CN117609786A - 一种航迹分数智能计算方法 - Google Patents

一种航迹分数智能计算方法 Download PDF

Info

Publication number
CN117609786A
CN117609786A CN202311590608.XA CN202311590608A CN117609786A CN 117609786 A CN117609786 A CN 117609786A CN 202311590608 A CN202311590608 A CN 202311590608A CN 117609786 A CN117609786 A CN 117609786A
Authority
CN
China
Prior art keywords
track
tracks
sliding window
score
scene
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
CN202311590608.XA
Other languages
English (en)
Inventor
熊伟
徐平亮
崔亚奇
孔战
董凯
熊振宇
于艺伟
郝延彪
龚诚
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202311590608.XA priority Critical patent/CN117609786A/zh
Publication of CN117609786A publication Critical patent/CN117609786A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种航迹分数智能计算方法，能够在极高不确定条件下实现航迹分数的准确计算，并且无需预先假设目标运动属性和目标运动模型，大大提高了航迹分数计算的准确性和算法的适用范围。该方法首先利用大量的航迹数据，采用航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器。之后设置负样本选取波门，构建航迹大模型微调所需要的正负样本对。接着利用不同的正负样本对及其分数对航迹大模型进行微调，更新模型权重。最后，为了得到最佳网络参数，采用均方误差损失函数计算网络损失，采用随机梯度下降算法更新网络参数。

