买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提出了基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法，实现步骤为：1获取训练样本集和测试样本集；2构建重采样生成对抗网络模型；3对重采样生成对抗网络模型进行迭代训练；4获取雷达目标跟踪结果。本发明在对生成对抗网络模型进行迭代训练以及获取雷达目标跟踪结果的过程中，生成器G通过对每个随机噪声进行全连接计算后进行非线性ReLU激活完成重采样，无需考虑重采样过程中样本粒子选择、交叉以及变异概率等变量，避免了重采样过程中由于需要控制的较多变量而容易受到干扰导致跟踪精度下降的问题。

主权项：1.一种基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法，其特征在于，包括如下步骤：1获取训练样本集和测试样本集：1a对k时刻单目标转移后的N个状态维数为dim的样本粒子的权重进行修正归一化处理，并根据修正归一化结果选取权重最大的前Neff个样本粒子组成的有效样本粒子集以及服从均匀分布的大小为Neff的随机噪声组成训练样本集，同时将服从均匀分布的大小为B×Neff的随机噪声作为测试样本集，其中，N≥100，Neff＞0，dim≥6，表示k时刻转移后的第neff个有效样本粒子；2构建重采样生成对抗网络模型H：2a构建重采样生成对抗网络模型H的结构：构建包含顺次连接的生成器G和判别器D的重采样生成对抗网络模型H，其中生成器G和判别器D均采用包括输入层、多个全连接层、输出层，激活函数为ReLU的人工神经网络，生成器G和判别器D输入层的通道数相同，生成器G和判别器D输出层的通道数分别为CG和CD；2b定义生成器G的损失函数LG和判别器D的损失函数LD： 其中，SD0表示判别器D对有效样本粒子集的判别分数，SD1表示判别器D对生成器G生成样本集的判别分数，M表示SD0、SD1的维数；3对重采样生成对抗网络模型H进行迭代训练：3a初始化迭代次数i，最大迭代次数为I，I＞20，第i次迭代生成器G、判别器D的网络权重参数分别为θG、θD，并令i＝0；3b将训练样本集作为重采样生成对抗网络模型H的输入，生成器G对每个随机噪声进行全连接计算后进行非线性ReLU激活，实现对噪声的重采样，得到包括Neff个生成样本的集合g1；判别器D对每个生成样本、每个有效样本粒子分别进行全连接计算后进行非线性ReLU激活，得到生成样本集g1对应的判别分数SD1、有效样本粒子集对应的判别分数SD0；3c采用损失函数LD，并通过判别分数SD0和SD1计算判别器D的损失值，再采用反向传播方法并通过损失值计算D的网络参数梯度，然后采用均方根传递算法通过D的网络参数梯度对D的网络参数θD进行更新；同时采用损失函数LG，并通过判别分数SD1计算生成器G的损失值，再采用反向传播方法并通过损失值计算G的网络参数梯度，然后采用均方根传递算法通过G的网络参数梯度对G的网络参数θG进行更新，得到本次迭代的重采样生成对抗网络模型Hi；3d判断i≥I是否成立，若是，得到训练好的重采样生成对抗网络模型H*，否则，令i＝i+1，并执行步骤3b；4获取雷达目标跟踪结果：将测试样本集作为训练好的重采样生成对抗网络模型H*的输入，生成器G*对每个随机噪声进行全连接计算后进行非线性ReLU激活，实现对噪声的重采样，得到测试样本集对应的包括B×Neff个生成样本的集合g2；并对从g2中随机选取的N个生成样本粒子作为重采样后的样本粒子通过加权求和方式进行粒子滤波，得到最终目标状态估计值即雷达目标跟踪的结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于生成对抗网络重采样粒子滤波的雷达目标跟踪方法