CN113408392A - 基于卡尔曼滤波和神经网络的航迹补全方法 - Google Patents

Abstract

本发明公开了一种基于卡尔曼滤波和神经网络的航迹补全方法，主要解决现有技术在补全航迹时，因目标在中断周期内运动状态发生改变而造成补全误差过大的问题。其方案是：模拟机动目标的运动轨迹；提取中断发生前的历史航迹数据并对其进行预处理；构建神经网络模型，运用预处理后的历史航迹数据对其进行训练；利用训练好的模型参数对部分历史航迹数据进行计算，得到中断周期内的预测航迹；利用中断结束后第一个周期的航迹数据作为初始值对中断周期内的航迹进行反向卡尔曼一步预测，并利用卡尔曼滤波更新算法对一步预测航迹进行校正，得到最终补全航迹。本发明补全误差小，在目标运动状态发生改变时，仍能获得较为准确的预测航迹，可用于目标跟踪。

Description

基于卡尔曼滤波和神经网络的航迹补全方法

技术领域

本发明属于通信技术领域，特别涉及一种航迹量测中断后的补全方法，可用于目标跟踪。

背景技术

由于目标机动、多普勒雷达照射盲区、长采样间隔和低探测率等原因，雷达对目标的跟踪常常发生航迹中断。航迹中断对信息融合会造成严重的干扰，因而中断航迹的补全是雷达数据处理领域亟需解决的关键问题之一。

随着航空飞行环境趋向复杂化，由于系统误差、地理环境的隔绝和干扰，会导致目标超出了传感器的探测范围产生性能异常，造成传感器在某一段时间内探测不到目标航迹，过一段时间航迹又恢复正常，导致目标航迹的不连续。这种航迹中断对信息融合会造成严重的干扰，融合中心并无法连续获得各目标信息，所以经过融合后呈现给指挥员的可能是非连续的跟踪状态。因而中断航迹的补全是雷达数据处理领域亟需解决的关键问题之一，需要一种适合在目标航迹中断情况下的航迹补全算法，来解决这一问题，使得来自于同一个目标的中断前后的航迹关联起来，形成一条连续的完整航迹。

目前，航迹补全主要有两类，一类是运用传统状态估计算法对中断周期内航迹状态信息进行滤波估计，进而获得补全航迹。另一类是新兴的机器学习算法，运用神经网络学习目标历史航迹特征信息，并对中断周期内航迹进行预测，进而获得补全航迹。

运用传统状态估计进行航迹补全的算法主要有门葆红在其论文中提出的正反向卡尔曼滤波融合补全算法，此算法运用中断前最后一个周期内目标状态信息作为卡尔曼正向一步预测的初始值，对中断周期内航迹进行正向预测；运用中断结束后的第一个周期内目标状态信息作为卡尔曼反向一步预测的初始值，对中断内航迹进行反向预测；之后对正反向预测结果运用凸融合算法进行融合。此算法没有充分利用中断发生前的历史航迹信息，在目标状态发生改变时，卡尔曼一步预测算法无法及时捕捉目标状态变化信息，预测误差大，进而导致融合后的补全航迹不准确；蒋鑫在其论文中提出的正逆向滤波算法。此算法与门葆红提出的算法相仿，都是先对中断周期内航迹进行正反向预测，之后对航迹预测航迹进行融合。但是此算法在目标的状态信息中加入了目标的姿态信息，相比于之前门葆红的算法包含信息更为全面，补全更为准确。Lefferts在其论文中提出容积卡尔曼滤波方法进行目标轨迹补全。但此类算法在目标运动状态单一时，补全较为准确，当目标发生机动时，会造成补全航迹误差变大；

运用机器学习进行航迹补全的算法主要有张涛在其论文中提出基于Elman网络的轨迹预测补全方法，该方法是取一段航迹前5个连续时刻的信息作为网络输入，第6个时刻的位置为输出，对网络进行训练，之后运用训练好的网络对航迹进行单步预测。此方法在目标中断时间较短时补全误差较小，但随着中断时长的增加，单步预测的误差会循环累积，导致补全航迹误差较大；王新在其论文中对张涛的算法做了改进，使用混合变异粒子群优化HPSO算法优化网络的初始权值，减小了网络训练时间和补全误差，但在航迹长时间中断时，补全误差仍然较大，补全后的航迹会出现不连续的情况，使雷达数据融合中心无法获得更为准确的航迹信息，影响数据融合效果。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于卡尔曼滤波和Bi-LSTM网络的航迹补全方法，以减小长时间航迹中断和机动目标航迹中断的补全误差，提高补全准确率，使雷达数据融合中心可以获得更为准确的航迹信息，更好的进行数据融合。

