[发明专利]一种基于深度学习模板匹配的长航迹实时识别方法

权利要求书

1.一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，具体包括以下步骤：

步骤S1：实时接收长航迹实时数据进行处理，得到实时航迹映射图像；

步骤S2：选取长实时航迹中有效类别进行标记，使用有效类别和未知类别对孪生神经网络训练，得到训练后的网络；

步骤S3：将训练集中有效类别输入到训练后的嵌入向量提取模块，得到训练集的嵌入向量；

步骤S4：对训练集的嵌入向量使用聚类算法，找到类模板；

步骤S5：将实时测试数据映射为图像输入到训练后网络，得到嵌入向量；

步骤S6：使用相似度度量函数计算测试数据的嵌入向量后，计算嵌入向量和类模板相似度，并根据相似度判断航迹类别。

2.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中的数据是实时接收并判断的，一段长航迹中包含多种类别的航迹，并且也包含未定义的未知类别航迹。

3.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中实时航迹映射图像的方法使用滑动窗口的方式，在映射过程中修正因数据点的数量和方向不同带来的线条粗细变化和尺度变化；滑动窗口的尺度选择，根据目标类型进行选择，包括船，飞机，潜艇军事目标。

4.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中得到实时航迹映射图像的方法为，根据目标类型综合考虑实时性和有效性，针对不同的目标使用不同的采样频率。

5.根据权利要求3所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中从开始接收实时数据算起，数据总量小于滑动窗口长度时，将采样后数据补空值至窗口长度后再进行映射；数据总量超出滑动窗口的长度后，则每次从当前时刻起，向前查询一个滑动窗口长度的数据，采样后再进行映射。

6.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S2中实时接收的数据进行标注，可识别的同类航迹归入一类，不可识别的航迹均划入未知类。

7.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S2中对实时接收的数据组成训练集使用离线数据增强的方式扩充数据，人工二次筛选标注。

8.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S2中采用了孪生神经网络技术，孪生神经网络是一种匹配网络，训练时采用1组样本，分别是两个同类样本和一个异类样本；通过嵌入向量提取模块得到1组嵌入向量；使用欧式距离判断组内样本间的相似度，通过损失函数监督同类样本的相似度接近，异类样本的相似度远离，得到训练好的嵌入向量模块；孪生神经网络中的嵌入向量提取模块采用卷积神经网络，将实时航迹图像通过多层卷积对特征进行提取，得到固定维度的嵌入向量。

9.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S5中将待测试的数据输入到嵌入向量提取模块中，得到测试航迹的向量值。

10.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S5中将待测试的向量值和类模板进行对比，采用欧式距离作为度量函数，与模板间数值小于阈值即判定数据为该类别；步骤S5中出现未知类别或者训练集中未出现的航迹，能有效和已知类别区分开，避免深度学习分类网络无法识别未知类的弊端。