本發(fā)明涉及探鳥雷達目標(biāo)跟蹤，具體為一種基于深度學(xué)習(xí)的探鳥雷達目標(biāo)跟蹤系統(tǒng)及其方法。

背景技術(shù)：

1、傳統(tǒng)基于深度學(xué)習(xí)的探鳥雷達目標(biāo)跟蹤系統(tǒng)及其方法通常面臨多個技術(shù)問題。

2、首先是對于目標(biāo)運動軌跡的周期性和穩(wěn)定性缺乏有效評估，常規(guī)方法可能僅依賴固定窗口長度進行預(yù)測，無法靈活適應(yīng)目標(biāo)動態(tài)變化的特性，導(dǎo)致在運動軌跡變化顯著時預(yù)測精度下降。

3、此外，這些系統(tǒng)在計算過程中往往忽略了實時環(huán)境的變化，未能及時更新或調(diào)整預(yù)測窗口長度，不能自適應(yīng)目標(biāo)的加速度和速度變化，導(dǎo)致預(yù)測結(jié)果滯后于實際情況。在損失函數(shù)的設(shè)置上，傳統(tǒng)方法往往未能充分考慮到不同時間點運動變化的顯著程度，沒有重點關(guān)注變化較大的時間點，致使模型對關(guān)鍵時刻的識別和預(yù)測能力不足，影響總體預(yù)測精度。

4、在模型訓(xùn)練過程中，未能動態(tài)選擇適合的歷史數(shù)據(jù)用于迭代優(yōu)化，可能造成模型長期依賴于已過時的數(shù)據(jù)樣式，難以應(yīng)對復(fù)雜和多變的環(huán)境條件。這種欠缺靈活調(diào)節(jié)機制的傳統(tǒng)預(yù)測系統(tǒng)，在復(fù)雜變動的鳥類遷徙背景下，其精度和有效性受到制約，不能滿足對高頻動態(tài)更新需求。

5、因此，亟需一種能夠適應(yīng)環(huán)境變化、更具彈性和精準度的預(yù)測策略，來彌補傳統(tǒng)系統(tǒng)的不足。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于一種基于深度學(xué)習(xí)的探鳥雷達目標(biāo)跟蹤系統(tǒng)及其方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明目的之一在于，一種基于深度學(xué)習(xí)的探鳥雷達目標(biāo)跟蹤系統(tǒng)，包括數(shù)據(jù)收集模塊、時間窗口分析模塊、動態(tài)預(yù)測窗口調(diào)整模塊和損失函數(shù)優(yōu)化模塊，其中：

3、所述數(shù)據(jù)收集模塊獲取實時雷達數(shù)據(jù)和歷史雷達數(shù)據(jù)，并對實時雷達數(shù)據(jù)和歷史雷達數(shù)據(jù)進行特征提取，提取的結(jié)果包括當(dāng)前時間點的實時速度和實時加速度，以及每個過去時間點的歷史速度和歷史加速度；

4、所述時間窗口分析模塊根據(jù)歷史速度和歷史加速度，計算歷史雷達數(shù)據(jù)中速度和加速度的均值，根據(jù)該均值，計算歷史雷達數(shù)據(jù)中每個過去時間點的速度差值和加速度差值；根據(jù)該差值，進行自相關(guān)性分析，確定初始預(yù)測窗口長度；

5、所述動態(tài)預(yù)測窗口調(diào)整模塊根據(jù)當(dāng)前時間點的實時速度和實時加速度，以及歷史雷達數(shù)據(jù)中速度和加速度的均值，得到實時雷達數(shù)據(jù)中當(dāng)前時間點的速度差值和加速度差值；根據(jù)該差值，動態(tài)調(diào)整初始預(yù)測窗口長度，得到實時預(yù)測窗口長度；

6、所述損失函數(shù)優(yōu)化模塊根據(jù)實時雷達數(shù)據(jù)中當(dāng)前時間點的速度差值和加速度差值，計算當(dāng)前時間點的加權(quán)因子，根據(jù)該加權(quán)因子，對深度學(xué)習(xí)算法模型中的損失函數(shù)進行加權(quán)處理，用于對損失函數(shù)進行優(yōu)化，根據(jù)實時預(yù)測窗口長度以及優(yōu)化后的損失函數(shù)，進行深度學(xué)習(xí)算法模型的更新和預(yù)測。

7、作為本技術(shù)方案的進一步改進，所述數(shù)據(jù)收集模塊特征提取的過程具體包括：

8、通過雷達傳感器實時捕捉目標(biāo)的運動信息，采集到的實時雷達數(shù)據(jù)包括目標(biāo)在當(dāng)前時間點的位置坐標(biāo)，其中表示在當(dāng)前時間點的位置；

