(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110713122.5 (22)申请日 2021.06.25 (65)同一申请的已公布的文献号 申请公布号 CN 113569465 A (43)申请公布日 2021.10.2 9 (73)专利权人 中国人民解 放军战略支援 部队信 息工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 于宏毅　余婉婷　杜剑平　冉晓旻　 沈智翔　沈彩耀　刘剑锋　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 张立强(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 沈晴 (54)发明名称 一种基于深度学习的航迹矢量和目标类型 联合估计系统及估计方法 (57)摘要 本发明公开一种基于深度学习的航迹矢量 和目标类型联合估计系统及估计方法， 该系统包 括： 航迹观测数据集构建模块用于基于航迹坐标 和类别数据、 观测信息和辅助信息， 构建训练数 据集； 观测特征提取模块用于基于卷积神经网络 提取训练数据集的观测特征， 得到与观测时隙对 应的观测特征向量； 辅助信息嵌入模块用于采用 嵌入的方法将影响目标航迹的因素转换为低维 实际矢量， 拼接得到辅助信息特征向量作为输 出； 航迹特征提取模块用于利用神经网络学习观 测特征向量、 辅助信息特征向量到航迹矢量特征 向量之间的映射关系； 多任务学习模块用于通过 最小化联合损失函数对各模块进行组合学习， 联 合输出航迹矢量和目标类型。 本发 明显著提高了 航迹估计性能。 权利要求书2页 说明书9页 附图4页 CN 113569465 B 2022.10.21 CN 113569465 B 1.一种基于深度 学习的航迹矢量和目标类型联合估计系统， 其特征在于， 包括： 航迹观 测数据集构建模块， 观测特征提取模块， 辅助信息嵌入模块， 航迹特征提取模块及多任务学 习模块； 所述航迹观测数据集构建模块用于基于航迹坐标和类别数据、 观测信息和辅助信息， 构建从观测信息到航迹矢量和目标类型的训练数据集， 其中航迹坐标和目标类别作为训练 标签； 所述观测特征提取模块用于基于卷积神经网络提取所述训练数据集的观测特征， 得到 与观测时隙对应的观测特 征向量； 所述辅助信息嵌入模块用于采用嵌入的方法将影响目标航迹的因素转换为低维实际 矢量， 得到各类因素的嵌入向量， 然后 将各类因素的嵌入向量拼接， 得到辅助信息特征向量 作为输出； 所述航迹特征提取模块用于利用神经网络学习所述观测特征向量、 辅助信 息特征向量 到航迹矢量特征向量之间的映射关系； 所述多任务学习 模块用于通过最小化联合损失函数对观测特征提取模块、 辅助信 息嵌 入模块及航迹特 征提取模块进行组合学习， 联合输出航迹 矢量和目标类型。 2.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统， 其 特征在于， 所述观测信息包括观测波形 数据， 所述观测特 征包括观测波形 特征。 3.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统， 其 特征在于， 所述观测特征提取模块基于卷积神经网络结构， 采用局部卷积的思想， 通过控制 卷积核的大小和步长， 实现局部卷积， 各层激活函数为 LeakyReLU。 4.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统， 其 特征在于， 所述辅助信息嵌入 模块采用Embed ding模型。 5.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统， 其 特征在于， 所述航迹特征提取模块还用于利用神经网络学习 所述观测特征向量、 辅助信息 特征向量到航迹类别特 征向量之间的映射关系。 6.根据权利要求5所述的一种基于深度学习的航迹矢量和目标类型联合估计系统， 其 特征在于， 所述航迹特征提取模块采用基于处理序列的seq2seq神经网络结构实现， 该结构 由编码器和解码器两部分组成， 所述航迹类别特征向量由编码器输出， 所述航迹矢量特征 向量由解码器输出。 7.根据权利要求1所述的一种基于深度学习的航迹矢量和目标类型联合估计系统， 其 特征在于， 所述多任务学习模块中， 组合学习时， 联合损失函数L 为： L＝β Ltrack+(1‑β )Lclass 其中， γ和β均为超参数， 表示损失权重； Ltrack表示航迹估计损失函数； n＝K， 为航迹矢权　利　要　求　书 1/2 页 2 CN 113569465 B 2量的长度； 为第i次航迹矢量估计的输出； Qi表示第i次观测的状态矢量； Lclass表示目标 分类损失函数， a表示分类网络预测的输出， x表示样本， y表示标签。 8.基于权利要求1 ‑7任一所述一种基于深度 学习的航迹矢量和目标类型联合估计系统 的一种基于深度学习的航迹 矢量和目标类型 联合估计方法， 其特 征在于， 包括： 步骤1： 航迹观测数据集构 建模块获取目标类型为Xc的航迹数据Xt， 对应多站观测信息 和辅助信 息M， 构建训练数据集[X， Y]， 其中数据 标签Y＝{ Xc， Xt}； 随 机初始化各模块的网络参数， 设置每个批次的数据样本数量Batch  size和训练总轮数 Epoch； 初始化超参数β ＝0.9， γ＝0.5； 其中Nt为训练样本个数； 步骤2： 利用观测特征提取模块M1对多站观测数据进行特征提取； 模块输入为观测信息 输出为观测特征向量 设网络权重参数为W1， 则F＝M1(Input1， W1)； 其中K为每条轨 迹的总观测次数， D为特 征维度； 步骤3： 利用辅助信息嵌入模块M2将辅助信息M纳入模型； 模 块输入为辅助信息属性以及 标号I＝[I1， I2，…， IA]， 输出为辅助信息特征 向量 设网络权重参数为W2， 则H ＝M2(I， W2)； 其中A为辅助信息属性个数， E表示嵌入空间的维度； 步骤4： 利用航迹特征提取模块M3将观测特征向量F和辅助信息特征向量H整合处理， 最 终实现时空转换concat， 输出估计的航迹类别特征向量C和航迹矢量特征向量P； 设网络权 重参数为 W3， 则[C， P]＝M3[concat(F， H)， W3]； 步骤5： 多任务学习模块M4中航迹类别预测的输出为a， 航迹矢量估计的输出为 设网 络权重参数为W4， 则 最小化联合损失函数L＝β Ltrack+(1‑β )Lclass来更 新网络参数， 在测试集上测试性能并从步骤2开始重复下一轮训练。权　利　要　求　书 2/2 页 3 CN 113569465 B 3