CN117129985A - 一种基于ais的雷达航迹生成方法及装置 - Google Patents

Abstract

本发明公开了一种基于AIS的雷达航迹生成方法及装置，该方法包括：获取包括同一目标的AIS的航迹数据和雷达航迹数据的航迹数据集；构建航迹转换初始模型，并利用航迹数据集对航迹转换初始模型进行训练，得到优化航迹转换模型；利用优化航迹转换模型对待用AI S目标航迹观测数据进行处理后，得到了对应雷达航迹数据。可见，利用本发明提供的技术方案实现了利用分布广泛、获取难度低和时效性好的AI S航迹数据生成对应雷达航迹数据，解决了现实中雷达航迹数据少而难以训练的问题。

Description

一种基于AIS的雷达航迹生成方法及装置

技术领域

本发明涉及信息融合技术领域，尤其涉及一种基于AIS的雷达航迹生成方法及装置。

背景技术

近年，随着传感器类型和数量不断增多，新的多源信息处理问题大量涌现，且问题复杂度成倍增加，有的甚至已超过人的直观理解能力，现有的技术方法已难以适应，迫切需要新的解决思路。鉴于现有多源信息处理算法能力瓶颈，考虑到人工智能相关技术的巨大潜力，利用人工智能强大的信息处理和数据拟合能力实现多源雷达航迹关联逐渐成为信息融合领域的一项研究热点。然而，由于雷达在预警探测领域的核心作用，以及部署位置、参数指标、观测数据的敏感性，获取大量的雷达航迹用于神经网络的训练存在一定的困难，亟需利用其他手段获得海量的雷达航迹数据。

船舶自动识别系统(Automatic Identification System,AIS)是一种广播式的舰载应答系统，该系统能够使船舶在公用无线信道上向附近的船舶和岸上的监测部门持续发送自身的身份、位置、航向、航速等数据。AIS系统具有定位精度高、船舶编码唯一、自控时分多址联接(SOTDMA)、电子海图等特点，为舰船目标识别、舰船目标跟踪、加强海事管理等应用提供了可靠技术保障，在军用和民用领域均有广泛应用。由于其广播式的数据发送特点，与雷达航迹数据相比，AIS航迹数据具有分布广泛、获取难度低和时效性好的优点。如何利用AIS航迹数据智能生成对应雷达航迹数据，以此扩充作为多源传感器航迹关联模型学习时所需的雷达航迹数据训练样本，辅助训练，进而提升模型泛化性能，成为亟待解决的难题。

发明内容

本发明所要解决的技术问题在于，如何利用AIS航迹数据智能生成对应雷达航迹数据。

为了解决上述技术问题，本发明实施例第一方面公开了一种基于AIS的雷达航迹生成方法，所述方法包括：

S1、获取航迹数据集；所述航迹数据集包括若干组航迹数据；每组所述航迹数据包括同一目标的AIS的航迹数据和雷达航迹数据；

S2、构建航迹转换初始模型；

S3、利用所述航迹数据集对所述航迹转换初始模型进行训练和测试，得到优化航迹转换模型；

S4、利用所述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据。

作为一种可选的实施方式，在本发明实施例第一方面中，所述构建航迹转换初始模型，包括：

所述航迹转换初始模型包括扩散模型、噪声预测模型和聚合模型；所述扩散模型用于利用雷达航迹生成的航迹随机噪声；所述噪声预测模型用于以AIS航迹数据作为条件约束，利用所述航迹随机噪声生成第二噪声；所述聚合模型用于将所述第二噪声生成雷达航迹；

所述扩散模型包括T个依次串联连接的子扩散模块；所述T为扩散步数；所述扩散模型中第t个所述子扩散模块表达式为：

式(1)中，y_t-1为第t-1个子扩散模块的输出，α_t，β_c为第t个子扩散模块预设参数，ε_t为第t个子扩散模块中引入的噪声；所述t∈(1,…,T)；

所述噪声预测模型包括编码器模块和解码器模块，所述解码器模块对输入的AIS航迹数据和航迹随机噪声进行特征提取，所述解码器模块用于对编码器输出的特征生成第二噪声；所述第二噪声为由所述噪声预测模型预测的第T个子扩散模块的输入；

