一种深度学习航迹关联方法

根据机器学习当中的理论方法,通过输入和输出数据设计,把信息融合领域的航迹关联问题,转换为机器学习领域中的分类识别问题,研究提出了一种深度学习航迹关联方法.仿真结果表明:所提方法在关联性能和自适应能力方面优于对比方法,具有较好的应用前景.     

基于数据拟合的航迹关联方法

航迹关联对航迹融合结果具有决定性影响.为了解决组网雷达存在系统误差情况下的航迹关联问题,以不同雷达的量测位置偏差建立粗关联门限进行航迹粗关联.对仍存在歧义的航迹,运用最小二乘法进行数据拟合,得到量测序列的对应系数,建立局部关联门限,仿真结果显示了该算法的有效性.     

多尺度小波变换提取趋向的异步航迹关联方法

传统的航迹关联方法都是基于雷达同步工作方式,但在实际的空中监视系统中,不同位置的雷达不可能同步工作。因此异步雷达目标航迹的关联更接近于实际。目标航迹数据序列实际上是一个含有多项式趋势的非平稳随机过程,利用小波变换提取这种趋势,比较两条航迹趋势的接近程度,进行异步航迹关联。理论分析和仿真实验表明,这种方法的关联正确率高,同步和异步方式下均可应用。     

基于在线更新LSTM网络的短期4D航迹预测算法

航班飞行过程中一些因素会对当前飞行轨迹产生影响,从而导致实时航迹与历史航迹相比有一定的差异,使得仅基于历史航迹数据的航迹预测模型的预测性能变差.为解决该问题,提出了一种基于在线更新长短期记忆(Long Short-Term Memory,LSTM)网络的短期4D航迹预测算法,该算法由基于历史航迹数据的预测模型初始化参数...     

基于孪生神经网络的航迹关联方法

日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展,如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点,而没有考虑先前的航迹信息。除此之外,大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准,这不仅增加了算法本身的计算开销,还放大了航迹信息中包含的误差,因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对,将其成对地送入特征提取网络中,再利用共享权重的双向LSTM网络提取输入航迹的隐含特征,之后对两条航迹的特征向量进行相似度计算,得到相似度向量,最终送入分类器完成关联航迹与非关联航迹的判别。实验表明,TTCSN算法能够有效地解决异步航迹关联问题。     

基于小波变换的航迹关联方法

该文基于小波框架条件及多分辨率特性,提出了一种新的自适应航迹关联算法。将目标航迹数据序列分解为整体走势和局部特征两方面来解决航迹关联问题。当目标作匀速直线运动时,只比较两航迹的整体走势;当目标作机动运行时,同时比较两航迹的整体走势和局部特征(机动性)。理论分析和仿真实验证明了该算法的有效性和合理性。     

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用.随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度.文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN).该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点.该模型无需...     

基于SWCNN和双向LSTM的文本情感特征分析方法

针对文本句子中语义角色重叠、高维度文本词向量训练中难以收敛等问题,将情感词标签与卷积神经网络相结合,采用结合情感词的卷积神经网络算法,将词语转为情感标签后与词向量拼接再输入卷积神经网络,将输出的特征再与双向长短期记忆神经网络所获取的特征进行融合,最后通过全连接网络输出情感分类结果。实验结果表明,在微博新冠疫情评论情绪数据集上,本研究所提出的算法模型文本情感特征识别精确度达到89.23%,比其他深度学习算法在准确率上至少提高1.95%,而且训练具有更快的收敛速度,能够为文本情感识别提供一种新的思路与方法。     

基于特征辅助的灰色航迹关联方法

多雷达多目标航迹关联算法大多量测数据中因信息贫瘠的原因导致雷达目标航迹关联精确度较差、性能较低等一系列问题。基于灰色关联分析理论的航迹关联算法,分析研究了综合性线段Hausdorff距离(LHD)灰色关联方面的理论,并将其用在雷达航迹关联领域。通过仿真证明,该算法能够综合考虑航迹之间的距离远近度和2条航迹曲线的拟合度。特征辅助信息不仅可以用于数据关联,也可以用在航迹关联方面。提出基于目标特征辅助信息的序贯灰色关联算法,仿真证明该算法与传统灰色关联算法相比精确度较高,能够在工程实践中提高关联概率。     

基于CNN 的多目标航迹融合算法

针对传统的航迹融合算法精度较低、计算过程需要先验状态估计的缺点,提出了一种基于卷积神经网络(CNN)的航迹融合算法。各局部航迹在融合中心已经过时空校准和航迹关联。由于目标运动轨迹具有时间相关性的特点,采用连续多周期的局部航迹估计,结合深度学习积累经验的能力,解析出当前时刻的更精确的系统航迹估计,实现航迹融合。实验表明,该种融合算法能够处理具有共同过程噪声复杂环境干扰下的综合误差,并且在不同传感器和环境情况下,以相同的CNN模型结构训练,融合后的系统航迹误差均方差都低于各局部航迹误差均方差,证明了该算法能够提高航迹精度,具有可行性。     

一种存在系统偏差的航迹关联方法

研究了组网雷达存在系统误差情况下的航迹关联问题,采用ECEF坐标系作为公共参考坐标系,采用三门限算法进行航迹关联。将不同雷达量测的位置偏差作为粗关联门限,利用位置误差序列的样本方差建立历史航迹关联门限,最后对仍存在歧义的航迹,通过优化算法实现关联的全局最优解,与最近邻域法相比该算法可以有效实现不同目标数目与不同系统误差下的航迹关联,仿真结果显示了该算法的有效性。     

基于拓扑序列法的灰色航迹关联方法

为了解决组网雷达存在系统偏差情况下的航迹关联问题,提出了基于拓扑序列法的灰色航迹关联方法。首先,采用灰色理论生成当前时刻目标拓扑序列的灰色关联矩阵,并建立航迹间的相关度量;然后,运用全局最优化方法对相关度量矩阵进行最优化分配获得航迹关联对。该算法采用全局最优化方法避免了门限选择不当对正确关联概率带来的影响,有效地利用了航迹的空间分布信息和状态信息。仿真结果表明,该算法可以有效地实现系统偏差情况下的航迹关联。     

数据链系统的航迹关联方法

针对数据链系统中多平台多目标情形下航迹关联较为复杂的特点,提出一种基于加权最小二乘估计和蚁群算法的航迹关联算法,并建立了多平台多目标航迹关联处理模型。为了使蚁群算法能够满足数据链实时性的要求,对蚁群算法进行了改进。通过设置参数的取值使算法能够适用于不同的战场环境和量测误差。对新提出的航迹关联算法进行了Monte Carlo仿真,结果表明了算法的有效性和可行性。     

组网雷达系统中的一种模糊航迹关联方法

航迹关联是组网雷达系统数据融合中的一项关键技术。首先提出了一种模糊关联方法,对两条航迹的航迹点进行关联,然后定义了航迹关联质量,取航迹关联质量最大的两条航迹为关联航迹对,从而提高了航迹关联的准确性。仿真结果表明：该航迹关联算法确实有效。     

一种分布式雷达网中的航迹关联方法

针对分布式雷达网中多航迹关联时间复杂度高的问题,提出了一种分布式多雷达区域航迹关联方法。在定义了方格坐标系的基础上,根据一定的划分准则,将整个目标区域分剖成若干子区域。在相邻子区域内进行关联性判断,而非相邻子区域内不进行关联性判断。通过典型的场景计算验证了该方法的可行性和有效性。     

基于区间数及DS证据理论的多传感器航迹关联方法

针对多传感器航迹关联问题,提出了一种基于区间数和DS(Dempster/Shafer)证据理论的解决方法。该方法通过分析误差对参数测量的影响,构建传感器探测目标参数真实值区间数,通过计算区间数之间的相对支持度,获取目标参数对于航迹相关的支持程度,基于DS证据理论将不同参数对航迹相关的支持程度进行合成,以此解决航迹关联问题。实例表明,该方法能够较好地解决多传感器航迹关联问题。     

基于CEEMD-PSO-MNN的船舶航迹预测

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。     

基于航迹关联方法的运动车辆检测方法

本文研究了毫米波雷达在智能车辆上的应用,借鉴航迹关联的方法,采用邻近距离法来关联雷达帧间目标,从而达到运动车辆检测的目的,实验结果证明了该方法的有效性和可行性。     

基于CNN与LSTM相结合的恶意域名检测模型

为提高恶意域名检测准确率,该文提出一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的域名检测模型.该模型通过提取域名字符串中不同长度字符组合的序列特征进行恶意域名检测:首先,为避免N-Gram特征稀疏分布的问题,采用CNN提取域名字符串中字符组合特征并转化为维度固定的稠密向量;其次,为充分挖掘域名字符串上下文信息,采用LSTM提取字符组合前后关联的深层次序列特征,同时引入注意力机制为填充字符所处位置的输出特征分配较小权重,降低填充字符对特征提取的干扰,增强对长距离序列特征的提取能力;最后,将CNN提取局部特征与LSTM提取序列特征的优势相结合,获得不同长度字符组合的序列特征进行域名检测.实验表明:该模型较单一采用CNN或LSTM的模型具有更高的召回率和F1分数,尤其对matsnu和suppobox两类恶意域名的检测准确率较单一采用LSTM的模型提高了24.8％和3.77％.