申请/专利权人：广东技术师范大学

申请日：2024-04-07

公开（公告）日：2024-06-25

公开（公告）号：CN118244260A

主分类号：G01S13/66

分类号：G01S13/66;G01S7/41;G06F17/13;G06N3/045;G06N3/0475;G06N3/094;G06N3/043;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了基于生成对抗网络的模糊深度学习单目标跟踪系统，涉及一种利用常微分方程—生成对抗网络ODE‑GAN生成的模糊深度学习方法，应用于雷达单目标跟踪领域。该方法旨在解决传统雷达目标跟踪算法在处理数据量小和不确定性时的限制。通过引入更加普遍性的ODE‑GAN生成对抗网络对雷达数据进行增强，再通过深度学习的方式对系统进行训练，并且在深度学习过程中引入了模糊逻辑，以提高目标跟踪系统对不同环境条件的适应性和鲁棒性。

主权项：1.一种基于生成对抗网络的模糊深度学习单目标跟踪系统，其特征在于，包括：在训练阶段，采集初始雷达数据，基于预设比例将初始雷达数据进行数据划分形成训练集与测试集；基于ODE微分方程与GAN网络构建动力学生成模型，将训练集、测试集导入动力学生成模型进行内在规律学习训练，学习过程中引入偏置的残差模型进行学习训练，得到轨迹的潜在动力学、修正轨迹段与合成样本；构建基于DCGAN的感应偏差生成模型，将合成样本导入感应偏差生成模型进行训练学习，将动力学生成模型与感应偏差生成模型进行数据生成输出，并将生成的两组数据进行叠加组合得到组合输出结果；构建模糊深度学习网络，将组合输出结果作为组合训练集导入模糊深度学习网络进行模糊注意特征提取和逻辑融合，通过模糊深度学习网络训练得到轨迹残差，将轨迹残差与修正轨迹段结合构建模糊深度学习网络的损失函数进行模型训练；在跟踪阶段，从模糊深度学习网络获取预估轨迹数据，将预估轨迹数据与实际轨迹数据进行比较，并基于轨迹残差进行预估轨迹数据的重构修正，得到完整跟踪轨迹；所述基于ODE微分方程与GAN网络构建动力学生成模型中，具体为通过将神经常微分网络混合到常微分方程的结构中建立ODE-GAN网络框架，对于一个ODE表示为： 其中，dhtdt为指定的微分方程，fht,t,θt是一个神经网络，ht表示为指定微分方程在时间t的神经网络输入，θt为神经网络的参数，基于神经网络与反馈传播从输入数据中学习dhtdt，神经常微分网络训练过程基于训练集数据优化神经网络的参数θt，t表示时间,训练过程通过前向传播更新状态得到下一时刻的状态，前向传播的过程表示为： 其中，ht0表示初始状态，ht1表示结束状态；所述前向传播的过程中，采用ODESolver微分方程求解器来求解整个过程，并引入伴随法的方法来计算梯度，通过链式法则计算网络中的参数梯度，再进行反向传播更新参数，反向传播通过伴随法求解梯度的损失函数L·表示成： 其中，Lht1为损失函数表达式，t1和t0代表终止时间和初始时间，ODESolver为微分方程求解器，f为被积函数表达式；在损失函数L·优化的过程中，伴随量用来计算神经网络的梯度，通过求解与原始微分方程相似但是反向传播的伴随微分方程，伴随公式表示成： 其中，αt表示隐藏状态ht在t时刻的伴随状态，可以通过在时间上反向求解方式来计算梯度，用终止状态作为求解初始值计算，参数θt的梯度由伴随状态表示： 其中，L为损失函数。

全文数据：

权利要求：

百度查询： 广东技术师范大学 基于生成对抗网络的模糊深度学习单目标跟踪系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD