成基础数据集;
步骤1.1:对于特定的多源航迹融合系统,收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,多源输入原始航迹为各个信源实际上报的同一目标航迹,期望输出合成航迹可以由GPS或北斗定位系统得到的目标真实航迹,或者基于多源输入原始航迹,人工手动合成的航迹,航迹由航迹批号和多个航迹点构成,航迹点必须包含时间和位置信息;
步骤1.2:多源输入原始航迹和期望输出合成航迹必须基于相同的时空基准,如果时空基准不同,需进行时间统一表示和坐标系统一变换,时间基准可选择Unix时间,或者如果所有航迹持续时间均不超过一天,可采用一天内的绝对秒时间,空间基准可选择地理坐标系、地球直角坐标系和北东天局部直角坐标系;
步骤1.3:把收集的同一目标多源输入原始航迹作为基础样本的X部分,同一目标期望输出合成航迹作为基础样本的Y部分,合在一起构成一条基础样本;
步骤1.4:按照步骤1.1、步骤1.2和步骤1.3,广泛收集不同目标运动模式、不同目标类型、不同雷达观测环境以及不同任务场景下的基础样本,对收集的大量基础样本进行汇聚,并经人工检查,剔除存在目标不一致、航迹短小、航迹错误问题的基础样本,建立单一航迹合成基础数据集。
步骤2:如图2所示,基于前馈网络、循环网络和注意力机制,设计单一航迹合成网络;
步骤2.1:单一航迹合成网络的输入为时间序列多源输入航迹数据,在每个时间点处输入为n×2×m张量,其中n表示输入信源个数,为多源航迹融合系统最大信源个数,2表示当前时刻和上一时刻共2个航迹点,m表示航迹点信息维度大小,至少包括时间、位置信息;
步骤2.2:单一航迹合成网络的输出为时间序列单一合成航迹数据,在每个时间点处输出为m维向量,m表示航迹点信息维度大小,与输入的航迹点信息维度大小一致;
步骤2.3:在单一航迹合成网络中,分权重偏置提取和融合输出两个支路对输入数据进行处理,其中权重偏置提取支路包括数据预处理、共性特征提取、权重生成和偏置生成共4部分;
步骤2.4:权重偏置提取支路的数据预处理部分对同一信源当前时刻和上一时刻航迹点信息和不同信源当前时刻航迹点信息进行差处理,并对其中的位置差分量单独进行除以相应时间差分量操作,如果求差的两个航迹点任意1个为占位标示向量o,其差处理结果仍为占位标示向量o,然后所有差分量合并一起,经标准化处理得到n×n×m张量。权重偏置提取支路的数据预处理部分是确定处理步骤,没有待训练的网络权重参数,无需进行训练更新,可选用的数据标准化方法包括0-1标准化、标准差标准化和正则化,具体采用的标准化方法和方法中的参数由后续网络训练步骤确定;
步骤2.5:权重偏置提取支路的共性特征提取部分接收数据预处理部分的输出,经前馈网络和循环网络处理,输出共性特征;
步骤2.6:权重偏置提取支路的权重生成部分接收共性特征提取部分的输出,经注意力机制处理,输出n维权重;
步骤2.7:权重偏置提取支路的偏置生成部分接收共性特征提取部分的输出,经前馈网络处理,输出m维偏置;
步骤2.8:融合输出支路从n×2×m输入张量中提取出当前航迹点信息,得到n×m向量,并以权重偏置提取支路中权重生成部分的n维输出向量为加权系数,对提取出的当前航迹点信息进行加权求和,得到m维向量,然后加上权重偏置提取支路中偏置生成部分的m维输出,最终得到的m维向量作为单一航迹合成网络的输出。
步骤3:基于单一航迹合成基础数据集,按照单一航迹合成网络的输入和输出要求,经时间对齐和信息补全,构建单一航迹合成网络训练数据集;
步骤3.1:根据基础样本内各航迹的时间点序列,设定该基础样本的参照对齐时间点序列,长度为l,然后依据参照对齐时间点序列,对基础样本内各个航迹进行插值操作,得到各个航迹新的航迹点构成,插值方法可采用线性插值、二次插值、样条插值,如果无法通过插值获取相应时间的航迹点信息,置航迹点信息为设定的m维占位标示向量o;
步骤3.2:基础样本X部分应包括多源航迹融合系统所有n个信源输入的航迹,采用m维占位标示向量o作为航迹点信息,对基础样本X部分缺失的其他信源航迹信息进行信息补全,经补全后基础样本X部分包括n条航迹,每条航迹长度为l,每个航迹点包括m维信息向量,Y部分包括1条航迹,航迹长度为l,每个航迹点包括m维信息向量;
步骤3.3:按照单一航迹合成网络的输入要求,由时间对齐和信息补全后的基础样本X部分,构建单一航迹合成网络训练样本的X部分,大小为l×n×2×m张量,变量定义与上面相同,其中l表示时间序列长度,n表示输入信源个数,为多源航迹融合系统最大信源个数,2表示当前时刻和上一时刻共2个航迹点,m表示航迹点信息为m维,至少包括时间、位置信息,由于第一个时间点处的上一时刻未知,用占位标示向量o进行代替;
步骤3.4:按照单一航迹合成网络的输出要求,由时间对齐和信息补全后的基础样本Y部分,构建单一航迹合成网络训练样本的Y部分,大小为l×m矩阵,变量定义与上面相同,其中l表示时间序列长度,m表示航迹点信息为m维;
步骤3.5:按照上述步骤逐一对单一航迹合成基础数据集中的基础样本进行处理,得到单一航迹合成网络训练样本,所有得到的训练样本汇集在一起,构建单一航迹合成网络训练数据集。
步骤4:利用单一航迹合成网络训练数据集,采用神经网络训练方法,对单一航迹合成网络进行训练寻优,得到具体的单一航迹合成网络实现;
步骤4.1:以单一航迹合成网络实际输出和训练样本中期望输出间的均方误差,为单一航迹合成网络损失函数;
步骤4.2:选定权重偏置提取支路数据预处理部分的标准化处理方法,并通过对单一航迹合成网络训练数据集样本进行模拟处理,进一步确定标准化处理方法中的参数;
