【技术实现步骤摘要】
本专利技术涉及数据处理，尤其是涉及一种基于深度学习的多源目标轨迹融合方法及系统。
技术介绍
1、现有技术中，目标轨迹测量系统主要依赖单一传感器数据源，在复杂环境下的测量精度存在显著局限性。当采用卫星遥测数据时，其受限于卫星信号的传输条件，在遇到遮挡、电磁干扰等情况时，信号易丢失或出现偏差，导致测量的轨迹数据不完整或不准确。而且，卫星的时间分辨率通常较低，且受大气层干扰易产生厘米级空间偏移，难以准确捕捉高速机动目标的瞬时位姿变化。当采用雷达回波数据时，虽然雷达具备毫秒级时间分辨率，但受多径效应、地物遮挡等环境影响，在复杂电磁环境下会出现目标散射特征畸变，使得目标散射特征的提取变得困难，从而影响对目标位置和轨迹的判断。此外，雷达的探测范围和精度也存在一定局限性，对于远距离或小目标的轨迹测量，其准确性会显著下降。
2、先进的目标轨迹测量需融合雷达与卫星的互补优势，但现有技术面临异构数据深度融合的严峻挑战。由于雷达回波数据本质是时频域散射特征矩阵，而卫星遥测数据是地理坐标系下的离散定位参数，二者在数据结构维度、时空基准、误差特性等方面存在本质差异。现有的融合方法无法建立跨模态特征的关联模型，且传统固定权重融合机制也难以根据环境干扰强度、目标机动状态等动态因素，自适应调整雷达与遥测数据的置信度权重。对于精度要求高的目标轨迹测量系统而言，现有技术无法有效地提供精确、及时且有效的轨迹融合支持，从而在实际应用中难以满足复杂环境下目标的高精度追踪与定位需求，限制了轨迹测量系统在实际操作中的性能和可靠性。
技
1、为了解决传统单源轨迹测量系统在复杂环境下精度不足的问题，本专利技术提供一种基于深度学习的多源目标轨迹融合方法及系统。
2、第一方面，本专利技术提供的一种基于深度学习的多源目标轨迹融合方法，采用如下的技术方案：
3、一种基于深度学习的多源目标轨迹融合方法，包括：
4、构建包含雷达回波数据、卫星遥测数据及真值轨迹数据的时空对齐训练集；
5、设计多通道深度学习网络架构，包括回波数据特征提取通道、遥测数据特征提取通道，通过注意力机制建立双通道特征关联；
6、通过反向传播优化网络参数，得到权重预测模型；
7、实时接收雷达回波数据与卫星遥测数据，通过滑动窗口机制和坐标系转换实现采样数据的时空对齐；
8、将预处理后的双源特征输入训练好的权重预测模型，生成雷达-遥测融合权重系数；
9、对双源轨迹坐标进行加权处理并优化，输出融合后的目标运动轨迹。
10、进一步地，所述构建包含雷达回波数据、卫星遥测数据及真值轨迹数据的时空对齐训练集包括：
11、对原始雷达回波数据进行脉冲压缩处理并提取误差参数，构建特征矩阵；
12、对卫星遥测数据进行坐标系转换处理并提取误差参数，构建特征矩阵；
13、采用滑动窗口机制与三次样条插值法对双源数据进行时间轴对齐与补齐，建立毫秒级同步的训练样本。
14、进一步地，所述设计多通道深度学习网络架构，包括雷达回波数据特征提取通道、卫星遥测数据特征提取通道，通过注意力机制建立双通道特征关联包括：
15、雷达回波数据特征提取通道，采用三维卷积神经网络提取时-空-误差特征；
16、卫星遥测数据特征提取通道，采用双向lstm网络解码卫星定位参数序列；
17、交叉注意力模块，建立含环境质量感知的雷达特征与遥测特征的关联度矩阵；
18、全连接输出层，生成维度为[时间戳×空间坐标]的权重分布张量。
19、进一步地，所述交叉注意力模块，计算雷达特征与遥测特征的关联度矩阵包括：
20、将雷达特征向量与遥测特征向量分别映射至查询空间和键值空间；
21、计算特征相似度矩阵并通过softmax函数生成注意力权重分布；
22、对双通道特征进行加权融合生成联合特征表示并输入全连接层。
23、进一步地，所述通过反向传播优化网络参数，得到权重预测模型包括：
24、初始化网络参数，定义融合轨迹与真值轨迹的均方误差损失函数；
25、采用反向传播和随机梯度下降算法更新网络权重；
26、通过早停法控制模型过拟合，保存最优权重预测模型。
27、进一步地，所述实时接收雷达回波数据与卫星遥测数据，通过滑动窗口机制和坐标系转换实现采样数据的时空对齐包括：
28、对原始雷达回波数据进行脉冲压缩处理并提取误差参数，构建特征矩阵；
29、对卫星遥测数据进行坐标系转换处理并提取误差参数，构建特征矩阵；
30、采用滑动窗口机制与三次样条插值法对双源数据进行时间轴对齐与补齐。
31、进一步地，所述对双源轨迹坐标进行加权处理并优化，输出融合后的目标运动轨迹包括：