所述聚合模型包括T-1个依次连接的子聚合模块；所述聚合模型中第h个所述子聚合模块表达式为：

式(2)中，y'_h-1为第h个子扩散模块的输出，α_h，β_h为第h个子扩散模块预设参数，ε_h为第h个子扩散模块中引入的噪声；所述h∈(1,…,T-1)。

作为一种可选的实施方式，在本发明实施例第一方面中，所述编码器模块包括N个编码器，每个所述编码器包括卷积层和池化层；卷积层的作用是提取目标航迹的特征，它会将上一层的输出特征向量作为输入进入卷积层，与各通道的卷积核进行卷积操作，再通过激活函数，得到输出特征向量，每个编码器中可包括多个卷积层。池化层是为了去除提取特征的冗余信息，它会将输入的特征向量划分为多个相连、不重叠且长度相同的向量块，通过对每个向量块取平均或取最大值得到输出特征向量，最终减少航迹点数，增加特征维度。

所述解码器模块包括N个解码器，每个所述解码器包括卷积层和上采样层，每个解码器中包括与编码器中相同的卷积层数；上采样层根据提取的航迹特征，计算对应的航迹向量，以恢复航迹点数，减少特征维度。

第1编码器的输入为所述扩散模型输出的随机噪声与AIS航迹拼接后的数据；n为大于1且小于N时，第n编码器的输入为第n-1编码器的输出；

第N编码器的输出作为第1解码器的输入；当k为大于1且小于N时，第k解码器的输出拼接第N-k编码器的输出作为第k+1解码器的输入；第N解码器的输出为第二噪声。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述航迹数据集对所述航迹转换初始模型进行训练和测试，得到优化航迹转换模型，包括：

S31、从所述航迹数据集随机选取60％的航迹数据作为训练集，其余为测试集；

S32、利用所述航迹转换初始模型中的扩散模型，对所述训练集中雷达航迹数据进行处理，得到航迹随机噪声集；

S33、利用所述航迹随机噪声集和所述训练集中AIS航迹数据，对所述航迹转换初始模型中的噪声预测模型进行训练，得到第二噪声预测模型；

S34、将所述航迹转换初始模型中噪声预测模型更新为所述第二噪声预测模型，得到第二航迹转换模型；

S35、利用所述测试集对所述第二航迹转换模型进行测试，得到优化航迹转换模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述航迹转换初始模型中的扩散模型，对所述训练集中雷达航迹数据进行处理，得到航迹随机噪声集，包括：

S321、从所述训练集中提取雷达航迹数据，得到雷达航迹数据训练集Y，所述雷达航迹数据训练集Y表达式为：

Y＝{y¹,y²,…,y^m}

其中，yⁱ表示雷达观测的第i个航迹样本数据；m表示训练集中雷达航迹数据的个数；

S322、从所述训练集中提取AIS航迹数据，得到AIS航迹数据训练集X，所述AIS航迹数据训练集X表达式为：

X＝{x¹,x²,…,x^m}

其中，xⁱ表示AIS观测的第i个航迹样本数据；

S323、利用所述航迹转换初始模型中的扩散模型，对所述雷达航迹数据训练集Y中任一雷达航迹数据yⁱ，i∈(1,…,m)，进行扩散加噪处理，得到航迹随机噪声集；所述航迹随机噪声集包括次末级航迹随机噪声集Y_T-1和末级航迹随机噪声集Y_T；

所述末级航迹随机噪声集Y_T-1表达式为：

其中，表示第i个雷达航迹数据yⁱ经扩散模型进行扩散加噪处理后由第T-1子扩散模块生成的航迹随机噪声；

所述末级航迹随机噪声集Y_T表达式为：

其中，表示第i个达航迹数据yⁱ经扩散模型进行扩散加噪处理后由第T子扩散模块生成的航迹随机噪声。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述航迹随机噪声集和所述训练集中AIS航迹数据，对所述航迹转换初始模型中的噪声预测模型进行训练，得到第二噪声预测模型，包括：

S331、选取Adam优化器对所述噪声预测模型进行梯度更新，并使用预测值与真实值之间的最小均方误差为损失函数进行训练；设置第一学习率η₁、批量样本数目B，所述训练集中样本个数m为所述批量样本数目B的整数倍；

S332、以学习率η₁进行100个epoch的学习，重复执行步骤S3321～S3324进行训练，每处理完成B个样本后，利用预测模型输出的噪声和真实噪声之间的均方误差作为损失函数反馈，对所述噪声预测模型进行更新优化，使得该损失函数逐渐减小；一个epoch为使用训练集中的全部样本训练一次的过程。

S3321、从所述次末级航迹随机噪声集Y_T-1和末级航迹随机噪声集Y_T中分别获取任一第i个次末级航迹随机噪声和末级航迹随机噪声/>

S3322、从所述AIS航迹数据训练集X中获取任一第i个AIS航迹数据xⁱ；

S3323、利用所述航迹转换初始模型中的噪声预测模型，对所述末级航迹随机噪声和AIS航迹数据xⁱ进行处理，得到预测噪声/>

S3324、以最小化所述预测噪声与次末级航迹随机噪声/>之间的均方误差为损失函数；

S333、设置第二学习率η₂，所述η₂<η₁，所述噪声预测模型以学习率η₂进行学习，直到损失函数稳定在连续10个epoch不再下降后停止，得到第二噪声预测模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述测试集对所述第二航迹转换模型进行测试，得到优化航迹转换模型，包括：

S351、基于所述测试集，对所述第二航迹转换模型中噪声预测模型的参数调节后进行训练，得到第三航迹转换模型；所述噪声预测模型的参数包括学习率(η1,η2)、批量样本数目B、模型参数(包括编码器、解码器中卷积核大小、卷积核个数、层数)等。

S352、从所述测试集中提取雷达航迹数据，得到雷达航迹数据测试集；

S353、利用所述第三航迹转换模型，对所述测试集进行处理，得到预测雷达航迹数据集；

S354、以最小化所述测试集中雷达航迹数据与所述预测雷达航迹数据集中对应的预测雷达航迹数据之间的均方误差为目标，调整所述第三航迹转换模型中扩散模型的超参数值，得到优化航迹转换模型。所述扩散模型的超参数值包括每个子扩散模块的参数。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据，包括：

S41、将待用AIS目标航迹观测数据拼接随机噪声，得到源数据；

S42、利用所述优化航迹转换模型中噪声预测模型，对所述源数据进行处理，得到源数据噪声特征；

S43、利用所述优化航迹转换模型中聚合模型，对所述源数据噪声特征进行处理，得到雷达航迹数据。

本发明实施例第二方面公开了一种基于AIS的雷达航迹生成装置，所述装置包括：

数据获取模块，用于获取AIS的航迹数据和雷达航迹数据，得到航迹数据集；

模型构建模块，用于构建航迹转换初始模型，得到航迹转换初始模型；

模型训练模块，用于利用所述航迹数据集对所述航迹转换初始模型进行训练和测试，得到优化航迹转换模型；

航迹生成模块，用于利用所述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据。

与现有技术相比，本发明实施例具有以下有益效果：

本发明所提供的技术方案基于条件式扩散模型，构建了从AIS航迹数据到雷达航迹的航迹转换模型。能以大量公开的AIS航迹数据为基础，生成对应于AIS航迹数据的雷达航迹数据，作为多源传感器航迹关联的训练样本，辅助训练，减少了对于难以获取的雷达航迹的依赖，有效扩充多源关联数据集，缓解了雷达航迹数据少而难以训练的问题，为基于人工智能方法的智能航迹关联方法的研究提供了数据支撑。

附图说明

图1为本发明实施例公开的一种基于AIS的雷达航迹生成方法的流程示意图；

图2为本发明实施例公开的一种航迹转换初始模型结构示意图；

图3为本发明实施例公开的一种基于AIS的雷达航迹生成装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

实施例一

请参阅图1，图1为本发明实施例公开的一种基于AIS的雷达航迹生成方法的流程示意图。其中，图1所描述的基于AIS的雷达航迹生成方法应用于航迹生成系统中，如用于基于AIS的雷达航迹生成管理的本地服务器或云端服务器等，本发明实施例不做限定。如图1所示，该基于AIS的雷达航迹生成方法可以包括以下操作：

S1、获取航迹数据集；

本发明实施例中，上述航迹数据集包括若干组航迹数据；每组上述航迹数据包括同一目标的AIS的航迹数据和雷达航迹数据；航迹数据集包含的航迹数据越多，实施例中模型训练的越充分，本实施例中上述航迹数据集包括了不少于1000组航迹数据。

S2、构建航迹转换初始模型；

S3、利用航迹数据集对航迹转换初始模型进行训练和测试，得到优化航迹转换模型；

S4、利用优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据。

可见，本实施例所描述的方法通过构建航迹转换初始模型，并利用航迹数据集对航迹转换初始模型进行训练，得到优化航迹转换模型；利用优化航迹转换模型对待用AIS目标航迹观测数据进行处理后，得到了对应雷达航迹数据，实现了利用分布广泛、获取难度低和时效性好的AIS航迹数据生成对应雷达航迹数据，解决了雷达航迹数据少而难以训练的问题，

在一个可选的实施例中，上述步骤S2中构建航迹转换初始模型，包括：

如图2所示，航迹转换初始模型包括扩散模型、噪声预测模型和聚合模型。

扩散模型用于利用雷达航迹生成的航迹随机噪声；扩散过程是对雷达航迹样本y₀通过T步累加添加高斯噪声，在模型中表示为T个依次串联连接的子扩散模块，得到一系列样本{y₀,y₁,…,y_T}，将雷达航迹样本逐渐变成随机噪声的过程。

因此，所构建的扩散模型包括T个依次串联连接的子扩散模块，T为扩散步数；扩散步数T越大，扩散模型输出的样本越接近为随机噪声，本实施例中T为不小于100的正整数；

其中，任一第t个上述子扩散模块表达式为：

式(1)中，y_t-1为第t-1个子扩散模块的输出，α_t，β_t为第t个子扩散模块预设参数，ε_t为第t个子扩散模块中引入的噪声；上述t∈(1,…,T)；α_t,β_t>0，并且β_t很接近于0，代表着单步扩散过程中雷达航迹的变化程度，ε_t表示扩散过程第t步中引入的噪声。按照公式(1)，经过多次扩散步骤后，可以得到包含初始雷达航迹y₀的模型为：

其中

则扩散过程可由雷达航迹的初始状态经过一次计算得到，并且应适当选取α_T，使得表示经过扩散过程后雷达航迹已经完全转化为噪声。而根据上述公式可知，知道初始航迹y₀就可以计算出任意步的y_t。

上述噪声预测模型用于以AIS航迹数据作为条件约束，利用上述航迹随机噪声生成第二噪声；噪声预测模型包括编码器模块和解码器模块，上述解码器模块对输入的AIS航迹数据和航迹随机噪声进行特征提取，上述解码器模块用于对编码器输出的特征生成第二噪声；上述第二噪声为由上述噪声预测模型预测的第T个子扩散模块的输入；

上述聚合模型用于将上述第二噪声生成雷达航迹；聚合模型包括T-1个依次连接的子聚合模块；第h个上述子聚合模块表达式为：

式(2)中，y'_h-1为第h个子扩散模块的输出，α_h，β_h为第h个子扩散模块预设参数，ε_h为第h个子扩散模块中引入的噪声；上述h∈(1,…,T-1)；

需要说明的是，根据扩散过程所述，扩散过程本质是不断地将初始航迹数据通过有限步噪声化过程，而聚合生成过程是扩散过程的逆过程，即去噪过程。在聚合过程中，为了引入AIS航迹的信息，本发明采用条件式聚合生成过程，把AIS航迹数据作为条件约束与y_T一起进行经多次聚合生成得到去噪后的y'₀，经过聚合逐渐生成对应AIS航迹的雷达航迹。

