[发明专利]基于卡尔曼滤波和神经网络的航迹补全方法

说明书

本发明公开了一种基于卡尔曼滤波和神经网络的航迹补全方法，主要解决现有技术在补全航迹时，因目标在中断周期内运动状态发生改变而造成补全误差过大的问题。其方案是：模拟机动目标的运动轨迹；提取中断发生前的历史航迹数据并对其进行预处理；构建神经网络模型，运用预处理后的历史航迹数据对其进行训练；利用训练好的模型参数对部分历史航迹数据进行计算，得到中断周期内的预测航迹；利用中断结束后第一个周期的航迹数据作为初始值对中断周期内的航迹进行反向卡尔曼一步预测，并利用卡尔曼滤波更新算法对一步预测航迹进行校正，得到最终补全航迹。本发明补全误差小，在目标运动状态发生改变时，仍能获得较为准确的预测航迹，可用于目标跟踪。

技术领域

本发明属于通信技术领域，特别涉及一种航迹量测中断后的补全方法，可用于目标跟踪。

背景技术

由于目标机动、多普勒雷达照射盲区、长采样间隔和低探测率等原因，雷达对目标的跟踪常常发生航迹中断。航迹中断对信息融合会造成严重的干扰，因而中断航迹的补全是雷达数据处理领域亟需解决的关键问题之一。

随着航空飞行环境趋向复杂化，由于系统误差、地理环境的隔绝和干扰，会导致目标超出了传感器的探测范围产生性能异常，造成传感器在某一段时间内探测不到目标航迹，过一段时间航迹又恢复正常，导致目标航迹的不连续。这种航迹中断对信息融合会造成严重的干扰，融合中心并无法连续获得各目标信息，所以经过融合后呈现给指挥员的可能是非连续的跟踪状态。因而中断航迹的补全是雷达数据处理领域亟需解决的关键问题之一，需要一种适合在目标航迹中断情况下的航迹补全算法，来解决这一问题，使得来自于同一个目标的中断前后的航迹关联起来，形成一条连续的完整航迹。

目前，航迹补全主要有两类，一类是运用传统状态估计算法对中断周期内航迹状态信息进行滤波估计，进而获得补全航迹。另一类是新兴的机器学习算法，运用神经网络学习目标历史航迹特征信息，并对中断周期内航迹进行预测，进而获得补全航迹。

运用传统状态估计进行航迹补全的算法主要有门葆红在其论文中提出的正反向卡尔曼滤波融合补全算法，此算法运用中断前最后一个周期内目标状态信息作为卡尔曼正向一步预测的初始值，对中断周期内航迹进行正向预测；运用中断结束后的第一个周期内目标状态信息作为卡尔曼反向一步预测的初始值，对中断内航迹进行反向预测；之后对正反向预测结果运用凸融合算法进行融合。此算法没有充分利用中断发生前的历史航迹信息，在目标状态发生改变时，卡尔曼一步预测算法无法及时捕捉目标状态变化信息，预测误差大，进而导致融合后的补全航迹不准确；蒋鑫在其论文中提出的正逆向滤波算法。此算法与门葆红提出的算法相仿，都是先对中断周期内航迹进行正反向预测，之后对航迹预测航迹进行融合。但是此算法在目标的状态信息中加入了目标的姿态信息，相比于之前门葆红的算法包含信息更为全面，补全更为准确。Lefferts在其论文中提出容积卡尔曼滤波方法进行目标轨迹补全。但此类算法在目标运动状态单一时，补全较为准确，当目标发生机动时，会造成补全航迹误差变大；

运用机器学习进行航迹补全的算法主要有张涛在其论文中提出基于Elman网络的轨迹预测补全方法，该方法是取一段航迹前5个连续时刻的信息作为网络输入，第6个时刻的位置为输出，对网络进行训练，之后运用训练好的网络对航迹进行单步预测。此方法在目标中断时间较短时补全误差较小，但随着中断时长的增加，单步预测的误差会循环累积，导致补全航迹误差较大；王新在其论文中对张涛的算法做了改进，使用混合变异粒子群优化HPSO算法优化网络的初始权值，减小了网络训练时间和补全误差，但在航迹长时间中断时，补全误差仍然较大，补全后的航迹会出现不连续的情况，使雷达数据融合中心无法获得更为准确的航迹信息，影响数据融合效果。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于卡尔曼滤波和Bi-LSTM网络的航迹补全方法，以减小长时间航迹中断和机动目标航迹中断的补全误差，提高补全准确率，使雷达数据融合中心可以获得更为准确的航迹信息，更好的进行数据融合。