CN112001433A - 一种航迹关联方法、系统、设备及可读取存储介质 - Google Patents
一种航迹关联方法、系统、设备及可读取存储介质 Download PDFInfo
- Publication number
- CN112001433A CN112001433A CN202010807867.3A CN202010807867A CN112001433A CN 112001433 A CN112001433 A CN 112001433A CN 202010807867 A CN202010807867 A CN 202010807867A CN 112001433 A CN112001433 A CN 112001433A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- cnn
- network
- track
- 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 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 68
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 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
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种航迹关联方法、系统、设备及可读取存储介质,对不同目标、相同运动方式的航迹数据进行预处理;基于所述预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元,形成并联的CNN‑LSTM网络;对CNN‑LSTM网络进行训练,先对其中的CNN网络进行训练,再基于所述训练后的CNN网络训练LSTM,得到经过训练的CNN‑LSTM网络;对经过训练的CNN‑LSTM网络进行验证,基于验证后的CNN‑LSTM网络以及经过预处理的航迹数据获取航迹关联结果;本方法实现了对航迹数据空间特征和时序特征的智能化提取,避免了人为选取特征造成的特征表征不明显或特征数量不足的缺陷,提高了航迹关联的正确率,为解决航迹关联问题提供了一种有效的实现方法。
Description
技术领域
本发明属于通信技术领域,涉及一种航迹关联方法、系统、设备及可读取存储介质,具体涉及一种基于深度学习中的卷积神经网络和长短时记忆单元网络的多目标多传感器的航迹关联方法,基于所述关联方法的设备及可读取存储介质。
背景技术
随着人们对客观事物不断地探索,由于信息表现形式的多元化,信息数量的大量化,信息关系的复杂性,信息处理的及时性,完全超出人为处理信息的能力,因此单一传感器的收集到信息已经无法满足人们对事物完整的认知需求,因此,需要多个传感器收集大量的数据信息,通过对多传感器信息资源有效地融合处理,最大程度上的获取目标的整体信息。信息融合原理就是利用多个传感器的信息内容,通过定义某种准则将这些信息在空间和时间上的冗余信息合理的去除,将有用信息交互融合,其目标是使用各个传感器分离观测信息,通过对信息的优化组合导出更多的有效信息。信息融合技术在金融、医疗、交通管制、战术指挥控制(TCAC)等民用领域和军事领域都已经得到广泛的应用。
航迹关联,指两个及以上传感器获得的航迹信息是否是对应于同一个目标。关联过程就是判断传感器平台接收到的信息与机动目标之间是否存在所属关系的过程,将多个传感器中的数据中的信息量以及信息关系尽可能的发掘出来,才能对数据进行更好的关联处理。如何能够从多传感器收集到的大量航迹数据中发现数据之间隐藏的联系,从而能够更快速、更精准、更全面地反映目标状态是研究关键。已有的传统航迹关联算法的主要是基于统计方法和模糊数学中的隶属度函数来描述航迹的相似度,随着科技的发展,传感器性能的优化,能够获取的航迹数据量逐渐增多,数据中所包含的信息量也随之增加,因此对数据处理能力的要求逐渐提高,而传统的航迹关联方法基本上是对航迹信息进行两两关联判断的,这种流程在比较繁琐,且判断标准人为因素影响较大,对关联结果造成干扰。由于机动目标个数和传感器数目的逐渐增多,航迹出现交叉、分叉情况的概率也有所增加,如何从多个传感器平台收集到的大量航迹数据中发现其中隐藏的特征关系,并进行恰当的特征提取,根据提取到的特征关系进行更准确的关联判断,减少目标跟踪、信息融合中关联结果的误差干扰,因此多传感器目标环境下的航迹关联这一问题需要被解决。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于并联CNN-LSTM的多目标多传感器的航迹关联方法,分别构建卷积神经网络模型(CNN)和长短时记忆单元(LSTM),形成并联的CNN-LSTM网络,基于所述CNN-LSTM网络,提高对航迹关联的准确率。
为达到上述目的,本发明采用的技术方案为:一种航迹关联方法,包括以下步骤:
对不同目标、相同运动方式的航迹数据进行预处理;
基于所述预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元,形成并联的CNN-LSTM网络;
对CNN-LSTM网络进行训练,先对其中的CNN网络进行训练,再基于所述训练后的CNN网络训练LSTM,得到经过训练的CNN-LSTM网络;
