CN114118214A - 基于目标运动模型自学习的低空组网融合结果优化方法 - Google Patents
基于目标运动模型自学习的低空组网融合结果优化方法 Download PDFInfo
- Publication number
- CN114118214A CN114118214A CN202111252271.2A CN202111252271A CN114118214A CN 114118214 A CN114118214 A CN 114118214A CN 202111252271 A CN202111252271 A CN 202111252271A CN 114118214 A CN114118214 A CN 114118214A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- altitude
- low
- 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.)
- Granted
Links
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
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/08—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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于目标运动模型自学习的低空组网融合结果优化方法,提出了一种优化融合计算输出航迹质量的方法,一方面将充分挖掘合作目标回传的GPS位置数据以及雷达上报的相对连续稳定的航迹信息中蕴含的低空飞行目标运动模型,然后利用该模型对融合计算输出融合航迹进行修正,提高输出融合航迹质量;另一方面构建基于长短时循环神经网络的低空飞行目标运动状态预测模型,并实现预测模型训练相关数据集的自动化搜集整理,模型结构自动化调整,模型自动化训练测试、模型数据的自动更新,实现基于LSTM的低空飞行目标运动状态预测模型的持续性优化,进而确保输出较高质量的目标修正融合航迹。
Description
技术领域
本发明涉及低空空情监视技术领域,具体涉及基于目标运动模型自学习的低空组网融合结果优化方法。
背景技术
随着大数据、人工智能技术的发展及工程应用,构建长短时循环神经网络模型对非线性延时状态信息进行预测是行之有效途径。
在低于一千米的低空中,实际低空空情监视应用中,低空组网雷达探测受低空地形地物及复杂电磁环境的干扰严重,加之低空飞行目标的强机动性,基于低空组网雷达上报数据进行融合处理生成的融合航迹通常质量低下,很难体现低空飞行目标的实际运动情况,传统的基于卡尔曼滤波平滑的方法能在一定程度上解决融合航迹不稳定的问题,但卡尔曼滤波是基于特定目标运动模型的,且低空飞行目标机动性较强,很难在目标机动飞行的情况下生成连续稳定的融合航迹,严重影响了低空飞行目标的连续稳定跟踪。
发明内容
有鉴于此,本发明提供了一种基于目标运动模型自学习的低空组网融合结果优化方法,能够实现基于LSTM的低空飞行目标运动状态预测模型的持续性优化,进而确保输出较高质量的目标修正融合航迹。
为达到上述目的,本发明的技术方案为:一种目标运动模型自学习的低空组网融合结果优化方法,包括模型自学习组件以及训练数据集存储组件;所使用的文件包括模型自学习配置文件、训练数据集文件以及模型数据文件。
训练数据集存储组件采用存储服务器或同类装置并配置启用FTP文件传输服务,提供训练数据集的存储和基于FTP的数据文件上传下载服务,用于训练数据集及模型数据的存储管理。
模型自学习组件首先获取模型自学习配置文件,根据其中设置的参数,完成模型自学习的初始化设置,包括基于LSTM的低空目标运动状态预测模型训练输入及预测输出信息结构整理、训练数据集自动搜集整理、LSTM网络结构模型自动调整、LSTM模型自动训练和测试及模型数据保存,进而为融合计算航迹优化提供依据。
模型自学习配置文件用于实现基于长短时循环神经网络LSTM的低空飞行目标运动状态预测模型的自动训练,包括训练数据收集配置、常用模型结构配置、模型优化训练的相关参数;模型自学习配置文件采用XML格式文件,XML格式文件中的配置信息包含有数据名称、数据类型和数据内容。
训练数据集文件格式采用按照训练模型所需数据项顺序存储的二进制文件数据文件格式,训练数据集文件中仅存储训练数据内容,不存储数据描述信息或其他信息。
模型数据文件格式采用二进制文件数据文件格式,模型数据文件中仅存储模型数据内容,不存储数据描述信息或其他信息。
进一步地,模型自学习组件采用如下步骤实现:
001:根据低空目标运动状态特征项,整理出基于LSTM的目标运动状态预测模型的输入输出数据模型。
002:训练数据集的自动化搜集存储管理;训练数据集包括两类来源,无人机真实GPS位置值和雷达探测结果值。
003:长短时循环神经网络LSTM网络模型包括输入层、隐藏层以及输出层,输入层输入数据根据训练数据集数据向量确定,输出层输出结果根据需要预测的数据项确定,中间隐藏层层数及层中节点个数是超参,自动化确定中间隐藏层层数及层中节点个数,将隐藏层的层数及节点个数设置在一定范围之内,通过LSTM网络模型的循环训练,同时以预测准确性、训练效率以及过拟合情况作为评价指标,取最优的至少2个LSTM网络结构作为选定的LSTM网络结构。
较优模型的结构固定下来,当下次训练数据集搜集完成以后,通过对预先选定的LSTM网络结构进行自动训练,结合004步得出最优的LSTM网络结构用于目标运动状态的预测。
004:针对选定的LSTM网络结构,利用训练数据集自动执行训练流程,在LSTM网络模型训练到完成之后,自动调用测试集数据进行模型的测试验证,若测试结果达到设定准确率,则准确率最高的LSTM网络结构作为最优的LSTM网络模型进行数据存储固化,以用于低空目标运动状态的预测。
进一步地,步骤001具体为:
低空目标运动状态的数据项包括时刻、空间位置、速度、航向、加速度、航向变化率和高度变化率。
通过特征项集合约简算法及特征项之间的关联关系,速度、航向、加速度、航向变化率及高度变化率都可以通过时刻、空间三维位置计算得出,低空目标运动状态特征项选为时刻以及笛卡尔直角坐标系下三维位置。
基于LSTM循环神经网络的低空飞行目标运动状态预测模型,以时刻、目标三维位置信息为输入,以特定时刻下运动状态信息为输出,其中特定时刻下运动状态信息包括目标位置、速度、航向、加速度以及航向变化率。
由此得到基于LSTM的目标运动状态预测模型的输入输出数据模型,作为优化输出融合航迹的依据。
进一步地,步骤002包括如下具体步骤:
针对无人机真实GPS位置值来源的训练数据集的自动化处理方式包括两种手段,无人机可以自动回报GPS数值时,则实时接收GPS数值进行训练集整理,当无人机无法自动回报GPS数值时,则通过GPS数据文件导入的方式生成训练集。
针对雷达探测结果值来源的训练数据集的自动化处理方式也包括两种方式,一种是通过实时探测数据接收的方式进行整理,另一种方式是通过记录回放的数据进行训练集整理。
在实现训练数据集的自动化搜集存储管理之前,设置新搜集训练集的规模阈值,当数据集的规模达到规模阈值限定之后,将新收集的训练数据集移动到训练数据集存放目录,扩充原来的训练集,并清空原目录下数据,重新开始训练集收集整理,同时触发模型训练机制,自动对低空目标运动趋势预测模型进行优化训练。
进一步地,模型自学习组件中,为融合计算航迹优化提供依据,具体为:
001:在LSTM网络模型训练结束之后,到配置文件中指定目录取得模型数据,将原来的模型数据删除,然后将新的模型数据读取加载;
002:获取目标短期历史时间段内的融合航迹信息,输入目标运动状态预测模型获取目标当前时刻运动状态信息,同时结合历史预测数据,统计计算该目标对应的速度、位置、航向、高度的稳定性信息。
003:结合当前组网雷达上报点航迹信息计算目标融合航迹信息,结合融合计算输出融合航迹信息,统计计算目标对应的速度、位置、航向、高度的稳定性信息。
004:根据目标运动模型预测的状态数据及融合计算结果数据稳定性的对比情况,按照稳定性从高到低分配对应权值,根据权值分配情况计算出修正结果并输出。
有益效果:
本发明提供的一种基于目标运动模型自学习的低空组网融合结果优化方法,针对低空飞行目标机动性强、低空地形地物电磁环境复杂致使组网雷达上报数据质量不高进而出现融合航迹不稳定的问题,提出了一种可行的基于长短时神经网路的融合航迹结果优化算法,一方面实现了低空组网融合系统运行期间训练集数据自动搜集整理、存储管理,长短时神经网络模型结构自动选择、训练、测试、优化以及模型数据更新等,实现了目标运动预测模型的持续性更新优化;另一方面根据训练得出的模型数据对目标运动状态信息进行预测,然后综合考虑预测结果及融合计算结果的数据稳定性,采用合理的权重分配算法,得出较优的输出航迹信息,达到目标融合航迹修正优化的目的;通过上述方法能够显著提高融合计算输出航迹质量,适用于雷达组网融合系统、运动目标活动规律运动模型分析应用场景。
附图说明
图1为本发明提供的一种基于目标运动模型自学习的低空组网融合结果优化方法原理图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图1所示,一种基于目标运动模型自学习的低空组网融合结果优化算法主要由模型自学习配置文件、训练数据集存储组件、低空目标运动模型自学习及应用组件、数据集文件格式、模型文件格式组成。模型自学习配置文件用来描述实现模型自动优化相关配置信息,训练数据集自动搜集配置信息,可用LSTM模型结构配置信息,模型训练优化配置信息等,数据交换配置文件格式采用XML格式。训练数据集存储组件可采用存储服务器或同类装置并配置启用FTP文件传输服务,提供训练数据的存储和基于FTP的数据的上传下载服务,用于训练数据集及模型数据的存储管理。低空目标运动模型自学习及应用组件包括训练数据搜集整理模块、训练数据上传模块、训练数据集文件读写模块和模型自学习控制模块访问配置文件,能够将模型数据文件存放在指定文件路径,模型精度经过测试达到可应用程度以后,下载模型数据对低空组网融合计算输出融合航迹优化,实现优化修正融合航迹数据输出。训练数据集文件格式采用按照训练模型所需数据项顺序存储的二进制文件数据文件格式,数据集文件中仅存储数据内容,不存储数据描述信息或其他信息。模型数据文件格式采用二进制文件数据文件格式,模型数据文件中仅存储模型数据内容,不存储数据描述信息或其他信息。
如图1所示,一种基于目标运动模型自学习的低空组网融合结果优化算法的模型自学习配置文件用来描述实现模型自动优化相关配置信息,训练数据集自动搜集配置信息,可用LSTM模型结构配置信息,模型训练优化配置信息等。数据交换配置文件格式采用XML格式,属性如下:
表1输入输出数据元数据项定义
属性 | 描述 |
name | 数据名称,如“数据搜集规模” |
DataType | 数据类型,如“训练集” |
DataInfo | 数据内容,如“10000000” |
其数据内容如下:
<root>
<config name="数据搜集规模"DataType="训练集"DataInfo="10000000"/>
</root>
如图1所示,一种基于目标运动模型自学习的低空组网融合结果优化算法的训练数据集存储组件采用存储服务器或同类装置,配置启用FTP文件传输服务,提供搜集整理的模型训练数据文件的存储和基于FTP的数据上传下载服务。
如图1所示,一种基于目标运动模型自学习的低空组网融合结果优化算法的低空目标运动模型自学习组件首先获取模型自学习配置文件,根据其中设置的参数,完成模型自学习的初始化设置,该包括基于LSTM的低空目标运动状态预测模型训练输入及预测输出信息结构整理,训练数据集自动搜集整理,LSTM网络结构模型自动调整,LSTM模型自动训练、测试及保存,进而为融合计算航迹优化提供依据,具体的方法步骤为:
001:梳理低空目标运动状态特征项,整理出基于LSTM的目标运动状态预测模型的输入输出数据模型。低空目标运动状态包括时刻、空间位置、速度、航向、加速度、航向变化率、高度变化率等数据项,通过特征项集合约简算法及特征项之间的关联关系,速度、航向、加速度、航向变化率及高度变化率等都可以通过时刻、空间三维位置计算得出,因此,低空目标运动状态特征项选为时刻以及笛卡尔直角坐标系下三维位置。基于LSTM循环神经网络的低空飞行目标运动状态预测模型,以时刻、目标三维位置信息为输入,以特定时刻下目标位置、速度、航向、加速度、航向变化率等运动状态信息为输出作为优化输出融合航迹的依据。
002:训练数据集的自动化处理。训练数据集包括两类来源,无人机真实GPS位置值和雷达探测结果值,无人机GPS数值类训练集的自动化处理方式包括两种手段,无人机可以自动回报GPS数值时,则实时接收GPS数值进行训练集整理,当无人机无法自动回报GPS数值时,则可以通过GPS数据文件导入的方式生成训练集;针对雷达探测数据类训练集的自动化处理方式也包括两种方式,一种是通过实时探测数据接收的方式进行整理,另一种方式是通过记录回放的数据进行训练集整理。在实现数据集的自动化收集之前,设置新搜集训练集的规模阈值,当数据集的规模达到阈值限定之后,将新收集的训练数据集移动到训练数据集存放目录,扩充原来的训练集,并清空原目录下数据,重新开始训练集收集整理,同时触发模型训练机制,自动对低空目标运动趋势预测模型进行优化训练。