9、持續(xù)記錄目標(biāo)的運動軌跡，將每個過去時間點的雷達數(shù)據(jù)存儲起來，作為歷史雷達數(shù)據(jù)，歷史雷達數(shù)據(jù)包括歷史時間點的目標(biāo)位置為，其中表示在每個過去時間點的位置；

10、實時速度和實時加速度是基于當(dāng)前和之前一個時間點的位置進行計算，公式如下：

11、，，其中是時間點間隔；

12、歷史速度和歷史加速度是基于每個過去時間點的位置和之前一個時間點的位置進行計算，公式如下：

13、，，其中是時間點間隔。

14、作為本技術(shù)方案的進一步改進，所述時間窗口分析模塊計算歷史雷達數(shù)據(jù)中每個過去時間點的速度差值和加速度差值的過程具體包括：

15、根據(jù)歷史速度和加速度，計算歷史雷達數(shù)據(jù)中速度的均值和加速度的均值，其中，，表示第個過去時間點，表示所有過去時間點的個數(shù)；

16、根據(jù)所計算的均值，求取每個過去時間點的速度和加速度差值，對于每個過去時間點，進行速度差值和加速度差值的計算，其中，。

17、作為本技術(shù)方案的進一步改進，所述時間窗口分析模塊確定初始預(yù)測窗口長度的過程具體包括：

18、利用計算的速度差值和加速度差值，利用自相關(guān)函數(shù)進行自相關(guān)性分析，以確定初始預(yù)測窗口長度，其中自相關(guān)函數(shù)用于衡量序列中不同時間點之間的相關(guān)性，自相關(guān)函數(shù)的計算公式如下：

19、，其中是對速度的自相關(guān)性分析，是速度差值的均值，為滯后時間點，表示在自相關(guān)函數(shù)中比較的兩個時間點之間的差值；

20、，其中是對加速度的自相關(guān)性分析，是加速度差值的均值；

21、根據(jù)自相關(guān)函數(shù)隨的變化，找到自相關(guān)函數(shù)衰減到接近零的位置，該位置上的滯后時間點為初始預(yù)測窗口長度，綜合考慮速度和加速度的自相關(guān)性，取兩者的最小滯后時間點作為初始預(yù)測窗口長度。

22、作為本技術(shù)方案的進一步改進，所述動態(tài)預(yù)測窗口調(diào)整模塊確定實時預(yù)測窗口長度的過程具體包括：

23、根據(jù)當(dāng)前時間點的實時速度和實時加速度，以及歷史雷達數(shù)據(jù)中速度的均值和加速度的均值，根據(jù)公式以及，計算實時雷達數(shù)據(jù)中當(dāng)前時間點的速度差值和加速度差值；

24、設(shè)置調(diào)整閾值和調(diào)整系數(shù)，其中調(diào)整閾值包括速度差值閾值和加速度差值閾值，調(diào)整系數(shù)包括速度調(diào)整系數(shù)和加速度調(diào)整系數(shù)；

25、使用線性縮放的調(diào)整公式對初始預(yù)測窗口長度進行調(diào)整，公式如下：

26、，其中為調(diào)整后的初始預(yù)測窗口長度，作為實時預(yù)測窗口長度；，其中，。

27、作為本技術(shù)方案的進一步改進，所述損失函數(shù)優(yōu)化模塊對損失函數(shù)進行優(yōu)化的過程具體包括：

28、根據(jù)實時雷達數(shù)據(jù)中當(dāng)前時間點的速度差值和加速度差值，根據(jù)公式，計算當(dāng)前時間點的加權(quán)因子，其中，，和是標(biāo)準化因子；是調(diào)節(jié)參數(shù)，用于控制加權(quán)因子的影響程度；

29、根據(jù)當(dāng)前時間點的加權(quán)因子，對深度學(xué)習(xí)算法模型中的損失函數(shù)進行加權(quán)處理，在損失函數(shù)計算公式中，將當(dāng)前時間點的誤差與其對應(yīng)的當(dāng)前時間點的加權(quán)因子加權(quán)處理；

30、使用加權(quán)后的損失函數(shù)進行深度學(xué)習(xí)算法模型訓(xùn)練，并根據(jù)實時預(yù)測窗口長度選擇歷史雷達數(shù)據(jù)對應(yīng)的數(shù)據(jù)作為模型更新的訓(xùn)練數(shù)據(jù)，根據(jù)更新后的深度學(xué)習(xí)算法模型，對未來時間點的雷達數(shù)據(jù)進行速度和加速度的預(yù)測。

