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...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。展开更多
文摘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。
