一种深度学习航迹关联方法

doi:10.12263/DZXB.20200299

电子学报 ›› 2022, Vol. 50 ›› Issue (3): 759-763.DOI: 10.12263/DZXB.20200299

一种深度学习航迹关联方法

崔亚奇, 何友, 唐田田, 熊伟

海军航空大学信息融合研究所，山东烟台 264001

收稿日期:2020-03-27 修回日期:2021-03-05 出版日期:2022-03-25
- 作者简介:
- 崔亚奇男，1987年生，河南人，博士，副教授，主持国家自然基金青年基金1项，入选中国科协青年人才托举工程，获中国航空学会科技进步二等奖1项、省部级科技进步二等奖2项，发表学术论文32篇，其中SCI 11篇、EI 17篇，获授权国家发明专利10项、登记软件著作权3项、出版专著2部、译著1部，协助指导硕博研究生12名，其中1名获山东省优秀博士学位论文、1名获中国航空学会优秀硕士论文.目前主要研究方向为雷达数据处理、多源信息融合和人工智能交叉应用等.E-mail:cui_yaqi@126.com
  何友男，1956年生，吉林人，信息融合专家.1982年、1988年分获海军工程大学学士和硕士学位，1997年获清华大学博士学位，曾在德国布伦瑞克工业大学作访问学者.现为海战场信息感知与融合技术军队重点实验室主任、教授、博士生导师，中国指挥与控制学会副理事长，中国电子学会、中国航空学会常务理事，中国航空学会信息融合分会主任委员，IET Fellow等.
- 基金资助:
- 国家自然科学基金重大项目 (61790550); 国家自然科学基金青年基金 (62001499)

A Deep Learning Track Correlation Method

CUI Ya-qi, HE You, TANG Tian-tian, XIONG Wei

Institute of Information Fusion, Naval Aeronautical University, Yantai, Shandong 264001, China

Received:2020-03-27 Revised:2021-03-05 Online:2022-03-25 Published:2022-03-25
- Supported by:
- Major Program of National Natural Science Foundation of China (61790550); Youth Fund of National Natural Science Foundation of China (62001499)

摘要/Abstract

摘要：

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.

关键词: 航迹关联, 深度学习, 机器学习, 卷积神经网络, 多层神经网络

Abstract:

According to the theories and methods in machine learning, we converted the track correlation problem in the field of information fusion to a classification recognition problem in the field of machine learning by designing the input data and output data. In advance, a deep learning track correlation method was proposed in this paper. The experiments illustrate that the new method is better than the compared methods in the aspect of correlation performance and adaptation abilities. Thus, the new method would have a good applied foreground.

Key words: track correlation, deep learning, machine learning, convolutional neural network, multilayer neural network

中图分类号:

TP953

崔亚奇, 何友, 唐田田, 等. 一种深度学习航迹关联方法[J]. 电子学报, 2022, 50(3): 759-763.

Ya-qi CUI, You HE, Tian-tian TANG, et al. A Deep Learning Track Correlation Method[J]. Acta Electronica Sinica, 2022, 50(3): 759-763.

