[发明专利]一种基于深度神经网络的虚假航迹识别方法

说明书

本发明公开了一种基于深度神经网络的虚假航迹识别方法，通过本发明所述方法，能够在密集杂波环境下，有效的抑制虚假航迹。具体来说，本发明所述方法一方面，可用于航迹起始阶段，对新生的航迹进行虚假识别，替代传统的规则判断，有效改善目标情报的虚情与漏情。另一方面，可用于航迹维持阶段，对目标航迹的更新状态进行实时识别，快速发现目标航迹与雷达量测的关联错误，及时纠正找出正确的目标量测，提高目标航迹的稳定性。通过上述两个方面，便可在杂波环境下有效的剔除虚假航迹，获得稳定、可靠的目标情报信息。

技术领域

本发明涉及雷达探测技术领域，特别是涉及一种基于深度神经网络的虚假航迹识别方法。

背景技术

随着现代战场环境的日益复杂，雷达传感器面临电磁干扰、天气变化等因素影响，形成大量的虚假量测，使得在目标航迹建立过程中无法避免产生虚假航迹。同时，伴随雷达协同组网技术的日益成熟，多雷达数据处理会引入更多无用的虚假量测，导致形成虚假航迹的概率增高，对获取实际的目标情报信息造成严重干扰。因此，如何有效的抑制虚假航迹，建立真实、可靠的目标航迹已成为业界的研究热点。

目前，针对虚假航迹抑制问题，通常是采用硬性规则进行判别。但实际的雷达存在量测误差，并且跟踪目标种类多样化，从而导致目标航迹状态差异化较大，常规的虚假航迹抑制规则难易匹配，经常出现虚情与漏情，无法建立完整、可靠的目标情报。

发明内容

本发明提供了一种基于深度神经网络的虚假航迹识别方法，以解决现有技术中不能准确识别虚假航迹的问题。

本发明提供了一种基于深度神经网络的虚假航迹识别方法，所述方法包括：对预处理后的历史目标航迹进行图像层面和数据层面的特征提取，即对所述历史目标航迹进行图像建模，利用二值图表示所述历史目标航迹轨迹，借助卷积神经网络设计特征提取神经网络，以进行图像层面的特征提取，并利用多阶拟合理论对所述历史目标航迹的各个状态进行拟合，将拟合曲线变化率作为所述历史目标航迹数据层面的特征提取结果；利用所提出的图像层面的特征以及数据层面的特征来对预设分类神经网络进行参数训练，构建得到深度神经网络，并对所构建的深度神经网络进行调优；基于调优后的深度神经网络在线对待分析的目标航迹进行真、假分类，以识别并剔除虚假航迹，最终输出真实的目标情报信息。

可选地，所述对预处理后的历史目标航迹进行图像层面和数据层面的特征提取，包括：对获取的雷达量测的历史目标航迹通过数据关联或卡尔曼滤波算法，形成目标航迹状态，记录目标航迹状态并完成分类标记；

利用二维栅格模型将目标航迹样本进行图像转换，形成目标航迹二值图，卷积神经网络接收该二值图像信息进行卷积与池化处理后，形成图像特征输入信号，以实现目标航迹在图像层面的特征提取；

对目标航迹样本中的不同状态信息，分别开展二阶拟合处理，得到各状态的二阶拟合函数，将所述二阶拟合函数的曲线变化率作为数据特征输入信号，以实现目标航迹在数据层面的特征提取。

可选地，所述对获取的雷达量测的历史目标航迹通过数据关联或卡尔曼滤波算法，形成目标航迹状态，包括：

对获取的雷达量测的历史目标航迹进行离线处理，完成航迹起始、雷达量测关联和航迹滤波处理，形成目标航迹，并记录目标航迹状态(B,T,X,Y,Z,V_x,V_y,V_z,A_x,A_y,A_z)；其中，B为目标航迹号，T为目标航迹时间，(X,Y,Z)分别表示目标的东向位置、北向位置和天向位置，(V_x,V_y,V_z)分别表示目标的东向速度、北向速度和天向速度，(A_x,A_y,A_z)分别表示目标的东向加速度、北向加速度和天向加速度。

可选地，所述记录目标航迹状态并完成分类标记，包括：