[发明专利]基于BF-DLSTM的窄带雷达目标跟踪方法

说明书

本发明公开了一种基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，主要解决类带雷达目标跟踪中，待跟踪目标运动类型与预先假设的目标运动类型不匹配造成的难以有效跟踪的问题。本发明实现的步骤如下：(1)构建多种运动类型组成的训练数据集；(2)构建贝叶斯深度长短期记忆网络BF‑DLSTM；(3)对训练集进行归一化处理；(4)训练贝叶斯深度长短期记忆网络BF‑DLSTM；(5)窄带雷达目标跟踪。本发明通过基于贝叶斯深度长短期记忆网络BF‑DLSTM的窄带雷达目标跟踪方法，能够对多种运动类型的目标及机动目标实现精度更高地有效跟踪。

技术领域

本发明属于通信技术领域，更进一步涉及窄带雷达通信技术领域中的一种基于贝叶斯深度长短期记忆网络BF-DLSTM(Bayesian Filter based Deep Long Short TermMemory Network)的窄带雷达目标跟踪方法。本发明可用于对窄带雷达观测下的目标数据序列中的单个运动目标进行跟踪，并且可以实现对多种运动类型目标的有效跟踪。

背景技术

窄带雷达观测下的运动目标跟踪的主要任务是，从窄带雷达对目标连续的观测中提取出目标在每一帧回波中的真实状态。随着人们对窄带雷达通信领域的不断深入了解，运动目标跟踪在该领域得到广泛的应用和发展，目前已经存在大量跟踪算法来实现运动目标跟踪。但是由于运动目标的不确定性容易造成跟踪滤波器失配，使得准确地进行目标跟踪目标仍面临极大挑战。

电子科技大学在其申请的专利文献“一种用于目标跟踪的强跟踪容积卡尔曼滤波方法”(专利申请号201410654687.0，申请公布号CN 104408744A)中公开了一种用于目标跟踪的强跟踪容积卡尔曼滤波方法。该方法实现的具体步骤是，(1)建立离散非线性动态系统模型；(2)进行系统初始化；(3)进行时间更新，引入时变渐消因子λ_k；(4)进行量测更新；(5)进行滤波更新。该方法的不足之处是，建立完成的离散非线性动态系统模型只有一种，在实际应用中若目标运动与其不符合，则容易产生滤波器失配、丢失目标的问题。

东南大学在其申请的专利文献“一种基于交互多模型的目标跟踪方法”(专利申请号201410778057.4，申请公开号104573190A)中公开了一种基于交互式多模型的目标跟踪方法。该方法实现的具体步骤是，(1)根据目标动态条件，设定五组辛格尔Singer模型参数，构建五个Singer模型；(2)根据观测到的目标位置信息，将五个Singer模型进行交互式多模型非线性滤波，估计目标的运动速度、加速度和位置信息；(3)利用目标的运动速度和加速度，计算目标转弯角速率；(4)将目标转弯角速率与设定的阈值进行比较，判断是否发生转弯运动，如果未发生转弯运动，则将步骤(2)中得到的位置信息作为目标跟踪结果；(5)如果发生转弯运动，选取三个相邻时刻的转弯角速率构建三个转弯模型来近似目标的实际运动，进行交互式多模型非线性滤波得到目标位置作为目标跟踪结果。该方法存在的不足之处在于，观测误差会影响目标转弯角速率计算的准确性，进而影响关于目标是否发生转弯运动的判断，并且在目标运动特性发生变化时，用于近似目标实际运动的多个模型近似误差会增大，使得跟踪滤波误差增大。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于贝叶斯深度长短期记忆网络BF-DLSTM的窄带雷达目标跟踪方法，以实现更加准确地对多种不同运动类型的目标的跟踪。

为实现本发明目的思路是，首先，根据待跟踪目标的运动类型构建训练数据集，利用窄带雷达系统的观测范围归一化训练数据集。其次，构建出贝叶斯深度长短期记忆网络BF-DLSTM，并用归一化后的训练数据集来训练贝叶斯深度长短期记忆网络BF-DLSTM。最后，利用窄带雷达系统的观测范围归一化窄带雷达对待跟踪的目标的观测，输入到训练好的贝叶斯深度长短期记忆网络BF-DLSTM，再分别利用窄带雷达的观测范围将贝叶斯深度长短期记忆网络BF-DLSTM关于滤波值和预测值的输出逆归一化，得到待跟踪目标滤波和预测的状态，完成目标跟踪。

本发明的具体步骤如下：