CN115100233A - 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 - Google Patents
基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 Download PDFInfo
- Publication number
- CN115100233A CN115100233A CN202210676116.1A CN202210676116A CN115100233A CN 115100233 A CN115100233 A CN 115100233A CN 202210676116 A CN202210676116 A CN 202210676116A CN 115100233 A CN115100233 A CN 115100233A
- Authority
- CN
- China
- Prior art keywords
- resampling
- discriminator
- generator
- sample
- particle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法,实现步骤为:(1)获取训练样本集和测试样本集;(2)构建重采样生成对抗网络模型;(3)对重采样生成对抗网络模型进行迭代训练;(4)获取雷达目标跟踪结果。本发明在对生成对抗网络模型进行迭代训练以及获取雷达目标跟踪结果的过程中,生成器G通过对每个随机噪声进行全连接计算后进行非线性ReLU激活完成重采样,无需考虑重采样过程中样本粒子选择、交叉以及变异概率等变量,避免了重采样过程中由于需要控制的较多变量而容易受到干扰导致跟踪精度下降的问题。
Description
技术领域
本发明属于目标跟踪技术领域,涉及一种目标跟踪方法,具体涉及一种基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法,可用于空中交通管制、海上交通管制等领域。
技术背景
雷达目标跟踪方法根据雷达测量的目标状态信息并结合目标转移函数以及观测方程得到雷达目标状态的估计值;雷达目标跟踪系统中,由于受到不同回波干扰的影响,测量噪声经常表现出非高斯特性,并且雷达目标轨迹多呈现非线性特征,粒子滤波算法因其适用于非线性、非高斯系统的特性,被国内外研究人员应用于雷达目标跟踪领域并发挥着不可替代的作用;粒子滤波雷达目标跟踪方法使用一组状态空间中传播的样本粒子来近似的表示目标的概率密度函数,通过样本粒子数学期望对目标状态信息进行滤波进而获得目标状态的估计值。
但早期粒子滤波算法受重要性采样的影响,多次迭代计算后有效样本粒子数大幅下降,出现粒子退化问题,剩余的个别样本粒子无法代表目标的状态概率密度分布,将导致目标状态估计精度下降甚至跟踪发散导致跟踪失败;传统重采样方法虽然在一定程度上缓解权值退化现象,但同时也引入了新的问题,即权值越大的样本粒子子代越多,而权值较小的样本粒子被逐步削弱或剔除,最极端的情况是新的样本粒子集实际都是一个权值最大的样本粒子的子代,采样结果包含了许多重复粒子,从而损失了粒子的多样性,出现粒子退化问题。
近年来,研究人员将优化算法应用于粒子滤波目标跟踪的重采样过程中,例如南京电子技术研究所的江涛等人于2022年《现代雷达》期刊第2期上公开了“基于遗传重采样粒子滤波的弹道跟踪方法”,该方法在对雷达弹道目标跟踪过程中,借鉴生物遗传思想,在重采样过程中分别设置样本粒子的选择、交叉和变异概率模拟自然界基因的选择、组合和变异,避免了迭代过程中粒子的退化。但是该方法采用的遗传算法需要控制的变量较多,目前参数的选择大部分依赖经验,容易受到干扰而导致跟踪精度下降。
生成对抗网络是一种无监督的生成模型,因其强大的数据生成能力而受到广泛关注和研究,生成对抗网络由两个不同的网络组成,分别是生成器G以及判别器D,该网络可以是深度神经网络或人工神经网络;生成对抗网络将包含真实样本以及随机噪声的训练集作为输入,生成器对随机噪声进行前向传播输出生成样本,判别器将生成样本与真实样本作为输入,对生成样本与真实样本进行前向传播得到判别分数,然后通过对抗博弈的方式进行训练,最终采用训练好的生成对抗网络模型的生成器对测试集进行前向传播,生成判别器无法区分的生成样本。
发明内容
本发明的目的是针对上述现有技术的不足,提出了一种基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法,用于解决现有技术中存在的雷达目标跟踪精度较低的技术问题。
为了实现上述目的,本发明采用的技术方案包括如下步骤:
(1)获取训练样本集和测试样本集:
(1a)对k时刻单目标转移后的N个状态维数为dim的样本粒子的权重进行修正归一化处理,并根据修正归一化结果选取权重最大的前Neff个样本粒子组成的有效样本粒子集以及服从均匀分布的大小为Neff的随机噪声组成训练样本集,同时将服从均匀分布的大小为B×Neff的随机噪声作为测试样本集,其中,N≥100,Neff>0,dim≥6, 表示k时刻转移后的第neff个有效样本粒子;
