[发明专利]一种航迹关联方法、系统、设备及可读取存储介质

说明书

本发明公开了一种航迹关联方法、系统、设备及可读取存储介质，对不同目标、相同运动方式的航迹数据进行预处理；基于所述预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元，形成并联的CNN‑LSTM网络；对CNN‑LSTM网络进行训练，先对其中的CNN网络进行训练，再基于所述训练后的CNN网络训练LSTM，得到经过训练的CNN‑LSTM网络；对经过训练的CNN‑LSTM网络进行验证，基于验证后的CNN‑LSTM网络以及经过预处理的航迹数据获取航迹关联结果；本方法实现了对航迹数据空间特征和时序特征的智能化提取，避免了人为选取特征造成的特征表征不明显或特征数量不足的缺陷，提高了航迹关联的正确率，为解决航迹关联问题提供了一种有效的实现方法。

技术领域

本发明属于通信技术领域，涉及一种航迹关联方法、系统、设备及可读取存储介质，具体涉及一种基于深度学习中的卷积神经网络和长短时记忆单元网络的多目标多传感器的航迹关联方法，基于所述关联方法的设备及可读取存储介质。

背景技术

随着人们对客观事物不断地探索，由于信息表现形式的多元化，信息数量的大量化，信息关系的复杂性，信息处理的及时性，完全超出人为处理信息的能力，因此单一传感器的收集到信息已经无法满足人们对事物完整的认知需求，因此，需要多个传感器收集大量的数据信息，通过对多传感器信息资源有效地融合处理，最大程度上的获取目标的整体信息。信息融合原理就是利用多个传感器的信息内容，通过定义某种准则将这些信息在空间和时间上的冗余信息合理的去除，将有用信息交互融合，其目标是使用各个传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。信息融合技术在金融、医疗、交通管制、战术指挥控制(TCAC)等民用领域和军事领域都已经得到广泛的应用。

航迹关联，指两个及以上传感器获得的航迹信息是否是对应于同一个目标。关联过程就是判断传感器平台接收到的信息与机动目标之间是否存在所属关系的过程，将多个传感器中的数据中的信息量以及信息关系尽可能的发掘出来，才能对数据进行更好的关联处理。如何能够从多传感器收集到的大量航迹数据中发现数据之间隐藏的联系，从而能够更快速、更精准、更全面地反映目标状态是研究关键。已有的传统航迹关联算法的主要是基于统计方法和模糊数学中的隶属度函数来描述航迹的相似度，随着科技的发展，传感器性能的优化，能够获取的航迹数据量逐渐增多，数据中所包含的信息量也随之增加，因此对数据处理能力的要求逐渐提高，而传统的航迹关联方法基本上是对航迹信息进行两两关联判断的，这种流程在比较繁琐，且判断标准人为因素影响较大，对关联结果造成干扰。由于机动目标个数和传感器数目的逐渐增多，航迹出现交叉、分叉情况的概率也有所增加，如何从多个传感器平台收集到的大量航迹数据中发现其中隐藏的特征关系，并进行恰当的特征提取，根据提取到的特征关系进行更准确的关联判断，减少目标跟踪、信息融合中关联结果的误差干扰，因此多传感器目标环境下的航迹关联这一问题需要被解决。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于并联CNN-LSTM的多目标多传感器的航迹关联方法，分别构建卷积神经网络模型(CNN)和长短时记忆单元(LSTM)，形成并联的CNN-LSTM网络，基于所述CNN-LSTM网络，提高对航迹关联的准确率。

为达到上述目的，本发明采用的技术方案为：一种航迹关联方法，包括以下步骤：

对不同目标、相同运动方式的航迹数据进行预处理；

基于所述预处理后的航迹数据分别构建卷积神经网络模型和长短时记忆单元，形成并联的CNN-LSTM网络；

对CNN-LSTM网络进行训练，先对其中的CNN网络进行训练，再基于所述训练后的CNN网络训练LSTM，得到经过训练的CNN-LSTM网络；

对经过训练的CNN-LSTM网络进行验证，基于验证后的CNN-LSTM网络，对经过预处理的航迹数据提取空间特征和时间特征，获取航迹关联结果。