本发明的技术思路是：利用神经网络学习中断发生前历史航迹中目标运动状态的变化特征，对中断周期内的航迹进行预测，获得正向预测航迹。利用中断后第一个周期的航迹量测作为初始值进行逆向卡尔曼滤波，并将正向预测航迹作为已知量测对卡尔曼滤波结果进行校正，校正后航迹即为中断补全结果。

根据上述思路，本发明的航迹中断补全方法，其特征在于，包括如下：

(1)对航迹中断前的历史航迹数据依次进行归一化和确定输入样本维度及标签样本维度的预处理；

(2)构建一个依次由双向长短时记忆单元Bi-LSTM层、Dropout层、Dense层、激活层,这四层结构组成的神经网络：

(3)设置最大迭代次数为N和批量大小，将预处理后的航迹数据集送入搭建好的网络中，运用批量梯度下降法对其网络的参数进行迭代训练，当迭代次数到达N时，得到训练好的网络模型；

(4)取航迹中断前的部分数据送入keras框架下的predict函数中，通过调用训练好的网络参数对中断周期内的航迹进行计算，得到中断周期内的预测航迹；

(5)对中断周期内航迹进行校正：

(5a)利用中断后第一个周期的航迹量测作为初始值进行逆向卡尔曼一步预测；

(5b)对卡尔曼的一步预测结果采用卡尔曼滤波更新算法进行校正，即将(4)得到的预测航迹作为已知量测信息对卡尔曼一步预测结果进行校正，校正后航迹即为补全结果。

本发明与现有技术相比，具有以下优点：

1)本发明由于构建了由四层结构组成的神经网络，可将航迹序列信息分两个方向输入模型中,使用两个隐藏层保存两个方向的输入信息，能更好的提取目标历史航迹的变化特征，即使目标在中断周期内运动状态发生改变，神经网络模型仍然可以较为准确的预测出中断周期内航迹；同时本发明在目标运动状态发生改变时，可以更准确的预测出航迹，为之后的卡尔曼滤波更新提供更准确的量测信息，进而获得更为准确的补全航迹。

2)本发明由于将神经网络预测算法与卡尔曼算法相结合，即将神经网络正向预测出的预测航迹作为卡尔曼反向滤波更新时的量测航迹，对卡尔曼一步预测航迹进行校正，解决了卡尔曼反向滤波更新时的量测缺失问题，获得误差较低的补全航迹，以后续为目标提供更为准确的飞行策略，确保目标飞行安全。

附图说明

图1为本发明的实现流程图；

图2为本发明中构建的神经网络模型结构图。

具体实施方式

下面结合附图对本发明的实施例和效果作进一步详细描述。

参照图1，本发明基于卡尔曼滤波和神经网络的航迹补全方法，实现步骤如下：

步骤1，生成航迹数据集。

设置系统仿真时间为3000s，采样周期为10s，传感器的观测误差标准差为1m；

设机动目标的运动状态包含匀速状态，匀加速状态，匀减速状态，左转弯状态，右转弯状态，其中匀速运动速度为150m/s²，匀加速运动加速度为1m/s²，匀减速运动加速度为-1m/s²，左转弯角速度ω为0.4，右转弯角速度ω为-0.4；

