基于损失融合策略的长时域中断航迹关联

针对目标中断航迹关联存在泛化能力差,长时域中断时关联正确率较低的问题,提出了基于损失融合策略的长时域中断航迹关联方法。首先通过航迹预测将历史航迹预测到与新航迹时域重叠的时刻,计算航迹间平均距离,构造距离损失矩阵,同时计算中断前后航迹的特征参数差值构造特征参数损失矩阵;然后将两类损失融合,构造整体关联代价矩阵;最后通过匈牙利算法实现中断航迹关联决策。将所提方法与距离损失关联方法、特征参数损失关联方法进行实验对比,结果表明,所提方法在不同的场景下关联正确率最高,且对中断时间的适应能力更强,在目标运动状态稳定的场景下平均关联正确率达到90.9%,中断时间小于90 min时,关联正确率优于86%。

基于深度时间对比的中断航迹关联方法

雷达在跟踪飞行目标时,常发生跟踪中断的现象。深度学习方法具有强大的学习能力,已被逐渐用于解决中断航迹关联问题。但已有基于深度学习的中断航迹关联方法未能充分考虑新老航迹特征之间的相似性,关联性能仍有待提升。因此提出一种基于深度时间对比的中断航迹关联算法(Track Segment Association based on Deep Temporal Contrasting,TSADTC),包括航迹特征提取模块、时间对比模块、航迹特征对比模块和分类器模块。航迹特征提取模块利用双向长短期记忆网络和编码器-解码器分别对新老航迹进行特征提取;时间对比模块分别使用一条航迹的特征预测另外一条航迹;航迹特征对比模块计算两条航迹的特征差别,并将此差别输入分类器中,以计算两条航迹关联的概率。算法将关联概率最大的航迹对作为关联航迹对。仿真实验表明,TSADTC算法能够有效提高中断航迹关联的正确关联率、错误关联率和航迹漏关联率性能。

基于先验信息的多假设模型中断航迹关联算法

针对经典的中断航迹关联算法在机动目标环境下航迹预测准确性差、关联效果恶化严重的问题,提出基于先验信息的多假设运动模型中断航迹关联算法。所提算法充分利用目标属性、目标运动特征、使用场景等先验信息,基于多假设思想,建立多种可能的目标运动模型并实施航迹预测,基于位置和速度信息的模糊相关函数描述预测航迹与新起始航迹的模糊匹配关系,最后基于多项式拟合原理连接满足关联关系的新、老航迹。经仿真验证,在中断区间目标发生机动运动的条件下,所提算法的关联效果相对于经典的中断航迹关联算法有显著提升。所提算法对于复杂环境具有较强的适应能力,经50次蒙特卡罗仿真,在中断时间小于18个滤波周期条件下,机动目标的平均正确关联率达到90%以上,机动环境的全局关联正确率达到85%以上。

基于匈牙利法的机载雷达中断航迹关联

机载预警雷达航迹的连续性对于机载指控系统十分重要,而由于多普勒盲区、电磁干扰或者电子静默等原因,雷达航迹会出现航迹中断批号更改的现象,影响作战效能。针对传统的中断航迹关联算法关联错误率高、抗噪声性差等缺点,文中重点研究了机载雷达航迹中断逻辑,进行航迹预处理得到目标位置参数、运动特征参数,进行关联代价矩阵归一化,创新性地应用匈牙利法求解中断前后航迹关联关系。仿真结果表明:与传统中断航迹关联算法相比,文中算法在关联正确率、抗噪性、抗机动性等关联性能上有显著提高。

机载雷达中断航迹关联算法

由于多普勒盲区、电磁干扰以及电子静默等原因,机载预警雷达会经常出现目标航迹中断的现象。针对传统中断航迹关联算法航迹错误关联和漏关联的概率较高的缺点,文中提出基于先验信息的中断航迹关联算法,利用目标运动特征等先验信息进行粗关联,采用对数代价函数结合二维最优分配实现中断航迹关联,并通过多项式拟合连接关联成功的航迹。仿真实验表明,该算法关联性能比传统算法有显著提高。

生成式中断航迹接续关联方法

传统中断航迹接续关联(track segment consecutive association,TSCA)方法基于假设的目标运动模型,利用大量先验信息完成关联任务,存在参数过多、计算复杂、推理时间长等缺点。为了解决以上问题,提出一种基于注意力机制的生成式TSCA方法。首先设计航迹态势图生成模块,将原始航迹数据转换为航迹态势图,作为生成对抗网络的输入。针对航迹噪声影响大和航迹运动特征、中断特征难以提取的问题,基于生成对抗网络和注意力机制,设计航迹关联网络,滤除航迹噪声并完成TSCA。仿真结果证明了所提网络的有效性,在关联精度和关联速度两方面都超过现有算法。