[发明专利]基于支持向量回归的交互式多模型算法、系统、存储介质及计算机设备

说明书

本发明提供一种基于支持向量回归的交互式多模型算法，包括搭建基于支持向量回归的交互式多模型算法，获取算法的调节系数；选取训练集和标签集；根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。本发明借助支持向量回归网络，增强了传统交互式多模型算法的自适应调整能力，其中支持向量回归网络作为反馈网络来根据每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，建立起模型匹配程度和过程噪声协方差系数之间的映射，减少模型不匹配时的跟踪误差。

技术领域

本发明涉及雷达数据处理领域，具体为一种基于支持向量回归的交互式多模型算法、系统、存储介质及计算机设备。

背景技术

近年来，随着技术的发展，无人机的相关性能得到了很大的提高，各种高度机动的无人机不断发展，这对目标跟踪技术提出了更高的要求，强机动是指目标加速度或运动模式的相对瞬时和剧烈的变化，以及速度、角度和加速度的连续变化，传统的无人机跟踪算法模型适应性差，计算量大。

公开号为CN109491241A提供的一种针对机动目标的无人机(UAV)鲁棒化跟踪方法，其通过在交互式多模型框架下，获得最终的目标状态估计，使用的交互式多模型算法的性能在很大程度上依赖于所使用的模型，因此，为了提高算法的滤波精度，需要覆盖尽可能多的运动模型，但这样带来的问题是算法的计算量翻倍。另外，模型集中的模型过多会导致模型之间的竞争，从而降低算法的精度。因此，一般都是提前建立一个规模合适的模型集，模型集确定后，在跟踪过程中不会发生改变。然而，随着控制技术的发展，各种目标的移动性越来越好，预设的固定数量的模型集很难满足实际需求。

发明内容

本发明的目的在于提供一种基于支持向量回归的交互式多模型算法、系统、存储介质及计算机设备，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于支持向量回归的交互式多模型算法，包括卧床主体、底板和卧栏，其中：

S1:搭建基于支持向量回归的交互式多模型算法，将支持向量回归网络作为反馈网络与传统交互式多模型算法连结，获取算法的调节系数；

S2:选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理；

S3:根据支持向量回归网络模型及其训练参数，使用训练参数对支持向量回归网络模型进行训练，使其最终达到收敛；

S4:将待处理的对应模型的目标状态输入交互值和量测输入到上述改进模型中得到目标当前时刻状态估计值。

优选的，所述步骤S1中在每一个跟踪时刻，每种模型对应的目标状态输入交互值和量测首先进入反馈网络得到当前时刻调节不同模型过程噪声协方差的系数，将该系数作为调节系数。

优选的，所述步骤S1中所述向量回归网络的输入节点数与目标状态、量测维数和对应，输出层节点为1，网络关系式为：

优选的，所述训练集包括多个机动等级的目标数据集，将目标数据集切分处理后获得训练集和标签集，所述标签集为每个时刻的目标真实状态。

优选的，所述归一标准化规则为Min-Max标准化方式。

优选的，所述步骤S3中使用MSE作为损失函数并以端到端的方式训练反向传播神经网络，其中损失函数为：

其中，m为训练数据数。

为实现上述目的，本发明另外还提供一种基于支持向量回归的交互式多模型系统，其中，所述系统包括：