CN113589272A - 一种目标跟踪设备值班日志自动生成方法 - Google Patents
一种目标跟踪设备值班日志自动生成方法 Download PDFInfo
- Publication number
- CN113589272A CN113589272A CN202110757029.4A CN202110757029A CN113589272A CN 113589272 A CN113589272 A CN 113589272A CN 202110757029 A CN202110757029 A CN 202110757029A CN 113589272 A CN113589272 A CN 113589272A
- Authority
- CN
- China
- Prior art keywords
- target
- maneuver
- steps
- time
- model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 28
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009189 diving Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000008034 disappearance Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism 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
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种目标跟踪设备值班日志自动生成方法,属于跟踪设备智能化技术领域,该复杂装备保障资源定性评估方法,包括以下步骤:S1、提取目标状态,S2、时间滑窗生成状态序列,S3、目标威胁度判断。该系统基于Qt进行桌面软件开发;使用Qt实现雷达数据存储、数据回放分析、任务报告自动生成等重要功能,本算法根据距离、方位、仰角、时间等雷达目标侦测数据,采用滑动时间窗口提取具有时间相关性的特征点迹,消除特征属性之间的差异化后,根据提取特征点迹数量,分值守人员要对雷达等跟踪设备的跟踪目标的数据进行汇总记录,应当时刻对目标的起始、机动、降高、转向、消失等时刻点进行记录,并定时生成日志文件和报告。
Description
技术领域
本发明涉及跟踪设备智能化技术领域,具体为一种目标跟踪设备值班日志自动生成方法。
背景技术
目标跟踪与状态识别判断日志智能生成技术近些年发展十分火热,在各个民用、军用领域都有应用。传统的人工判别、手工记录方式,需要花费大量的人力资源,面对与日俱增的数据量与突发事件,人工方式也愈加细化和繁琐,且容易带来人为的疏忽与遗漏。因此,建立一个兼具目标状态跟踪、状态识别判断与值班日志智能生成功能的管理系统是解决上述问题的有效途径。
其中,对目标的状态或类型识别判断,多年来较为成熟的技术有如下几类:
(1)兼备回波起落和调制谱特性的目标状态识别
该技术大多是依靠雷达时域一维目标回波波形,来获取波形体系中的囊括的目标特征的数据,从而实现目标分类。以目标回波起落方法来说,欲辨别雷达目标,需要将分辨率较低的雷达侦测到的数据当作点迹目标,而且在侦测过程中,目标回波的相位与幅值根据目标对应雷达的特定姿态的调整而变化。依据目标回波的相位和幅值的变化情况去判别其活动形态,通过进一步提取特征数据,就可以判别目标的飞行状态。以调制谱特性识别来说,是利用目标本身的旋转部件对回波有调制作用的原理,例如喷气发动机的旋转叶片、飞机的旋翼、直升机的螺旋桨等飞行器的往复运动,形成对回波的周期调制。利用 K近邻分类方法对目标进行判别。
(2)基于信息融合的方法实现目标状态识别
信息融合中的证据理论在面临目标类别复杂、目标之间特征相似的问题时,能够高效地分析处理目标识别中不准确、不确定、不完整信息。例如有研究人员了结合信息融合中的DSmT和D-S多元信息融合规则与近邻分析算法,提出了一种基于信息融合证据理论的目标识别算法。该算法能够有效地处理目标状态判别过程中的不确定信息,并充分地使用了待识别目标的多域复合特征。
(3)基于高分辨力雷达成像特性的目标状态识别
利用高分辨力雷达或逆合成孔径雷达、合成孔径雷达令目标实行距离成像,进而形成二维雷达目标图像,可得到目标的姿态和形态数据,之后通过图像识别技术来对目标状态进行识别。有研究人员提出了改进自适应进化粒子群(AEPSO)算法,来优化支持向量机(SVM) 参数,建立了状态分类识别模型,通过加强粒子寻优的非线性变化过程提高了高分辨雷达对于目标状态识别的精度,且鲁棒性较强。也有研究人员使用最小二乘法结合SVM的雷达目标状态自动判别方法,利用最小二乘法对复杂的高分辨率雷达距离像的特征进行分类。