设由对应AIS航迹数据x作为条件，y_T为输入的聚合模型为μ(y_T,x)，单步聚合过程旨在最小化该模型生成的数据和对应扩散过程该步数据之间的欧氏距离，即：

||y_T-1-μ(y_T,x)||² (2-1)

根据公式(1)，可以计算出：

由于在扩散过程中y_T已经固定，因此聚合过程仅需对从T-1到T的噪声进行预测，因此，构建上述噪声预测模型ε_θ(y_t,x,t)，其中θ为预测模型待学习的参数，即可实现对雷达航迹的生成，经上述噪声预测模型后的输出为：

其中θ为神经网络参数。

在一个可选的实施例中，上述噪声预测模型中编码器模块包括N个编码器，每个编码器包括卷积层和池化层；卷积层的作用是提取目标航迹的特征，它会将上一层的输出特征向量作为输入进入卷积层，与各通道的卷积核进行卷积操作，再通过激活函数，得到输出特征向量，每个编码器中可包括多个卷积层。池化层是为了去除提取特征的冗余信息，它会将输入的特征向量划分为多个相连、不重叠且长度相同的向量块，通过对每个向量块取平均或取最大值得到输出特征向量，最终减少航迹点数，增加特征维度。

噪声预测模型中解码器模块包括N个解码器，每个解码器包括卷积层和上采样层，每个解码器中包括与编码器中相同的卷积层数；上采样层根据提取的航迹特征，计算对应的航迹向量，以恢复航迹点数，减少特征维度。

第1编码器的输入为上述扩散模型输出的随机噪声与AIS航迹拼接后的数据；n为大于1且小于N时，第n编码器的输入为第n-1编码器的输出；

第N编码器的输出作为第1解码器的输入；当k为大于1且小于N时，第k解码器的输出拼接第N-k编码器的输出作为第k+1解码器的输入；第N解码器的输出为第二噪声。

在一个可选的实施例中，上述步骤S3中利用航迹数据集对航迹转换初始模型进行训练和测试，得到优化航迹转换模型，包括：

S31、从航迹数据集随机选取60％的航迹数据作为训练集，其余为测试集；

S32、利用航迹转换初始模型中的扩散模型，对训练集中雷达航迹数据进行处理，得到航迹随机噪声集；

S33、利用上述航迹随机噪声集和上述训练集中AIS航迹数据，对航迹转换初始模型中的噪声预测模型进行训练，得到第二噪声预测模型；

S34、将上述航迹转换初始模型中噪声预测模型更新为上述第二噪声预测模型，得到第二航迹转换模型；

S35、利用上述测试集对上述第二航迹转换模型进行测试，得到优化航迹转换模型。

在一个可选的实施例中，上述利用航迹转换初始模型中的扩散模型，对训练集中雷达航迹数据进行处理，得到航迹随机噪声集，包括：

S321、从上述训练集中提取雷达航迹数据，得到雷达航迹数据训练集Y，上述雷达航迹数据训练集Y表达式为：

Y＝{y¹,y²,…,y^m}

其中，yⁱ表示雷达观测的第i个航迹样本数据；m表示训练集中雷达航迹数据的个数；

S322、从上述训练集中提取AIS航迹数据，得到AIS航迹数据训练集X，上述AIS航迹数据训练集X表达式为：

X＝{x¹,x²,…,x^m}

其中，xⁱ表示AIS观测的第i个航迹样本数据；

S323、利用上述航迹转换初始模型中的扩散模型，对上述雷达航迹数据训练集Y中任一雷达航迹数据yⁱ，i∈(1,…,m)，进行扩散加噪处理，得到航迹随机噪声集；上述航迹随机噪声集包括次末级航迹随机噪声集Y_T-1和末级航迹随机噪声集Y_T；

上述末级航迹随机噪声集Y_T-1表达式为：

其中，表示第i个雷达航迹数据yⁱ经扩散模型进行扩散加噪处理后由第T-1子扩散模块生成的航迹随机噪声；

上述末级航迹随机噪声集Y_T表达式为：

其中，表示第i个达航迹数据yⁱ经扩散模型进行扩散加噪处理后由第T子扩散模块生成的航迹随机噪声。

在一个可选的实施例中，上述利用上述航迹随机噪声集和上述训练集中AIS航迹数据，对航迹转换初始模型中的噪声预测模型进行训练，得到第二噪声预测模型，包括：

S331、选取Adam优化器对上述噪声预测模型进行梯度更新，并使用预测值与真实值之间的最小均方误差为损失函数进行训练；设置第一学习率η₁、批量样本数目B，上述训练集中样本个数m为上述批量样本数目B的整数倍；