步骤4.3:按照序列顺序,以单一航迹合成网络训练数据集样本的X部分依次作为单一航迹合成网络序列输入,Y部分依次作为单一航迹合成网络期望序列输出,采用循环神经网络训练方法,对单一航迹合成网络中权重偏置提取支路中的共性特征提取、权重生成和偏置生成3个部分网络权重进行训练寻优更新。
步骤5:在线部署已训练好的单一航迹合成网络实现,向网络实时输入经时间对齐和信息补全处理的同一目标多源航迹,经单一航迹合成网络处理,网络实时输出合成的单一航迹;
步骤5.1:对当前输入的多源实时航迹点进行时间对齐,对缺失的信源航迹点信息进行信息补全,得到该时刻n×2×m多源航迹输入张量,对齐时间点采用所有输入航迹点中的最新时间,即最大时间点,如果航迹当前时间点与对齐时间点的时间差在设定门限内,进行外推对齐,如果在设定门限外,采用占位标示向量o作为该航迹点信息;
步骤5.2:向单一航迹合成网络输入当前时刻n×2×m多源航迹输入张量,网络输出m维向量,作为该时刻单一航迹合成输出。
本发明实施例还提供了单一航迹智能合成装置,如图3所示,所述装置包括:
多源航迹预处理模块为前后台公用模块,对多源航迹进行预处理,实现多源航迹时间对齐和缺失数据的信息补全,用于单一航迹合成网络训练数据集生成模块和单一航迹合成网络模块的多源航迹预处理;
单一航迹合成基础数据集收集模块广泛收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,经样本构建和错误剔除,建立单一航迹合成基础数据集;
单一航迹合成网络训练数据集生成模块为后台离线处理,基于单一航迹合成基础数据集,经多源航迹预处理模块处理,构建单一航迹合成网络训练数据集,为单一航迹合成网络训练寻优提供训练样本支持;
单一航迹合成网络训练模块为后台离线处理,利用单一航迹合成网络训练数据集,采用神经网络训练方法,对在线部署单一航迹合成网络进行训练寻优,更新网络权重参数;
单一航迹合成网络模块为前台在线处理,实时接收经过多源航迹预处理模块处理的同一目标多源航迹,网络实时输出合成的单一航迹。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (3)
1.单一航迹智能合成方法,其特征在于,包括以下步骤:
步骤1:广泛收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,经样本构建和错误剔除,建立单一航迹合成基础数据集;
步骤1.1:对于特定的多源航迹融合系统,收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,多源输入原始航迹为各个信源实际上报的同一目标航迹,期望输出合成航迹是由GPS或北斗定位系统得到的目标真实航迹,或者基于多源输入原始航迹,人工手动合成的航迹,航迹由航迹批号和多个航迹点构成,航迹点必须包含时间和位置信息;
步骤1.2:多源输入原始航迹和期望输出合成航迹必须基于相同的时空基准,如果时空基准不同,需进行时间统一表示和坐标系统一变换;
步骤1.3:把收集的同一目标多源输入原始航迹作为基础样本的X部分,同一目标期望输出合成航迹作为基础样本的Y部分,合在一起构成一条基础样本;
步骤1.4:按照步骤1.1、步骤1.2和步骤1.3,收集不同目标运动模式、不同目标类型、不同雷达观测环境以及不同任务场景下的基础样本,对收集的所有基础样本进行汇聚,并经人工检查,剔除存在目标不一致、航迹短小、航迹错误问题的基础样本,建立单一航迹合成基础数据集;
步骤2:基于前馈网络、循环网络和注意力机制,设计单一航迹合成网络;
步骤2.1:单一航迹合成网络的输入为时间序列多源输入航迹数据,在每个时间点处输入为n×2×m张量,其中n表示输入信源个数,为多源航迹融合系统最大信源个数,2表示当前时刻和上一时刻共2个航迹点,m表示航迹点信息维度大小,至少包括时间、位置信息;
步骤2.2:单一航迹合成网络的输出为时间序列单一合成航迹数据,在每个时间点处输出为m维向量,m表示航迹点信息维度大小,与输入的航迹点信息维度大小一致;
步骤2.3:在单一航迹合成网络中,分权重偏置提取和融合输出两个支路对输入数据进行处理,其中权重偏置提取支路包括数据预处理、共性特征提取、权重生成和偏置生成共4部分;
步骤2.4:权重偏置提取支路的数据预处理部分对同一信源当前时刻和上一时刻航迹点信息和不同信源当前时刻航迹点信息进行差处理,并对其中的位置差分量单独进行除以相应时间差分量操作,如果求差的两个航迹点任意1个为占位标示向量o,其差处理结果仍为占位标示向量o,然后所有差分量合并一起,经标准化处理得到n×n×m张量;权重偏置提取支路的数据预处理部分是确定处理步骤,没有待训练的网络权重参数,无需进行训练更新,数据标准化方法包括0-1标准化、标准差标准化和正则化,具体采用的标准化方法和方法中的参数由后续网络训练步骤确定;
步骤2.5:权重偏置提取支路的共性特征提取部分接收数据预处理部分的输出,经前馈网络和循环网络处理,输出共性特征;
步骤2.6:权重偏置提取支路的权重生成部分接收共性特征提取部分的输出,经注意力机制处理,输出n维权重;
步骤2.7:权重偏置提取支路的偏置生成部分接收共性特征提取部分的输出,经前馈网络处理,输出m维偏置;
步骤2.8:融合输出支路从n×2×m输入张量中提取出当前航迹点信息,得到n×m向量,并以权重偏置提取支路中权重生成部分的n维输出向量为加权系数,对提取出的当前航迹点信息进行加权求和,得到m维向量,然后加上权重偏置提取支路中偏置生成部分的m维输出,最终得到的m维向量作为单一航迹合成网络的输出;