(2)构建重采样生成对抗网络模型H:
(2a)构建重采样生成对抗网络模型H的结构:
构建包含顺次连接的生成器G和判别器D的重采样生成对抗网络模型H,其中生成器G和判别器D均采用包括输入层、多个全连接层、输出层,激活函数为ReLU的人工神经网络,生成器G和判别器D输入层的通道数相同,生成器G和判别器D输出层的通道数分别为CG和CD;
(2b)定义生成器G的损失函数LG和判别器D的损失函数LD:
其中,SD0表示判别器D对有效样本粒子集的判别分数,SD1表示判别器D对生成器G生成样本集的判别分数,M表示SD0、SD1的维数;
(3)对重采样生成对抗网络模型H进行迭代训练:
(3a)初始化迭代次数i,最大迭代次数为I,I>20,第i次迭代生成器G、判别器D的网络权重参数分别为θG、θD,并令i=0;
(3b)将训练样本集作为重采样生成对抗网络模型H的输入,生成器G对每个随机噪声进行全连接计算后进行非线性ReLU激活,实现对噪声的重采样,得到包括Neff个生成样本的集合g1;判别器D对每个生成样本、每个有效样本粒子分别进行全连接计算后进行非线性ReLU激活,得到生成样本集g1对应的判别分数SD1、有效样本粒子集对应的判别分数SD0;
(3c)采用损失函数LD,并通过判别分数SD0和SD1计算判别器D的损失值,再采用反向传播方法并通过损失值计算D的网络参数梯度,然后采用均方根传递算法通过D的网络参数梯度对D的网络参数θD进行更新;同时采用损失函数LG,并通过判别分数SD1计算生成器G的损失值,再采用反向传播方法并通过损失值计算G的网络参数梯度,然后采用均方根传递算法通过G的网络参数梯度对G的网络参数θG进行更新,得到本次迭代的重采样生成对抗网络模型Hi;
(3d)判断i≥I是否成立,若是,得到训练好的重采样生成对抗网络模型H*,否则,令i=i+1,并执行步骤(3b);
(4)获取雷达目标跟踪结果:
将测试样本集作为训练好的重采样生成对抗网络模型H*的输入,生成器G*对每个随机噪声进行全连接计算后进行非线性ReLU激活,实现对噪声的重采样,得到测试样本集对应的包括B×Neff个生成样本的集合g2;并对从g2中随机选取的N个生成样本粒子作为重采样后的样本粒子通过加权求和方式进行粒子滤波,得到最终目标状态估计值即雷达目标跟踪的结果。
本发明与现有技术相比,具有以下优点:
本发明在对生成对抗网络模型进行迭代训练以及获取雷达目标跟踪结果的过程中,生成器G通过对每个随机噪声进行全连接计算后进行非线性ReLU激活完成重采样,重采样过程无需考虑样本的选择、交叉和变异概率等变量,避免了现有技术由于需要控制较多的变量而容易受到干扰的缺陷,有效提高了跟踪精度。
附图说明
图1是本发明的实现流程图。
具体实施方式
下面结合附图和具体实施例,对本发明进一步详细描述。
参照图1,本发明包括如下步骤:
步骤1)获取训练样本集和测试样本集:
步骤1a)对k时刻单目标转移后的N个状态维数为dim的样本粒子的权重进行修正归一化处理,目标转移即根据状态转移函数获得目标状态预测值,修正操作是将转移后的样本粒子结合测量值、观测方程以及概率密度函数,找出状态空间中能较好表示目标状态的粒子,并得到这些粒子对应的权重归一化操作后的权重才能够计算样本粒子的期望,得到目标状态的估计值,在本实施例中,N=100,dim=6,目标状态x=[X,Y,Z,VX,VY,VZ];
然后将有效样本粒子集以及服从均匀分布的大小为Neff的随机噪声组成训练样本集,同时将服从均匀分布的大小为B×Neff的随机噪声作为测试样本集,服从均匀分布的随机噪声可以避免模式坍塌问题,本实施例中, 表示k时刻转移后的第neff个有效样本粒子;
步骤2)构建重采样生成对抗网络模型H:
步骤2a)构建重采样生成对抗网络模型H的结构:
构建包含顺次连接的生成器G和判别器D的重采样生成对抗网络模型H,其中生成器G和判别器D均采用包括输入层、多个全连接层、输出层,激活函数为ReLU的人工神经网络,生成器G和判别器D输入层的通道数相同,生成器G和判别器D输出层的通道数分别为CG和CD;
生成对抗网络包括生成器G和判别器D,其中:
生成器G和判别器D输入层的通道数均为dim;生成器G和判别器D中包含的全连接层的个数均为2,第一、第二全连接层经元个数分别为64、128;生成器G输出层的通道数CG为dim、判别器D输出层的通道数CD为M;激活函数ReLU的表达式为:
其中,x表示网络通过全连接计算后的输出,f(x)表示激活函数输出。
步骤2b)定义生成器G的损失函数LG和判别器D的损失函数LD:
该损失函数能够较好的表现生成样本与有效样本的差异程度,其中,SD0表示判别器D对有效样本粒子集的判别分数,SD1表示判别器D对生成器G生成样本集的判别分数,M表示SD0、SD1的维数;
步骤3)对重采样生成对抗网络模型H进行迭代训练:
步骤3a)初始化迭代次数i,最大迭代次数为I,本实施例中最大迭代次数I=20,第i次迭代生成器G、判别器D的网络权重参数分别为θG、θD,并令i=0;
