基于特征感知注意力的智能轨道段关联方法LSTM网络LSTM网络
Jiadi Qi1, Xiaoke Lu1, Jinping Sun2
1Nanjing Research Institute of Electronic Technology, Nanjing 610500, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
本研究介绍了一种用于轨道段关联的智能方法,在复杂的场景中提高了准确性. 这种新的方法提高了目标跟踪的一致性,特别是在短轨道上,优于传统技术.
科学领域:
- 处理传感器数据处理.
- 人工智能的人工智能是人工智能.
- 机器学习 机器学习
背景情况:
- 准确的轨道段关联对于传感器数据处理中的目标信息一致性至关重要.
- 传统的方法难以应对复杂的场景,如短路和多目标交叉点.
- 现有的技术在处理不同轨道长度和特征方面缺乏稳定性.
研究的目的:
- 提出使用多维数据预处理算法和特征感知注意长期短期记忆 (CA-LSTM) 网络的智能轨道段关联方法.
- 在具有挑战性的传感器数据环境中增强轨道联结的准确性和稳定性.
- 解决传统方法在处理短轨和复杂交叉场景中的局限性.
主要方法:
- 开发了一种多维轨道数据预处理算法,用于对轨道段进行细分和暂时对齐.
- 构建了一个由两个部分组成的CA-LSTM网络:一个侧重于目标特征维度,另一个侧重于时间特征.
- 在多源轨道关联数据集上评估了该方法.
主要成果:
- 拟议的方法在短距离轨道段实现了85.19%的关联精度,在长距离轨道段达到96.97%.
- 与传统的LSTM方法相比,在短轨道上精度显著提高9.89%.
- 验证了CA-LSTM网络在处理多维和时间轨道特征方面的有效性.
结论:
- 采用CA-LSTM的智能关联方法显著提高了轨道段关联的准确性,特别是在短轨道上.
- 特征意识注意力机制有效地应对复杂的跟踪场景中的挑战.
- 这种方法为现代传感器数据处理系统提供了更强大,更准确的解决方案.