Description

一种航迹分数智能计算方法
技术领域
本发明涉及一种航迹分数智能计算方法，属于信息融合处理领域。
背景技术
目标的跟踪、关联是多传感器信息融合中非常重要的研究领域，是通过多传感器实现对目标的有效探测的重要途经。多传感器多目标跟踪问题是用多个传感器同时对多个目标的状态进行量测和估计，在环境杂波、目标机动、系统误差等多种不确定因素的影响下，确定最佳的目标运动状态。由于大量不确定因素所造成的影响，并且各个传感器上报信息不统一，目标数量不统一，多传感器多目标跟踪问题显得尤为复杂，在跟踪的过程中也会产生诸多困难。
多假设跟踪(Multiple Hypothesis Tracking,MHT)是实现目标跟踪的重要算法，应用领域十分广泛，可以实现单传感器、多传感器、点迹、航迹段跟踪。MHT算法可以分为以下几个步骤：滤波和预测、波门生成、粗关联、分支和航迹起始、起始航迹评分、起始航迹剪枝、航迹聚类、假设产生、假设评分、全局航迹评分、全局航迹剪枝。可以看出，航迹分数是MHT中的重要环节，假设产生和航迹剪枝均依赖航迹分数。有效的航迹分数计算方法，可确保无效假设的快速删除，对抑制假设组合爆炸，提升算法性能具有重要作用。
现有的航迹分数计算方法需要预先假设目标运动属性和目标运动模型，采用统计估计的理论对目标的运动状态进行预测，依据目标的运动状态和协方差矩阵构建评分函数，最终获得数据的关联分数，航迹分数实质上是对假设航迹与所设定运动模型的匹配程度。然而，目标运动复杂，常用的单个匀速直线、匀加速或者匀速转弯模型难以对目标所有运动模式进行准确描述，而采用交互式多模型方法，一般也仅能集成少量运动模型，集成模型过多，会导致各个模型之间相互干扰，影响算法效能。并且由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素的影响，跟踪场景具有很大的不确定性，使得现有的航迹分数计算方法难以对待跟踪的航迹组合进行准确的分数评判，导致跟踪效果大打折扣。因此，现有航迹分数计算方法性能十分有限，严重制约了MHT框架性能的发挥。
针对目前的航迹分数计算方法需要目标的先验信息和假设的目标运动模型，导致假设不合理、模型不适用，并且受各类不确定因素影响较大等问题，本文提出一种航迹分数智能计算方法，采用基于航迹的数据驱动策略，实现对航迹分数的智能计算。该方法包括航迹大模型预训练和航迹分数微调两个部分，首先利用大量的航迹数据，采用航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器。预训练后利用不同的航迹关联对及其分数对航迹大模型进行微调，更新模型权重。两个部分均采用均方误差损失函数计算网络损失，采用随机梯度下降算法更新网络参数。该方法通过对真实场景航迹的训练得到航迹分数的计算方法，无需预先假设目标的运动属性和目标的运动模型，能够克服由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素带来的不确定因素影响，有效提升航迹分数计算的准确性。
发明内容
本发明针对多传感器量测条件下多各目标的跟踪、关联问题，提出一种航迹分数智能计算方法，能够在极高不确定条件下实现航迹分数的准确计算，并且无需预先假设目标运动属性和目标运动模型，大大提高了目标分数计算的准确性和算法的适用范围，为后续目标的跟踪、关联问题奠定基础。
本发明的一种航迹分数智能计算方法，其特殊之处在于包括以下步骤：
步骤1，利用大量的航迹数据，采用计算机设备，以航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器；
步骤1.1，对该场景中的航迹进行归一化，便于航迹大模型的训练，可以采用0-1归一化、Z-score归一化或中心归一化，得到归一化后的航迹
其中为场景中第i个目标的归一化航迹，/>表示该场景中第i个目标的第j个采样点的归一化X轴坐标，/>表示该场景中第i个目标的第j个采样点的归一化Y轴坐标，/>表示该场景中第i个目标的第j个采样点的归一化时间；
步骤1.2，将归一化后的航迹中的相邻采样点的后项减去前项，构建差分航迹数据，
其中Hi为场景中第i个目标的差分航迹，xi′j表示该场景中第i个目标的第j个采样点的差分X轴坐标，表示该场景中第i个目标的第j个采样点的差分Y轴坐标，/>表示该场景中第i个目标的第j个采样点的差分时间；
步骤1.3，构建预训练航迹数据，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，即
每个滑窗之后的第一个差分航迹点为该滑窗采样的航迹对应的标签，即滑窗的步长为s，如果一条航迹最后的航迹采样点数小于窗口长度W，则丢弃剩余航迹，当该场景中的所有航迹遍历完成后，将所有的滑窗航迹和对应的标签打乱顺序后分别拼接，得到拼接后的滑窗航迹和拼接后的标签，用于航迹大模型预训练；
步骤1.4，基于transformer架构构建航迹大模型，可以采用Encoder结构、Decoder结构、Encoder-Decoder结构，网络的输入为拼接后的采样航迹数据，输出为每个采样航迹数据对应的后一个航迹点数据，即根据前W个航迹采样点预测第W+1个航迹采样点，实现航迹预测；
步骤1.5，采用均方误差损失(Mean Squared Error,MSE)度量网络预测的航迹和真实航迹之间的差异，得到预测损失dp，通过随机梯度下降算法更新网络参数，其中表示网络预测的第W+1个航迹采样点的位置，k表示拼接后的滑窗航迹的个数；
步骤2，采用计算机设备，构建航迹大模型微调所需要的正负样本对；
步骤2.1：设置负样本选取波门，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，对该窗口中的每个采样点设置波门，波门采用圆形波门，其半径r为目标最大移动速度vmax与传感器更新周期T的乘积；
r＝vmax×T
步骤2.2，根据波门进行负样本选取，在滑窗航迹的每个采样点产生的波门内随机选择一个点，这个点可以为产生该波门对应的滑窗航迹采样点，该滑窗所有采样点对应的波门内的随机点按照时间从前至后的顺序连接构成伪航迹；
步骤2.3，设置航迹分数标签，其计算公式为
其中si表示第i个航迹的分数标签，Wn表示该航迹中不为滑窗航迹的采样点的个数，即如果某个航迹的所有采样点均为滑窗航迹的采样点，航迹分数为1，伪航迹按照其中不为滑窗航迹采样点的数量的增加，航迹分数逐渐减少，航迹分数的值域为[0,1]；
步骤2.4，将所有的滑窗航迹和伪航迹及其对应的分数打乱顺序后按照航迹和分数分别拼接，得到拼接后的航迹和拼接后的分数，用于航迹大模型微调；
步骤3，采用计算机设备，对预训练后的航迹大模型进行微调，计算航迹分数。
所述步骤3具体包括以下子步骤：
步骤3.1：对航迹大模型的微调可以采用全参数微调和冻结参数微调两种方式，如果采用全参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，利用拼接后的航迹和拼接后的分数进行微调，更新整个网络的参数，如果采用冻结参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，并冻结除了最后一个全连接层以外的网络参数，利用拼接后的航迹和拼接后的分数进行微调，只更新最后一个网络的参数，并且冻结参数微调可以采用LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning等多种微调方法，微调过程中网络的输入为拼接后的航迹，输出为每个航迹对应的航迹分数，即根据滑窗航迹或伪航迹预测对应的航迹分数，实现航迹分数计算；
步骤3.2：采用均方误差损失(MSE)度量网络预测的航迹分数和真实的航迹分数之间的差异，得到分数损失ds，通过随机梯度下降算法更新网络参数，其中表示网络预测的第i个航迹的分数，si表示第i个航迹的分数标签，k表示拼接后的滑窗航迹和伪航迹的个数。
本发明具体包含以下技术措施：首先利用大量的航迹数据，采用航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器。预训练后利用不同的航迹关联对及其分数对航迹大模型进行微调，更新模型权重。其中，航迹关联对的正样本来源于真实航迹，负样本来源于对应正样本每个航迹采样点的波门内的其他航迹点。最后，为了得到最佳网络参数，采用均方误差损失函数计算网络损失，采用随机梯度下降算法更新网络参数。本发明所述的一种航迹分数智能计算方法，可基于实测航迹数据，自动挖掘航迹特征，经过训练调优得到航迹分数的计算方法，无需预先假设目标的运动属性和目标的运动模型，能够克服由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素带来的不确定因素影响，有效提升航迹分数计算的准确性。
附图说明
图1是本发明一种航迹分数智能计算方法流程图。
具体实施方式
设场景中由传感器量测到的目标个数为N，量测到的航迹集合表示为Φ＝{T1,T2,…,TN}，其中
Ti表示该场景中第i个目标的航迹，表示该场景中第i个目标的第j个采样点的X轴坐标，/>表示该场景中第i个目标的第j个采样点的Y轴坐标，/>表示该场景中第i个目标的第j个采样点的时间，li表示第i个目标的航迹采样点个数。本发明提出的一种航迹分数智能计算方法包括以下步骤：
步骤1：利用大量的航迹数据，采用计算机设备，以航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器；
步骤1.1：对该场景中的航迹进行归一化，便于航迹大模型的训练，可以采用0-1归一化、Z-score归一化或中心归一化，以0-1归一化为例，首先确定场景中的最大状态Pmax和最小状态Pmin，其中，
Pmax＝(xmax ymax tmax) (2)
Pmin＝(xmin ymin tmin) (3)
然后对航迹Ti中的每一个坐标都减去对应的最小值并除以最大值减最小值，完成0-1归一化，得到归一化后的航迹其中⊙表示矩阵元素相乘；
其中为该场景中第i个目标的归一化航迹，/>表示该场景中第i个目标的第j个采样点的归一化X轴坐标，/>表示该场景中第i个目标的第j个采样点的归一化Y轴坐标，/>表示该场景中第i个目标的第j个采样点的归一化时间；