步骤3b)将训练样本集作为重采样生成对抗网络模型H的输入,生成器G对每个随机噪声进行全连接计算后进行非线性ReLU激活,实现对噪声的重采样,得到包括Neff个生成样本的集合g1;判别器D对每个生成样本、每个有效样本粒子分别进行全连接计算后进行非线性ReLU激活,得到生成样本集g1对应的判别分数SD1、有效样本粒子集对应的判别分数SD0,完成判别打分操作;
步骤3c)采用损失函数LD,并通过判别分数SD0和SD1计算判别器D的损失值,再采用反向传播方法并通过损失值计算D的网络参数梯度,然后采用均方根传递算法通过D的网络参数梯度对D的网络参数θD进行更新,均方根传递算法可以降低重采样生成对抗网络模型的训练时间,提高收敛速度;同时采用损失函数LG,并通过判别分数SD1计算生成器G的损失值,再采用反向传播方法并通过损失值计算G的网络参数梯度,然后采用均方根传递算法通过G的网络参数梯度对G的网络参数θG进行更新,得到本次迭代的重采样生成对抗网络模型Hi,网络参数的更新公式分别为:;
其中,θ'D表示θD的更新结果,θ'G表示θG的跟新结果,α=0.006表示步长,表示D的网络参数梯度,表示G的网络参数梯度,r'D表示rD的更新结果,r'G表示rG的更新结果,β=0.9表示平滑常数,ε=10-6表示稳定常数;
步骤3d)判断i≥I是否成立,若是,得到训练好的重采样生成对抗网络模型H*,否则,令i=i+1,并执行步骤3b);
步骤4)获取雷达目标跟踪结果:
将测试样本集作为训练好的重采样生成对抗网络模型H*的输入,生成器G*对每个随机噪声进行全连接计算后进行非线性ReLU激活,实现对噪声的重采样,得到测试样本集对应的包括B×Neff个生成样本的集合g2;并对从g2中随机选取的N个生成样本粒子作为重采样后的样本粒子通过加权求和方式进行粒子滤波,得到最终目标状态估计值即雷达目标跟踪的结果。
以下结合仿真实验对本发明的技术效果进行说明。
1、仿真条件和内容:
本发明的仿真实验硬件平台为:CPU为i5-9400F,主频为2.9GHz,运行内存为16GB,本发明的仿真实验软件平台为:操作系统为Windows11,Python版本3.7.0。
对本发明和现有的基于遗传重采样粒子滤波的弹道跟踪方法的跟踪精度进行对比仿真,其结果如表1所示。
2、仿真结果分析:
为了进一步验证本发明的有效性,对本发明和现有的基于遗传重采样粒子滤波的弹道跟踪方法进行100次蒙特卡洛仿真,计算每一帧跟踪过程中真实值与估计值的100次仿真的均方误差RMSE,其计算公式如下:
将计算结果绘制成表1:
表1.本发明仿真的雷达目标跟踪RMSE对比表
目标跟踪算法 | RMSE |
基于遗传重采样粒子滤波的弹道跟踪方法 | 13.79 |
本方法 | 11.84 |
结合表1可以看出,本发明的跟踪误差RMSE为11.84,这个误差指标低于现有技术方法,证明本发明可以获得更好的跟踪效果,提高雷达目标跟踪精度。
Claims (4)
1.一种基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法,其特征在于,包括如下步骤:
(1)获取训练样本集和测试样本集:
(1a)对k时刻单目标转移后的N个状态维数为dim的样本粒子的权重进行修正归一化处理,并根据修正归一化结果选取权重最大的前Neff个样本粒子组成的有效样本粒子集以及服从均匀分布的大小为Neff的随机噪声组成训练样本集,同时将服从均匀分布的大小为B×Neff的随机噪声作为测试样本集,其中,N≥100,Neff>0,dim≥6, 表示k时刻转移后的第neff个有效样本粒子;
(2)构建重采样生成对抗网络模型H:
(2a)构建重采样生成对抗网络模型H的结构:
构建包含顺次连接的生成器G和判别器D的重采样生成对抗网络模型H,其中生成器G和判别器D均采用包括输入层、多个全连接层、输出层,激活函数为ReLU的人工神经网络,生成器G和判别器D输入层的通道数相同,生成器G和判别器D输出层的通道数分别为CG和CD;
(2b)定义生成器G的损失函数LG和判别器D的损失函数LD:
其中,SD0表示判别器D对有效样本粒子集的判别分数,SD1表示判别器D对生成器G生成样本集的判别分数,M表示SD0、SD1的维数;
(3)对重采样生成对抗网络模型H进行迭代训练:
(3a)初始化迭代次数i,最大迭代次数为I,I>20,第i次迭代生成器G、判别器D的网络权重参数分别为θG、θD,并令i=0;
(3b)将训练样本集作为重采样生成对抗网络模型H的输入,生成器G对每个随机噪声进行全连接计算后进行非线性ReLU激活,实现对噪声的重采样,得到包括Neff个生成样本的集合g1;判别器D对每个生成样本、每个有效样本粒子分别进行全连接计算后进行非线性ReLU激活,得到生成样本集g1对应的判别分数SD1、有效样本粒子集对应的判别分数SD0;
(3c)采用损失函数LD,并通过判别分数SD0和SD1计算判别器D的损失值,再采用反向传播方法并通过损失值计算D的网络参数梯度,然后采用均方根传递算法通过D的网络参数梯度对D的网络参数θD进行更新;同时采用损失函数LG,并通过判别分数SD1计算生成器G的损失值,再采用反向传播方法并通过损失值计算G的网络参数梯度,然后采用均方根传递算法通过G的网络参数梯度对G的网络参数θG进行更新,得到本次迭代的重采样生成对抗网络模型Hi;