31、本發(fā)明目的之二在于，提供一種使用基于深度學(xué)習(xí)的探鳥雷達目標(biāo)跟蹤系統(tǒng)的方法，包括如下方法步驟：

32、s1、獲取實時雷達數(shù)據(jù)和歷史雷達數(shù)據(jù)，并對實時雷達數(shù)據(jù)和歷史雷達數(shù)據(jù)進行特征提取，提取的結(jié)果包括當(dāng)前時間點的實時速度和實時加速度，以及每個過去時間點的歷史速度和歷史加速度；

33、s2、根據(jù)歷史速度和歷史加速度，計算歷史雷達數(shù)據(jù)中速度和加速度的均值，根據(jù)該均值，計算歷史雷達數(shù)據(jù)中每個過去時間點的速度差值和加速度差值；根據(jù)該差值，進行自相關(guān)性分析，確定初始預(yù)測窗口長度；

34、s3、根據(jù)當(dāng)前時間點的實時速度和實時加速度，以及歷史雷達數(shù)據(jù)中速度和加速度的均值，得到實時雷達數(shù)據(jù)中當(dāng)前時間點的速度差值和加速度差值；根據(jù)該差值，動態(tài)調(diào)整初始預(yù)測窗口長度，得到實時預(yù)測窗口長度；

35、s4、根據(jù)實時雷達數(shù)據(jù)中當(dāng)前時間點的速度差值和加速度差值，計算當(dāng)前時間點的加權(quán)因子，根據(jù)該加權(quán)因子，對深度學(xué)習(xí)算法模型中的損失函數(shù)進行加權(quán)處理，用于對損失函數(shù)進行優(yōu)化，根據(jù)實時預(yù)測窗口長度以及優(yōu)化后的損失函數(shù)，進行深度學(xué)習(xí)算法模型的更新和預(yù)測。

36、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

37、該一種基于深度學(xué)習(xí)的探鳥雷達目標(biāo)跟蹤系統(tǒng)及其方法，在確定初始預(yù)測窗口長度的過程中，通過自相關(guān)性分析來計算歷史雷達數(shù)據(jù)中每個時間點的速度差值和加速度差值，這些差值用作自相關(guān)函數(shù)的輸入，以評估歷史數(shù)據(jù)的周期性和穩(wěn)定性，確定不同時間點之間的相關(guān)性；在自相關(guān)性分析中，找到自相關(guān)函數(shù)衰減到接近零的位置，這個位置對應(yīng)的滯后時間點就是初始預(yù)測窗口長度；通過這種方法，系統(tǒng)有效地捕捉到目標(biāo)運動的歷史樣式和變化規(guī)律，為后續(xù)的預(yù)測提供一個基準，這確保了初始預(yù)測窗口長度能夠反映目標(biāo)動態(tài)變化的最優(yōu)時間段，使得預(yù)測模型更具針對性和有效性；

38、另外，動態(tài)調(diào)整初始預(yù)測窗口長度涉及動態(tài)預(yù)測窗口調(diào)整模塊的實時干預(yù)，它利用當(dāng)前時間點的實時速度和加速度與歷史速度和加速度的均值的差值；通過設(shè)置調(diào)整閾值和調(diào)整系數(shù)，根據(jù)速度和加速度的差值判斷是否需要調(diào)整窗口長度，采用線性縮放公式來實現(xiàn)這一調(diào)整；這種多重實時差值的應(yīng)用確保了系統(tǒng)能夠靈活應(yīng)對目標(biāo)運動軌跡的即時變化，使得預(yù)測窗口能夠自適應(yīng)地收縮或擴大；結(jié)果是，預(yù)測穩(wěn)定性和精度在動態(tài)環(huán)境下得到提升，能夠更準確地反映真實運動趨勢；

39、并且，損失函數(shù)優(yōu)化模塊利用當(dāng)前時間點的速度和加速度差值計算加權(quán)因子，并在深度學(xué)習(xí)模型的損失函數(shù)中對誤差進行加權(quán)處理，這一策略的核心在于，利用差值信息增強模型對變化較大時間點的關(guān)注，通過調(diào)節(jié)標(biāo)準化因子和加權(quán)參數(shù)，放大這些點在損失函數(shù)中的貢獻度；這一過程提高了模型對關(guān)鍵變化時刻的識別和反應(yīng)能力，使得在模型訓(xùn)練和更新過程中針對變化明顯的數(shù)據(jù)進行優(yōu)化，提高整體模型的預(yù)測精度，結(jié)合實時預(yù)測窗口長度，可以選擇恰當(dāng)?shù)臍v史雷達數(shù)據(jù)用于模型訓(xùn)練，確保模型持續(xù)優(yōu)化并精確預(yù)測未來時間點的速度和加速度。