步骤1.2：将归一化后的航迹中的相邻采样点的后项减去前项，构建差分航迹数据，
其中Hi为该场景中第i个目标的差分航迹，表示该场景中第i个目标的第j个采样点的差分X轴坐标，/>表示该场景中第i个目标的第j个采样点的差分Y轴坐标，/>表示该场景中第i个目标的第j个采样点的差分时间；
步骤1.3：构建预训练航迹数据，遍历所有的差分航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，即
每个滑窗之后的第一个差分航迹点为该滑窗采样的航迹对应的标签，即滑窗的步长为s，一种可行的滑窗长度和步长选择为W＝5，s＝1，如果一条航迹最后的航迹采样点数小于窗口长度W，则丢弃剩余航迹，当该场景中的所有航迹遍历完成后，将所有的滑窗航迹和对应的标签打乱顺序后分别拼接，但滑窗航迹和对应的标签的配对关系保持不变，得到拼接后的滑窗航迹和拼接后的标签，用于航迹大模型预训练；
步骤1.4：基于transformer架构构建航迹大模型，可以采用Encoder结构、Decoder结构、Encoder-Decoder结构，本发明以Decoder结构为例，网络的输入为拼接后的采样航迹数据，输出为每个采样航迹数据对应的后一个差分航迹点数据，即根据前W个差分航迹采样点预测第W+1个差分航迹采样点，实现航迹预测；
步骤1.5：采用均方误差损失(Mean Squared Error,MSE)度量网络预测的航迹和真实航迹之间的差异，得到预测损失dp，通过随机梯度下降算法更新网络参数，其中表示网络预测的第W+1个差分航迹采样点的位置，k表示拼接后的滑窗航迹的个数；
步骤1.6：采用随机梯度下降法更新预训练的航迹大模型网络参数，训练迭代次数为超参数，一种可行的设置为迭代100次；
步骤2：采用计算机设备，构建航迹大模型微调所需要的正负样本对；
步骤2.1：设置负样本选取波门，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，对该窗口中的每个采样点设置波门，波门采用圆形波门，其半径r为目标最大移动速度vmax与传感器更新周期T的乘积；
r＝vmax×T (12)
步骤2.2：根据波门进行负样本选取，在滑窗航迹的每个采样点产生的波门内随机选择一个点，这个点可以为产生该波门对应的滑窗航迹采样点，该滑窗所有采样点对应的波门内的随机点按照时间从前至后的顺序连接构成伪航迹；
步骤2.3：设置航迹分数标签，其计算公式为
其中si表示第i个航迹的分数标签，Wn表示该航迹中不为滑窗航迹的采样点的个数，即如果某个航迹的所有采样点均为滑窗航迹的采样点，航迹分数为1，伪航迹按照其中不为滑窗航迹采样点的数量的增加，航迹分数逐渐减少，航迹分数的值域为[0,1]；
步骤2.4：将所有的滑窗航迹和伪航迹及其对应的分数打乱顺序后按照航迹和分数分别拼接，得到拼接后的航迹和拼接后的分数，用于航迹大模型微调；
步骤3：采用计算机设备，对预训练后的航迹大模型进行微调，计算航迹分数；
步骤3.1：对航迹大模型的微调可以采用全参数微调和冻结参数微调两种方式，如果采用全参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，利用拼接后的航迹和拼接后的分数进行微调，更新整个网络的参数，如果采用冻结参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，并冻结除了最后一个全连接层以外的网络参数，利用拼接后的航迹和拼接后的分数进行微调，只更新最后一个网络的参数，并且冻结参数微调可以采用LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning等多种微调方法，微调过程中网络的输入为拼接后的航迹，输出为每个航迹对应的航迹分数，即根据滑窗航迹或伪航迹预测对应的航迹分数，实现航迹分数计算；
步骤3.2：采用均方误差损失(MSE)度量网络预测的航迹分数和真实的航迹分数之间的差异，得到分数损失ds，通过随机梯度下降算法更新网络参数，其中表示网络预测的第i个航迹的分数，si表示第i个航迹的分数标签，k表示拼接后的滑窗航迹和伪航迹的个数；
步骤3.3：采用随机梯度下降法更新微调的航迹大模型网络参数，训练迭代次数为超参数，一种可行的设置为迭代100次；
步骤4：采用计算机设备，对航迹分数计算结果进行测试，将航迹分数智能计算方法得到的航迹分数和滑窗航迹或伪航迹对应的分数进行对比，如果分数的计算结果满足要求，则该方法得到的网络模型可投入实际使用，如果分数的计算结果不满足要求，则进行网络参数调优，重新进行预训练、微调和测试。
经过上述步骤训练调优得到的航迹分数智能计算方法，无需预先假设目标的运动属性和目标的运动模型，能够克服由于目标机动、平台机动、目标数量不确定、系统误差、杂波干扰等多种因素带来的不确定因素影响，有效提升航迹分数计算的准确性。通过该方法计算得到的航迹分数，可以广泛应用于基于多假设算法的航迹起始、目标跟踪、航迹关联等任务中，有效提高各类算法的应用范围和性能。