利用交互式多模型算法模拟上述机动目标的运动轨迹，生成目标的航迹数据信息，并设航迹中断发生在第241～299周期，时长为599s。

步骤2，对航迹中断前历史航迹进行预处理。

(2.1)对航迹数据采用离差标准化算法进行归一化，即对原始数据的进行线性变换，使结果值映射到[0-1]之间，得到归一化后的样本X_scaled：

其中，x_i为航迹数据集中的第i个原始样本；

(2.2)确定输入样本X的样本批量为610，每批样本输入的时间步数为120个周期，每批样本的特征数目为1，形状为610*120*1；

(2.3)确定输出样本Y的样本批量为610，每批样本输出的时间步数为60个周期，形状为610*60*1；

步骤3，构建神经网络模型。

参照图2，本步骤构建的神经网络模型依次由Bi-LSTM层、Dropout层、Dense层、激活层,这四层结构组成，每层功能及参数如下：

Bi-LSTM层，用于双向提取航迹数据集的变化特征，其隐藏节点数units为300；

Dropout层，用于在训练过程中随机丢弃部分网络神经元，以防止网络过拟合，其网络丢弃率dropout_ratio为0.2；

Dense层，用于拟合网络的输出样本Y，其隐藏节点数units为256；

激活层，用于将航迹数据集的特征映射到高维的非线性区间内，增强网络模型对非线性数据的适应性，其激活函数为线性激活函数linear。

步骤4，训练神经网络模型；

训练神经网络的方法现有方法有批量梯度下降法、随机梯度下降法、迷你梯度下降法，本步骤采用但不限于批量梯度下降法，其实现如下：

(4.1)设置数据批量大小bath_size为64，将航迹数据集按照批量大小分割成多批数据，将这些批量数据依次送入神经网络中进行单次训练；

(4.2)选择自适应矩估计算法Adam为网络优化算法，用该算法对每轮训练梯度的一阶矩和二阶矩进行计算和校正，以在单次迭代中优化网络参数；

(4.3)设置网络最大迭代次数为150，重复(4.1)和(4.2)共150次，得到训练好的网络模型。

步骤5，运用训练好的神经网络对中断航迹进行正向预测。

选取121～240周期的航迹数据送入keras框架下的predict函数中，调用训练好的神经网络参数对该predict函数的输入数据进行计算，得到60个预测值，这60个预测值组成241～299周期内的正向预测航迹。

步骤6，卡尔曼反向一步预测。

选取航迹数据第300周期的状态向量作为初始状态，对其前一周期的状态信息

和协方差矩阵P(k-1|k)进行反向一步预测：

其中，k表示离散时间周期，

是k时刻的n维状态向量，F(k)是k时刻的状态转移矩阵，Q(k)表示过程噪声。

步骤7，运用卡尔曼滤波更新算法对卡尔曼一步预测结果进行反向校正。

(7.1)计算航迹k-1时刻的增益矩阵G(k-1)：

G(k-1)＝P(k-1|k)H^T(HP(k-1|k)H^T+R(k))，

其中，H为航迹的观测矩阵，R(k)为噪声协方差矩阵，T为矩阵转置；

(7.2)将步骤5得到的正向预测航迹作为已知量测Z，更新航迹k-1时刻的状态信息，公式如下：

其中，

为更新后的状态信息，G(k-1)为k-1时刻的增益矩阵，Z(k-1)为k-1时刻的航迹量测；

(7.3)重复步骤6、(7.1)和(7.2)共60次，得到目标241～299周期的航迹，即为中断周期内的补全航迹。

以下通过仿真实验，对本发明的技术效果作进一步说明。

1.本发明的仿真条件：

神经网络模型以Python3.6的Keras框架为仿真平台；

航迹生成部分和Kalman滤波校正部分以MATLAB 2018a为仿真平台；

2.仿真内容：

用本发明和现有两种航迹补全算法分别对在机动目标航迹量测因不可抗力因素丢失或中断时的航迹进行补全，其误差结果如表1所示。

表1不同航迹补全算法的误差对比

从表1可以看出，本发明提出的基于卡尔曼滤波和神经网络的航迹补全方法相较于与现有算法，补全中断航迹时具有更低的误差，补全的航迹更为准确，可为雷达数据融合中心提供完整的航迹信息，便于进行后续的数据融合，确保飞行安全。

Claims (8)

1.一种基于卡尔曼滤波和神经网络的航迹补全方法，其特征在于，包括如下：

(1)对航迹中断前的历史航迹数据依次进行归一化和确定输入样本维度及标签样本维度的预处理；

(2)构建一个依次由双向长短时记忆单元Bi-LSTM层、Dropout层、Dense层、激活层,这四层结构组成的神经网络；

(3)设置最大迭代次数为N和批量大小，将预处理后的航迹数据集送入搭建好的网络中，运用批量梯度下降法对其网络的参数进行迭代训练，当迭代次数到达N时，得到训练好的网络模型；