对经过训练的CNN-LSTM网络进行验证,基于验证后的CNN-LSTM网络,对经过预处理的航迹数据提取空间特征和时间特征,获取航迹关联结果。
航迹数据预处理具体为:使用交互式多模型算法生成设定机动目标数目的航迹数据集,从采集到的数据中随机选取70%作为训练数据集,30%作为测试数据集。
训练CNN-LSTM网络具体包括以下步骤:
步骤301,确定卷积神经网络模型训练的终止条件和最大迭代次数T;
步骤302,将预处理的航迹数据分为训练集和测试集,从训练数据集中随机选取航迹数据,并将其作为输入训练样本,同时对训练数据集中选取的数据进行标签,表明所属目标,对神经网络进行训练;
步骤303,采用正向传播算法,通过输入到卷积神经网络中的输入训练样本,计算卷积神经网络各层的输出;
步骤304,采用反向传播算法,通过输出训练样本和卷积神经网络各层的输出,对卷积神经网络各层节点的权值和偏值进行修正,通过航迹关联正确率对当前网络模型的性能进行查看;
步骤305,重复执行步骤302-步骤304,直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,保存修正后的卷积神经网络的结构和各层节点的权值及偏值,得到训练好的卷积神经网络模型。
基于所述训练后的CNN网络训练LSTM包括以下步骤:
步骤306,对训练后的CNN网络进行初始化;
步骤307,将预处理的航迹数据分为训练集和测试集,从训练数据集中随机选取航迹数据,并将其作为输入训练样本,同时对训练数据集中选取的数据进行标签,表明所属目标,对长短时记忆单元进行训练;
步骤308,采用正向传播算法,前向计算长短时记忆单元中神经元的输出值;
步骤309,采用反向传播算法,反向计算神经元的误差项,根据相应的误差项,对长短时记忆单元中神经元的权值和偏值进行修正,通过航迹关联正确率对当前网络模型的性能进行查看;
步骤310,重复执行步骤307-步骤309,直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,得到训练好的长短时记忆单元网络。
经过训练的CNN-LSTM网络进行验证,获取航迹关联结果包括以下步骤:
步骤41,将预处理的数据分为训练集和测试集,从测试集中随机选取一个时域信号,并将其作为输入测试样本,同时选取对应的标签进行后续网络输出结果的比对;
步骤42,采用正向传播算法,通过输入到CNN中的输入所述测试样本,检测网络模型的正确性;
步骤43,采用反向传播算法,通过所述测试样本标签和CNN-LSTM网络最后的输出的比对,检测所得航迹数据关联的正确性;
步骤44,重复步骤41-步骤43,直至测试集中经预处理的数据全部选取,统计每个信号的识别正确与否,得到最终航迹关联正确概率。
航迹数据包括随时间变化的位置信息、速度信息、加速度信息和每一时刻数据所属的类别信息。
一种航迹关联系统,包括数据预处理模块、模型构建模块、模型训练模块以及模型验证和结果输出模块;
数据预处理模块对不同目标、相同运动方式的航迹数据进行预处理;
模型构建模块基于预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元,形成并联的CNN-LSTM网络;
模型训练模块对CNN-LSTM网络进行训练,先对其中的CNN网络进行训练,再基于所述训练后的CNN网络训练LSTM,得到经过训练的CNN-LSTM网络;
模型验证和结果输出模块对经过训练的CNN-LSTM网络进行验证,基于验证后的CNN-LSTM网络以及经过预处理的航迹数据获取航迹关联结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明所述航迹关联方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明所述航迹关联方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:
本发明采集机动目标的航迹数据信息,并对构建的CNN和LSTM网络模型进行训练学习,在对大量数据学习的基础上提取航迹信息在空间维度和时间维度上的特征,CNN网络提取出航迹在空间维度上如速度和加速度特征,LSTM网络提取出航迹时间维度上,如时间序列中每个时刻之间的时间特征,避免了现有技术中先对航迹数据信息空间特征提取后时间特征提取导致的航迹数据特征提取缺失,与现有技术相比,提高了航迹关联的关联正确率;本发明通过将航迹数据直接作为CNN-LSTM网络的输入,并使用修正后的CNN-LSTM网络的结构和各层节点的权值及偏值来提取航迹数据的空间特征和时序特征,避免了现有技术对信号特征的人为分析和人为确定选取的信号特征,与现有技术相比,实现了信号特征的自主智能化提取,进一步提高了航迹关联正确率。
附图说明
图1为本发明一种可实现的方法流程图。
图2为一种具体使用的并联CNN-LSTM网络模型结构。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,一种基于并联CNN-LSTM网络的航迹关联方法,包括如下步骤:
(1)对航迹数据进行预处理:
获取训练数据集和测试数据集:
使用交互式多模型算法生成的机动目标数目为50的航迹数据集,从采集到的数据中随机选取70%作为训练数据集,30%作为测试数据集。其中,本实施例中航迹数据的采样点数为60000;