步骤3:基于单一航迹合成基础数据集,按照单一航迹合成网络的输入和输出要求,经时间对齐和信息补全,构建单一航迹合成网络训练数据集;
步骤3.1:根据基础样本内各航迹的时间点序列,设定该基础样本的参照对齐时间点序列,长度为l,然后依据参照对齐时间点序列,对基础样本内各个航迹进行插值操作,得到各个航迹新的航迹点构成,插值方法采用线性插值、二次插值、样条插值,如果无法通过插值获取相应时间的航迹点信息,置航迹点信息为设定的m维占位标示向量o;
步骤3.2:基础样本X部分应包括多源航迹融合系统所有n个信源输入的航迹,采用m维占位标示向量o作为航迹点信息,对基础样本X部分缺失的其他信源航迹信息进行信息补全,经补全后基础样本X部分包括n条航迹,每条航迹长度为l,每个航迹点包括m维信息向量,Y部分包括1条航迹,航迹长度为l,每个航迹点包括m维信息向量;
步骤3.3:按照单一航迹合成网络的输入要求,由时间对齐和信息补全后的基础样本X部分,构建单一航迹合成网络训练样本的X部分,大小为l×n×2×m张量,变量定义与上面相同,其中l表示时间序列长度,n表示输入信源个数,为多源航迹融合系统最大信源个数,2表示当前时刻和上一时刻共2个航迹点,m表示航迹点信息为m维,至少包括时间、位置信息,由于第一个时间点处的上一时刻未知,用占位标示向量o进行代替;
步骤3.4:按照单一航迹合成网络的输出要求,由时间对齐和信息补全后的基础样本Y部分,构建单一航迹合成网络训练样本的Y部分,大小为l×m矩阵,变量定义与上面相同,其中l表示时间序列长度,m表示航迹点信息为m维;
步骤3.5:按照上述步骤逐一对单一航迹合成基础数据集中的基础样本进行处理,得到单一航迹合成网络训练样本,所有得到的训练样本汇集在一起,构建单一航迹合成网络训练数据集;
步骤4:利用单一航迹合成网络训练数据集,采用神经网络训练方法,对单一航迹合成网络进行训练寻优,得到具体的单一航迹合成网络实现;
步骤5:在线部署已训练好的单一航迹合成网络实现,向网络实时输入经时间对齐和信息补全处理的同一目标多源航迹,经单一航迹合成网络处理,网络实时输出合成的单一航迹。
2.如权利要求1所述的单一航迹智能合成方法,其特征在于,所述步骤4神经网络训练采用单一航迹合成网络实际输出和训练样本中期望输出间的均方误差作为损失函数。
3.用于实现权利要求1或2所述的方法的单一航迹智能合成装置,其特征在于,所述装置包括:
多源航迹预处理模块,为前后台公用模块,对多源航迹进行预处理,实现多源航迹时间对齐和缺失数据的信息补全,用于单一航迹合成网络训练数据集生成模块和单一航迹合成网络模块的多源航迹预处理;
单一航迹合成基础数据集收集模块,广泛收集待解决单一航迹合成问题同一目标多源输入原始航迹和期望输出合成航迹,经样本构建和错误剔除,建立单一航迹合成基础数据集;
单一航迹合成网络训练数据集生成模块,为后台离线处理,基于单一航迹合成基础数据集,经多源航迹预处理模块处理,构建单一航迹合成网络训练数据集,为单一航迹合成网络训练寻优提供训练样本支持;
单一航迹合成网络训练模块,为后台离线处理,利用单一航迹合成网络训练数据集,采用神经网络训练方法,对在线部署单一航迹合成网络进行训练寻优,更新网络权重参数;
单一航迹合成网络模块,为前台在线处理,实时接收经过多源航迹预处理模块处理的同一目标多源航迹,网络实时输出合成的单一航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803312.1A CN111898755B (zh) | 2020-08-11 | 2020-08-11 | 单一航迹智能合成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803312.1A CN111898755B (zh) | 2020-08-11 | 2020-08-11 | 单一航迹智能合成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898755A CN111898755A (zh) | 2020-11-06 |
CN111898755B true CN111898755B (zh) | 2023-09-12 |
Family
ID=73228864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803312.1A Active CN111898755B (zh) | 2020-08-11 | 2020-08-11 | 单一航迹智能合成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898755B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6055523A (en) * | 1997-07-15 | 2000-04-25 | The United States Of America As Represented By The Secretary Of The Army | Method and apparatus for multi-sensor, multi-target tracking using a genetic algorithm |