图/表 5

图1 深度学习航迹关联神经网络

图2 典型场景信源1与信源2目标航迹分布

图3 网络训练损失和关联准确率变化曲线

图4 已训练网络关联判决结果

表1 蒙特卡洛仿真关联性能比较（单位%）

关联指标	门限法	抗差法	编队法	深度学习
正确关联率	65.92	56.82	43.79	87.47
错误关联率	29.22	38.01	49.21	8.76

参考文献 6

1	陈世友, 肖厚, 刘颢. 航迹关联不确定度的表示[J]. 电子学报, 2011, 39(7):1589‑1593.
	CHENS Y, XIAOH, LIUH. Expression of track correlation uncertainty[J]. Acta Electronica Sinica, 2011, 39(7):1589‑1593. (in Chinese)
2	李洋, 张靖. 基于自适应滑动窗均值OSPA航迹关联算法[J]. 电子学报, 2016, 44(2): 353‑357.
	LIY, ZHANGJ. Track fusion based on the mean OSPA distance with an adaptive sliding window[J]. Acta Electronica Sinica, 2020, 44(2):353‑357. (in Chinese)
3	李保珠, 董云龙, 丁昊,等. 基于高斯混合模型的航迹抗差关联算法[J]. 航空学报, 2019, 40(6): 221‑229.
	LIB Z, DONGY L, DINGH. Anti-bias track association algorithm based on Gaussian mixture model[J]. Acta Aeronautica ET Astronautica Sinica, 2019, 40(6): 221‑229. (in Chinese)
4	王刚, 汪秋莹. 利用JPDA进行编队目标的多雷达航迹关联应用研究[J]. 现代雷达, 2019, 41(4):39‑42.
	WANGG, WANGQ Y. Multi-radar track association of formation targets based on JPDA[J]. Modern Radar, 2019, 41(4):39‑42. (in Chinese)
5	LECUNY, BENGIOY, HINTONG. Deep Learning[J]. 2015, 521(7553):436.
6	秦鑫, 黄洁, 查雄, 等. 基于扩张残差网络的雷达辐射源信号识别[J]. 电子学报, 2020, 48(3): 456‑462.
	QINXin, HUANGJie, ZHAXiong, et al. Radar emitter signal recognition based on dilated residual network[J]. Acta Electronica Sinica, 2020, 48(3): 456‑462. (in Chinese)

[1]	李钦, 刘伟, 牛朝阳, 宝音图, 惠周勃. 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别[J]. 电子学报, 2023, 51(3): 675-686.
[2]	黄赟, 张帆, 郭威, 陈立, 羊光. 一种基于数据标准差的卷积神经网络量化方法[J]. 电子学报, 2023, 51(3): 639-647.
[3]	范兵兵, 何庭建, 张聪炫, 陈震, 黎明. 联合遮挡约束与残差补偿的特征金字塔光流计算方法[J]. 电子学报, 2023, 51(3): 648-657.
[4]	吕杭, 蒋明峰, 李杨, 张鞠成, 王志康. 基于混合时频域特征的卷积神经网络心律失常分类方法的研究[J]. 电子学报, 2023, 51(3): 701-711.
[5]	吴军君, 王涛, 王英楷, 王星辉. 基于迁移学习的LiPON制备工艺模拟优化[J]. 电子学报, 2023, 51(3): 687-693.
[6]	许新征, 李杉. 基于特征膨胀卷积模块的轻量化技术研究[J]. 电子学报, 2023, 51(2): 355-364.
[7]	张聿远, 闫文君, 张立民. 基于多模态特征融合网络的空时分组码识别算法[J]. 电子学报, 2023, 51(2): 489-498.
[8]	张永梅, 孙捷. 基于动静态特征双输入神经网络的咳嗽声诊断COVID-19算法[J]. 电子学报, 2023, 51(1): 202-212.
[9]	袁海英, 成君鹏, 曾智勇, 武延瑞. Mobile_BLNet：基于Big-Little Net的轻量级卷积神经网络优化设计[J]. 电子学报, 2023, 51(1): 180-191.
[10]	王神龙, 雍宇, 吴晨睿. 基于伪孪生神经网络的低纹理工业零件6D位姿估计[J]. 电子学报, 2023, 51(1): 192-201.
[11]	丁琪, 田萱, 孙国栋. 基于注意力增强的热点感知新闻推荐模型[J]. 电子学报, 2023, 51(1): 93-104.
[12]	李滔, 董秀成, 林宏伟. 基于深监督跨尺度注意力网络的深度图像超分辨率重建[J]. 电子学报, 2023, 51(1): 128-138.
[13]	郭晓轩, 冯其波, 冀振燕, 郑发家, 杨燕燕. 多线激光光条图像缺陷分割模型研究[J]. 电子学报, 2023, 51(1): 172-179.
[14]	贾童瑶, 卓力, 李嘉锋, 张菁. 基于深度学习的单幅图像去雾研究进展[J]. 电子学报, 2023, 51(1): 231-245.
[15]	何滢婕, 刘月峰, 边浩东, 郭威, 张小燕. 基于Informer的电池荷电状态估算及其稀疏优化方法[J]. 电子学报, 2023, 51(1): 50-56.

一种深度学习航迹关联方法

A Deep Learning Track Correlation Method

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 6

相关文章 15

编辑推荐

Metrics