(2)构建卷积神经网络模型:
确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数,以及卷积层、池化层和全连接层的激活函数,并对各层节点的权值Wl及偏值bl进行初始化。
本实施例中卷积神经网络的总层数n为2层,输入层节点数为60000,输出层节点数为50,卷积层层数为2,池化层层数为2,全连接层层数为1,参照图2所示。具体的卷积神经网络模型构建为:
net={i,c64,s,c128,s,f,o}
其中,i表示该层为输入层,c64表示该层为卷积层,卷积核数为64,c128表示该层为卷积层,卷积核数为128。s表示该层为池化层,f表示该层为全连接层,o表示该层为输出层,2层卷积层的卷积核尺寸分别为1×5,1×3。正则化选取L2正则化,池化层下采样尺寸为1×2,每层全连接层后启用dropout,dropout率为0.5,网络中的学习率设置为0.01。使用[0,1]正态分布初始化各层节点的权值Wl及偏值bl,卷积层、池化层和全连接层的激活函数均采用线性整流函数,表达式为f(x)=max(0,x),x为自变量,且x值与激活函数所在层节点的输入值相等。
(3)构建长短时记忆单元网络:
确定长短时记忆单元网络的输入层节点数、输出层节点数、长短时记忆单元层数,对各层节点的权值Wl及偏值bl进行初始化。
本实施例中长短时记忆单元的总层数n为1层,输入层节点数为60000,输出层节点数为50,与卷积神经网络初始化方式相同,使用[0,1]正态分布初始化神经元节点的权值Wl及偏值bl。
(4)对卷积神经网络模型进行训练:
(4a)确定卷积神经网络模型训练的终止条件和最大迭代次数T;
(4b)从训练数据集中随机选取航迹数据,并将其作为输入训练样本,同时对训练数据集中选取的数据进行标签,表明所属目标,来对神经网络进行训练;
(4c)采用正向传播算法,通过输入到卷积神经网络中的输入训练样本,计算卷积神经网络各层的输出;
(3d)采用反向传播算法,通过输出训练样本和卷积神经网络各层的输出,对卷积神经网络各层节点的权值和偏值进行修正,通过航迹关联正确率对当前网络模型的性能进行查看;
(4e)重复执行步骤(4b)-(4d),直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,保存修正后的卷积神经网络的结构和各层节点的权值及偏值,得到训练好的卷积神经网络模型;
(5)对长短时记忆单元进行训练:
(5a)首先进行网络初始化。
(5b)从训练数据集中随机选取航迹数据,并将其作为输入训练样本,同时对训练数据集中选取的数据进行标签,表明所属目标,来对长短时记忆单元进行训练;
(5c)采用正向传播,前向计算长短时记忆单元中神经元的输出值。
(5e)重复执行步骤(5b)-(5d),直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,得到训练好的长短时记忆单元网络;
(6)对训练好的并联CNN-LSTM网络模型进行性能测试:
(6a)从测试集中随机选取一个时域信号,并将其作为输入测试样本,同时选取对应的标签进行后续网络输出结果的比对;
(6b)采用正向传播算法,通过输入到卷积神经网络中的输入测试样本,检测网络模型的建立是否正确;
(6c)采用反向传播算法,通过测试样本标签和CNN-LSTM网络最后的输出的比对,得到该航迹数据关联的正确与否;
(6d)重复步骤(6a)-(6c),直至测试集中航迹数据全部选取,统计每个信号的识别正确与否,得到最终航迹关联正确概率。
通过仿真实验,对本发明的技术效果作进一步说明。
1仿真条件:
本发明的仿真条件中采用的50个机动目标的航迹数据信息,3个传感器对机动目标进行航迹信息测量,航迹数据的总采样点数为60000,训练集的大小为42000,测试集的大小为18000,蒙特卡洛仿真试验的次数取100次;
卷积神经网络模型在Python3.6的Keras搭建;
训练迭代次数为50次,batch_size为64,学习率为0.001,损失函数为categorical_crossentropy函数。
2仿真内容:采用本发明和现有的航迹关联算法对50个目标进行航迹关联,其关联结果如表1所示。
表1不同航迹关联算法结果对比
航迹关联算法 | 加权法 | 修正法 | K近邻域法 | 本文算法 | 端到端算法 |
关联正确率 | 66.72% | 68.86% | 65.29% | 91.67% | 89.87% |
3仿真结果分析:
表1为本文提出的航迹关联算法与现有航迹关联算法进行航迹关联的关联正确率对比结果。通过仿真结果可以看出,本发明中提取的基于并联CNN-LSTM的航迹关联方法,在目标数为50,运动方式相同的航迹数据时,具有更高的航迹关联正确率。其中,加权法、修正法、K近邻域法都是仅通过航迹数据的空间特征进行航迹关联的判断,而端到端算法是对航迹数据先进行空间特征提取后进行时序特征提取,由于对空间特征提取的卷积神经网络在特征提取过程中会导致部分特征向量丢失,使得时序特征不完全,影响后续的特征提取以及分析。
本发明还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明所述航迹关联方法的步骤。
