[发明专利]基于神经网络的改进当前统计模型方法、装置、存储介质及计算机设备

说明书

本发明提供一种基于神经网络的改进当前统计模型方法，包括：搭建基于神经网络的改进当前统计模型，将神经网络作为反馈网络与传统统计模型连结，获取符合目标机动情况的最大加速度值；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；设置训练参数，使用训练参数对神经网络进行训练，使其最终达到收敛；将待处理的目标估计状态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；本发明借助神经网络的非线性表达能力，增强了传统当前统计模型的自适应调整能力，反向传播神经网络作为反馈网络来自适应调整最大加速度，建立起目标状态、量测和最大加速度之间的映射，极大地减少目标发生机动时的跟踪误差。

技术领域

本发明涉及雷达数据处理领域技术领域，具体为一种基于神经网络的改进当前统计模型方法、装置、存储介质及设备。

背景技术

近年来，目标跟踪是雷达数据处理的核心关键技术，其通过航迹起始、航迹预测、以及滤波算法可以通过雷达采集到的量测信息进行目标的实时状态估计，得到目标的运动轨迹和运动参数，从而实现对目标的追踪并完成雷达终端显示。其中，航迹预测以及滤波算法属于目标跟踪的一环，其对于是否能高精度估计目标状态至关重要。现有的航迹预测方法处于航迹起始之后，而滤波算法位于航迹预测之后，两部分都涉及到目标运动建模。常用的基本目标运动模型则包括匀速模型、常加速度模型、协同转弯模型、Singer模型、当前统计模型和Jerk模型等。

公开号为CN111157983A提供的一种雷达目标跟踪方法，其根据目标机动特性的变化对模型的参数进行调整，实现了实时自适应的目标跟踪更新，实现了高精度目标跟踪，提高雷达识别精度，但是该方法目标跟踪模型主要为匀速模型、匀加速模型、当前统计模型、转弯模型、连续转弯模型而且几种模型均采用贝叶斯滤波的方式表现，该统计模型方法存在模型简单、能力有限、泛化性不足等问题，在实际运用中，由于目标机动性未知，现有算法跟踪效果时好时坏，难以在目标任何机动情况下均取得稳定、良好的跟踪效果。同时当前统计模型方法还存在参数无法自适应调整的问题，当目标突发机动则跟踪误差会大幅度升高。需要人工进行调整，并且调整后的跟踪效果也难以达到实时最优，因此，现有的当前统计模型方法存在模型简单、复杂度低、通适性差、缺乏学习能力等问题，难以根本整体上解决高精度跟踪问题。

发明内容

本发明的目的在于提供一种基于神经网络的改进当前统计模型方法、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：

一种基于神经网络的改进当前统计模型方法，包括以下步骤：

S1:搭建基于神经网络的改进当前统计模型，将神经网络作为反馈网络与传统统计模型连结，获取符合目标机动情况的最大加速度值；

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:设置训练参数，使用训练参数对神经网络进行训练，使其最终达到收敛；

S4:将待处理的目标估计状态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中目标当前状态值的估计具体包括以下步骤：

S101:在每一个跟踪时刻，将上一时刻的目标状态估计值和当前时刻的量测值按照归一化标准进行归一化处理；

S102:处理后的数值进入反馈网络，得到当前时刻符合目标机动情况的最大加速度值。

优选的，所述神经网络输入层节点数与状态、量测维数和对应，隐层层数为1，隐层节点为7，输出层节点为1，网络关系式为：

所述步骤S103中当前统计模型通过测和滤波算法得到当前时刻的状态估计值。