买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于预测网络和更新网络的多目标自适应跟踪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115561749B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211242778.4，技术领域涉及：G01S13/72；该发明授权基于预测网络和更新网络的多目标自适应跟踪方法是由张永权;时贞云;李思伟;姬红兵;刘泽坤;张超群设计研发完成，并于2022-10-11向国家知识产权局提交的专利申请。

本基于预测网络和更新网络的多目标自适应跟踪方法在说明书摘要公布了：一种基于预测网络和更新网络的多目标自适应跟踪方法，实现步骤如下：利用生成的预测网络和更新网络的训练集，分别训练用于从目标历史位置向量中学习运动方式来预测目标位置向量的预测网络，以及用于通过从量测中学习噪声特性来更新目标位置向量的更新网络。利用训练好的预测网络预测目标的位置向量；利用全局最近邻GNN算法，为待跟踪目标分配对应量测；利用训练好的更新网络从量测中更新目标位置向量。本发明通过两种网络分别预测和更新目标的位置，摆脱了模型和噪声先验的限制，使得本发明在跟踪多目标时自适应处理多种运动方式的同时提高了跟踪精度。

本发明授权基于预测网络和更新网络的多目标自适应跟踪方法在权利要求书中公布了：1.一种基于预测网络和更新网络的多目标自适应跟踪方法，其特征在于，构建用于从目标历史位置向量中学习运动方式来预测目标位置向量的预测网络，构建用于通过从量测中学习噪声特性来更新目标位置向量的更新网络，结合全局最近邻GNN数据关联算法实现多目标自适应跟踪；该方法的具体步骤如下： 步骤1，构建预测网络： 搭建一个深度长短时记忆DLSTM子网络与全连接子网络FCN串联组成的预测网络，将预测网络的DLSTM子网络中深度设置为2，输入维度设置为2，输入时间步长设置为10，隐藏层维度设置为64；将FCN的输入维度设置为64，输出维度设置为2； 步骤2，构建更新网络： 搭建一个结构与预测网络相同的更新网络；将更新网络中的DLSTM子网络的深度设置为3，输入维度设置为2，输入时间步长设置为20，隐藏层的维度设置为128；将FCN的输入维度设置为128，输出维度设置为2； 步骤3，生成预测网络的训练集： 步骤3.1，在[-2000,2000]m×[-2000,2000]m的低空平面场景中，随机选取每种运动方式中至少128个以该方式移动的目标，以雷达扫描跟踪场景的周期时间为采样间隔，对跟踪时长进行均匀采样，得到多个采样时刻； 步骤3.2，利用状态转移方程，将每个目标的状态向量由上一采样时刻转移至下一采样时刻，转移m次后得到该目标所有采样时刻的状态向量，其中，m的取值由每个待跟踪目标的跟踪时长确定； 步骤3.3，从每个目标在每个采样时刻的状态向量中提取的x轴坐标值和y轴坐标值组成一个位置向量，将每个目标所有采样时刻的位置向量组成该目标的位置序列； 步骤3.4，将每个目标的位置序列划分为n-9条子序列，将前后相邻的两条子序列组成一对训练样本，前一条子序列作为输入序列，后一条子序列作为标签序列，将所有训练样本组成预测网络的训练集，其中，n表示位置序列的长度，n＝m+1； 步骤4，生成更新网络的训练集： 步骤4.1，利用观测方程，计算每个目标每个采样时刻的带噪声量测向量，将每个目标在所有采样时刻的带噪声量测向量组成该目标的量测序列； 步骤4.2，将每个目标的量测序列和位置序列分别划分为n′-19条子序列，将同一起点时刻的量测子序列和位置子序列组成一对训练样本，将量测子序列作为输入序列，位置子序列作为标签序列，将所有训练样本组成更新网络的训练集，其中，n′表示量测序列的长度，取值与n相等； 步骤5，训练预测网络： 将预测网络的训练集输入到预测网络中，利用Adam优化算法和模拟退火算法，迭代更新预测网络中的参数，直至损失函数收敛为止，得到训练好的预测网络； 步骤6，训练更新网络： 将更新网络的训练集输入到更新网络中，利用Adam优化算法和模拟退火算法，迭代更新网络中的参数，直至损失函数收敛为止，得到训练好的更新网络； 步骤7，利用预测网络和更新网络对场景中的多个目标进行跟踪： 步骤7.1，将雷达两个扫描周期的时间内连续观测到的目标作为待跟踪目标； 步骤7.2，将每个待跟踪目标从初始采样时刻到当前采样时刻之间的位置向量组成一个序列，将归一化后每个目标的位置序列，分别输入到训练好的预测网络中，将输出的每个序列中最后一个向量作为该目标在当前采样时刻的预测位置向量； 步骤7.3，利用欧氏距离的计算公式，计算每个待跟踪目标在当前采样时刻的预测位置向量与每个带噪声量测向量之间的欧氏距离，作为该跟踪目标与该量测二者之间关联的代价，利用全局最近邻GNN数据关联算法，为每个目标分配一个关联量测向量； 步骤7.4，将每个待跟踪目标从初始采样时刻到当前采样时刻之间的所有关联量测向量组成一个序列，将归一化后的每个待跟踪目标的量测序列，分别输入到训练好的更新网络中，将输出的每个序列中最后一个向量作为该目标在当前采样时刻的更新位置向量； 步骤7.5，判断当前跟踪的采样时刻是否为最后一个采样时刻，若是，则执行步骤8，否则，执行步骤7.2； 步骤8，合成轨迹： 根据每个更新位置向量确定待跟踪目标在每个时刻的位置，将每个待跟踪目标在所有采样时刻的位置连起来得到该目标的跟踪轨迹。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。