本发明航迹关联方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式,而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明航迹关联方法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,可以存储在一个计算机可读取存储介质中。
基于这样的理解,在示例性实施例中,还提供了一种计算机可读存储介质,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于该计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述航迹关联方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种航迹关联方法,其特征在于,包括以下步骤:
对不同目标、相同运动方式的航迹数据进行预处理;
基于所述预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元,形成并联的CNN-LSTM网络;
对CNN-LSTM网络进行训练,先对其中的CNN网络进行训练,再基于所述训练后的CNN网络训练LSTM,得到经过训练的CNN-LSTM网络;
对经过训练的CNN-LSTM网络进行验证,基于验证后的CNN-LSTM网络,对经过预处理的航迹数据提取空间特征和时间特征,获取航迹关联结果。
2.根据权利要求1所述的航迹关联方法,其特征在于,航迹数据预处理具体为:使用交互式多模型算法生成设定机动目标数目的航迹数据集,从采集到的数据中随机选取70%作为训练数据集,30%作为测试数据集。
3.根据权利要求1所述的航迹关联方法,其特征在于,训练CNN-LSTM网络具体包括以下步骤:
步骤301,确定卷积神经网络模型训练的终止条件和最大迭代次数T;
步骤302,将预处理的航迹数据分为训练集和测试集,从训练数据集中随机选取航迹数据,并将其作为输入训练样本,同时对训练数据集中选取的数据进行标签,表明所属目标,对神经网络进行训练;
步骤303,采用正向传播算法,通过输入到卷积神经网络中的输入训练样本,计算卷积神经网络各层的输出;
步骤304,采用反向传播算法,通过输出训练样本和卷积神经网络各层的输出,对卷积神经网络各层节点的权值和偏值进行修正,通过航迹关联正确率对当前网络模型的性能进行查看;
步骤305,重复执行步骤302-步骤304,直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,保存修正后的卷积神经网络的结构和各层节点的权值及偏值,得到训练好的卷积神经网络模型。
4.根据权利要求1所述的航迹关联方法,其特征在于,基于所述训练后的CNN网络训练LSTM包括以下步骤:
步骤306,对训练后的CNN网络进行初始化;
步骤307,将预处理的航迹数据分为训练集和测试集,从训练数据集中随机选取航迹数据,并将其作为输入训练样本,同时对训练数据集中选取的数据进行标签,表明所属目标,对长短时记忆单元进行训练;
步骤308,采用正向传播算法,前向计算长短时记忆单元中神经元的输出值;
步骤309,采用反向传播算法,反向计算神经元的误差项,根据相应的误差项,对长短时记忆单元中神经元的权值和偏值进行修正,通过航迹关联正确率对当前网络模型的性能进行查看;
步骤310,重复执行步骤307-步骤309,直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,得到训练好的长短时记忆单元网络。
5.根据权利要求1所述的航迹关联方法,其特征在于,经过训练的CNN-LSTM网络进行验证,获取航迹关联结果包括以下步骤:
步骤41,将预处理的数据分为训练集和测试集,从测试集中随机选取一个时域信号,并将其作为输入测试样本,同时选取对应的标签进行后续网络输出结果的比对;
步骤42,采用正向传播算法,通过输入到CNN中的输入所述测试样本,检测网络模型的正确性;
步骤43,采用反向传播算法,通过所述测试样本标签和CNN-LSTM网络最后的输出的比对,检测所得航迹数据关联的正确性;
步骤44,重复步骤41-步骤43,直至测试集中经预处理的数据全部选取,统计每个信号的识别正确与否,得到最终航迹关联正确概率。
6.根据权利要求1所述的航迹关联方法,其特征在于,航迹数据包括随时间变化的位置信息、速度信息、加速度信息和每一时刻数据所属的类别信息。
7.一种航迹关联系统,其特征在于,包括数据预处理模块、模型构建模块、模型训练模块以及模型验证和结果输出模块;
数据预处理模块对不同目标、相同运动方式的航迹数据进行预处理;
模型构建模块基于预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元,形成并联的CNN-LSTM网络;
模型训练模块对CNN-LSTM网络进行训练,先对其中的CNN网络进行训练,再基于所述训练后的CNN网络训练LSTM,得到经过训练的CNN-LSTM网络;
模型验证和结果输出模块对经过训练的CNN-LSTM网络进行验证,基于验证后的CNN-LSTM网络以及经过预处理的航迹数据获取航迹关联结果。
