[发明专利]基于LSTM网络的多机动目标跟踪方法

摘要

本发明公开了一种基于长短期记忆网络LSTM的多机动目标跟踪方法，本发明实现的步骤如下：(1)构建长短期记忆网络LSTM；(2)生成训练数据集；(3)训练长短期记忆网络LSTM；(4)利用长短期记忆网络LSTM进行多机动目标资源分配；(5)利用卡尔曼滤波算法进行多机动目标跟踪。本发明通过基于长短期记忆网络LSTM的多机动目标跟踪方法，能够准确提取机动目标的运动特征，准确预测机动目标的贝叶斯克拉美罗界BCRLB，进而对多机动目标分配雷达资源，实现多机动目标的高精度跟踪。

主权项

1.一种基于长短期记忆网络LSTM的多机动目标跟踪方法，其特征在于，构建长短期记忆网络LSTM，通过训练网络估计机动目标的运动状态和预测贝叶斯克拉美罗界BCRLB，利用资源分配算法，对多机动目标进行资源分配，最后使用卡尔曼滤波算法实现多机动目标的高精度跟踪，该方法的具体步骤如下：/n(1)构建长短期记忆网络LSTM：/n(1a)搭建一个3层的长短期记忆网络LSTM，其结构依次为：输入层→隐含层→输出层；/n(1b)设置长短期记忆网络LSTM的各层参数如下：/n将长短期记忆网络的隐含层设置为1，输入单元的个数设置为64，隐单元的个数设置为32；/n(2)生成训练数据集：/n(2a)根据多机动目标跟踪的应用场景，随机设定多机动目标的初始状态；/n(2b)利用状态转移函数，依次计算50次目标状态向量组成一条状态序列，重复操作500000次，将50×500000个状态向量作为目标的真实状态，组成训练网络的标签集；/n(2c)利用传感器观测目标观测方程，将50×500000个真实状态向量生成对应的观测向量，将50×500000个观测向量组成训练集；/n(3)训练长短期记忆网络LSTM：/n(3a)初始化长短期记忆网络LSTM权值和偏置参数；/n(3b)将训练集输入到长短期记忆网络LSTM的输入层，将输入层的权值和偏置计算结果作为隐含层的输入数据；/n(3c)利用遗忘门函数和输入门函数，隐含层计算输入数据在当前时刻的历史记忆信息，利用输出门函数，隐含层计算输出层的输入数据；/n(3d)将输出层的权值和偏置计算结果作为目标一步状态的预测值；/n(3e)利用预测值和标签值计算网络的损失函数值，用批量梯度下降法，循环执行步骤(3b)到步骤(3e)更新长短期记忆LSTM的网络权值和偏置参数500000次，得到训练好的长短期记忆网络LSTM；/n(4)利用长短期记忆网络LSTM进行多机动目标资源分配：/n将实时观测的当前时刻多机动目标的观测数据输入到长短时记忆网络LSTM中，得到下一时刻每个机动目标状态的预测值，并计算相应的预测BCRLB，利用资源分配代价函数求解每个机动目标分配的资源值；/n(5)利用卡尔曼滤波算法进行多机动目标跟踪：/n使用卡尔曼滤波跟踪算法，结合每个机动目标状态的预测值和资源分配后每个机动目标状态的观测值，实现多机动目标跟踪。/n