点击蓝字 关注我们
基本原理
目标自动跟踪的基本原理是通过接收水声目标散射回波或目标自身产生的噪声，利用声波的传播特性和信号处理技术，实现对水下目标的检测、定位、识别和跟踪。在水声目标跟踪中，主动探测和被动探测是两种主要的方式。主动探测通过发射声波信号并接收回波来获取目标信息，而被动探测则依靠目标自身产生的噪声进行探测。
主要步骤｜
目标自动跟踪通常包括起始跟踪、航迹维持、目标关联以及交叉中断后的目标关联等主要步骤。
1
起始跟踪
在起始跟踪阶段，需要准确地检测并识别出水下目标。这要求探测系统具有高度的灵敏度和准确性，以便在复杂的水声环境中捕捉到目标信号。
2
航迹维持
航迹维持是目标自动跟踪中的关键环节。由于水下环境的复杂性和目标运动的随机性，航迹维持面临着诸多挑战。传统的卡尔曼滤波和粒子滤波等方法虽然在一定程度上能够解决这些问题，但在目标信号较弱或环境噪声较大时，这些方法的效果可能会受到影响。
随着深度学习技术的发展，长短时记忆网络、循环神经网络等深度网络方法被应用于目标跟踪中，以提高航迹维持的准确性和鲁棒性。
3
目标关联
在多目标环境中，系统需要能够区分不同的目标，并跟踪每个目标的航迹。这通常通过数据关联算法来实现。
数据关联算法的目标是将来自不同时间点的观测值与目标航迹进行匹配。常用的数据关联算法包括最近邻算法、概率数据关联、联合概率数据关联等。
关联规则专家系统也被用于目标关联，通过挖掘和利用目标特征信息来提高关联的准确性。
4
交叉中断后的目标关联
当目标之间存在交叉或中断时，目标关联变得更加复杂。此时，系统需要利用更高级的数据关联算法和特征匹配技术来重新建立目标航迹。
例如，可以利用目标的声学特性、运动参数等信息进行特征匹配，以确定不同时间点的观测值是否来自同一目标。
关键技术概述｜
深度网络方法
近年来，长短时记忆网络、循环神经网络等深度网络方法在时间序列预测中得到了广泛应用。这些方法通过构造与目标跟踪需求适配的预测模型，能够实现对目标运动状态的准确预测和跟踪。与传统的卡尔曼滤波和粒子滤波等方法相比，深度网络方法在预测性能和自动化程度方面均有显著提升。
在水声目标跟踪中，深度网络方法可以用于航迹维持和目标关联等关键环节。通过训练深度网络模型，可以实现对目标运动状态的实时预测和更新，从而提高航迹维持的准确性和鲁棒性。同时，深度网络方法还可以用于挖掘和利用目标特征信息，提高多目标交叉后的关联水平。
关联规则专家系统
利用关联规则的专家系统方法在高维复杂数据关系挖掘中得到了广泛使用，在航迹关联场景中具备良好潜力。
关联规则专家系统是一种利用关联规则进行数据挖掘和决策支持的技术。在水声目标跟踪中，关联规则专家系统可以用于航迹关联场景中的特征量挖掘和关联判决。
关联算法库通过智能学习算法自主挖掘待关联航迹的特征量，这些特征量可以包括目标的位置、速度、航向等运动参数以及目标的声学特性等。规则知识库则提供判决条件，根据挖掘的特征量对航迹关联状况进行判决。与传统的逻辑判断方法相比，关联规则专家系统的信息利用维数更高，复杂规则挖掘能力更强，判据更为充分。这可以有效提升目标特征信息的利用率和多目标交叉后的关联水平。
然而，关联规则专家系统的应用也对专家经验知识等要素提出了更高的要求。需要建立完善的规则知识库和关联算法库，并不断更新和优化这些库以适应复杂多变的水下环境。
水声目标航迹关联的专家系统运用框架
- END -
◀
往期回顾
▶