一种应用于雷达与AIS航迹关联的特征融合方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115754954A(43)申请公布日2023.03.07(21)申请号202211293243.XG06F18/213(2023.01)(22)申请日2022.10.21G06N3/0455(2023.01)G06N3/0464(2023.01)(71)申请人江苏科技大学G06N3/08(2023.01)地址212003江苏省镇江市京口区梦溪路2号(72)发明人唐裕峰靳标张贞凯练柱先魏雪云(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师向文(51)Int.Cl.G01S7/41(2006.01)G01S13/86(2006.01)G06F18/24(2023.01)G06F18/25(2023.01)权利要求书3页说明书10页附图7页(54)发明名称一种应用于雷达与AIS航迹关联的特征融合方法(57)摘要本发明公开了一种应用于雷达与AIS航迹关联的特征融合方法，包括：对获得雷达和AIS数据进行预处理；通过去噪自编码器模型进行去噪处理；构造航迹和场景数据；利用多层神经网络建立航迹特征提取模块；利用三维卷积神经网络建立场景特征提取模块；利用Concat层在通道维度对提取的航迹和场景特征进行融合；基于融合后的特征，通过全连接层和Sigmoid激活函数完成航迹分类任务。本发明通过深度学习将航迹和场景特征结合起来，并利用自编码器抑制噪声，提高了多场景下的雷达和AIS航迹关联精度，解决了传统关联方法仅利用航迹特征，关联精度低，场景适应性差的问题，保证了良好的关联效果。CN115754954ACN115754954A权利要求书1/3页1.一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，包括如下步骤：S1：对获得雷达和AIS数据进行预处理，对缺失值进行三次样条插值填充，并对雷达和AIS数据时间对齐；S2：通过建立好的去噪自编码器模型对步骤S1中预处理后的数据进行去噪处理；S3：构造航迹和场景数据，把任意两条航迹在位置、速度和航向上的统计距离作为航迹数据，使用所有航迹在位置上的欧氏距离重建场景数据；S4：利用多层神经网络建立航迹特征提取模块，通过航迹特征提取模块提取航迹数据的航迹特征；S5：利用三维卷积神经网络建立场景特征提取模块，通过场景特征提取模块提取场景数据的场景特征；S6：利用Concat层在通道维度对提取的航迹和场景特征进行融合；S7：基于融合后的特征，通过全连接层和Sigmoid激活函数完成航迹分类任务。2.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S1中数据预处理的方法具体为：雷达和AIS原始数据的维度为四维：X坐标、Y坐标、时间和数据来源，缺失值用三次样条插值处理并把原始数据归一化为0～1区间，Y坐标维中的相应数据放在X坐标维中的数据后面，预处理后，数据变成三维：坐标、源和时间维度，其中X和Y坐标中的数据被集成到一个维度中。3.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S2中去噪自编码器模型的建立方法具体为：对于有噪声的输入数据X，编码器(以E表示)学习输入数据的基本特征，并将其存储在隐藏向量Z中；解码器(以D表示)重建隐藏向量Z，它通过最小化输入和输出重建误差来完成消噪自动编码器过程，以恢复数据；隐藏向量Z由以下公式获得：Z＝f(X)＝sf(W1X+b1)<1>其中，X＝[x1,x2,...xu]是输入数据，f(·)是将X映射到隐藏表示Z的编码函数，编码器由θ1＝{W1,b1}参数化，其中W1是权重矩阵，b1是输入层的偏差向量；重建的矢量为：其中，输出数据g(·)是将隐藏表示Z映射到输出数据的解码函数；解码器由θ2＝{W2,b2}参数化，其中W2是权重矩阵，b2是偏差向量；自动编码器的目的是通过训练参数θ1和θ2使X和尽可能接近；重建的损失函数由以下公式定义：在自动编码器的训练过程中，采用随机梯度下降(SGD)算法对参数和进行更新，以最小化重建损失。4.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S3中航迹数据的构造方法具体为：对于第i条AIS航迹和第j条雷达航迹，两条航迹在位置、速度和航向上的统计距离如2CN115754954A权利要求书2/3页下：其中，分别是AIS航迹的位置、速度和航向的方差；分别是雷达航迹的位置、速度和航向的方差；构造时刻t的轨迹数据Dt,m,n：TDt,m,n＝[ds(i,j),dv(i,j),dc(i,j)]<7>。5.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S3中利用雷达和AIS的航迹信息来构造关联场景数据，构造方法具体为：