Claims (4)

1.一种航迹分数智能计算方法，其特征在于，包括以下步骤：
步骤1，利用大量的航迹数据，采用计算机设备，以航迹预测的方式对航迹大模型进行预训练，得到较好的航迹特征提取器；
步骤2，采用计算机设备，构建航迹大模型微调所需要的正负样本对；
步骤3，采用计算机设备，对预训练后的航迹大模型进行微调，计算航迹分数。
2.如权利要求1所述的一种航迹分数智能计算方法，其特征在于，所述步骤1具体包括以下子步骤：
步骤1.1，对该场景中的航迹进行归一化，便于航迹大模型的训练，可以采用0-1归一化、Z-score归一化或中心归一化，得到归一化后的航迹
其中为场景中第i个目标的归一化航迹，/>表示该场景中第i个目标的第j个采样点的归一化X轴坐标，/>表示该场景中第i个目标的第j个采样点的归一化Y轴坐标，/>表示该场景中第i个目标的第j个采样点的归一化时间；
步骤1.2，将归一化后的航迹中的相邻采样点的后项减去前项，构建差分航迹数据，
其中Hi为场景中第i个目标的差分航迹，表示该场景中第i个目标的第j个采样点的差分X轴坐标，/>表示该场景中第i个目标的第j个采样点的差分Y轴坐标，/>表示该场景中第i个目标的第j个采样点的差分时间；
步骤1.3，构建预训练航迹数据，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，即
每个滑窗之后的第一个差分航迹点为该滑窗采样的航迹对应的标签，即滑窗的步长为s，如果一条航迹最后的航迹采样点数小于窗口长度W，则丢弃剩余航迹，当该场景中的所有航迹遍历完成后，将所有的滑窗航迹和对应的标签打乱顺序后分别拼接，得到拼接后的滑窗航迹和拼接后的标签，用于航迹大模型预训练；
步骤1.4，基于transformer架构构建航迹大模型，可以采用Encoder结构、Decoder结构、Encoder-Decoder结构，网络的输入为拼接后的采样航迹数据，输出为每个采样航迹数据对应的后一个航迹点数据，即根据前W个航迹采样点预测第W+1个航迹采样点，实现航迹预测；
步骤1.5，采用均方误差损失(Mean Squared Error,MSE)度量网络预测的航迹和真实航迹之间的差异，得到预测损失dp，通过随机梯度下降算法更新网络参数，其中表示网络预测的第W+1个航迹采样点的位置，k表示拼接后的滑窗航迹的个数
3.如权利要求1所述的一种航迹分数智能计算方法，其特征在于，所述步骤2具体包括以下子步骤：
步骤2.1：设置负样本选取波门，遍历归一化后某场景中的所有航迹，每个航迹采用滑窗的方式选取窗口长度W个采样点的航迹数据，对该窗口中的每个采样点设置波门，波门采用圆形波门，其半径r为目标最大移动速度vmax与传感器更新周期T的乘积
r＝vmax×T；
步骤2.2，根据波门进行负样本选取，在滑窗航迹的每个采样点产生的波门内随机选择一个点，这个点可以为产生该波门对应的滑窗航迹采样点，该滑窗所有采样点对应的波门内的随机点按照时间从前至后的顺序连接构成伪航迹；
步骤2.3，设置航迹分数标签，其计算公式为
其中si表示第i个航迹的分数标签，Wn表示该航迹中不为滑窗航迹的采样点的个数，即如果某个航迹的所有采样点均为滑窗航迹的采样点，航迹分数为1，伪航迹按照其中不为滑窗航迹采样点的数量的增加，航迹分数逐渐减少，航迹分数的值域为[0,1]；
步骤2.4，将所有的滑窗航迹和伪航迹及其对应的分数打乱顺序后按照航迹和分数分别拼接，得到拼接后的航迹和拼接后的分数，用于航迹大模型微调。
4.如权利要求1所述的一种航迹分数智能计算方法，其特征在于，所述步骤3具体包括以下子步骤：
步骤3.1：对航迹大模型的微调可以采用全参数微调和冻结参数微调两种方式，如果采用全参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，利用拼接后的航迹和拼接后的分数进行微调，更新整个网络的参数，如果采用冻结参数微调，则将航迹大模型最后一个全连接层的输出维度修改为1，并冻结除了最后一个全连接层以外的网络参数，利用拼接后的航迹和拼接后的分数进行微调，只更新最后一个网络的参数，并且冻结参数微调可以采用LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning等多种微调方法，微调过程中网络的输入为拼接后的航迹，输出为每个航迹对应的航迹分数，即根据滑窗航迹或伪航迹预测对应的航迹分数，实现航迹分数计算；
步骤3.2：采用均方误差损失(MSE)度量网络预测的航迹分数和真实的航迹分数之间的差异，得到分数损失ds，通过随机梯度下降算法更新网络参数，其中表示网络预测的第i个航迹的分数，si表示第i个航迹的分数标签，k表示拼接后的滑窗航迹和伪航迹的个数
CN202311590608.XA 2023-11-25 2023-11-25 一种航迹分数智能计算方法 Pending CN117609786A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311590608.XA CN117609786A (zh) 2023-11-25 2023-11-25 一种航迹分数智能计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311590608.XA CN117609786A (zh) 2023-11-25 2023-11-25 一种航迹分数智能计算方法

