[发明专利]一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法

说明书

本发明公开了一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法，首先针对多波束时域数据特点生成时频谱图样本，其次构建并训练面向时频谱图特征提取的深层卷积神经网络模型；接着构建专家推理规则库，以从多波束时频谱图特征中辨识感兴趣目标；最后基于深层卷积神经网络模型和专家推理规则库对现场多波束时域数据进行处理，一则根据已知感兴趣目标方位信息，利用多波束特征提取结果，初始化更新专家推理规则库，二则依托专家推理规则库对新的多波束特征提取结果辨识，实现感兴趣目标连续跟踪，在处理过程中将根据每个批次感兴趣目标/背景辨识结果对专家推理规则库进行自适应更新，以更好的适应目标‑干扰‑环境的动态变化。

技术领域

本发明属于水中目标跟踪与人工智能技术领域，具体涉及一种基于深层卷 积神经网络和自适应专家推理规则的水中目标连续跟踪方法。

背景技术

水中目标被动跟踪是水声探测中的重要环节，能够为目标识别和水下攻防 态势形成提供重要信息。

当前，国内被动水中目标跟踪技术研究基础还十分薄弱，主要依赖于能量 和方位信息，在低信噪比、多目标等情况下容易发生目标丢失现象，基于目标 特征辨识的目标跟踪方法虽然已经受到关注，不过当前的特征获取方法主要基 于已掌握的目标数据/特性知识建立模型，受多目标干扰、海洋信道时空变化、 平台及环境噪声等因素影响，干净、清晰、适应实际场景的目标特征获取难度 大，成为制约目标特征跟踪技术发展的瓶颈。

近年来，深度学习技术快速发展，目前已经在语音、图像等领域得到了广 泛应用，在水声领域也受到了国内外众多学者的关注，但主要集中在目标识别 和定位等方面，在目标跟踪方面的研究应用还比较少。鉴于水声环境的复杂性 和水声数据获取的难度，已掌握的水声目标数据/特征往往与实际应用环境存在 一定差异性，单纯依靠历史数据驱动的智能化处理体制可能难以适应现场目标- 干扰-环境时变导致的目标特征变异。

为此，本发明提出了基于深层卷积神经网络和自适应专家推理规则的水中 目标连续跟踪方法，通过综合运用基于历史数据驱动的深度学习模型和基于现 场数据驱动的专家推理规则，能够使整个处理过程更好的适应现场情况，有助 于提升水中目标连续跟踪能力。

发明内容

本发明的目的之一在于提供一种基于深层卷积神经网络和自适应专家推理 规则的水中目标连续跟踪方法，以解决背景技术中现有的智能化处理体制难以 适应现场目标-干扰-环境时变导致的目标特征变异等问题。

为实现上述目的，本发明提供技术方案如下：

一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方 法，所述方法包括以下步骤：

步骤1：构建并训练用于波束时频谱图特征提取的深层卷积神经网络模型；

步骤2：构建用于对未知特征进行目标特征辨识的专家推理规则库，并初始 化更新专家推理规则库参数；

步骤3：获取感兴趣目标的初始时频谱图样本集；

步骤4：对于每次新获取的一批多波束时域数据，基于短时傅里叶变换生成 未知时频谱图样本集；

步骤5：通过训练后的深层卷积神经网络模型分别对初始时频谱图样本集、 未知时频谱图样本集进行感兴趣目标特征和未知特征提取；

步骤6：基于感兴趣目标特征集对专家推理规则库参数自适应更新；

步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库 对提取的未知特征进行目标特征辨识。