(4)基于统计学方法中决策树模型进行目标状态识别
通过构造不同属性分类的节点,不断进行特征选择后度量不同特征属性之间的相关性,最终建立回归模型进行目标识别。例如利用决策树算法对雷达RCS目标进行分类识别的系统。或是基于决策树多分类支持向量机的目标分类方法,结合决策树算法将欲解决二值分类的支持向量机优化为多类分类器。
(5)基于深度学习技术的目标状态识别
随着近几年深度学习技术的日益发展,也进入到了雷达目标状态判别领域。有研究人员研究了卷积神经网络在目标状态判别领域的应用,通过开发的卷积因子分析(CFA)概率生成模型,适用于训练数据有限的统计判别。也有人提出了基于雷达高分辨距离像的深度信念网络的目标识别方法,利用t分布随机邻居嵌入进行数据清洗,平衡了HRRO的目标数据。此外也有研究人员开发了用于雷达目标自动识别的感知循环注意力网络,结合了主攻时序数据的循环神经网络和注意力机制,不仅增强了识别成功率,也注意到了目标运动与时间的相关性。
但是,以上基于深度学习的研究均没有利用到雷达侦测到目标的点迹时空信息,诸如距离、方位、仰角、时间等。有研究人员通过构建基于卷积神经网络的深度学习模型,对距离、方位等进行点迹数据进行预处理与特征提取,以实现目标航迹类型的判别,但是也只使用了二维时空数据的信息,对于飞行目标的高度变化等无法进行判别,且其中采用了Adam优化器,面对固定窗口会选取窗口范围内的梯度信息而忽略了窗口外的梯度信息,导致收敛性无法最优。
发明内容
本发明提供的发明目的在于提供一种目标跟踪设备值班日志自动生成方法。该系统基于Qt进行桌面软件开发;使用Qt实现雷达数据存储、数据回放分析、任务报告自动生成等重要功能,使雷达站值班流程清晰化、智能化、准确化;提出了一种针对于目标状态自动判别的分类识别算法,本算法根据距离、方位、仰角、时间等雷达目标侦测数据,采用滑动时间窗口提取具有时间相关性的特征点迹,消除特征属性之间的差异化后,根据提取特征点迹数量,分别进行目标机动状态识别和目标航迹类型识别,对于航迹类型识别,采用了提出了一种基于Adamax并经过优化的卷积神经网络模型对目标状态进行分类识别,对比传统随机梯度下降法可以更迅速的更新模型权重,进一步提升了模型收敛性和经验性能,并通过实验对比主流目标识别算法,该模型拥有更高的准确率和识别速率,值守人员要对雷达等跟踪设备的跟踪目标的数据进行汇总记录,应当时刻对目标的起始、机动、降高、转向、消失等时刻点进行记录,并定时生成日志文件和报告。
为了实现上述效果,本发明提供如下技术方案:一种目标跟踪设备值班日志自动生成方法,包括以下步骤:
S1、提取目标状态;
S2、时间滑窗生成状态序列;
S3、目标威胁度判断;
S4、计算位置、速度和加速度、航向差;
S5、判断目标机动;
S6、生成日志文件。
进一步的,根据S1中的操作步骤,所述目标状态主要包括直线机动、转弯机动、俯冲机动和上仰机动,短时间内的目标机动状态通过计算少量相邻特征点的变化即可进行识别,直线机动和转弯机动主要是对机动的方向的斜率进行判别。
进一步的,根据S4中的操作步骤,所述水平面上斜率的计算如下:
进一步的,根据S1中的操作步骤,所述因为雷达数据采集存在一定误差,而且飞行目标因为人为操控和大气气流原因,很难进行完全的直线机动,所以在进行识别时,需要放宽目标是否转弯的阈值,根据三角函数可知,kji=tanθ,其中,θ为斜率直线与x轴的夹角,所以识别阈值就可以设置为kji±tanφ,及为kji-tanφ≤ k(j+1)j≤kji+tanφ。
进一步的,根据S4中的操作步骤,俯冲与上仰机动识别高度变化ΔHji的计算公式如下:ΔHji=zj-zi(i,j=1,2,3…、j>i),若ΔHji> 0,则说明目标在进行上仰机动;若ΔHji<0,则说明目标在进行俯冲机动,同时,因为客观原因存在,也应该设置判定阈值,即|ΔHji|≤H。
进一步的,根据S4中的操作步骤,所述H为设定的高度变化阈值,高度变化不超过这个阈值则未发生俯冲或上仰机动,至此,可以通过少量特征点,对其相对位置变化进行计算后识别出目标机动状态。
进一步的,根据S5中的操作步骤,所述分别进行两次卷积和池化操作是最佳方案,故本文采用卷积层1、池化层1、卷积层2、池化层2、全连接层的网络结构模型。
进一步的,根据S5中的操作步骤,所述卷积神经网络结构之后,需要进行模型编译,选择损失函数、和优化器,损失函数用来衡量模型的预测能力,用来定义模型预测结果与实际结果之间的差距,所以得出的交叉熵值越小,两种结果概率的分布越相似,针对于本文所构建的多种航迹类型的分类回归模型,选用交叉熵损失函数,其定义如下其中,x表示为样本数据, y表示为模型实际分类识别结果,a表示为预测结果,n表示为样本数据的数量,优化器利用梯度下降的方式修正模型训练与模型输出的参数值,最优化损失函数,Adam是目前大部分分类识别模型的优化器选择,Adam计算公式为:mt=μ*mt-1+(1-μ)*gt,
进一步的,根据S5中的操作步骤,所述mt表示为t时刻的指数衰减平均值,nt表示为t时刻的平方指数衰减平均值,gt表示t时刻的梯度,和分别表示对应的偏差校正,Δθt表示为参数变化值,μ、 v、∈为超参数值,分别设定为0.9、0.999、10-8,η表示为学习率,设定为0.002,但是Adam在收敛性上存在一定问题,所以本发明采用改进自Adam的Adamax算法,其在Adam基础上加入了无穷范数 (infinity norm),为学习率提供了一个范围变化公式,改善了适应性学习算法收敛性不佳的问题,具体改进如下:nt=max(v*nt-1,|gt|),
本发明提供了一种目标跟踪设备值班日志自动生成方法,具备以下有益效果:
实际上,该系统基于Qt进行桌面软件开发;使用Qt实现雷达数据存储、数据回放分析、任务报告自动生成等重要功能,使雷达站值班流程清晰化、智能化、准确化;提出了一种针对于目标状态自动判别的分类识别算法,本算法根据距离、方位、仰角、时间等雷达目标侦测数据,采用滑动时间窗口提取具有时间相关性的特征点迹,消除特征属性之间的差异化后,根据提取特征点迹数量,分别进行目标机动状态识别和目标航迹类型识别,对于航迹类型识别,采用了提出了一种基于Adamax并经过优化的卷积神经网络模型对目标状态进行分类识别,对比传统随机梯度下降法可以更迅速的更新模型权重,进一步提升了模型收敛性和经验性能,并通过实验对比主流目标识别算法,该模型拥有更高的准确率和识别速率,值守人员要对雷达等跟踪设备的跟踪目标的数据进行汇总记录,应当时刻对目标的起始、机动、降高、转向、消失等时刻点进行记录,并定时生成日志文件和报告。
附图说明
图1为本发明的评估方法示意图;
图2为本发明目标状态自动判别算法结构图的示意图。
具体实施方式
本发明提供一种技术方案:请参阅图1-2,一种目标跟踪设备值班日志自动生成方法,包括以下步骤:
S1、提取目标状态;
S2、时间滑窗生成状态序列;
S3、目标威胁度判断;
S4、计算位置、速度和加速度、航向差;
S5、判断目标机动;
S6、生成日志文件。
具体的,根据S1中的操作步骤,目标状态主要包括直线机动、转弯机动、俯冲机动和上仰机动,短时间内的目标机动状态通过计算少量相邻特征点的变化即可进行识别,直线机动和转弯机动主要是对机动的方向的斜率进行判别。
具体的,根据S4中的操作步骤,水平面上斜率的计算如下:
具体的,根据S1中的操作步骤,因为雷达数据采集存在一定误差,而且飞行目标因为人为操控和大气气流原因,很难进行完全的直线机动,所以在进行识别时,需要放宽目标是否转弯的阈值,根据三角函数可知,kji=tanθ,其中,θ为斜率直线与x轴的夹角,所以识别阈值就可以设置为kji±tanφ,及为kji-tanφ≤k(j+1)j≤kji+ tanφ。
具体的,根据S4中的操作步骤,俯冲与上仰机动识别高度变化ΔHji的计算公式如下:ΔHji=zj-zi(i,j=1,2,3…、j>i),若ΔHji>0,则说明目标在进行上仰机动;若ΔHji<0,则说明目标在进行俯冲机动,同时,因为客观原因存在,也应该设置判定阈值,即|ΔHji|≤H。
具体的,根据S4中的操作步骤,H为设定的高度变化阈值,高度变化不超过这个阈值则未发生俯冲或上仰机动,至此,可以通过少量特征点,对其相对位置变化进行计算后识别出目标机动状态。
具体的,根据S5中的操作步骤,分别进行两次卷积和池化操作是最佳方案,故本文采用卷积层1、池化层1、卷积层2、池化层2、全连接层的网络结构模型。
具体的,根据S5中的操作步骤,卷积神经网络结构之后,需要进行模型编译,选择损失函数、和优化器,损失函数用来衡量模型的预测能力,用来定义模型预测结果与实际结果之间的差距,所以得出的交叉熵值越小,两种结果概率的分布越相似,针对于本文所构建的多种航迹类型的分类回归模型,选用交叉熵损失函数,其定义如下其中,x表示为样本数据,y 表示为模型实际分类识别结果,a表示为预测结果,n表示为样本数据的数量,优化器利用梯度下降的方式修正模型训练与模型输出的参数值,最优化损失函数,Adam是目前大部分分类识别模型的优化器选择,Adam计算公式为:mt=μ*mt-1+(1-μ)*gt,
具体的,根据S5中的操作步骤,mt表示为t时刻的指数衰减平均值,nt表示为t时刻的平方指数衰减平均值,gt表示t时刻的梯度,和分别表示对应的偏差校正,Δθt表示为参数变化值,μ、υ、∈为超参数值,分别设定为0.9、0.999、10-8,η表示为学习率,设定为0.002,但是Adam在收敛性上存在一定问题,所以本发明采用改进自Adam的Adamax算法,其在Adam基础上加入了无穷范数 (infinity norm),为学习率提供了一个范围变化公式,改善了适应性学习算法收敛性不佳的问题,具体改进如下:nt=max(v*nt-1,|gt|),
根据上述表格数据可以得出,当实施实施例时,通过本发明一种目标跟踪设备值班日志自动生成方法,可以实现对各个方面的关联度进行快速评估计算。
本发明提供了一种目标跟踪设备值班日志自动生成方法,包括以下步骤:步骤一、提取目标状态,目标状态主要包括直线机动、转弯机动、俯冲机动和上仰机动,短时间内的目标机动状态通过计算少量相邻特征点的变化即可进行识别,直线机动和转弯机动主要是对机动的方向的斜率进行判别,步骤二、时间滑窗生成状态序列,步骤三、目标威胁度判断,步骤四、计算位置、速度和加速度、航向差,俯冲和上仰机动重点在于高度变化,计算方式如下:已知特征点的距离r、方位a、仰角e,根据球坐标系转换三维坐标系可知:水平面上斜率的计算如下: 因为雷达数据采集存在一定误差,而且飞行目标因为人为操控和大气气流原因,很难进行完全的直线机动,所以在进行识别时,需要放宽目标是否转弯的阈值,根据三角函数可知,kji=tanθ,其中,θ为斜率直线与x轴的夹角,所以识别阈值就可以设置为kji± tanφ,及为kji-tanφ≤k(j+1)j≤kji+tanφ,ΔHji=zj-zi(i,j= 1,2,3…、j>i),若ΔHji>0,则说明目标在进行上仰机动;若ΔHji<0,则说明目标在进行俯冲机动,同时,因为客观原因存在,也应该设置判定阈值,即|ΔHji|≤H,H为设定的高度变化阈值,高度变化不超过这个阈值则未发生俯冲或上仰机动,至此,可以通过少量特征点,对其相对位置变化进行计算后识别出目标机动状态,步骤五、判断目标机动,根据步骤五中的操作步骤,分别进行两次卷积和池化操作是最佳方案,故本文采用卷积层1、池化层1、卷积层2、池化层2、全连接层的网络结构模型,卷积神经网络结构之后,需要进行模型编译,选择损失函数、和优化器,损失函数用来衡量模型的预测能力,用来定义模型预测结果与实际结果之间的差距,所以得出的交叉熵值越小,两种结果概率的分布越相似,针对于本文所构建的多种航迹类型的分类回归模型,选用交叉熵损失函数,其定义如下 其中,x表示为样本数据,y表示为模型实际分类识别结果,a表示为预测结果,n表示为样本数据的数量,优化器利用梯度下降的方式修正模型训练与模型输出的参数值,最优化损失函数,Adam是目前大部分分类识别模型的优化器选择,Adam 计算公式为:mt=μ*mt-1+(1-μ)*gt, mt表示为t时刻的指数衰减平均值,nt表示为t时刻的平方指数衰减平均值,gt表示t 时刻的梯度,和分别表示对应的偏差校正,Δθt表示为参数变化值,μ、v、∈为超参数值,分别设定为0.9、0.999、10-8,η表示为学习率,设定为0.002,但是Adam在收敛性上存在一定问题,所以本发明采用改进自Adam的Adamax算法,其在Adam基础上加入了无穷范数(infinitynorm),为学习率提供了一个范围变化公式,改善了适应性学习算法收敛性不佳的问题,具体改进如下: nt=max(v*nt-1,|gt|),步骤六、生成日志文件,系统整体界面,该系统将雷达数据管理系统与雷达目标状态自动判别相结合,兼备雷达目标状态自动判别、数据快速存储、及时回放、自动生成值班日志等功能,减少值守人员繁复的工作量和人为失误,使得值班流程清晰化、准确化、智能化,其中研究目标状态自动识别方法对战场瞬息万变的态势和辅助战事决策有重要意义;同时可以作为飞行器实验数据的采集系统,研究人员在学习与分析飞行器性能的过程中可以通过系统回放减少实验次数,节约重复研究的成本。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:
S1、提取目标状态;
S2、时间滑窗生成状态序列;
S3、目标威胁度判断;
S4、计算位置、速度和加速度、航向差;
S5、判断目标机动;
S6、生成日志文件。
2.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S1中的操作步骤,所述目标状态主要包括直线机动、转弯机动、俯冲机动和上仰机动,短时间内的目标机动状态通过计算少量相邻特征点的变化即可进行识别,直线机动和转弯机动主要是对机动的方向的斜率进行判别。
5.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S1中的操作步骤,所述因为雷达数据采集存在一定误差,而且飞行目标因为人为操控和大气气流原因,很难进行完全的直线机动,所以在进行识别时,需要放宽目标是否转弯的阈值,根据三角函数可知,kji=tanθ,其中,θ为斜率直线与x轴的夹角,所以识别阈值就可以设置为kji±tanφ,及为kji-tanφ≤k(j+1)j≤kji+tanφ。
6.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S4中的操作步骤,俯冲与上仰机动识别高度变化ΔHji的计算公式如下:ΔHji=zj-zi(i,j=1,2,3...、j>i),若ΔHji>0,则说明目标在进行上仰机动;若ΔHji<0,则说明目标在进行俯冲机动,同时,因为客观原因存在,也应该设置判定阈值,即|ΔHji|≤H。
7.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S4中的操作步骤,所述H为设定的高度变化阈值,高度变化不超过这个阈值则未发生俯冲或上仰机动,至此,可以通过少量特征点,对其相对位置变化进行计算后识别出目标机动状态。
8.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S5中的操作步骤,所述分别进行两次卷积和池化操作是最佳方案,故本文采用卷积层1、池化层1、卷积层2、池化层2、全连接层的网络结构模型。
9.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S5中的操作步骤,所述卷积神经网络结构之后,需要进行模型编译,选择损失函数、和优化器,损失函数用来衡量模型的预测能力,用来定义模型预测结果与实际结果之间的差距,所以得出的交叉熵值越小,两种结果概率的分布越相似,针对于本文所构建的多种航迹类型的分类回归模型,选用交叉熵损失函数,其定义如下其中,x表示为样本数据,y表示为模型实际分类识别结果,a表示为预测结果,n表示为样本数据的数量,优化器利用梯度下降的方式修正模型训练与模型输出的参数值,最优化损失函数,Adam是目前大部分分类识别模型的优化器选择,Adam计算公式为:mt=μ*mt-1+(1-μ)*gt,
10.据权利要求1所述的一种目标跟踪设备值班日志自动生成方法,其特征在于,包括以下步骤:根据S5中的操作步骤,所述mt表示为t时刻的指数衰减平均值,nt表示为t时刻的平方指数衰减平均值,gt表示t时刻的梯度,和分别表示对应的偏差校正,Δθt表示为参数变化值,μ、v、∈为超参数值,分别设定为0.9、0.999、10-8,η表示为学习率,设定为0.002,但是Adam在收敛性上存在一定问题,所以本发明采用改进自Adam的Adamax算法,其在Adam基础上加入了无穷范数(infinity norm),为学习率提供了一个范围变化公式,改善了适应性学习算法收敛性不佳的问题,具体改进如下:nt=max(ν*nt-1,|gt|),
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757029.4A CN113589272A (zh) | 2021-07-05 | 2021-07-05 | 一种目标跟踪设备值班日志自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757029.4A CN113589272A (zh) | 2021-07-05 | 2021-07-05 | 一种目标跟踪设备值班日志自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113589272A true CN113589272A (zh) | 2021-11-02 |
Family
ID=78245924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757029.4A Withdrawn CN113589272A (zh) | 2021-07-05 | 2021-07-05 | 一种目标跟踪设备值班日志自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113589272A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096315A (zh) * | 2022-06-07 | 2022-09-23 | 哈尔滨工业大学 | 针对稀疏数据的航天器目标机动检测方法 |
CN116299400A (zh) * | 2023-05-23 | 2023-06-23 | 中国兵器科学研究院 | 一种浮空平台位置调整方法及装置 |
CN117572376A (zh) * | 2024-01-16 | 2024-02-20 | 烟台大学 | 低信噪比弱小目标雷达回波信号识别装置及训练识别方法 |
-
2021
- 2021-07-05 CN CN202110757029.4A patent/CN113589272A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096315A (zh) * | 2022-06-07 | 2022-09-23 | 哈尔滨工业大学 | 针对稀疏数据的航天器目标机动检测方法 |