US6499025B1 (en) * | 1999-06-01 | 2002-12-24 | Microsoft Corporation | System and method for tracking objects by fusing results of multiple sensing modalities |
CN103105611A (zh) * | 2013-01-16 | 2013-05-15 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN105512157A (zh) * | 2014-10-28 | 2016-04-20 | 中国民用航空总局第二研究所 | 一种综合航迹数据融合处理方法 |
CN106443598A (zh) * | 2016-12-08 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
CN107463967A (zh) * | 2017-08-25 | 2017-12-12 | 中国人民解放军海军航空工程学院 | 多源航迹关联机器学习系统 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109145451A (zh) * | 2018-08-22 | 2019-01-04 | 哈尔滨工业大学 | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109916405A (zh) * | 2018-12-14 | 2019-06-21 | 智慧航海(青岛)科技有限公司 | Dubins算法和神经网络算法融合的航迹规划方法 |
WO2019191251A1 (en) * | 2018-03-28 | 2019-10-03 | Telepathy Labs, Inc. | Text-to-speech synthesis system and method |
CN110321401A (zh) * | 2019-07-09 | 2019-10-11 | 中国人民解放军海军航空大学 | 时空数据关联深度学习方法 |
WO2019213459A1 (en) * | 2018-05-04 | 2019-11-07 | Northeastern University | System and method for generating image landmarks |
KR20190138238A (ko) * | 2018-06-04 | 2019-12-12 | 삼성전자주식회사 | 딥 블라인드 전의 학습 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9946933B2 (en) * | 2016-08-18 | 2018-04-17 | Xerox Corporation | System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture |
US11256983B2 (en) * | 2017-07-27 | 2022-02-22 | Waymo Llc | Neural networks for vehicle trajectory planning |
US10957053B2 (en) * | 2018-10-18 | 2021-03-23 | Deepnorth Inc. | Multi-object tracking using online metric learning with long short-term memory |
-
2020
- 2020-08-11 CN CN202010803312.1A patent/CN111898755B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6055523A (en) * | 1997-07-15 | 2000-04-25 | The United States Of America As Represented By The Secretary Of The Army | Method and apparatus for multi-sensor, multi-target tracking using a genetic algorithm |
US6499025B1 (en) * | 1999-06-01 | 2002-12-24 | Microsoft Corporation | System and method for tracking objects by fusing results of multiple sensing modalities |
CN103105611A (zh) * | 2013-01-16 | 2013-05-15 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN105512157A (zh) * | 2014-10-28 | 2016-04-20 | 中国民用航空总局第二研究所 | 一种综合航迹数据融合处理方法 |
CN106443598A (zh) * | 2016-12-08 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
CN107463967A (zh) * | 2017-08-25 | 2017-12-12 | 中国人民解放军海军航空工程学院 | 多源航迹关联机器学习系统 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