Publications (1)

Publication Number Publication Date
CN117609786A true CN117609786A (zh) 2024-02-27

Family

ID=89945807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311590608.XA Pending CN117609786A (zh) 2023-11-25 2023-11-25 一种航迹分数智能计算方法

Country Status (1)

Country Link
CN (1) CN117609786A (zh)

Similar Documents

Publication Publication Date Title
CN109990786B (zh) 机动目标跟踪方法及装置
CN111736145B (zh) 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN112613532B (zh) 基于雷达与循环神经网络补全红外融合的动目标跟踪方法
CN101221238B (zh) 基于高斯均值移动配准的动态偏差估计方法
CN111711432B (zh) 一种基于ukf和pf混合滤波的目标跟踪算法
CN102853836B (zh) 一种基于航迹质量的反馈加权融合方法
CN103727931A (zh) 一种基于改进逻辑的航迹起始方法
CN114090718B (zh) 基于Bi-LSTM预测与模糊分析的中断航迹关联方法
CN108734725A (zh) 基于高斯过程的概率数据关联滤波扩展目标跟踪方法
CN117169818B (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
CN111562571A (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
CN113280821B (zh) 基于斜率约束和回溯搜索的水下多目标跟踪方法
CN115508824A (zh) 多目标大数据关联融合跟踪方法及系统
CN105373805A (zh) 一种基于最大熵准则的多传感器机动目标跟踪方法
CN113486300A (zh) 一种无人驾驶车辆多目标跟踪方法
CN114488104B (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN116993778A (zh) 一种基于时间序列智能平滑的高速机动目标跟踪误差补偿方法
CN117609786A (zh) 一种航迹分数智能计算方法
CN106570536A (zh) 一种时差定位系统目标高精度跟踪滤波方法
CN110675430A (zh) 一种基于运动和表观适应融合的无人机多目标跟踪方法
JP3208634B2 (ja) 同一目標判定装置及び同一目標判定方法
CN112083410A (zh) 机动目标跟踪方法
Xie et al. Moving Object Detection Algorithm Based on Adaptive Clustering
CN115128597B (zh) 基于imm-stekf的非高斯噪声下机动目标跟踪方法

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