32、对雷达轨迹点p_r和遥测轨迹点p_s执行加权计算：p_fused = α·p_r + β·p_s，其中p_fused为融合点坐标，α、β分别为雷达数据和遥测数据的融合权重系数；
33、对融合轨迹进行滑动平均滤波，去除噪声，输出优化后的目标运动轨迹。
34、第二方面，一种基于深度学习的多源目标轨迹融合系统，包括：
35、时空对齐训练集构建模块，用于对雷达回波数据、卫星遥测数据及真值轨迹进行时间轴重采样与坐标系统一，生成时空同步的监督学习数据集；
36、模型网络架构构建模块，与时空对齐训练集构建模块连接，用于搭建适用于多源目标轨迹融合的深度学习模型网络架构；
37、模型训练模块，与模型网络架构构建模块连接，使用构建好的训练集对搭建的网络架构进行训练，生成动态权重预测模型，并保存最优参数模型；
38、采样数据时空对齐模块，将实时获取的多源轨迹数据进行对齐处理，使不同来源的数据在时间和空间维度上具备可比性；
39、融合权重系数生成模块，与模型训练模块和采样数据时空对齐模块连接，用于将预处理后的双源特征输入训练模型，生成用于轨迹融合的权重系数；
40、多源轨迹加权处理滑模块，与融合权重系数生成模块连接，用于根据权重系数对雷达轨迹点与遥测轨迹点执行线性加权计算，生成初始融合轨迹；
41、融合轨迹滤波平滑模块，与多源轨迹加权处理滑模块连接，对加权处理后的融合轨迹进行滤波平滑操作，去除噪声和波动，使轨迹更加平滑准确；
42、目标融合轨迹输出模块，与融合轨迹滤波平滑模块连接，用于输出最终优化后的目标融合轨迹。
43、综上所述，本专利技术具有如下的有益技术效果：
44、1. 本专利技术提出的基于深度学习的多源目标轨迹融合方法，通过构建包含雷达回波、卫星遥测与真值数据的时空对齐训练集，并设计带有交叉注意力机制的双通道深度学习网络，首次达成了雷达时频特征与卫星定位参数的跨模态动态关联建模。相较于传统固定权重融合方法，本方案能够依本文档来自技高网...
【技术保护点】
1.一种基于深度学习的多源目标轨迹融合方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述构建包含雷达回波数据、卫星遥测数据及真值轨迹数据的时空对齐训练集包括：
3.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述设计多通道深度学习网络架构，包括雷达回波数据特征提取通道、卫星遥测数据特征提取通道，通过注意力机制建立双通道特征关联包括：
4.根据权利要求3所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述交叉注意力模块，计算雷达特征与遥测特征的关联度矩阵包括：
5.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述通过反向传播优化网络参数，得到权重预测模型包括：
6.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述实时接收雷达回波数据与卫星遥测数据，通过滑动窗口机制和坐标系转换实现采样数据的时空对齐包括：
7.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方
8.一种基于深度学习的多源目标轨迹融合系统，其特征在于，所述多源目标轨迹融合系统包括：
...【技术特征摘要】
1.一种基于深度学习的多源目标轨迹融合方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述构建包含雷达回波数据、卫星遥测数据及真值轨迹数据的时空对齐训练集包括：
3.根据权利要求1所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述设计多通道深度学习网络架构，包括雷达回波数据特征提取通道、卫星遥测数据特征提取通道，通过注意力机制建立双通道特征关联包括：
4.根据权利要求3所述的一种基于深度学习的多源目标轨迹融合方法，其特征在于，所述交叉注意力模块，计算雷达特征与遥测特征的关联度矩阵包括...
【专利技术属性】
技术研发人员：郭强，尹丰浩，孙贵东，刘志昊，杨文彬，
申请(专利权)人：烟台大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。