003:LSTM网络模型自动化调整整理。长短时循环神经网络包括输入层、隐藏层以及输出层,输入层输入数据根据训练数据集数据向量确定,输出层输出结果根据需要预测的数据项确定,中间隐藏层层数及层中节点个数是超参需要人工设定,若实现LSTM网络模型自动化调整整理,则需自动化确定其中隐藏层层数及层中节点个数,隐层数量及隐层节点个数太多则导致计算规模较大,训练耗时严重且容易出现过拟合情况,较少时则无法对低空目标的运动状态进行准确预测,鉴于此种考虑将隐藏层的层数及节点个数设置在一定范围之内,通过模型的循环训练,并同时考虑预测准确性、训练效率以及过拟合等问题的情况下,找出最优或几个较优模型的结构固定下来,当下次训练数据集搜集完成以后,通过对之前选定的几个LSTM网络结构进行自动训练,结合004步得出最优的LSTM网络结构用于目标运动状态的预测。
004:基于LSTM的低空目标运动状态预测模型的自训练及自测试。在LSTM网络模型选定以及训练数据集准备完成之后,利用训练集自动执行LSTM网络模型的训练流程,在模型训练到一定程度之后,自动调用测试集数据进行模型的测试验证,当测试结果达到一定准确率的情况下,自动实现模型存储固化,为低空目标运动状态的预测应用提供模型基础。模型训练的同时,自动对002搜集的数据规模进行监视,当数据集达到一定规模之后再次执行本步操作,实现低空飞行目标运动状态预测模型的优化训练。
当接收到模型训练结束提示,则读取配置文件中模型数据存放位置,获取模型数据用于融合计算输出航迹的优化输出,其具体步骤为:
001:模型数据的更新加载。在模型训练结束之后,到配置文件中指定目录取得模型数据,将原来的模型数据删除,然后将新的模型数据读取加载。
002:获取目标短期历史时间段内的融合航迹信息,输入目标运动状态预测模型获取目标当前时刻运动状态信息,同时结合历史预测数据,统计计算该目标对应的速度、位置、航向、高度的稳定性信息。
003:结合当前组网雷达上报点航迹信息计算目标融合航迹信息,结合融合计算输出融合航迹信息,统计计算目标对应的速度、位置、航向、高度的稳定性信息。
004:根据目标运动模型预测的状态数据及融合计算结果数据稳定性的对比情况,给稳定性高的数据分配较高权值,给稳定性差的数据分配较低权值,根据权值分配情况计算出修正结果并输出。
综上所述,以上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,均应包含在本发明的保护范围之内。
Claims (5)
1.目标运动模型自学习的低空组网融合结果优化方法,其特征在于,包括模型自学习组件以及训练数据集存储组件;所使用的文件包括模型自学习配置文件、训练数据集文件以及模型数据文件;
所述训练数据集存储组件采用存储服务器或同类装置并配置启用FTP文件传输服务,提供训练数据集的存储和基于FTP的数据文件上传下载服务,用于训练数据集及模型数据的存储管理;
所述模型自学习组件首先获取模型自学习配置文件,根据其中设置的参数,完成模型自学习的初始化设置,包括基于LSTM的低空目标运动状态预测模型训练输入及预测输出信息结构整理、训练数据集自动搜集整理、LSTM网络结构模型自动调整、LSTM模型自动训练和测试及模型数据保存,进而为融合计算航迹优化提供依据;
所述模型自学习配置文件用于实现基于长短时循环神经网络LSTM的低空飞行目标运动状态预测模型的自动训练,包括训练数据收集配置、常用模型结构配置、模型优化训练的相关参数;所述模型自学习配置文件采用XML格式文件,XML格式文件中的配置信息包含有数据名称、数据类型和数据内容;
所述训练数据集文件格式采用按照训练模型所需数据项顺序存储的二进制文件数据文件格式,训练数据集文件中仅存储训练数据内容,不存储数据描述信息或其他信息;
所述模型数据文件格式采用二进制文件数据文件格式,模型数据文件中仅存储模型数据内容,不存储数据描述信息或其他信息。
2.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法,其特征在于,所述模型自学习组件采用如下步骤实现:
001:根据低空目标运动状态特征项,整理出基于LSTM的目标运动状态预测模型的输入输出数据模型;
002:训练数据集的自动化搜集存储管理;训练数据集包括两类来源,无人机真实GPS位置值和雷达探测结果值;
003:长短时循环神经网络LSTM网络模型包括输入层、隐藏层以及输出层,输入层输入数据根据训练数据集数据向量确定,输出层输出结果根据需要预测的数据项确定,中间隐藏层层数及层中节点个数是超参,自动化确定中间隐藏层层数及层中节点个数,将隐藏层的层数及节点个数设置在一定范围之内,通过LSTM网络模型的循环训练,同时以预测准确性、训练效率以及过拟合情况作为评价指标,取最优的至少2个LSTM网络结构作为选定的LSTM网络结构;
较优模型的结构固定下来,当下次训练数据集搜集完成以后,通过对预先选定的LSTM网络结构进行自动训练,结合004步得出最优的LSTM网络结构用于目标运动状态的预测;
004:针对所述选定的LSTM网络结构,利用训练数据集自动执行训练流程,在LSTM网络模型训练到完成之后,自动调用测试集数据进行模型的测试验证,若测试结果达到设定准确率,则准确率最高的LSTM网络结构作为最优的LSTM网络模型进行数据存储固化,以用于低空目标运动状态的预测。
3.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法,其特征在于,步骤001具体为:
低空目标运动状态的数据项包括时刻、空间位置、速度、航向、加速度、航向变化率和高度变化率;
通过特征项集合约简算法及特征项之间的关联关系,速度、航向、加速度、航向变化率及高度变化率都可以通过时刻、空间三维位置计算得出,低空目标运动状态特征项选为时刻以及笛卡尔直角坐标系下三维位置;
基于LSTM循环神经网络的低空飞行目标运动状态预测模型,以时刻、目标三维位置信息为输入,以特定时刻下运动状态信息为输出,其中特定时刻下运动状态信息包括目标位置、速度、航向、加速度以及航向变化率;
由此得到基于LSTM的目标运动状态预测模型的输入输出数据模型,作为优化输出融合航迹的依据。
4.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法,其特征在于,步骤002包括如下具体步骤:
针对无人机真实GPS位置值来源的训练数据集的自动化处理方式包括两种手段,无人机可以自动回报GPS数值时,则实时接收GPS数值进行训练集整理,当无人机无法自动回报GPS数值时,则通过GPS数据文件导入的方式生成训练集;
针对雷达探测结果值来源的训练数据集的自动化处理方式也包括两种方式,一种是通过实时探测数据接收的方式进行整理,另一种方式是通过记录回放的数据进行训练集整理;
在实现训练数据集的自动化搜集存储管理之前,设置新搜集训练集的规模阈值,当数据集的规模达到规模阈值限定之后,将新收集的训练数据集移动到训练数据集存放目录,扩充原来的训练集,并清空原目录下数据,重新开始训练集收集整理,同时触发模型训练机制,自动对低空目标运动趋势预测模型进行优化训练。
5.如权利要求1所述的目标运动模型自学习的低空组网融合结果优化方法,其特征在于,所述模型自学习组件中,为融合计算航迹优化提供依据,具体为:
001:在LSTM网络模型训练结束之后,到配置文件中指定目录取得模型数据,将原来的模型数据删除,然后将新的模型数据读取加载;
002:获取目标短期历史时间段内的融合航迹信息,输入目标运动状态预测模型获取目标当前时刻运动状态信息,同时结合历史预测数据,统计计算该目标对应的速度、位置、航向、高度的稳定性信息;
003:结合当前组网雷达上报点航迹信息计算目标融合航迹信息,结合融合计算输出融合航迹信息,统计计算目标对应的速度、位置、航向、高度的稳定性信息;
004:根据目标运动模型预测的状态数据及融合计算结果数据稳定性的对比情况,按照稳定性从高到低分配对应权值,根据权值分配情况计算出修正结果并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252271.2A CN114118214B (zh) | 2021-10-25 | 2021-10-25 | 基于目标运动模型自学习的低空组网融合结果优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252271.2A CN114118214B (zh) | 2021-10-25 | 2021-10-25 | 基于目标运动模型自学习的低空组网融合结果优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118214A true CN114118214A (zh) | 2022-03-01 |
CN114118214B CN114118214B (zh) | 2023-04-07 |
Family
ID=80376961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111252271.2A Active CN114118214B (zh) | 2021-10-25 | 2021-10-25 | 基于目标运动模型自学习的低空组网融合结果优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118214B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112434643A (zh) * | 2020-12-06 | 2021-03-02 | 零八一电子集团有限公司 | 低慢小目标的分类识别方法 |
-
2021
- 2021-10-25 CN CN202111252271.2A patent/CN114118214B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112434643A (zh) * | 2020-12-06 | 2021-03-02 | 零八一电子集团有限公司 | 低慢小目标的分类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114118214B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352417B (zh) | 异构多无人机协同路径的快速生成方法 | |
CN109977924A (zh) | 针对农作物的无人机机上实时图像处理方法及系统 | |
CN106851553B (zh) | 根据软采信令的自适应指纹定位方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN111158401A (zh) | 一种分布式鼓励时空数据探索的无人机路径规划系统及方法 | |
CN115018022B (zh) | 网格化环境监测数据的质量控制方法、装置、设备及介质 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
CN110321956A (zh) | 一种基于人工智能的牧草病虫害治理方法及装置 | |
CN114037140A (zh) | 预测模型训练、数据预测方法、装置、设备及存储介质 | |
CN113449257A (zh) | 配电网线损的预测方法、控制装置、及存储介质 | |
CN113723757A (zh) | 决策生成模型训练方法、决策生成方法及装置 | |
CN114118214B (zh) | 基于目标运动模型自学习的低空组网融合结果优化方法 | |
Ding et al. | Improved GWO algorithm for UAV path planning on crop pest monitoring | |
CN108597289A (zh) | 一种作战后勤仿真实验平台系统 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN113807457A (zh) | 确定路网表征信息的方法、装置、设备及存储介质 | |
Moreira et al. | The impact of data quality in the context of pedestrian movement analysis | |
Tu et al. | Lidar SLAM based on particle filter and graph optimization for substation inspection | |
CN116794532A (zh) | 基于多模态传感器融合算法的无人机电池电量预测方法 | |
CN112804566A (zh) | 节目推荐方法、设备及计算机可读存储介质 | |
CN110543805A (zh) | 基于图像识别和智能调配的电力应急物资需求提报平台 | |
CN112566043B (zh) | Mac地址的识别方法和装置、存储介质及电子设备 | |
CN115648204A (zh) | 智能决策模型的训练方法、装置、设备以及存储介质 | |
CN116862035A (zh) | 航延预测方法、装置、设备和计算机可读存储介质 |
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 |