水下弱目标跟踪的深度学习方法研究

针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差，导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题，为此提出一种基于神经网络的目标跟踪方法，利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练，有效解决水声目标数据少、标记样本不足的问题；在量测不连续条件下，提出一种新的损失函数用于增强目标跟踪模型的稳健性；对未学习的仿真数据及实测海试数据进行测试。研究结果表明：构建的卷积神经网络(Convolutional Neural Network, CNN)模型适用于3种不同运动模式下的目标，能在平台静止和运动两种情况下稳定跟踪目标；CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。