WO2019191251A1 (en) * | 2018-03-28 | 2019-10-03 | Telepathy Labs, Inc. | Text-to-speech synthesis system and method |
WO2019213459A1 (en) * | 2018-05-04 | 2019-11-07 | Northeastern University | System and method for generating image landmarks |
KR20190138238A (ko) * | 2018-06-04 | 2019-12-12 | 삼성전자주식회사 | 딥 블라인드 전의 학습 |
CN109145451A (zh) * | 2018-08-22 | 2019-01-04 | 哈尔滨工业大学 | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109916405A (zh) * | 2018-12-14 | 2019-06-21 | 智慧航海(青岛)科技有限公司 | Dubins算法和神经网络算法融合的航迹规划方法 |
CN110321401A (zh) * | 2019-07-09 | 2019-10-11 | 中国人民解放军海军航空大学 | 时空数据关联深度学习方法 |
Non-Patent Citations (1)
Title |
---|
基于多传感器的无人机航迹实时数据融合处理系统;李世秋;郑成军;王成军;;计算机与现代化(10);第126-129页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898755A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106896352B (zh) | 一种基于随机集理论的多雷达异步数据分布式融合方法 | |
CN108805258A (zh) | 一种神经网络训练方法及其装置、计算机服务器 | |
CN111325116A (zh) | 一种基于线下训练-线上学习深度可演化的遥感影像目标检测方法 | |
CN110009528B (zh) | 一种基于最优结构多维泰勒网的参数自适应更新方法 | |
CN109299786A (zh) | 一种构建混合型位错原子结构的方法 | |
CN117557914B (zh) | 一种基于深度学习的农作物病虫害识别方法 | |
CN109753763B (zh) | 一种风光联合出力概率建模方法 | |
CN109033543A (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
CN110110794A (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
CN111898755B (zh) | 单一航迹智能合成方法及装置 | |
CN111383273A (zh) | 一种基于改进结构推理网络的高铁接触网零部件定位方法 | |
CN110766066A (zh) | 一种基于fnn的张量异质集成车联网缺失数据估计方法 | |
CN107124761B (zh) | 融合pso和ss-elm的蜂窝网无线定位方法 | |
CN111597494B (zh) | 一种基于非平稳时间序列分解的统计降尺度方法 | |
Blokhinov et al. | Technology for the visual inspection of aircraft surfaces using programmable unmanned aerial vehicles | |
Souza Filho et al. | Enhancing streamflow forecasting for the Brazilian electricity sector: a strategy based on a hyper-multimodel | |
CN111898756A (zh) | 一种多目标信息关联神经网络损失函数计算方法及装置 | |
CN109680613A (zh) | 简支变结构连续桥梁施工监控方法 | |
Pandya et al. | A review of data assimilation techniques: Applications in engineering and agriculture | |
CN113011597B (zh) | 一种回归任务的深度学习方法和装置 | |
CN116245944A (zh) | 一种基于实测数据的舱段自动化对接方法及系统 | |
Kim et al. | Plant growth prediction based on hierarchical auto-encoder | |
Wang et al. | XiHe: A Data-Driven Model for Global Ocean Eddy-Resolving Forecasting | |
CN109390946B (zh) | 一种基于多参数规划理论的最优概率潮流快速计算方法 | |
CN113095596A (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |