CN115062096A - 基于航迹预测的通信定位散点数据关联方法及系统 - Google Patents

基于航迹预测的通信定位散点数据关联方法及系统 Download PDF

Info

Publication number
CN115062096A
CN115062096A CN202210632666.3A CN202210632666A CN115062096A CN 115062096 A CN115062096 A CN 115062096A CN 202210632666 A CN202210632666 A CN 202210632666A CN 115062096 A CN115062096 A CN 115062096A
Authority
CN
China
Prior art keywords
track
target
point
data
prediction
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
Application number
CN202210632666.3A
Other languages
English (en)
Inventor
房灵乐
王前东
路高勇
谢卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 10 Research Institute
Original Assignee
CETC 10 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 10 Research Institute filed Critical CETC 10 Research Institute
Priority to CN202210632666.3A priority Critical patent/CN115062096A/zh
Publication of CN115062096A publication Critical patent/CN115062096A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于航迹预测的通信定位散点数据关联方法及系统，其中方法包括：步骤S1.实时航迹点数据获取：从实时航迹点数据库中读取通信定位散点数据HJ；步骤S2.航迹预测：根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值；步骤S3.航迹关联：根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。本发明通过航迹属性关联、位置关联，结合基于权重组合的航迹预测模型的航迹预测值，从而得到更加准确的航迹关联结果。

Description

基于航迹预测的通信定位散点数据关联方法及系统
技术领域
本发明涉及信号融合技术领域，尤其涉及一种基于航迹预测的通信定位散点数据关联方法及系统。
背景技术
在信号融合领域，针对大量的实时产生的定位散点的关联融合是态势数据融合的重点和难点，融合结果对于后续的态势行为预测，决策实施具有很大的指导意义；而航迹的关联是信号融合的关键所在。当前对于航迹关联采取的多为基于统计学、基于灰色理论、基于模糊数学、概率多假设互联等方法，但这些方法对于数据来源复杂、数据信息缺失、特征不一等实时在线数据，往往关联效果不理想，且对专家经验依赖性较强，或存在计算量大，处理速度慢等问题。所以怎样从历史航迹提取关键信息，从而提高航迹关联准确率，提高处理效率，是航迹关联研究的关键所在。
发明内容
针对数据来源背景复杂、信息缺失、特征不一、关联目标个数较多等导致的航迹关联效果不佳等问题，本发明提出一种基于航迹预测的通信定位散点数据关联方法及系统，通过航迹属性关联、位置关联，结合基于权重组合的航迹预测模型的航迹预测值，从而得到更加准确的航迹关联结果。
本发明采用的技术方案如下：
一种基于航迹预测的通信定位散点数据关联方法，包括：
步骤S1.实时航迹点数据获取：从实时航迹点数据库中读取通信定位散点数据HJ；
步骤S2.航迹预测：根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值；
步骤S3.航迹关联：根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。
进一步地，所述航迹预测的流程包括：
步骤S21.根据当前航迹点目标属性判定航迹点所属目标类别，目标类别的划分由航迹预测模型训练部分确定；
步骤S22.根据目标类别从航迹预测模型库中选择相对应的航迹预测模型；
步骤S23.根据所选航迹预测模型得到当前航迹点的预测值。
进一步地，所述航迹预测模型训练的流程包括：
步骤S221.划分目标类别，根据目标属性对历史航迹库中的目标航迹划分目标类别；
步骤S222.选择二项式插值法对选定目标类别数据做插值处理；
步骤S223.利用经验模态分解EMD对插值后的数据做降噪处理；
步骤S224.将步骤S223得到降噪后的数据作为训练数据输入到基于权重的组合预测模型，从而得到相对最优航迹预测模型。
进一步地，所述目标属性包括侦察手段、目标名称、国家地区和频点。
进一步地，所述降噪处理的核心是构建固有模态函数IMF方法，并依据其进行判定，降噪处理的流程包括：
步骤S2231.输入插值处理后的数据，将其作为原始数据x(t)；
步骤S2232.初始化剩余数据γ0(t)为原始数据x(t)，初始化i＝0；
步骤S2233.令pj-1(t)＝γi(t)，j＝1；
步骤S2234.计算原始数据的极大值、极小值，产生上包络和下包络mi(t)，ni(t)，计算上、下包络的均值：
avgi(t)＝mi(t)+ni(t)
步骤S2235.计算剩余数据和包络均值的差：
pj(t)＝γi(t)-avgi(t)
＝步骤S2236.计算IMF的判定标准：
Figure BDA0003680690840000031
其中，T表示序列个数；
步骤S2237.提前设置好阈值参数ε，判断Ej是否满足Ej<ε，若满足条件，进行步骤S2238，否则，返回步骤S2234继续处理；
步骤S2238.令i＝i+1,Ii(t)＝pj(t)，γi(t)＝γ(i-1)(t)-Ii(t)；
步骤S2239.判断IMF是否满足条件：(1)对于所有数据，极值点数和零点数的差值是0或者1；(2)对于任意点，局部极大值、局部极小值确定的包络，其均值为0；若满足条件，则流程结束，否则，返回步骤S2233继续处理。
进一步地，所述基于权重的组合预测模型的处理流程包括：
步骤S2241.选择循环神经网络RNN作为航迹预测的第一单一模型，对于一个包含N个数据的时间序列数据集{x1,x2,…xt…,xN}，当前时刻t的输入来源st包括当前输入值xt和上一时刻的流入信息mt-1，输出值包括t时刻的预测值nt和流入下一时刻的信息流dt；
步骤S2242.选择长短时记忆神经网络LSTM作为航迹预测的第二单一模型；
步骤S2243.构造基于权重的组合航迹预测模型，表现形式如下式：
yt＝ω1*y1t+ω2*y2t
其中，y1t、y2t分别表示第一单一模型和第二单一模型在第t时刻的预测结果，ω1、ω2表示权重，且ω1+ω2＝1，0≤ω1≤1，0≤ω2≤1。
进一步地，采用最优加权法的思想确定组合预测模型的权重，其流程包括：
求取模型的误差矩阵F：
Figure BDA0003680690840000041
其中，m表示第m个预测时刻点；
误差信息矩阵为：
Figure BDA0003680690840000042
组合预测模型的误差平方和为：
Figure BDA0003680690840000043
其中，W＝[ω1,ω2]T，表示组合预测模型的权重值，最优权重就是使得组合预测模型的误差平方和最小的值。
进一步地，所述航迹关联的流程包括：
步骤S31.输入当前航迹点HJt和已成航迹的目标航迹数据集L＝{l1,l2,…,lh}中第j个航迹，h表示航迹数据集中目标航迹个数，初始化j＝0；
步骤S32.令j＝j+1；
步骤S33.根据信号参数、目标属性设置关联规则，对于先验信息丰富的数据设置个性化关联规则；判断关联目标航迹lj和当前航迹点HJt是否满足属性关联成功的条件，若属性关联成功，则转向步骤S34，否则，转向步骤S37；
步骤S34.计算当前航迹点HJt和关联目标航迹lj的航向夹角，若夹角小于预设置阈值r度，则转向步骤S35，否则，关联失败，转向步骤S37；
步骤S35.判断当前航迹点HJt和关联目标航迹lj的时间间隔是否小于预设置时间门限，若二者时间间隔小于时间门限，则转向步骤S36，否则，关联失败，转向步骤S37；
步骤S36.计算当前航迹点HJt和关联目标航迹lj的距离，计算方式为分别计算当前航迹点HJt和目标航迹lj最近一段时间内航迹点的距离，度量方式为欧氏距离，选取最小距离distmin作为航迹点到目标航迹的距离distij，利用3倍误差法计算相似度，计算公式为Xsd＝exp{(-0.69*distij)/3*(error1+error2)}，判断相似度是否大于预设相似度阈值，若满足条件，则转向步骤S38，否则，关联失败，转向步骤S37；
步骤S37.判断j是否小于目标航迹个数h，若满足条件，返回步骤S32，否则，转向步骤S38进行航迹关联综合判别；
步骤S38.基于步骤S36处理得到的初步关联成功的目标航迹和当前航迹点的相似度，结合目标航迹和当前时刻的航迹点预测值，综合判断当前航迹点应该和哪条航迹关联成功。
进一步地，所述航迹关联综合判别的流程包括：
步骤S381.若关联成功的目标航迹的个数为d，当前航迹点和d个目标航迹的相似度构成数据集XSD＝{xsd1,xsd2,…,xsdd}；
步骤S382.分别计算初步关联成功的d个目标航迹和当前时刻的航迹点预测值xpre,t的欧式距离，得到距离数据集{dist1p,dist2p,…,distkp,…,distdp},distkp表示第k个目标和预测值的距离；
步骤S383.基于步骤S382计算得到的d个距离，设置距离门限，对于超过距离门限的距离暂时令其距离为0，计算d个距离的均值，令其为distavg；
步骤S384.对d个距离分别做归一化处理，对于距离不为0的集合元素，第ε个归一化处理后的点为：
Figure BDA0003680690840000061
对于距离为0的集合元素，归一化处理后为：
Figure BDA0003680690840000062
从而得到归一化距离数据集∈＝{ε1,ε2,…,εd}；
步骤S385.基于步骤S381和步骤S384的相似度数据集与归一化距离数据集，前者和σ倍的后者比例一一对应相减得到综合判定数据集ρ＝{ρ1,ρ2,…,ρd}＝{xsd1-σ*ε1,xsd2-σ*ε2,…,xsdd-σ*εd，其中，0≤σ≤1；
步骤S386.遍历数据集ρ，选出最大的元素，其对应的目标航迹即为当前航迹点最后关联成功的目标航迹。
一种基于航迹预测的通信定位散点数据关联系统，包括：
实时航迹点获取模块，用于从实时航迹点数据库中读取通信定位散点数据HJ；
航迹预测模块，用于根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值；
航迹关联模块，用于根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。
本发明的有益效果在于：
本发明通过历史航迹的模型训练，得到了较多的航迹的特征信息，通过已训练好的预测模型得到实时航迹点的预测值；航迹关联通过时空相似性度量，利用信号参数等航迹属性，结合航迹点预测值进行多维度关联分析，充分利用了航迹特征信息，从而提高了关联精度。采用在线和离线两个模块分布式处理，在提高关联精度的同时，相对多假设概率互联等方法，节约计算成本，提高处理效率。
附图说明
图1是整体模型框架图。
图2是航迹预测的流程图。
图3是航迹预测模型训练的流程图。
图4是航迹EMD降噪流程图。
图5是基于权重的组合预测模型的流程图。
图6是航迹关联的流程图。
图7是航迹关联综合判别的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
实施例1
参阅图1，本实施例提供了一种基于航迹预测的通信定位散点数据关联方法，包括：
步骤S1.实时航迹点数据获取：从实时航迹点数据库中读取通信定位散点数据HJ；
步骤S2.航迹预测：根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值；
步骤S3.航迹关联：根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。
优选地，参阅图2，航迹预测的流程包括：
步骤S21.根据当前航迹点目标属性判定航迹点所属目标类别，目标类别的划分由航迹预测模型训练部分确定；
步骤S22.根据目标类别从航迹预测模型库中选择相对应的航迹预测模型；
步骤S23.根据所选航迹预测模型得到当前航迹点的预测值。
优选地，参阅图3，航迹预测模型训练的流程包括：
步骤S221.划分目标类别，根据目标属性对历史航迹库中的目标航迹划分目标类别；优选地，目标属性包括侦察手段、目标名称、国家地区和频点；
步骤S222.选择二项式插值法对选定目标类别数据做插值处理；
步骤S223.利用经验模态分解EMD对插值后的数据做降噪处理；
步骤S224.将步骤S223得到降噪后的数据作为训练数据输入到基于权重的组合预测模型，从而得到相对最优航迹预测模型。
优选地，参阅图4，降噪处理的核心是构建固有模态函数IMF方法，并依据其进行判定，降噪处理的流程包括：
步骤S2231.输入插值处理后的数据，将其作为原始数据x(t)；
步骤S2232.初始化剩余数据γ0(t)为原始数据x(t)，初始化i＝0；
步骤S2233.令pj-1(t)＝γi(t)，j＝1；
步骤S2234.计算原始数据的极大值、极小值，产生上包络和下包络mi(t)，ni(t)，计算上、下包络的均值：
avgi(t)＝mi(t)+ni(t)
步骤S2235.计算剩余数据和包络均值的差：
pj(t)＝γi(t)-avgi(t)
＝步骤S2236.计算IMF的判定标准：
Figure BDA0003680690840000091
其中，T表示序列个数；
步骤S2237.提前设置好阈值参数ε，判断Ej是否满足Ej<ε，若满足条件，进行步骤S2238，否则，返回步骤S2234继续处理；
步骤S2238.令i＝i+1,Ii(t)＝pj(t)，γi(t)＝γ(i-1)(t)-Ii(t)；
步骤S2239.判断IMF是否满足条件：(1)对于所有数据，极值点数和零点数的差值是0或者1；(2)对于任意点，局部极大值、局部极小值确定的包络，其均值为0；若满足条件，则流程结束，否则，返回步骤S2233继续处理。
优选地，参阅图5，基于权重的组合预测模型的处理流程包括：
步骤S2241.选择循环神经网络RNN作为航迹预测的第一单一模型，对于一个包含N个数据的时间序列数据集{x1,x2,…xt…,xN}，当前时刻t的输入来源st包括当前输入值xt和上一时刻的流入信息mt-1，输出值包括t时刻的预测值nt和流入下一时刻的信息流dt；
步骤S2242.选择长短时记忆神经网络LSTM作为航迹预测的第二单一模型；
步骤S2243.构造基于权重的组合航迹预测模型，表现形式如下式：
yt＝ω1*y1t+ω2*y2t
其中，y1t、y2t分别表示第一单一模型和第二单一模型在第t时刻的预测结果，ω1、ω2表示权重，且ω1+ω2＝1，0≤ω1≤1，0≤ω2≤1。
优选地，采用最优加权法的思想确定组合预测模型的权重，其流程包括：
求取模型的误差矩阵F：
Figure BDA0003680690840000101
其中，m表示第m个预测时刻点；
误差信息矩阵为：
Figure BDA0003680690840000102
组合预测模型的误差平方和为：
Figure BDA0003680690840000111
其中，W＝[ω1,ω2]T，表示组合预测模型的权重值，最优权重就是使得组合预测模型的误差平方和最小的值。
优选地，参阅图6，航迹关联的流程包括：
步骤S31.输入当前航迹点HJt和已成航迹的目标航迹数据集L＝{l1,l2,…,lh}中第j个航迹，h表示航迹数据集中目标航迹个数，初始化j＝0；
步骤S32.令j＝j+1；
步骤S33.根据信号参数、目标属性设置关联规则，对于先验信息丰富的数据设置个性化关联规则；判断关联目标航迹lj和当前航迹点HJt是否满足属性关联成功的条件，若属性关联成功，则转向步骤S34，否则，转向步骤S37；
步骤S34.计算当前航迹点HJt和关联目标航迹lj的航向夹角，若夹角小于预设置阈值r度，则转向步骤S35，否则，关联失败，转向步骤S37；
步骤S35.判断当前航迹点HJt和关联目标航迹lj的时间间隔是否小于预设置时间门限，若二者时间间隔小于时间门限，则转向步骤S36，否则，关联失败，转向步骤S37；
步骤S36.计算当前航迹点HJt和关联目标航迹lj的距离，计算方式为分别计算当前航迹点HJt和目标航迹lj最近一段时间内航迹点的距离，度量方式为欧氏距离，选取最小距离distmin作为航迹点到目标航迹的距离distij，利用3倍误差法计算相似度，计算公式为Xsd＝exp{(-0.69*distij)/3*(error1+error2)}，判断相似度是否大于预设相似度阈值，若满足条件，则转向步骤S38，否则，关联失败，转向步骤S37；
步骤S37.判断j是否小于目标航迹个数h，若满足条件，返回步骤S32，否则，转向步骤S38进行航迹关联综合判别；
步骤S38.基于步骤S36处理得到的初步关联成功的目标航迹和当前航迹点的相似度，结合目标航迹和当前时刻的航迹点预测值，综合判断当前航迹点应该和哪条航迹关联成功。
优选地，参阅图7，航迹关联综合判别的流程包括：
步骤S381.若关联成功的目标航迹的个数为d，当前航迹点和d个目标航迹的相似度构成数据集XSD＝{xsd1,xsd2,…,xsdd}；
步骤S382.分别计算初步关联成功的d个目标航迹和当前时刻的航迹点预测值xpre,t的欧式距离，得到距离数据集{dist1p,dist2p,…,distkp,…,distdp},distkp表示第k个目标和预测值的距离；
步骤S383.基于步骤S382计算得到的d个距离，设置距离门限，对于超过距离门限的距离暂时令其距离为0，计算d个距离的均值，令其为distavg；
步骤S384.对d个距离分别做归一化处理，对于距离不为0的集合元素，第ε个归一化处理后的点为：
Figure BDA0003680690840000121
对于距离为0的集合元素，归一化处理后为：
Figure BDA0003680690840000122
从而得到归一化距离数据集∈＝{ε1,ε2,…,εd}；
步骤S385.基于步骤S381和步骤S384的相似度数据集与归一化距离数据集，前者和σ倍的后者比例一一对应相减得到综合判定数据集ρ＝{ρ1,ρ2,…,ρd}＝{xsd1-σ*ε1,xsd2-σ*ε2,…,xsdd-σ*εd}，其中，0≤σ≤1；
步骤S386.遍历数据集ρ，选出最大的元素，其对应的目标航迹即为当前航迹点最后关联成功的目标航迹。
实施例2
本实施例在实施例1的基础上：
本实施例提供了一种基于航迹预测的通信定位散点数据关联系统，包括实时航迹点获取模块、航迹预测模块和航迹关联模块，其中实时航迹点获取模块用于从实时航迹点数据库中读取通信定位散点数据HJ。航迹预测模块用于根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值。航迹关联模块用于根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。
该系统的处理过程包括在线处理和离线处理两部分。
离线处理是针对航迹预测模块，是对历史航迹数据进行处理，首先选定时空区域，对区域内的数据根据侦察手段、国家地区、目标属性等划分目标类别，之后根据目标类别分别做插值、降噪、预测模型的训练等处理。
在线处理针对航迹关联模块，是对实时在线通信定位散点的航迹点关联处理；主要针对实时在线的不同来源通信定位散点数据，结合目标属性、时空位置、专家经验和原始航迹预测结果对航迹做关联处理。
航迹的关联和预测模型的训练可同时进行，航迹的关联是实时数据的持续不间断处理，预测模型的预测根据间隔时间和数据量进行的间断式处理。
需要说明的是，对于前述的方法实施例，为了简便描述，故将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

Claims (10)

1.一种基于航迹预测的通信定位散点数据关联方法，其特征在于，包括：
步骤S1.实时航迹点数据获取：从实时航迹点数据库中读取通信定位散点数据HJ；
步骤S2.航迹预测：根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值；
步骤S3.航迹关联：根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。
2.根据权利要求1所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述航迹预测的流程包括：
步骤S21.根据当前航迹点目标属性判定航迹点所属目标类别，目标类别的划分由航迹预测模型训练部分确定；
步骤S22.根据目标类别从航迹预测模型库中选择相对应的航迹预测模型；
步骤S23.根据所选航迹预测模型得到当前航迹点的预测值。
3.根据权利要求2所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述航迹预测模型训练的流程包括：
步骤S221.划分目标类别，根据目标属性对历史航迹库中的目标航迹划分目标类别；
步骤S222.选择二项式插值法对选定目标类别数据做插值处理；
步骤S223.利用经验模态分解EMD对插值后的数据做降噪处理；
步骤S224.将步骤S223得到降噪后的数据作为训练数据输入到基于权重的组合预测模型，从而得到相对最优航迹预测模型。
4.根据权利要求3所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述目标属性包括侦察手段、目标名称、国家地区和频点。
5.根据权利要求3所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述降噪处理的核心是构建固有模态函数IMF方法，并依据其进行判定，降噪处理的流程包括：
步骤S2231.输入插值处理后的数据，将其作为原始数据x(t)；
步骤S2232.初始化剩余数据γ0(t)为原始数据x(t)，初始化i＝0；
步骤S2233.令pj-1(t)＝γi(t)，j＝1；
步骤S2234.计算原始数据的极大值、极小值，产生上包络和下包络mi(t)，ni(t)，计算上、下包络的均值：
avgi(t)＝mi(t)+ni(t)
步骤S2235.计算剩余数据和包络均值的差：
pj(t)＝γi(t)-avgi(t)
步骤S2236.计算IMF的判定标准：
Figure FDA0003680690830000021
其中，T表示序列个数；
步骤S2237.提前设置好阈值参数ε，判断Ej是否满足Ej＜ε，若满足条件，进行步骤S2238，否则，返回步骤S2234继续处理；
步骤S2238.令i＝i+1，Ii(t)＝pj(t)，γi(t)＝γ(i-1)(t)-Ii(t)；
步骤S2239.判断IMF是否满足条件：(1)对于所有数据，极值点数和零点数的差值是0或者1；(2)对于任意点，局部极大值、局部极小值确定的包络，其均值为0；若满足条件，则流程结束，否则，返回步骤S2233继续处理。
6.根据权利要求3所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述基于权重的组合预测模型的处理流程包括：
步骤S2241.选择循环神经网络RNN作为航迹预测的第一单一模型，对于一个包含N个数据的时间序列数据集{x1，x2，…xt…，xN}，当前时刻t的输入来源st包括当前输入值xt和上一时刻的流入信息mt-1，输出值包括t时刻的预测值nt和流入下一时刻的信息流dt；
步骤S2242.选择长短时记忆神经网络LSTM作为航迹预测的第二单一模型；
步骤S2243.构造基于权重的组合航迹预测模型，表现形式如下式：
yt＝ω1*y1t+ω2*y2t
其中，y1t、y2t分别表示第一单一模型和第二单一模型在第t时刻的预测结果，ω1、ω2表示权重，且ω1+ω2＝1，0≤ω1≤1，0≤ω2≤1。
7.根据权利要求6所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，采用最优加权法的思想确定组合预测模型的权重，其流程包括：
求取模型的误差矩阵F：
Figure FDA0003680690830000031
其中，m表示第m个预测时刻点；
误差信息矩阵为：
Figure FDA0003680690830000032
组合预测模型的误差平方和为：
Figure FDA0003680690830000033
其中，W＝[ω1，ω2]T，表示组合预测模型的权重值，最优权重就是使得组合预测模型的误差平方和最小的值。
8.根据权利要求1所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述航迹关联的流程包括：
步骤S31.输入当前航迹点HJt和已成航迹的目标航迹数据集L＝{l1，l2，…，lh}中第j个航迹，h表示航迹数据集中目标航迹个数，初始化j＝0；
步骤S32.令j＝j+1；
步骤S33.根据信号参数、目标属性设置关联规则，对于先验信息丰富的数据设置个性化关联规则；判断关联目标航迹lj和当前航迹点HJt是否满足属性关联成功的条件，若属性关联成功，则转向步骤S34，否则，转向步骤S37；
步骤S34.计算当前航迹点HJt和关联目标航迹lj的航向夹角，若夹角小于预设置阈值r度，则转向步骤S35，否则，关联失败，转向步骤S37；
步骤S35.判断当前航迹点HJt和关联目标航迹lj的时间间隔是否小于预设置时间门限，若二者时间间隔小于时间门限，则转向步骤S36，否则，关联失败，转向步骤S37；
步骤S36.计算当前航迹点HJt和关联目标航迹lj的距离，计算方式为分别计算当前航迹点HJt和目标航迹lj最近一段时间内航迹点的距离，度量方式为欧氏距离，选取最小距离distmin作为航迹点到目标航迹的距离distij，利用3倍误差法计算相似度，计算公式为Xsd＝exp{(-0.69*distij)/3*(error1+error2)}，判断相似度是否大于预设相似度阈值，若满足条件，则转向步骤S38，否则，关联失败，转向步骤S37；
步骤S37.判断j是否小于目标航迹个数h，若满足条件，返回步骤S32，否则，转向步骤S38进行航迹关联综合判别；
步骤S38.基于步骤S36处理得到的初步关联成功的目标航迹和当前航迹点的相似度，结合目标航迹和当前时刻的航迹点预测值，综合判断当前航迹点应该和哪条航迹关联成功。
9.根据权利要求8所述的基于航迹预测的通信定位散点数据关联方法，其特征在于，所述航迹关联综合判别的流程包括：
步骤S381.若关联成功的目标航迹的个数为d，当前航迹点和d个目标航迹的相似度构成数据集XSD＝{xsd1，xsd2，…，xsdd}；
步骤S382.分别计算初步关联成功的d个目标航迹和当前时刻的航迹点预测值xpre，t的欧式距离，得到距离数据集{dist1p，dist2p，…，distkp，…，distdp}，distkp表示第k个目标和预测值的距离；
步骤S383.基于步骤S382计算得到的d个距离，设置距离门限，对于超过距离门限的距离暂时令其距离为0，计算d个距离的均值，令其为distavg；
步骤S384.对d个距离分别做归一化处理，对于距离不为0的集合元素，第ε个归一化处理后的点为：
Figure FDA0003680690830000051
对于距离为0的集合元素，归一化处理后为：
Figure FDA0003680690830000052
从而得到归一化距离数据集∈＝{ε1，ε2，…，εd}；
步骤S385.基于步骤S381和步骤S384的相似度数据集与归一化距离数据集，前者和σ倍的后者比例一一对应相减得到综合判定数据集ρ＝{ρ1，ρ2，…，ρd}＝{xsd1-σ*ε1，xsd2-σ*ε2，…，xsdd-σ*εd，其中，0≤σ≤1；
步骤S386.遍历数据集ρ，选出最大的元素，其对应的目标航迹即为当前航迹点最后关联成功的目标航迹。
10.一种基于航迹预测的通信定位散点数据关联系统，其特征在于，包括：
实时航迹点获取模块，用于从实时航迹点数据库中读取通信定位散点数据HJ；
航迹预测模块，用于根据航迹点目标属性判定当前航迹点所属目标类别，根据目标类别选择相对应的航迹预测模型，从而得到当前航迹点的预测值；
航迹关联模块，用于根据当前航迹点的目标属性进行航迹属性关联，之后根据时空相似性度量，结合统计模型和航迹预测结果进行航迹位置关联，得到航迹关联结果。
CN202210632666.3A 2022-06-07 2022-06-07 基于航迹预测的通信定位散点数据关联方法及系统 Pending CN115062096A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210632666.3A CN115062096A (zh) 2022-06-07 2022-06-07 基于航迹预测的通信定位散点数据关联方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210632666.3A CN115062096A (zh) 2022-06-07 2022-06-07 基于航迹预测的通信定位散点数据关联方法及系统

Publications (1)

Publication Number Publication Date
CN115062096A true CN115062096A (zh) 2022-09-16

Family

ID=83200097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210632666.3A Pending CN115062096A (zh) 2022-06-07 2022-06-07 基于航迹预测的通信定位散点数据关联方法及系统

Country Status (1)

Country Link
CN (1) CN115062096A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114895295A (zh) * 2022-04-19 2022-08-12 中国电子科技集团公司第十研究所 一种基于k近邻的通信散点关联加速方法及系统
CN116660951A (zh) * 2023-07-24 2023-08-29 北京理工大学 一种基于运动趋势的轨迹关联方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114895295A (zh) * 2022-04-19 2022-08-12 中国电子科技集团公司第十研究所 一种基于k近邻的通信散点关联加速方法及系统
CN114895295B (zh) * 2022-04-19 2023-06-02 中国电子科技集团公司第十研究所 一种基于k近邻的通信散点关联加速方法及系统
CN116660951A (zh) * 2023-07-24 2023-08-29 北京理工大学 一种基于运动趋势的轨迹关联方法
CN116660951B (zh) * 2023-07-24 2023-10-20 北京理工大学 一种基于运动趋势的轨迹关联方法

Similar Documents

Publication Publication Date Title
Zhu et al. Deep and confident prediction for time series at uber
CN115062096A (zh) 基于航迹预测的通信定位散点数据关联方法及系统
Ristic et al. Calibration of multi-target tracking algorithms using non-cooperative targets
Soto Self adaptive particle filter
CN111079836B (zh) 基于伪标签方法和弱监督学习的过程数据故障分类方法
CN110728698B (zh) 一种基于复合循环神经网络系统的多目标跟踪系统
CN113408392B (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
Taymouri et al. A deep adversarial model for suffix and remaining time prediction of event sequences
CN111144462B (zh) 一种雷达信号的未知个体识别方法及装置
CN111523940B (zh) 一种带负反馈的基于深度强化学习的推荐方法及系统
CN111178902B (zh) 基于自动化特征工程的网络支付欺诈检测方法
Ranasinghe et al. A methodology for prognostics under the conditions of limited failure data availability
CN113536939B (zh) 一种基于3d卷积神经网络的视频去重方法
CN108153519B (zh) 一种目标智能跟踪方法通用设计框架
Yang et al. Sequential Monte Carlo smoothing with parameter estimation
CN111539444B (zh) 一种修正式模式识别及统计建模的高斯混合模型方法
CN110321951B (zh) 一种vr模拟飞行器训练评价方法
CN112149896A (zh) 一种基于注意力机制的机械设备多工况故障预测方法
CN115932913B (zh) 一种卫星定位伪距修正方法及装置
Carney et al. Evaluating density forecasting models
Fassinut-Mombot et al. An entropy method for multisource data fusion
CN113724325A (zh) 一种基于图卷积网络的多场景单目相机位姿回归方法
Raisi et al. Value Summation: A novel scoring function for MPC-based model-based reinforcement learning
Biegel Near Real-Time Forecasting of Epidemics Using Data Assimilation with Simple Models

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