一种基于航迹关联的目标意图判断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114999233A(43)申请公布日2022.09.02(21)申请号202210937300.7(22)申请日2022.08.05(71)申请人中国航天科工集团八五一一研究所地址211103江苏省南京市江宁区建衡路99号(72)发明人朱伟强杨蔚王昀尹伟冀贞海李贵显杨佳敏(74)专利代理机构南京理工大学专利中心32203专利代理师朱沉雁(51)Int.Cl.G08G5/00(2006.01)G06N3/08(2006.01)G06K9/62(2022.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于航迹关联的目标意图判断方法(57)摘要本发明公开了一种基于航迹关联的目标意图判断方法，采用深度置信网络（DBN）模型对目标动态航迹进行匹配，将历史航迹量测数据中的坐标、速度、加速度以及航向作为航迹匹配的特征，构建DBN模型，网络输入层为航迹匹配算法中的各项特征，输出层为匹配结果，得出最佳的航迹匹配网络结构，从而实现对目标动态航迹与经验航迹的匹配，完成目标意图的有效判断。本发明利用DBN模型，当航迹间复杂的相互作用被学习后，能够实现航迹的匹配且匹配正确率较高。CN114999233ACN114999233A权利要求书1/2页1.一种基于航迹关联的目标意图判断方法，其特征在于，步骤如下：步骤1、通过对历史航迹量测数据中目标特征信息进行提取，获得运动特征信息和航迹特征信息，进而得到训练样本集；所述运动特征信息包括目标的位置P、运动速度v、加速度α、航向d，目标的位置P以纬度B、经度L、海拔高度H表示；第i个样本对应的运动特征si表示为：式中，N为单个样本对应航段的采样点数，k为对应航段序号，t为时间间隔，、、、分别对应为航段中相邻采样点目标位置变化的最大值、运动速度变化的最大值、加速度变化的最大值和航向变化的最大值；航迹特征信息用于提取航迹轨迹曲线，获取航迹轨迹曲线的航段弧长l、曲率角ω和航段曲线区域面积s，第i个样本对应的航迹特征zi表示为：(2)式中，N为单个样本对应航段的采样点数，k为对应航段序号；步骤2、构建DBN模型；步骤3、利用训练样本集，对DBN模型进行训练，得到训练好的DBN模型；步骤4、根据动态航迹的量测数据间的贯续性判断动态航迹是否为连续航迹，若各批次量测数据连续不中断，则为连续航迹，转入步骤5；若量测数据间存在中断，则为不连续航迹，转入步骤6；步骤5、利用训练好的DBN模型对连续航迹进行匹配；步骤6、利用训练后的深度置信网络模型对不连续航迹进行匹配，输出匹配度最高的航迹。2.根据权利要求1所述的基于航迹关联的目标意图判断方法，其特征在于，步骤2中，构建DBN模型，具体如下：所述DBN由一个输入层、多个隐层、一个输出层组成，相邻层之间通过节点连接，DBN的每一层均能够分解为一个单独的RBM，DBN由RBM首尾相接堆叠而成，在堆叠的RBM的顶层加上一个回归分类器，实现对数据的分类识别功能；所述DBN的输入为待识别的数据，输出为识别出的类型，输入与输出节点数分别与输入数据维数和识别类型总数相等。3.根据权利要求2所述的基于航迹关联的目标意图判断方法，其特征在于：回归分类器采用Softmax回归分类器。4.根据权利要求3所述的基于航迹关联的目标意图判断方法，其特征在于，步骤3中，利用训练样本集，对DBN模型进行训练，得到训练好的DBN模型，具体如下：首先设置DBN隐层的数目与每层的节点数，然后自下向上单独地无监督地训练每一层2CN114999233A权利要求书2/2页RBM，即使用没有标注正确归属的训练样本数据作为DBN模型的输入，先训练处于最底层的第一个RBM，它由输入层V0和第一个隐层H0组成，训练时先学习第一个RBM的参数W0；将第一个RBM的输出结果作为第二个RBM的输入，即将H0作为第二个RBM的可视层V1，完成第二个RBM的训练得到网络参数W1，依此类推，直到完成整个DBN模型的预训练，得到了整个DBN模型的偏置和权值，即接近全局最优点的网络初值；然后根据样本标签的先验知识，利用全局的反向传播算法对整个DBN模型进行微调，即对回归分类器Softmax进行有监督训练，同时微调学习DBN模型的网络参数；经过迭代训练，当DBN模型收敛到最优点时，结束整个网络的调整，进而得到训练好的DBN模型。5.根据权利要求4所述的基于航迹关联的目标意图判断方法，其特征在于，步骤5中，利用训练好的DBN模型对连续航迹进行匹配，具体如下：5‑1）输入经验航迹数据；5‑2）设置DBN相关参数，包括隐层层数、层节点数、最大迭代次数；5‑3）根据DBN参数构建输入层；5‑4）利用非监督学习的方法，提取航迹特征；5‑5）结合有标签的经验航迹，对DBN的网络参数进行有