[发明专利]一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法

权利要求书

1.一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，包括：航迹观测数据集构建模块，观测特征提取模块，辅助信息嵌入模块，航迹特征提取模块及多任务学习模块；

所述航迹观测数据集构建模块用于基于航迹坐标和类别数据、观测信息和辅助信息，构建从观测信息到航迹矢量和目标类型的训练数据集，其中航迹坐标和目标类别作为训练标签；

所述观测特征提取模块用于基于卷积神经网络提取所述训练数据集的观测特征，得到与观测时隙对应的观测特征向量；

所述辅助信息嵌入模块用于采用嵌入的方法将影响目标航迹的因素转换为低维实际矢量，得到各类因素的嵌入向量，然后将各类因素的嵌入向量拼接，得到辅助信息特征向量作为输出；

所述航迹特征提取模块用于利用神经网络学习所述观测特征向量、辅助信息特征向量到航迹矢量特征向量之间的映射关系；

所述多任务学习模块用于通过最小化联合损失函数对观测特征提取模块、辅助信息嵌入模块及航迹特征提取模块进行组合学习，联合输出航迹矢量和目标类型。

2.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，所述观测信息包括观测波形数据，所述观测特征包括观测波形特征。

3.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，所述观测特征提取模块基于卷积神经网络结构，采用局部卷积的思想，通过控制卷积核的大小和步长，实现局部卷积，各层激活函数为LeakyReLU。

4.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，所述辅助信息嵌入模块采用Embedding模型。

5.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，所述航迹特征提取模块还用于利用神经网络学习所述观测特征向量、辅助信息特征向量到航迹类别特征向量之间的映射关系。

6.根据权利要求5所述的一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，所述航迹特征提取模块采用基于处理序列的seq2seq神经网络结构实现，该结构由编码器和解码器两部分组成，所述航迹类别特征向量由编码器输出，所述航迹矢量特征向量由解码器输出。

7.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统，其特征在于，所述多任务学习模块中，组合学习时，联合损失函数L为：

L＝βL_track+(1-β)L_class

其中，γ和β均为超参数，表示损失权重；L_track表示航迹估计损失函数；n＝K，为航迹矢量的长度；为第i次航迹矢量估计的输出；Q_i表示第i次观测的状态矢量；L_class表示目标分类损失函数，a表示分类网络预测的输出，x表示样本，y表示标签。

8.基于权利要求1-7任一所述一种基于深度学习的航迹矢量和目标类型联合估计系统的一种基于深度学习的航迹矢量和目标类型联合估计方法，其特征在于，包括：

步骤1：航迹观测数据集构建模块获取目标类型为Xc的航迹数据Xt，对应多站观测信息和辅助信息M，构建训练数据集[X，Y]，其中数据标签Y＝{Xc，Xt}；随机初始化各模块的网络参数，设置每个批次的数据样本数量Batch size和训练总轮数Epoch；初始化超参数β＝0.9，γ＝0.5；其中N_t为训练样本个数；

步骤2：利用观测特征提取模块M₁对多站观测数据进行特征提取；模块输入为观测信息输出为观测特征向量设网络权重参数为W₁，则F＝M₁(Input₁，W₁)；其中K为每条轨迹的总观测次数，D为特征维度；

步骤3：利用辅助信息嵌入模块M₂将辅助信息M纳入模型；模块输入为辅助信息属性以及标号I＝[I₁，I₂，…，I_A]，输出为辅助信息特征向量设网络权重参数为W₂，则H＝M₂(I，W₂)；其中A为辅助信息属性个数，E表示嵌入空间的维度；

步骤4：利用航迹特征提取模块M₃将观测特征向量F和辅助信息特征向量H整合处理，最终实现时空转换concat，输出估计的航迹类别特征向量C和航迹矢量特征向量P；设网络权重参数为W₃，则[C，P]＝M₃[concat(F，H)，W₃]；

步骤5：多任务学习模块M₄中航迹类别预测的输出为a，航迹矢量估计的输出为设网络权重参数为W₄，则最小化联合损失函数L＝βL_track+(1-β)L_class来更新网络参数，在测试集上测试性能并从步骤2开始重复下一轮训练。