8.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述航迹关联方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述航迹关联方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807867.3A CN112001433A (zh) | 2020-08-12 | 2020-08-12 | 一种航迹关联方法、系统、设备及可读取存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807867.3A CN112001433A (zh) | 2020-08-12 | 2020-08-12 | 一种航迹关联方法、系统、设备及可读取存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001433A true CN112001433A (zh) | 2020-11-27 |
Family
ID=73462495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807867.3A Pending CN112001433A (zh) | 2020-08-12 | 2020-08-12 | 一种航迹关联方法、系统、设备及可读取存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001433A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113068131A (zh) * | 2021-06-01 | 2021-07-02 | 浙江非线数联科技股份有限公司 | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 |
CN113239775A (zh) * | 2021-05-09 | 2021-08-10 | 西北工业大学 | 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法 |
CN113536655A (zh) * | 2021-04-07 | 2021-10-22 | 北京聚树核科技有限公司 | 定日镜人工智能纠偏方法、装置、电子设备及存储介质 |
CN115512221A (zh) * | 2022-09-22 | 2022-12-23 | 中国人民解放军海军航空大学 | 基于gnn的同步航迹鲁棒性关联方法 |
CN116451177A (zh) * | 2023-06-15 | 2023-07-18 | 创意信息技术股份有限公司 | 一种航迹关联方法及装置 |
CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170103309A1 (en) * | 2015-10-08 | 2017-04-13 | International Business Machines Corporation | Acceleration of convolutional neural network training using stochastic perforation |
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 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
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 |
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
-
2020
- 2020-08-12 CN CN202010807867.3A patent/CN112001433A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170103309A1 (en) * | 2015-10-08 | 2017-04-13 | International Business Machines Corporation | Acceleration of convolutional neural network training using stochastic perforation |
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 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
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 |
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
翁建新等: "利用并联CNN-LSTM的调制样式识别算法", 《信号处理》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536655A (zh) * | 2021-04-07 | 2021-10-22 | 北京聚树核科技有限公司 | 定日镜人工智能纠偏方法、装置、电子设备及存储介质 |
CN113536655B (zh) * | 2021-04-07 | 2022-07-22 | 北京聚树核科技有限公司 | 定日镜人工智能纠偏方法、装置、电子设备及存储介质 |
