買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國人民解放軍海軍航空大學申請的專利一種基于態勢圖分類的中斷航跡關聯方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119003848B 。

龍圖騰網通過國家知識產權局官網在2025-04-18發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411487214.6，技術領域涉及：G06F16/909；該發明授權一種基于態勢圖分類的中斷航跡關聯方法是由董云龍;王國慶;曹政;丁昊;孫艷麗;劉寧波;胡昊;陳寶欣設計研發完成，并于2024-10-24向國家知識產權局提交的專利申請。

本一種基于態勢圖分類的中斷航跡關聯方法在說明書摘要公布了：本發明涉及一種基于態勢圖分類的中斷航跡關聯方法，屬于雷達目標跟蹤技術領域。本發明首先基于時間門限和速度門限對新老航跡對進行初關聯，減少總關聯時間；而后將通過初關聯的航跡對進行組合轉換為態勢圖，對航跡的位置特征、速度特征以及時間特征進行預提取；之后基于殘差網絡構建神經網絡模型，使用構建的網絡模型對航跡態勢圖進行判斷；之后基于2維最優分配來解決航跡關聯的歧義性問題；最后利用仿真對比實驗驗證了所提方法相較于目前現有的幾種典型的TSA算法，準確率有明顯提升。

本發明授權一種基于態勢圖分類的中斷航跡關聯方法在權利要求書中公布了：1.一種基于態勢圖分類的中斷航跡關聯方法，其特征在于包括以下步驟：步驟1：對老航跡段和新航跡段基于時刻進行劃分，定義新航跡段、老航跡段，構建航跡關聯矩陣，基于時間門限和速度門限對新老航跡段進行初關聯判斷，將通過初關聯的新老航跡段對應在航跡關聯矩陣中的值置為1，其余的置為0；步驟2：將滿足初關聯的老航跡段和新航跡段基于每個點跡對應的時刻升序組合成為一條航跡段，記錄對應的航跡號，并根據先驗關聯信息進行樣本標記，將滿足初關聯的新老航跡段全部組合在一起；定義三個矩陣，分別以x位置、y位置以及速度為行，以對應的時間信息為列對矩陣中的元素進行更新，將得到的矩陣作為航跡態勢圖輸入到TSASMC網絡模型中；步驟3：基于殘差網絡構建一個神經網絡模型對新老航跡段進行關聯判斷，神經網絡模型通過多個卷積神經網絡CNN提取航跡態勢圖的空間特征信息，引入殘差連接增強網絡的訓練效率和性能，使用全連接層對這些特征進行匯總和分類，判斷新老航跡段是否屬于同一目標；步驟4：將航跡態勢圖輸入到訓練好的神經網絡模型中，神經網絡模型的輸出為一個二維向量，分別對應不屬于同一目標的概率和屬于同一目標的概率，對通過初關聯判斷的新老航跡段組合對應在航跡關聯矩陣中的值進行更新；對矩陣進行最大值遍歷，選出非零且全局最大的值，將該值對應的新老航跡段判定為關聯，并將判定為關聯的新老航跡段在航跡關聯矩陣中的元素數值置為0，同時將該值對應的行和列中的值都置為0，持續進行全局最大化遍歷，直到遍歷得到的最大值為0停止，將最終得到的集合作為最終的關聯結果；步驟5：使用中斷航跡環境構建方法生成仿真數據對關聯方法進行比較和評估；所述步驟1的具體步驟為：對老航跡段和新航跡段基于時刻進行劃分，假設統計得到的所有航跡段對應的最大開始時刻為最小結束時刻為新老航跡段定義如下：老航跡段：結束時刻小于最大開始時刻的航跡段： 新航跡段：開始時刻大于最小結束時刻的航跡段： 式中Xik為k時刻航跡段i的狀態向量，和分別表示航跡段i的開始時刻和結束時刻，I和J分別表示老航跡段和新航跡段的個數，Xik＝[xik，yik，vik]T；基于時間門限和速度門限對新老航跡段進行初關聯判斷：時間門限：老航跡段i的結束時刻小于新航跡段j的開始時刻，如式3所示： 速度門限：老航跡段i結束時刻kei與新航跡段j開始時刻ksj之間在位置上的歐氏距離d與時間差的比值小于等于Vmax，如式4所示： 式中Vmax為統計得到的所有航跡數據中速度的最大值；基于上述初關聯結果構建I行J列的航跡關聯矩陣Α，依據初關聯結果對關聯矩陣進行賦值，如式6-7所示，將通過初關聯的新老航跡段先判定為關聯之后，其對應在矩陣中的元素置為1；將不通過初關聯的新老航跡段判定為不關聯，其對應在矩陣中的元素置為0，將通過初關聯的航跡段組合轉換成航跡態勢圖； 所述步驟2的具體步驟為：將滿足初關聯的老航跡段Ti和新航跡段Tj基于每個點跡對應的時刻升序組合成為一條航跡段Tij，記錄對應的航跡號i,j，并根據先驗關聯信息進行樣本標記，將屬于同一目標的標記為1，記作正樣本；將不屬于同一目標的航跡段組合標記為0，記作負樣本；在生成驗證集時，將滿足初關聯的新老航跡段全部組合在一起； 對組合得到的航跡段進行歸一化處理，歸一化處理將航跡數據調整到一個統一的尺度，對航跡段Tij的x位置、y位置和速度信息進行全局歸一化，以x位置的歸一化處理如式9所示： 式中，對航跡段Tij的時間信息tk進行局部歸一化，如式10所示： 式中定義三個矩陣G1,G2,G3，分別以x位置、y位置以及速度為行，以時間信息作為列對矩陣中的元素進行更新，將得到的矩陣作為航跡態勢圖輸入到TSASMC網絡模型中；設置矩陣大小為g×g，初始化矩陣的所有元素值為0，更新因子n＝1g-1，基于更新因子對航跡段Tij的x位置、y位置、速度以及時間進行更新，得到對應在矩陣中的坐標，如式11所示： 式中rounda表示對數值a四舍五入取整，tk，vk分別表示航跡在進行歸一化之后k時刻的時刻以及速度；基于得到的坐標對矩陣特定的行列進行更新，如式12所示： 所述步驟3的具體步驟為：基于殘差網絡構建一個神經網絡模型對新老航跡段進行關聯判斷，神經網絡模型通過多個卷積神經網絡CNN提取航跡態勢圖的空間特征信息，使用全連接層對特征進行匯總和分類，將判定為屬于同一目標的新老航跡段進行關聯；使用一個3×3卷積層對航跡態勢圖做初步的特征提取，如式13所示： 其中，X表示航跡態勢圖，表示初始卷積層的核參數，b為偏置，為初始卷積層的輸出，表示卷積計算，將通過批量規范化層來規范化數據，以及ReLU激活函數進行非線性處理，得到輸出如式14所示： 其中rl表示ReLU激活函數，bn表示批量規范化層；神經網絡模型包括4組殘差塊，每組殘差塊包含兩個基本殘差單元，殘差單元分兩種，一種是不包含1×1卷積進行維度調整的，一種是包含的；第一組殘差塊的每個單元包括兩個3×3的卷積層，輸出通道數為64，步幅為1，填充為1，每個卷積層后接批量規范化層和ReLU激活函數；第二組殘差塊輸出通道數為128，第一層步幅為2，通過1×1卷積進行維度調整以實現殘差連接；第三組和第四組分別設置輸出通道數為256和512，同樣通過1×1卷積調整維度；四個殘差塊的輸出如式15-18所示： 其中： 其中，X表示殘差單元的輸入，和分別表示不參與維度調整的殘差單元的第一層和第二層卷積核參數，和分別表示參與維度調整的殘差單元的第一層和第二層卷積核參數，表示進行用于維度調整的1×1卷積核參數，residualCellx表示將x作為殘差塊residualCell的輸入；最后模型使用全局平均池化層，對每個特征圖進行平均池化，輸出一個長度為512的向量，然后是一個全連接層，輸入維度為512，輸出維度為2，輸出結果為z，如式21所示： 其中，Wf表示全連接層的權重，Avg表示全局平均池化層，bf表示全連接層的偏置；模型包括17個卷積層和1個全連接層，共18個權重層，每個卷積層后都有一個批量規范化層與ReLU激活函數，在訓練與驗證時，將新老航跡段進行組合構建航跡態勢圖，將航跡態勢圖輸入到TSASMC網絡中，通過訓練，模型輸出一個二維的向量[p0,p1]，這個向量表示航跡段組合屬于不同目標，標簽為0，或同一目標，標簽為1的概率，其中p0表示航跡段組合屬于不同目標的概率，p1表示航跡段組合屬于同一目標的概率。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國人民解放軍海軍航空大學，其通訊地址為：264001 山東省煙臺市芝罘區二馬路188號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。