S332、以学习率η₁进行100个epoch的学习，重复执行步骤S3321～S3324进行训练，每处理完成B个样本后，利用预测模型输出的噪声和真实噪声之间的均方误差作为损失函数反馈，对上述噪声预测模型进行更新优化，使得该损失函数逐渐减小；

S3321、从上述次末级航迹随机噪声集Y_T-1和末级航迹随机噪声集Y_T中分别获取任一第i个次末级航迹随机噪声和末级航迹随机噪声/>

S3322、从上述AIS航迹数据训练集X中获取任一第i个AIS航迹数据xⁱ；

S3323、利用上述航迹转换初始模型中的噪声预测模型，对上述末级航迹随机噪声和AIS航迹数据xⁱ进行处理，得到预测噪声/>

S3324、以最小化上述预测噪声与次末级航迹随机噪声/>之间的均方误差为损失函数；

S333、设置第二学习率η₂，上述η₂<η₁，上述噪声预测模型以学习率η₂进行学习，直到损失函数稳定在连续10个epoch不再下降后停止，得到第二噪声预测模型。

在一个可选的实施例中，上述以最小化上述预测噪声与次末级航迹随机噪声之间的均方误差为损失函数，具体的：

损失函数表示为：

式(4)中，ε_θ(y_t,x,t)为噪声预测模型，α_T，β_T为第T子扩散模块参数，y_T为第T子扩散模块输出(噪声预测模型的输入)，y_T-1为第T子扩散的输入(第T-1子扩散模块输出)。

根据扩散过程中的式(1)和式(1-1)，可得：

将上式带入式(4)中，并忽略系数，得到第二损失函数为：

考虑到正态分布的叠加性，相当于单个随机变量同理/>也相当于单个随机变量/> 并且/>故ε和ω相互独立，基于ε和ω将ε_T重新表示，

将式(4-2)带入式(4-1)中，优化代价函数可写作：

其中Const为一常数，去掉常数和权重，得到优化损失函数为:

在一个可选的实施例中，上述利用上述测试集对上述第二航迹转换模型进行测试，得到优化航迹转换模型，包括：

S351、基于所述测试集，对上述第二航迹转换模型中噪声预测模型的参数调节后进行训练，得到第三航迹转换模型；上述噪声预测模型的参数包括学习率(η1,η2)、批量样本数目B、模型参数(包括编码器、解码器中卷积核大小、卷积核个数、层数)等。

S352、从上述测试集中提取雷达航迹数据，得到雷达航迹数据测试集；

S353、利用上述第三航迹转换模型，对上述雷达航迹数据测试集进行处理，得到预测雷达航迹数据集；

S354、以最小化上述雷达航迹数据测试集中雷达航迹数据与上述预测雷达航迹数据集中对应的预测雷达航迹数据之间的均方误差为目标，调整上述第三航迹转换模型中扩散模型的超参数值，得到优化航迹转换模型。上述扩散模型的超参数值包括每个子扩散模块的参数。

在一个可选的实施例中，上述利用上述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据，包括：

S41、将待用AIS目标航迹观测数据拼接随机噪声，得到源数据；

S42、利用上述优化航迹转换模型中噪声预测模型，对上述源数据进行处理，得到源数据噪声特征；

S43、利用上述优化航迹转换模型中聚合模型，对上述源数据噪声特征进行处理，得到雷达航迹数据。

实施例二

请参阅图3。图3为本发明实施例公开了一种基于AIS的雷达航迹生成装置结构示意图。如图3所示，一种基于AIS的雷达航迹生成装置包括：

数据获取模块201，用于获取AIS的航迹数据和雷达航迹数据，得到航迹数据集；

模型构建模块202，用于构建航迹转换初始模型，得到航迹转换初始模型；

模型训练模块203，用于利用上述航迹数据集对上述航迹转换初始模型进行训练和测试，得到优化航迹转换模型；

航迹生成模块204，用于利用上述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据。

需要说明的是，实施例二公开的一种基于AIS的雷达航迹生成装置，是实施例一公开的一种基于AIS的雷达航迹生成方法对应的产品实施例，具体处理步骤及方法相同，在实施例二中不再赘述。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种基于AIS的雷达航迹生成方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (9)

1.一种基于AIS的雷达航迹生成方法，其特征在于，所述方法包括：

S1、获取航迹数据集；所述航迹数据集包括若干组航迹数据；每组所述航迹数据包括同一目标的AIS的航迹数据和雷达航迹数据；

S2、构建航迹转换初始模型；

S3、利用所述航迹数据集对所述航迹转换初始模型进行训练和测试，得到优化航迹转换模型；

S4、利用所述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据。

2.根据权利要求1所述的基于AIS的雷达航迹生成方法，其特征在于，所述构建航迹转换初始模型，包括：

所述航迹转换初始模型包括扩散模型、噪声预测模型和聚合模型；所述扩散模型包括T个依次串联连接的子扩散模块；所述T为扩散步数；

所述扩散模型中第t个所述子扩散模块表达式为：

式(1)中，y_t-1为第t-1个子扩散模块的输出，α_t，β_t为第t个子扩散模块预设参数，ε_t为第t个子扩散模块中引入的噪声；所述t∈(1,…,T)；

所述噪声预测模型包括编码器模块和解码器模块，所述解码器模块对输入的AIS航迹数据和航迹随机噪声进行特征提取，所述解码器模块用于对编码器输出的特征生成第二噪声；

所述聚合模型包括T-1个依次连接的子聚合模块；所述聚合模型中第h个所述子聚合模块表达式为：

式(2)中，y'_h-1为第h个子扩散模块的输出，α_h，β_h为第h个子扩散模块预设参数，ε_h为第h个子扩散模块中引入的噪声；所述h∈(1,…,T-1)。

3.根据权利要求2所述的基于AIS的雷达航迹生成方法，其特征在于，所述编码器模块包括N个编码器，每个所述编码器包括卷积层和池化层；所述解码器模块包括N个解码器，每个所述解码器包括卷积层和上采样层。

4.根据权利要求3所述的基于AIS的雷达航迹生成方法，其特征在于，所述利用所述航迹数据集对所述航迹转换初始模型进行训练和测试，得到优化航迹转换模型，包括：

S31、从所述航迹数据集随机选取60％的航迹数据作为训练集，其余为测试集；

S32、利用所述航迹转换初始模型中的扩散模型，对所述训练集中雷达航迹数据进行处理，得到航迹随机噪声集；

S33、利用所述航迹随机噪声集和所述训练集中AIS航迹数据，对所述航迹转换初始模型中的噪声预测模型进行训练，得到第二噪声预测模型；

S34、将所述航迹转换初始模型中噪声预测模型更新为所述第二噪声预测模型，得到第二航迹转换模型；

S35、利用所述测试集对所述第二航迹转换模型进行测试，得到优化航迹转换模型。

5.根据权利要求4所述的基于AIS的雷达航迹生成方法，其特征在于，所述利用所述航迹转换初始模型中的扩散模型，对所述训练集中雷达航迹数据进行处理，得到航迹随机噪声集，包括：

S321、从所述训练集中提取雷达航迹数据，得到雷达航迹数据训练集Y，所述雷达航迹数据训练集Y表达式为：

Y＝{y¹,y²，…,y^m}

其中，yⁱ表示雷达观测的第i个航迹样本数据；m表示训练集中雷达航迹数据的个数；

S322、从所述训练集中提取AIS航迹数据，得到AIS航迹数据训练集X，所述AIS航迹数据训练集X表达式为：

X＝{x¹,x²,…,x^m}

其中，xⁱ表示AIS观测的第i个航迹样本数据；

S323、利用所述航迹转换初始模型中的扩散模型，对所述雷达航迹数据训练集Y中任一雷达航迹数据yⁱ，i∈(1,…,m)，进行扩散加噪处理，得到航迹随机噪声集；所述航迹随机噪声集包括次末级航迹随机噪声集Y_T-1和末级航迹随机噪声集Y_T；

所述末级航迹随机噪声集Y_T-1表达式为：

其中，表示第i个雷达航迹数据yⁱ经扩散模型进行扩散加噪处理后由第T-1子扩散模块生成的航迹随机噪声；

所述末级航迹随机噪声集Y_T表达式为：

其中，表示第i个达航迹数据yⁱ经扩散模型进行扩散加噪处理后由第T子扩散模块生成的航迹随机噪声。

6.根据权利要求5所述的基于AIS的雷达航迹生成方法，其特征在于，所述利用所述航迹随机噪声集和所述训练集中AIS航迹数据，对所述航迹转换初始模型中的噪声预测模型进行训练，得到第二噪声预测模型，包括：

S331、选取Adam优化器对所述噪声预测模型进行梯度更新，并使用预测值与真实值之间的最小均方误差为损失函数进行训练；设置第一学习率η₁、批量样本数目B，所述训练集中样本个数m为所述批量样本数目B的整数倍；

S332、以学习率η₁进行100个epoch的学习，重复执行步骤S3321～S3324进行训练，每处理完成B个样本后，利用预测模型输出的噪声和真实噪声之间的均方误差作为损失函数反馈，对所述噪声预测模型进行更新优化，使得该损失函数逐渐减小；

S3321、从所述次末级航迹随机噪声集Y_T-1和末级航迹随机噪声集Y_T中分别获取任一第i个次末级航迹随机噪声和末级航迹随机噪声/>

S3322、从所述AIS航迹数据训练集X中获取任一第i个AIS航迹数据xⁱ；

S3323、利用所述航迹转换初始模型中的噪声预测模型，对所述末级航迹随机噪声和AIS航迹数据xⁱ进行处理，得到预测噪声/>

S3324、以最小化所述预测噪声与次末级航迹随机噪声/>之间的均方误差为损失函数；

S333、设置第二学习率η₂，所述η₂<η₁，所述噪声预测模型以学习率η₂进行学习，直到损失函数稳定在连续10个epoch不再下降后停止，得到第二噪声预测模型。

7.根据权利要求4所述的基于AIS的雷达航迹生成方法，其特征在于，所述利用所述测试集对所述第二航迹转换模型进行测试，得到优化航迹转换模型，包括：

S351、基于所述测试集，对所述第二航迹转换模型中噪声预测模型的参数调节后进行训练，得到第三航迹转换模型；

S352、从所述测试集中提取雷达航迹数据，得到雷达航迹数据测试集；

S353、利用所述第三航迹转换模型，对所述测试集进行处理，得到预测雷达航迹数据集；

S354、以最小化所述测试集中雷达航迹数据与所述预测雷达航迹数据集中对应的预测雷达航迹数据之间的均方误差为目标，调整所述第三航迹转换模型中扩散模型的超参数值，得到优化航迹转换模型。

8.根据权利要求1所述的基于AIS的雷达航迹生成方法，其特征在于，所述利用所述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据，包括：

S41、将待用AIS目标航迹观测数据拼接随机噪声，得到源数据；

S42、利用所述优化航迹转换模型中噪声预测模型，对所述源数据进行处理，得到源数据噪声特征；

S43、利用所述优化航迹转换模型中聚合模型，对所述源数据噪声特征进行处理，得到雷达航迹数据。

9.一种基于AIS的雷达航迹生成装置，其特征在于，所述装置包括：

数据获取模块，用于获取AIS的航迹数据和雷达航迹数据，得到航迹数据集；

模型构建模块，用于构建航迹转换初始模型，得到航迹转换初始模型；

模型训练模块，用于利用所述航迹数据集对所述航迹转换初始模型进行训练和测试，得到优化航迹转换模型；

航迹生成模块，用于利用所述优化航迹转换模型，对待用AIS目标航迹观测数据进行处理，得到雷达航迹数据。