(3d)判断i≥I是否成立,若是,得到训练好的重采样生成对抗网络模型H*,否则,令i=i+1,并执行步骤(3b);
(4)获取雷达目标跟踪结果:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676116.1A CN115100233A (zh) | 2022-06-15 | 2022-06-15 | 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676116.1A CN115100233A (zh) | 2022-06-15 | 2022-06-15 | 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100233A true CN115100233A (zh) | 2022-09-23 |
Family
ID=83291800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210676116.1A Pending CN115100233A (zh) | 2022-06-15 | 2022-06-15 | 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100233A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116469041A (zh) * | 2023-06-20 | 2023-07-21 | 成都理工大学工程技术学院 | 一种目标对象的运动轨迹预测方法、系统及设备 |
-
2022
- 2022-06-15 CN CN202210676116.1A patent/CN115100233A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116469041A (zh) * | 2023-06-20 | 2023-07-21 | 成都理工大学工程技术学院 | 一种目标对象的运动轨迹预测方法、系统及设备 |
CN116469041B (zh) * | 2023-06-20 | 2023-09-19 | 成都理工大学工程技术学院 | 一种目标对象的运动轨迹预测方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN110262233B (zh) | 一种磁控镀膜仪工艺参数的优化方法 | |
CN108197432B (zh) | 一种基于基因表达数据的基因调控网络重构方法 | |
CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
CN107729999A (zh) | 考虑矩阵相关性的深度神经网络压缩方法 | |
CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
CN106023195A (zh) | 基于自适应遗传算法的bp神经网络图像分割方法及装置 | |
CN112308961B (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
CN108804334B (zh) | 一种基于自适应抽样的离散型软件可靠性增长测试与评估方法 | |
CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
CN115100233A (zh) | 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法 | |
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
CN111523728A (zh) | 一种四阶段混合短时风向预测方法 | |
CN112861257A (zh) | 一种基于神经网络的飞机火控系统精度敏感性分析方法 | |
CN114861519B (zh) | 复杂地质条件下初始地应力场加速优化反演方法 | |
CN116050007A (zh) | 基于混合自适应采样代理模型的复杂装备优化设计方法 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN113468466B (zh) | 基于神经网络的一维波动方程求解方法 | |
CN113762602A (zh) | 一种风电场短期风速预测方法 | |
CN111369072A (zh) | 一种基于稀疏化方法的核最小均方时间序列在线预测模型 | |
CN110991660A (zh) | 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN115510753A (zh) | 群智网络中基于矩阵补全与强化学习的数据收集方法 |
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 |