利用無監(jiān)督預(yù)訓(xùn)練的軌跡深度關(guān)聯(lián)

李 平,李雨航

(中國西南電子技術(shù)研究所,成都 610036)

0 引 言

在空、海戰(zhàn)場監(jiān)視系統(tǒng)的常規(guī)性執(zhí)勤任務(wù)中,由于雷達(dá)探測結(jié)果存在系統(tǒng)性誤差[1],使得同一真實(shí)目標(biāo)會產(chǎn)生多條空間位置平行或相交的軌跡。軌跡關(guān)聯(lián)是將此類誤差軌跡判斷為一個(gè)目標(biāo),對于監(jiān)視分析任務(wù)尤為重要。

軌跡關(guān)聯(lián)一般基于時(shí)空相似度算法結(jié)合聚類的方式,核心在于使用高度量性的相似度算法。文獻(xiàn)[2]利用最長公共子序列度量軌跡的相似度,并通過具有噪聲的基于密度的聚類(Density-based Spatial Clustering of Applications with Noise,DBSCAN)算法對出租車軌跡進(jìn)行聚類。文獻(xiàn)[3]通過計(jì)算子軌跡間的水平距離、垂直距離、角度距離來度量軌跡的相似性,并提出軌跡空間聚類(Trajectory Ordering Points to Identify the Clustering Structure,TR-OPTICS)算法用于軌跡聚類。這些方法對噪聲具有較強(qiáng)的魯棒性,但僅考慮軌跡點(diǎn)序列的空間位置來衡量相似度,沒有從時(shí)間維度進(jìn)行度量,導(dǎo)致準(zhǔn)確度不高。文獻(xiàn)[4]結(jié)合時(shí)空屬性提出時(shí)間加權(quán)相似度(Time Weighted Similarity,TWS)和空間加權(quán)相似度(Space Weighted Similarity,SWS)有效提升軌跡相似度的準(zhǔn)確性。該方法通過調(diào)整相似度和距離等閾值參數(shù)能夠高效地處理實(shí)時(shí)軌跡關(guān)聯(lián),但其準(zhǔn)確性受參數(shù)設(shè)置的影響較大,遷移性弱,且忽略了軌跡內(nèi)部各點(diǎn)的關(guān)聯(lián)性以及軌跡的形狀特征。

隨著深度學(xué)習(xí)的發(fā)展,通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,自動提取數(shù)據(jù)深度特征,在信號處理、自然語言處理等領(lǐng)域都得到了廣泛的應(yīng)用。文獻(xiàn)[5]使用長短時(shí)記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)提取干擾信號的時(shí)域、頻域特征,完成特征融合后進(jìn)行分類識別。文獻(xiàn)[6]利用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型對人員軌跡進(jìn)行分類,并設(shè)計(jì)多種檢測評估方式對人員位置進(jìn)行估計(jì)。……