基于GRNN神经网络的多目标航迹关联.docx

基于GRNN神经网络的多目标航迹关联
摘要:
航迹关联是航空交通管理中的关键任务之一，它涉及到将不同传感器获取的航迹数据进行关联，以识别出同一飞行器的真实轨迹。传统的航迹关联方法多依赖于规则或者启发式算法，难以解决复杂的场景和多目标关联问题。本论文提出了一种基于GRNN（GeneralizedRegressionNeuralNetwork）神经网络的多目标航迹关联方法，通过优化神经网络的结构和参数训练，实现了高效、准确的航迹关联。
1.引言
航空交通管理是一个复杂而关键的系统，而航迹关联作为其中的一个重要任务，直接关系到飞行器的安全和运行效率。航迹关联的目标是将来自不同传感器的航迹数据进行匹配和关联，确定同一飞行器的真实轨迹。传统的航迹关联方法主要基于规则或者启发式算法，依赖于用户的经验和先验知识，难以适应复杂场景和多目标关联问题。
2.相关工作与方法
2.1传统航迹关联方法
传统方法主要包括规则和启发式算法，如卡尔曼滤波器、关联矩阵、紧密度等。这些方法对于简单的场景和单目标关联问题效果良好，但在复杂的场景以及多目标关联问题上表现不佳。
2.2GRNN神经网络
GRNN是一种基于局部加权回归（LWR）算法的神经网络模型，能够通过学习输入和输出的映射关系实现非线性拟合。其优势在于具有较快的训练速度和高度的预测准确性。
3.基于GRNN神经网络的多目标航迹关联方法
3.1数据预处理
将来自不同传感器的航迹数据进行预处理，包括数据清洗、特征提取和特征归一化等步骤，以确保数据的质量和可用性。
3.2网络结构设计
设计适应航迹关联的GRNN神经网络结构，包括输入层、隐藏层和输出层。通过反向传播算法优化网络的结构和参数，使得网络能够较好地学习航迹数据的特征和关联规律。
3.3多目标航迹关联
针对多目标关联问题，引入多目标聚类方法，将航迹数据进行聚类，得到每个目标的轨迹集合。然后，使用GRNN神经网络对每个目标的轨迹进行关联，得到各个目标的真实轨迹。
4.实验与结果分析
通过实验验证了基于GRNN神经网络的多目标航迹关联方法的有效性和准确性。与传统方法相比，提出的方法在复杂场景和多目标关联问题上表现更好。实验结果显示，提出的方法能够在较短的时间内实现高效、准确的航迹关联。
5.结论
本论文提出了一种基于GRNN神经网络的多目标航迹关联方法，实现了高效、准确的航迹关联。该方法对于复杂场景和多目标关联问题具有较好的适应性和泛化能力。未来的研究可以进一步优化网络的结构和参数，提升航迹关联的准确性和鲁棒性。此外，还可以探索其他机器学习方法在航迹关联中的应用，以进一步提升航空交通管理的效率和安全性。