CN116299400A (zh) * | 2023-05-23 | 2023-06-23 | 中国兵器科学研究院 | 一种浮空平台位置调整方法及装置 |
CN116299400B (zh) * | 2023-05-23 | 2023-08-15 | 中国兵器科学研究院 | 一种浮空平台位置调整方法及装置 |
CN117572376A (zh) * | 2024-01-16 | 2024-02-20 | 烟台大学 | 低信噪比弱小目标雷达回波信号识别装置及训练识别方法 |
CN117572376B (zh) * | 2024-01-16 | 2024-04-19 | 烟台大学 | 低信噪比弱小目标雷达回波信号识别装置及训练识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN113589272A (zh) | 一种目标跟踪设备值班日志自动生成方法 | |
CN102799900B (zh) | 一种基于检测中支持在线聚类学习的对象跟踪方法 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
Zhang et al. | An intruder detection algorithm for vision based sense and avoid system | |
Xiao et al. | Specific emitter identification of radar based on one dimensional convolution neural network | |
CN114818853B (zh) | 基于双向门控循环单元和条件随机场的意图识别方法 | |
Yang et al. | Aircraft tracking based on fully conventional network and Kalman filter | |
CN111199243B (zh) | 一种基于改进决策树的空中目标识别方法及系统 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN116954264B (zh) | 分布式高亚音速无人机集群控制系统及其方法 | |
Jia et al. | Automatic target recognition system for unmanned aerial vehicle via backpropagation artificial neural network | |
CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
Guo et al. | A remote sensing ship recognition method of entropy-based hierarchical discriminant regression | |
CN113554072B (zh) | 一种飞行动作划分方法、计算机可读存储介质及终端设备 | |
CN114326821B (zh) | 基于深度强化学习的无人机自主避障系统及方法 | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
CN115359684A (zh) | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 | |
Pan et al. | Identification of aircraft wake vortex based on VGGNet | |
Wu et al. | Real-time compressive tracking with motion estimation | |
Zhao et al. | A Neural Network-based Method for Tracking and Locating the Carrier-based Aircraft | |
Jia et al. | An application that uses machine learning algorithms to help drones distinguish between transport aircraft and fighter jets | |
CN114298183B (zh) | 飞行动作智能识别方法 | |
CN108985445A (zh) | 一种基于机器学习理论的sar目标方位鉴别方法 | |
CN113705337B (zh) | 一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211102 |