欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023101960163
申请人: 广西科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于包括以下步骤:构建目标状态转移矩阵检测网络,所述的目标状态转移矩阵检测网络包括多个依次连接的特征提取模块;对目标状态转移矩阵检测网络进行训练,得到训练好的目标状态转移矩阵检测网络参数;

获取长度为TS的目标状态观测序列,其状态个数为SN作为输入矩阵,对该矩阵增加一个通道维度,使其变为1×TS×SN矩阵,将该矩阵输入训练好的目标状态转移矩阵检测网络中,依次经过多个特征提取模块处理,得到最终目标转移矩阵;其中,TS代表序列长度;SN代表目标状态个数;

在特征提取模块中,输入的矩阵经过包括卷积神经网络处理得到卷积结果,卷积结果经过通道维度转置和状态维度转置后,分别使用高斯激活函数和双曲正切激活函数进行逐个点计算,将这两个函数的计算结果进行相乘,得到输出结果;

向目标状态转移矩阵检测网络输入观测序列片段的叉乘点乘信息,给出当前观测序列片段所对应的目标状态转移矩阵,从而实现对目标运动模型的正确预测。

2.如权利要求1所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:TS的值为27;SN的值为2。

3.如权利要求1所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:所述的卷积神经网络的卷积核数量为变量K,采用随机初始化方式生成。

4.如权利要求3所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:所述的卷积神经网络的处理过程如下:

卷积神经网络输入的变量维度即为1×TS×SN矩阵,用随机初始化的方式生成Z个不同的卷积核,每个卷积核的维度是1×SN×SN,步长设置为1,补丁值设置为0,第z个[1:Z]个卷积核与输入变量进行点乘计算,得到卷积的结果r,具体计算公式下:(1)

其中n=1,2…,TS-SN+1,把Z个卷积核的结果合并成最终输出卷积结果,其维度是1×Z×(TS-SN+1)。

5.如权利要求1所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:所述的高斯激活函数的公式如下:

(2)

其中,r代表卷积神经网络的卷积结果;,=1,2,…,TS-SN+1,=1,2,…,Z;e代表自然常数;和代表可以学习的参数。

6.如权利要求1所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:所述的双曲正切激活函数的公式如下:

(3)

其中,r代表卷积神经网络的卷积结果;,=1,2,…,TS-SN+1,=1,2,…,Z;e代表自然常数。

7.如权利要求1所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:所述的1×TS×SN矩阵依次经过4个特征提取模块处理,4个特征提取模块的卷积核数依次为4、8、16、8。

8.如权利要求1所述的基于部分信息缺失下状态转移矩阵的雷达目标状态预测方法,其特征在于:所述的目标状态转移矩阵检测网络的训练过程如下:A、训练数据的生成:

训练数据通过无噪声的状态空间模型的模拟生成,其具体形式如下:(4)

(5)

式(4)是状态转移函数,式(5)是观测函数;

其中,是时刻的目标状态信息,包括了目标在二维平面的坐标点与速度,也就是,其中是目标当前坐标点的(x,y)值,是目标当前的运动速度在x与y方向上的值;是时刻的观测信息;是目标运动模型;

B、训练数据的预处理:

a)求取输入数据与初始值的一阶差分,公式如下:(6)

b)对于每一个时刻,计算该时刻差分向量的正弦余弦值如下:(7)

(8)

将其公式(7)和公式(8)结果联合起来,构成目标状态转移矩阵检测网络的训练输入数据:,其中;

C、 模型训练

将,输入到目标状态转移矩阵检测网络中,计算得到预测的状态转移矩阵,然后计算损失函数如下:(9)

其中,F代表实际的状态转移矩阵;

然后通过反向传播训练目标状态转移矩阵检测网络的参数。