本發(fā)明涉及數(shù)據(jù)處理，尤其是涉及一種基于深度學(xué)習(xí)的多源目標(biāo)軌跡融合方法及系統(tǒng)。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，目標(biāo)軌跡測(cè)量系統(tǒng)主要依賴單一傳感器數(shù)據(jù)源，在復(fù)雜環(huán)境下的測(cè)量精度存在顯著局限性。當(dāng)采用衛(wèi)星遙測(cè)數(shù)據(jù)時(shí)，其受限于衛(wèi)星信號(hào)的傳輸條件，在遇到遮擋、電磁干擾等情況時(shí)，信號(hào)易丟失或出現(xiàn)偏差，導(dǎo)致測(cè)量的軌跡數(shù)據(jù)不完整或不準(zhǔn)確。而且，衛(wèi)星的時(shí)間分辨率通常較低，且受大氣層干擾易產(chǎn)生厘米級(jí)空間偏移，難以準(zhǔn)確捕捉高速機(jī)動(dòng)目標(biāo)的瞬時(shí)位姿變化。當(dāng)采用雷達(dá)回波數(shù)據(jù)時(shí)，雖然雷達(dá)具備毫秒級(jí)時(shí)間分辨率，但受多徑效應(yīng)、地物遮擋等環(huán)境影響，在復(fù)雜電磁環(huán)境下會(huì)出現(xiàn)目標(biāo)散射特征畸變，使得目標(biāo)散射特征的提取變得困難，從而影響對(duì)目標(biāo)位置和軌跡的判斷。此外，雷達(dá)的探測(cè)范圍和精度也存在一定局限性，對(duì)于遠(yuǎn)距離或小目標(biāo)的軌跡測(cè)量，其準(zhǔn)確性會(huì)顯著下降。

2、先進(jìn)的目標(biāo)軌跡測(cè)量需融合雷達(dá)與衛(wèi)星的互補(bǔ)優(yōu)勢(shì)，但現(xiàn)有技術(shù)面臨異構(gòu)數(shù)據(jù)深度融合的嚴(yán)峻挑戰(zhàn)。由于雷達(dá)回波數(shù)據(jù)本質(zhì)是時(shí)頻域散射特征矩陣，而衛(wèi)星遙測(cè)數(shù)據(jù)是地理坐標(biāo)系下的離散定位參數(shù)，二者在數(shù)據(jù)結(jié)構(gòu)維度、時(shí)空基準(zhǔn)、誤差特性等方面存在本質(zhì)差異?，F(xiàn)有的融合方法無(wú)法建立跨模態(tài)特征的關(guān)聯(lián)模型，且傳統(tǒng)固定權(quán)重融合機(jī)制也難以根據(jù)環(huán)境干擾強(qiáng)度、目標(biāo)機(jī)動(dòng)狀態(tài)等動(dòng)態(tài)因素，自適應(yīng)調(diào)整雷達(dá)與遙測(cè)數(shù)據(jù)的置信度權(quán)重。對(duì)于精度要求高的目標(biāo)軌跡測(cè)量系統(tǒng)而言，現(xiàn)有技術(shù)無(wú)法有效地提供精確、及時(shí)且有效的軌跡融合支持，從而在實(shí)際應(yīng)用中難以滿足復(fù)雜環(huán)境下目標(biāo)的高精度追蹤與定位需求，限制了軌跡測(cè)量系統(tǒng)在實(shí)際操作中的性能和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、為了解決傳統(tǒng)單源軌跡測(cè)量系統(tǒng)在復(fù)雜環(huán)境下精度不足的問(wèn)題，本發(fā)明提供一種基于深度學(xué)習(xí)的多源目標(biāo)軌跡融合方法及系統(tǒng)。

2、第一方面，本發(fā)明提供的一種基于深度學(xué)習(xí)的多源目標(biāo)軌跡融合方法，采用如下的技術(shù)方案：

3、一種基于深度學(xué)習(xí)的多源目標(biāo)軌跡融合方法，包括：

4、構(gòu)建包含雷達(dá)回波數(shù)據(jù)、衛(wèi)星遙測(cè)數(shù)據(jù)及真值軌跡數(shù)據(jù)的時(shí)空對(duì)齊訓(xùn)練集；

