[发明专利]基于LSTM网络和注意力机制的坐标融合方法

权利要求书

1.一种基于LSTM网络和注意力机制的坐标融合方法，其特征在于，包括以下步骤：

S1，原始数据采集，海事雷达、红外光电立体相机、无人艇RTK、母船RTK、船坞RTK、AIS示位标、UWB传感器上传跟踪到的位置信息，上位机读取并记录数据；

S2，数据预处理，将海上救援的各项设备雷达、双目视觉摄像头、差分GPS、AIS信标中的原始位置数据进行预处理，把格式不同的数据统一为坐标；

S3，将预处理后的数据输入含注意力机制的LSTM网络进行训练；

S4，将训练得到含注意力机制的LSTM网络用于实际测试，无人艇融合后的坐标为(X_W,Y_W)，失事目标融合后的坐标为(X_T,Y_T)。

2.如权利要求1所述的基于LSTM网络和注意力机制的坐标融合方法，其特征在于，S2中包括雷达数据处理，雷达原始数据处理要处理的是雷达返回的极坐标数据，无人艇相对母船的极坐标为(L_Rb,A_Rb)，L_Rb表示的是无人艇到母船的距离、A_Rb表示的是无人艇与母船的相对角度；跟踪目标相对母船的极坐标为(L_Rt,A_Rt)，L_Rt表示的是无人艇到母船的距离、A_Rt表示的是无人艇与母船的相对角度，

根据极坐标转直角坐标计算公式可得，无人艇的直角坐标表示为：

跟踪目标直角坐标表示为：

3.如权利要求1所述的基于LSTM网络和注意力机制的坐标融合方法，其特征在于，S2中包括双目视觉摄像头数据处理，双目视觉摄像头数据处理的是摄像头返回的极坐标数据，无人艇相对母船的极坐标为(L_Cb,A_Cb)，L_Cb表示的是无人艇到母船的距离、A_Cb表示的是无人艇与母船的相对角度；跟踪目标相对母船的极坐标为(L_Ct,A_Ct)，L_Ct表示的是无人艇到母船的距离、A_Ct表示的是无人艇与母船的相对角度，

无人艇相对母船的坐标计算公式为：

跟踪目标相对母船的坐标计算公式为：

4.如权利要求1所述的基于LSTM网络和注意力机制的坐标融合方法，其特征在于，S2中包括差分GPS数据处理，差分GPS数据处理需要处理无人艇GPS坐标和母船GPS坐标，无人艇的GPS坐标(B_lon,B_lat)，母船的GPS坐标(S_lon,S_lat)，无人艇相对母船的经度差Δlon表示为：

Δlon＝B_lon-S_lon

纬度差Δlat表示为：

Δlat＝B_lat-S_lat

设地球的平均半径为R，地球的南北极周长C可近似计算为：C＝2πR

设无人艇与母船的平均纬度lat为：

同一经度差下的长度与当前纬度无人艇相对母船的X轴坐标表示为：

无人艇相对母船的Y轴坐标表示为：

5.如权利要求1所述的基于LSTM网络和注意力机制的坐标融合方法，其特征在于，S2中包括AIS信标数据处理，AIS信标数据需处理跟踪目标的GPS坐标(T_lon,T_lat)，其转换需同母船GPS坐标(S_lon,S_lat)计算，其坐标计算公式为：

ΔTlon＝T_lon-S_lon

ΔTlat＝T_lat-S_lat

6.如权利要求1至5任一所述的基于LSTM网络和注意力机制的坐标融合方法，其特征在于，S3进一步包括：

S301，搭建LSTM网络，A为网络相连的神经元，用t表示当前时刻，每个神经元的输入为x_t，为6维向量，输出为y_t，为2维向量[X,Y]，每个单元的状态为C_t，遗忘门决定上一时刻的单元状态C_t-1有多少保留到当前时刻C_t，输入门决定当前时刻网络输入x_t有多少保存到单元状态C_t，输出门用来控制单元状态C_t，有多少输出到LSTM的当前输出值h_t；

S302，前向计算每个神经元的输出值，遗忘门的输出f_t由下式计算得到：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

输入门的输出i_t、输入状态输出z_t、当前状态C_t由下式计算得到：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

z_t＝tanh(W_z·[h_t-1,x_t]+b_c)

输出门的输出为o_t，神经元的输出为y_t，o_t、h_t、y_t及节点m_t由下式计算得到：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

m_t＝tanh(C_t)

h_t＝o_t*m_t

y_t＝W_yhh_t+b_y

其中，σ(·)为sigmoid函数，W为权重矩阵，b为偏置项。

S303，反向传播计算。整个序列上的损失函数J:

其中N为序列长度，h_t为t时刻输出，为h_t的均值。

用梯度下降法更新参数，计算某个节点梯度时，首先找到该节点的输出节点，然后分别计算所有输出节点的梯度乘以输出节点对该节点的梯度，最后相加即可得到该节点的梯度，计算时，找到h_t节点的所有输出节点y_t，f_t+1，i_t+1，z_t+1，o_t+1，然后分别计算输出节点的梯度与输出节点对h_t的梯度的乘积，最后相加得到节点h_t的梯度

同理可得t时刻其他节点的梯度：

更新参数，由下式计算得到：

S304，注意力机制融合输出结果，注意力机制的核心目标是从众多输出中选择出对当前任务占比更大关键的信息，当前时刻的输出与过去太久时刻的数据影响不大，通过注意力机制模型的数据只选取t到t-4时刻的数据，输出通过加权均值后的滤波结果为O_t，其计算公式为：

其中a_k为权重系数，由下式计算得到：

a_k＝softmax(tanh(W_y·[C_k,y_k]))。