[发明专利]基于RAV-NN的目标机动轨迹预测方法及系统

权利要求书

1.基于RAV-NN的目标机动轨迹预测方法，其特征在于，包括以下步骤：

获取目标机动的径向加速度估计值和径向速度估计值；

构建目标运动模型和量测模型，将所述径向加速度估计值和所述径向速度估计值引入至所述量测模型，得到量测方程；

计算动态反馈神经网络的输入特征向量；

将所述输入特征向量输入至所述动态反馈神经网络中实时学习，并输出修正滤波估计值误差；

采用修正误差补偿滤波估计值，得到目标的位置和速度信息。

2.根据权利要求1所述的基于RAV-NN的目标机动轨迹预测方法，其特征在于，所述径向加速度估计值和所述径向速度估计值的获取过程为：

对雷达信号进行稀疏分解，采用压缩感知方法获取目标机动的所述径向加速度估计值和所述径向速度估计值。

3.根据权利要求1所述的基于RAV-NN的目标机动轨迹预测方法，其特征在于，所述目标运动模型为：

X(k)＝Φ(k,k-1)X(k-1)+w(k-1)

其中：

式中，X(k)为状态向量；x_k、和y_k、分别表示k时刻目标x方向和y方向的位置、速度、加速度、加加速度；Φ为状态转移矩阵；w(k-1)为零均值方差为Q的高斯白噪声。

4.根据权利要求1所述的基于RAV-NN的目标机动轨迹预测方法，其特征在于，所述量测方程为：

Z_k＝[r_k θ_k rv ra]^T

其中：

式中，Z_k为k时刻从雷达信号处理阶段获得的量测向量，r_k为距离量测、θ_k为方位角量测、rv为径向速度估计值；ra为径向加速度估计值。

5.根据权利要求1所述的基于RAV-NN的目标机动轨迹预测方法，其特征在于，所述神经网络输入特征向量包括：

目标状态预测估计值和滤波估计值之差、校正增益值、量测预测误差值、k时刻目标的径向速度和k时刻目标的径向加速度。

6.根据权利要求1所述的基于RAV-NN的目标机动轨迹预测方法，其特征在于，所述神经网络的非线性状态空间表达式为：

Y(k)＝g(net_p(k))

net_p(k)＝∑w¹(k)G_L(k)

G_L(k)＝f(net_L(k))

net_L(k)＝w²G_cL(k)+w³U_L(k-1)

G_cL(k)＝G_L(k-1)

式中，输出向量Y为P维；g(·)为输出神经元的激活函数，是隐含层输出的线性组合，为ReLU函数；net()表示某层的净输入；w¹，w²，w³分别为隐含层到输出层、输入层到隐含层、承接层到输入层的连接权值；f(·)为隐含层神经元的激活函数，为tanh函数；隐含层G_L和承接层G_cL的输出向量为L维。

7.根据权利要求1所述的基于RAV-NN的目标机动轨迹预测方法，其特征在于，所述位置和速度信息为：

X_b(k|k)＝Y(k)+X(k|k)。

8.基于RAV-NN的目标机动轨迹预测系统，其特征在于，包括：获取模块、构建模块、计算模块、修正模块和补偿模块；

所述获取模块用于获取目标机动的径向加速度估计值和径向速度估计值；

所述构建模块用于构建目标运动模型和量测模型，将所述径向加速度估计值和所述径向速度估计值引入至所述量测模型，得到量测方程；

所述计算模块用于计算动态反馈神经网络的输入特征向量；

所述修正模块用于将所述输入特征向量输入至所述动态反馈神经网络中实时学习，并输出修正滤波估计值误差；

所述补偿模块用于采用修正误差补偿滤波估计值，得到目标的位置和速度信息。