(4)取航迹中断前的部分数据送入keras框架下的predict函数中，通过调用训练好的网络参数对中断周期内的航迹进行计算，得到中断周期内的预测航迹；

(5)对中断周期内航迹进行校正：

(5a)利用中断后第一个周期的航迹量测作为初始值进行逆向卡尔曼一步预测；

(5b)对卡尔曼的一步预测结果采用卡尔曼滤波更新算法进行校正，即将(4)得到的预测航迹作为已知量测信息对卡尔曼一步预测结果进行校正，校正后航迹即为补全结果。

2.根据权利要求1所述方法，其特征在于，(1)中对航迹数据归一化处理，公式如下：

其中，x_i为数据集中的第i个原始样本，X_scaled为归一化后的样本。

3.根据权利要求1所述方法，其特征在于，(1)中确定输入样本维度及标签样本维度，是将输入样本X_train的样本批量设为610，每批样本的时间步数为120个周期，每批样本的特征数目为1，即输入样本维度为610*120*1；将标签样本Y_train的样本批量设为610，每批样本的时间步数为60个周期，每批样本的特征数目为1，即标签样本维度为610*60*1。

4.根据权利要求1所述方法，其特征在于，(2)中构建的神经网络功能和参数如下：

Bi-LSTM层，用于提取历史航迹数据集的变化特征，其隐藏节点数units为300；

Dropout层，用于防止网络在训练过程中的过拟合，其丢弃率dropout_ratio为0.2；

Dense层，用于网络训练时拟合标签样本Y_train，其隐藏节点数units为256；

激活层，用于增强网络模型对非线性数据的适应性，其激活函数为linear激活函数。

5.根据权利要求1所述方法，其特征在于，(3)中运用小批量梯度下降法对神经网络的参数进行迭代训练，实现如下：

(3a)设置数据批量大小batch_size为64，将航迹数据集按照数据批量大小分割成多个小批量数据，将这些小批量数据依次送入神经网络中进行单次训练；

(3b)设置网络优化算法为自适应矩估计算法Adam，通过计算和校正每轮训练梯度的一阶矩和二阶矩来优化网络参数；

(3c)设置网络最大迭代次数为150，重复(3a)和(3b)共150次，得到训练好的网络模型。

6.根据权利要求1所述方法，其特征在于，(4)中运用keras框架下的predict函数对中断航迹进行预测，是将predict函数的输入设置为航迹中断前120周期的航迹数据，调用训练好的神经网络参数对该predict函数的输入数据进行计算，得到航迹中断60周期内的航迹数据，即为正向预测航迹。

7.根据权利要求1所述的方法，其特征在于，(5a)中利用中断后第一个周期的航迹量测作为初始值进行逆向卡尔曼一步预测，是运用卡尔曼算法对航迹的前一时刻的状态信息

和协方差矩阵P(k-1|k)进行反向一步预测，公式如下：

其中，k表示离散时间周期，

是k时刻的n维状态向量，F(k)是k时刻的状态转移矩阵，Q(k)表示过程噪声，P(k)为协方差矩阵。

8.根据权利要求1所述的方法，其特征在于，(5b)中运用卡尔曼滤波更新算法对卡尔曼一步预测结果进行反向校正，实现如下：

(5b1)计算航迹k-1时刻的增益矩阵G(k-1)：

G(k-1)＝P(k-1|k)H^T(HP(k-1|k)H^T+R(k))，

其中，H为航迹的观测矩阵，R(k)为噪声协方差矩阵，T为矩阵转置；

(5b2)将(4)得到的预测航迹作为已知量测Z，更新航迹k-1时刻的状态信息，公式如下：

其中，

为更新后的状态信息，G(k-1)为k-1时刻的增益矩阵，Z(k-1)为k-1时刻的航迹量测；

(5b3)重复(5a)、(5b1)和(5b2)共60次，得到航迹中断期间内60个周期的航迹，即为最终补全结果。

Images