CN113239775A (zh) * | 2021-05-09 | 2021-08-10 | 西北工业大学 | 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法 |
CN113068131A (zh) * | 2021-06-01 | 2021-07-02 | 浙江非线数联科技股份有限公司 | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 |
CN115512221A (zh) * | 2022-09-22 | 2022-12-23 | 中国人民解放军海军航空大学 | 基于gnn的同步航迹鲁棒性关联方法 |
CN115512221B (zh) * | 2022-09-22 | 2024-02-27 | 中国人民解放军海军航空大学 | 基于gnn的同步航迹鲁棒性关联方法 |
CN116451177A (zh) * | 2023-06-15 | 2023-07-18 | 创意信息技术股份有限公司 | 一种航迹关联方法及装置 |
CN116451177B (zh) * | 2023-06-15 | 2023-09-12 | 创意信息技术股份有限公司 | 一种航迹关联方法及装置 |
CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN116663863B (zh) * | 2023-07-28 | 2023-10-20 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001433A (zh) | 一种航迹关联方法、系统、设备及可读取存储介质 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN112308881B (zh) | 一种基于遥感图像的舰船多目标跟踪方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN110632572A (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN110716792B (zh) | 一种目标检测器及其构建方法和应用 | |
CN112949383A (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
CN112949391A (zh) | 一种基于深度学习谐波信号分析的智能安检方法 | |
CN111368930B (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
KR102407835B1 (ko) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 | |
CN114973019A (zh) | 一种基于深度学习的地理空间信息变化检测分类方法及系统 | |
CN114594440A (zh) | 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统 | |
CN113051983A (zh) | 训练大田作物病害识别模型及大田作物病害识别的方法 | |
CN114675249A (zh) | 基于注意力机制的雷达信号调制方式识别方法 | |
CN110717374A (zh) | 一种基于改进的多层感知机的高光谱遥感影像分类方法 | |
CN110969203B (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
CN117110446A (zh) | 识别车轴疲劳裂纹声发射信号方法 | |
KR102407834B1 (ko) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 | |
CN112859034B (zh) | 自然环境雷达回波幅度模型分类方法和装置 | |
US20220284261A1 (en) | Training-support-based machine learning classification and regression augmentation | |
Jin et al. | Radar and AIS Track Association Integrated Track and Scene Features through Deep Learning | |
Notkin et al. | Classification of Ground Moving Radar Targets with RBF Neural Networks. | |
RU2819570C1 (ru) | Способ и устройство распознавания типа радиолокационной станции по её излучению |
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: 20201127 |
|
RJ01 | Rejection of invention patent application after publication |