《基于深度神经网络的起航算法》
起航算法在雷达目标跟踪中扮演着至关重要的角色,它负责从海量的雷达量测数据中识别出真实的目标轨迹。传统的起航方法,如顺序处理和批处理,依赖于人为设定的决策门限,这可能导致因环境变化而产生的误判。本文提出了一种基于深度神经网络(DNN)的新型起航算法,旨在克服这些局限性,提高在复杂环境下的起航准确性。
该算法分为离线训练和在线起始两个阶段。在离线训练阶段,利用历史雷达数据,特别是点迹和航迹数据,进行预处理。提取关键特征,包括速度、加速度和角度,这些特征反映了航迹起始阶段的状态。随后,这些特征被输入到深度学习模型中,构建一个能够进行目标分类的深度神经网络。DNN模型的多层结构使其能学习到复杂的非线性关系,增强了模型的表达能力。
在线起始阶段,新的雷达数据经过预处理后成为测试样本。算法同时使用修正的Hough变换法和训练好的DNN模型进行起航判断,通过比较两者的结果来评估准确率。实验表明,提出的DNN方法在低空监视雷达面临大量杂波的情况下表现更优。
深度神经网络在本文中采用了ReLU激活函数和Softmax函数,以实现二分类任务——判断点迹是否适合用于航迹起始。同时,为了避免过拟合,采用了Dropout技术,并通过调整网络参数,如批量大小、学习率和迭代次数,来优化模型性能。特征提取方面,选择了预处理后的相邻扫描周期速度差异作为输入,因为这些差异能够有效反映目标动态变化,有助于识别真实目标。
基于深度神经网络的起航算法提供了一种更为智能且适应性强的解决方案,能够自适应不同雷达环境,减少了人为设置门限带来的不确定性,提高了在复杂环境下的起航准确性和效率。这种方法对未来的雷达目标跟踪系统设计具有重要指导意义,特别是在处理大量杂波和快速变化目标的情况时。