5、設(shè)計(jì)多通道深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，包括回波數(shù)據(jù)特征提取通道、遙測(cè)數(shù)據(jù)特征提取通道，通過(guò)注意力機(jī)制建立雙通道特征關(guān)聯(lián)；

6、通過(guò)反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)，得到權(quán)重預(yù)測(cè)模型；

7、實(shí)時(shí)接收雷達(dá)回波數(shù)據(jù)與衛(wèi)星遙測(cè)數(shù)據(jù)，通過(guò)滑動(dòng)窗口機(jī)制和坐標(biāo)系轉(zhuǎn)換實(shí)現(xiàn)采樣數(shù)據(jù)的時(shí)空對(duì)齊；

8、將預(yù)處理后的雙源特征輸入訓(xùn)練好的權(quán)重預(yù)測(cè)模型，生成雷達(dá)-遙測(cè)融合權(quán)重系數(shù)；

9、對(duì)雙源軌跡坐標(biāo)進(jìn)行加權(quán)處理并優(yōu)化，輸出融合后的目標(biāo)運(yùn)動(dòng)軌跡。

10、進(jìn)一步地，所述構(gòu)建包含雷達(dá)回波數(shù)據(jù)、衛(wèi)星遙測(cè)數(shù)據(jù)及真值軌跡數(shù)據(jù)的時(shí)空對(duì)齊訓(xùn)練集包括：

11、對(duì)原始雷達(dá)回波數(shù)據(jù)進(jìn)行脈沖壓縮處理并提取誤差參數(shù)，構(gòu)建特征矩陣；

12、對(duì)衛(wèi)星遙測(cè)數(shù)據(jù)進(jìn)行坐標(biāo)系轉(zhuǎn)換處理并提取誤差參數(shù)，構(gòu)建特征矩陣；

13、采用滑動(dòng)窗口機(jī)制與三次樣條插值法對(duì)雙源數(shù)據(jù)進(jìn)行時(shí)間軸對(duì)齊與補(bǔ)齊，建立毫秒級(jí)同步的訓(xùn)練樣本。

14、進(jìn)一步地，所述設(shè)計(jì)多通道深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，包括雷達(dá)回波數(shù)據(jù)特征提取通道、衛(wèi)星遙測(cè)數(shù)據(jù)特征提取通道，通過(guò)注意力機(jī)制建立雙通道特征關(guān)聯(lián)包括：

15、雷達(dá)回波數(shù)據(jù)特征提取通道，采用三維卷積神經(jīng)網(wǎng)絡(luò)提取時(shí)-空-誤差特征；

16、衛(wèi)星遙測(cè)數(shù)據(jù)特征提取通道，采用雙向lstm網(wǎng)絡(luò)解碼衛(wèi)星定位參數(shù)序列；

17、交叉注意力模塊，建立含環(huán)境質(zhì)量感知的雷達(dá)特征與遙測(cè)特征的關(guān)聯(lián)度矩陣；

18、全連接輸出層，生成維度為[時(shí)間戳×空間坐標(biāo)]的權(quán)重分布張量。

19、進(jìn)一步地，所述交叉注意力模塊，計(jì)算雷達(dá)特征與遙測(cè)特征的關(guān)聯(lián)度矩陣包括：

20、將雷達(dá)特征向量與遙測(cè)特征向量分別映射至查詢空間和鍵值空間；

21、計(jì)算特征相似度矩陣并通過(guò)softmax函數(shù)生成注意力權(quán)重分布；

22、對(duì)雙通道特征進(jìn)行加權(quán)融合生成聯(lián)合特征表示并輸入全連接層。

23、進(jìn)一步地，所述通過(guò)反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)，得到權(quán)重預(yù)測(cè)模型包括：

24、初始化網(wǎng)絡(luò)參數(shù)，定義融合軌跡與真值軌跡的均方誤差損失函數(shù)；

25、采用反向傳播和隨機(jī)梯度下降算法更新網(wǎng)絡(luò)權(quán)重；

26、通過(guò)早停法控制模型過(guò)擬合，保存最優(yōu)權(quán)重預(yù)測(cè)模型。

27、進(jìn)一步地，所述實(shí)時(shí)接收雷達(dá)回波數(shù)據(jù)與衛(wèi)星遙測(cè)數(shù)據(jù)，通過(guò)滑動(dòng)窗口機(jī)制和坐標(biāo)系轉(zhuǎn)換實(shí)現(xiàn)采樣數(shù)據(jù)的時(shí)空對(duì)齊包括：

28、對(duì)原始雷達(dá)回波數(shù)據(jù)進(jìn)行脈沖壓縮處理并提取誤差參數(shù)，構(gòu)建特征矩陣；

29、對(duì)衛(wèi)星遙測(cè)數(shù)據(jù)進(jìn)行坐標(biāo)系轉(zhuǎn)換處理并提取誤差參數(shù)，構(gòu)建特征矩陣；

30、采用滑動(dòng)窗口機(jī)制與三次樣條插值法對(duì)雙源數(shù)據(jù)進(jìn)行時(shí)間軸對(duì)齊與補(bǔ)齊。

31、進(jìn)一步地，所述對(duì)雙源軌跡坐標(biāo)進(jìn)行加權(quán)處理并優(yōu)化，輸出融合后的目標(biāo)運(yùn)動(dòng)軌跡包括：

32、對(duì)雷達(dá)軌跡點(diǎn)p_r和遙測(cè)軌跡點(diǎn)p_s執(zhí)行加權(quán)計(jì)算：p_fused?=?α·p_r?+?β·p_s，其中p_fused為融合點(diǎn)坐標(biāo)，α、β分別為雷達(dá)數(shù)據(jù)和遙測(cè)數(shù)據(jù)的融合權(quán)重系數(shù)；

33、對(duì)融合軌跡進(jìn)行滑動(dòng)平均濾波，去除噪聲，輸出優(yōu)化后的目標(biāo)運(yùn)動(dòng)軌跡。

34、第二方面，一種基于深度學(xué)習(xí)的多源目標(biāo)軌跡融合系統(tǒng)，包括：

35、時(shí)空對(duì)齊訓(xùn)練集構(gòu)建模塊，用于對(duì)雷達(dá)回波數(shù)據(jù)、衛(wèi)星遙測(cè)數(shù)據(jù)及真值軌跡進(jìn)行時(shí)間軸重采樣與坐標(biāo)系統(tǒng)一，生成時(shí)空同步的監(jiān)督學(xué)習(xí)數(shù)據(jù)集；

36、模型網(wǎng)絡(luò)架構(gòu)構(gòu)建模塊，與時(shí)空對(duì)齊訓(xùn)練集構(gòu)建模塊連接，用于搭建適用于多源目標(biāo)軌跡融合的深度學(xué)習(xí)模型網(wǎng)絡(luò)架構(gòu)；

37、模型訓(xùn)練模塊，與模型網(wǎng)絡(luò)架構(gòu)構(gòu)建模塊連接，使用構(gòu)建好的訓(xùn)練集對(duì)搭建的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，生成動(dòng)態(tài)權(quán)重預(yù)測(cè)模型，并保存最優(yōu)參數(shù)模型；

38、采樣數(shù)據(jù)時(shí)空對(duì)齊模塊，將實(shí)時(shí)獲取的多源軌跡數(shù)據(jù)進(jìn)行對(duì)齊處理，使不同來(lái)源的數(shù)據(jù)在時(shí)間和空間維度上具備可比性；

39、融合權(quán)重系數(shù)生成模塊，與模型訓(xùn)練模塊和采樣數(shù)據(jù)時(shí)空對(duì)齊模塊連接，用于將預(yù)處理后的雙源特征輸入訓(xùn)練模型，生成用于軌跡融合的權(quán)重系數(shù)；

40、多源軌跡加權(quán)處理滑模塊，與融合權(quán)重系數(shù)生成模塊連接，用于根據(jù)權(quán)重系數(shù)對(duì)雷達(dá)軌跡點(diǎn)與遙測(cè)軌跡點(diǎn)執(zhí)行線性加權(quán)計(jì)算，生成初始融合軌跡；

41、融合軌跡濾波平滑模塊，與多源軌跡加權(quán)處理滑模塊連接，對(duì)加權(quán)處理后的融合軌跡進(jìn)行濾波平滑操作，去除噪聲和波動(dòng)，使軌跡更加平滑準(zhǔn)確；

42、目標(biāo)融合軌跡輸出模塊，與融合軌跡濾波平滑模塊連接，用于輸出最終優(yōu)化后的目標(biāo)融合軌跡。

43、綜上所述，本發(fā)明具有如下的有益技術(shù)效果：

44、1.?本發(fā)明提出的基于深度學(xué)習(xí)的多源目標(biāo)軌跡融合方法，通過(guò)構(gòu)建包含雷達(dá)回波、衛(wèi)星遙測(cè)與真值數(shù)據(jù)的時(shí)空對(duì)齊訓(xùn)練集，并設(shè)計(jì)帶有交叉注意力機(jī)制的雙通道深度學(xué)習(xí)網(wǎng)絡(luò)，首次達(dá)成了雷達(dá)時(shí)頻特征與衛(wèi)星定位參數(shù)的跨模態(tài)動(dòng)態(tài)關(guān)聯(lián)建模。相較于傳統(tǒng)固定權(quán)重融合方法，本方案能夠依據(jù)目標(biāo)機(jī)動(dòng)狀態(tài)、環(huán)境干擾強(qiáng)度等動(dòng)態(tài)因素，自適應(yīng)地生成最優(yōu)融合權(quán)重系數(shù)，在復(fù)雜電磁環(huán)境下大幅提升了軌跡定位精度，有效解決了異構(gòu)數(shù)據(jù)維度差異致使的特征失配問(wèn)題。

45、2.?本發(fā)明采用的滑動(dòng)窗口機(jī)制和坐標(biāo)系轉(zhuǎn)換方法，結(jié)合三次樣條插值法對(duì)雙源數(shù)據(jù)進(jìn)行時(shí)間軸重采樣，實(shí)現(xiàn)了采樣數(shù)據(jù)的高精度時(shí)空對(duì)齊，解決了不同數(shù)據(jù)源在時(shí)空基準(zhǔn)上的差異問(wèn)題，為后續(xù)的數(shù)據(jù)融合提供了可靠基礎(chǔ)，提高了整個(gè)軌跡融合過(guò)程的準(zhǔn)確性和穩(wěn)定性。無(wú)論是在目標(biāo)高速機(jī)動(dòng)導(dǎo)致數(shù)據(jù)變化劇烈，還是在復(fù)雜環(huán)境下數(shù)據(jù)出現(xiàn)異常波動(dòng)的情況下，都能提高數(shù)據(jù)的準(zhǔn)確性和完整性，從而提高了整個(gè)軌跡融合過(guò)程的準(zhǔn)確性和穩(wěn)定性，使得融合后的軌跡能夠更真實(shí)地反映目標(biāo)的實(shí)際運(yùn)動(dòng)情況。

46、3.?本發(fā)明通過(guò)反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)，定義融合軌跡與真值軌跡的均方誤差損失函數(shù)，并采用早停法控制模型過(guò)擬合，得到的權(quán)重預(yù)測(cè)模型能夠根據(jù)不同數(shù)據(jù)特征動(dòng)態(tài)調(diào)整融合權(quán)重，相較于傳統(tǒng)的固定權(quán)重融合機(jī)制，可以更靈活地動(dòng)態(tài)調(diào)整融合權(quán)重。無(wú)論是面對(duì)環(huán)境干擾強(qiáng)度的突然變化，還是目標(biāo)機(jī)動(dòng)狀態(tài)的復(fù)雜改變，都能迅速做出響應(yīng)，調(diào)整權(quán)重分配，使融合后的目標(biāo)運(yùn)動(dòng)軌跡更加精確，極大地提高了模型的適應(yīng)性和準(zhǔn)確性。

47、4.?本發(fā)明的交叉注意力模塊構(gòu)建了雷達(dá)特征與遙測(cè)特征的聯(lián)合映射機(jī)制，通過(guò)查詢-鍵值空間轉(zhuǎn)換和?softmax?權(quán)重分配，建立起雙源特征的非線性關(guān)聯(lián)模型。該模塊在單個(gè)信號(hào)被遮擋場(chǎng)景下的軌跡連續(xù)性保持率有顯著提升，顯著增強(qiáng)了復(fù)雜環(huán)境下的抗干擾能力，為多源目標(biāo)軌跡融合在復(fù)雜環(huán)境中的應(yīng)用提供了有力保障，確保在復(fù)雜環(huán)境中更加準(zhǔn)確地獲取目標(biāo)的運(yùn)動(dòng)軌跡信息。