一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方法与流程

1.本发明属于水中目标跟踪与人工智能技术领域，具体涉及一种基于深层卷 积神经网络和自适应专家推理规则的水中目标连续跟踪方法。


背景技术：

2.水中目标被动跟踪是水声探测中的重要环节，能够为目标识别和水下攻防 态势形成提供重要信息。
3.当前，国内被动水中目标跟踪技术研究基础还十分薄弱，主要依赖于能量 和方位信息，在低信噪比、多目标等情况下容易发生目标丢失现象，基于目标 特征辨识的目标跟踪方法虽然已经受到关注，不过当前的特征获取方法主要基 于已掌握的目标数据/特性知识建立模型，受多目标干扰、海洋信道时空变化、 平台及环境噪声等因素影响，干净、清晰、适应实际场景的目标特征获取难度 大，成为制约目标特征跟踪技术发展的瓶颈。
4.近年来，深度学习技术快速发展，目前已经在语音、图像等领域得到了广 泛应用，在水声领域也受到了国内外众多学者的关注，但主要集中在目标识别 和定位等方面，在目标跟踪方面的研究应用还比较少。鉴于水声环境的复杂性 和水声数据获取的难度，已掌握的水声目标数据/特征往往与实际应用环境存在 一定差异性，单纯依靠历史数据驱动的智能化处理体制可能难以适应现场目标
‑ꢀ
干扰-环境时变导致的目标特征变异。
5.为此，本发明提出了基于深层卷积神经网络和自适应专家推理规则的水中 目标连续跟踪方法，通过综合运用基于历史数据驱动的深度学习模型和基于现 场数据驱动的专家推理规则，能够使整个处理过程更好的适应现场情况，有助 于提升水中目标连续跟踪能力。


技术实现要素：

6.本发明的目的之一在于提供一种基于深层卷积神经网络和自适应专家推理 规则的水中目标连续跟踪方法，以解决背景技术中现有的智能化处理体制难以 适应现场目标-干扰-环境时变导致的目标特征变异等问题。
7.为实现上述目的，本发明提供技术方案如下：
8.一种基于深层卷积神经网络和自适应专家推理规则的水中目标连续跟踪方 法，所述方法包括以下步骤：
9.步骤1：构建并训练用于波束时频谱图特征提取的深层卷积神经网络模型；
10.步骤2：构建用于对未知特征进行目标特征辨识的专家推理规则库，并初始 化更新专家推理规则库参数；
11.步骤3：获取感兴趣目标的初始时频谱图样本集；
12.步骤4：对于每次新获取的一批多波束时域数据，基于短时傅里叶变换生成 未知时频谱图样本集；
13.步骤5：通过训练后的深层卷积神经网络模型分别对初始时频谱图样本集、 未知时频谱图样本集进行感兴趣目标特征和未知特征提取；
14.步骤6：基于感兴趣目标特征集对专家推理规则库参数自适应更新；
15.步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库 对提取的未知特征进行目标特征辨识。
16.优选地，所述深层卷积神经网络模型构建方法为：依次添加输入层、第一 卷积层、第二卷积层、第三卷积层、池化层、第四卷积层、第五卷积层，输入 层的输入数据尺寸为256*256*1，第一卷积层的卷积核为5*5*32，步长为2；第 二卷积层的卷积核为3*3*64，步长为1；第三卷积层、第四卷积层卷积核均为 3*3*128，步长均为1；第五卷积层的卷积核均为1*1*256，步长为2；池化层的 池化核为3*3*2，步长为1；添加3个依次连接的第一resnet-inception模块； 添加1个第四resnet-inception模块；添加3个依次连接的第一resnet-inception 模块；添加8个依次连接的第二resnet-lnception模块；添加第六卷积层，第六 卷积层的卷积核为3*3*1024，步长为1；添加第七卷积层，第七卷积层的卷积 核为1*1*2048，步长为2；添加5个依次连接的第三resnet-inception模块；添 加全局平均池化层；添加全连接层，输出特征维数为512；构建深层卷积神经网 络模型的损失函数，并设定训练参数。
17.优选地，所述第一resnet-inception模块的构建为：在数据输入层之后添加 4个并行分支：分支1为直接分支，分支2包括2个卷积层，卷积层1参数为 (1
×
1，n，1)，卷积层2参数为(3
×
3，n，1)，分支3包括4个卷积层，各卷积层的参数 分别为(1
×
1，n，1)、(1
×
5，n，1)、(5
×
1，n，1)及(1
×
1，n，1)，分支4包括4个卷积层，各卷 积层的参数分别为(1
×
1，n，1)、(1
×
7，n，1)、(7
×
1，n，1)和(1
×
1，n，1)，在分支2、3、4之 后加入特征维扩展操作，通过整合分支2、3、4输出特征，得到综合特征集输 出，特征总数量为3n；在分支1输出特征和综合特征集之后加入直接相加求和 操作，得到第一resnet-inception模块的顶层特征，并通过加入relu激活函数， 输出最终卷积特征；所述第二resnet-inception模块的构建为：在数据输入层之 后添加3个并行分支，分支1为直接分支；分支2包括3个卷积层，3个卷积层 的参数分别为(1
×
1，n，1)、(1
×
5，n，1)和(5
×
1，n，1)；分支3在输入端包含2个并行子 分支，子分支1包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
3，n，1)及(3
×
3，n，1)， 子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
1，n，1)和(1
×
3，n，1)，子分支1 和子分支2输出端共同连接1个卷积层，其参数为(1
×
1，n，1)。在分支2、3之后 加入特征维扩展操作，通过整合分支2、3输出特征，得到综合特征集输出，特 征总数量为2n；在分支1输出特征和综合特征集之后加入直接相加求和操作， 得到第二resnet-inception模块的顶层特征，并通过加入relu激活函数，输出 最终卷积特征；所述第三resnet-inception模块的构建为：在数据输入层之后添 加2个并行分支，分支1为直接分支，分支2在输入端包含2个并行子分支， 子分支1包括1个卷积层，参数为(1
×
1，n，1)，子分支2包括3个卷积层，参数分 别为(1
×
1，n，1)、(1
×
3，n，1)和(3
×
1，n，1)，子分支1和子分支2输出端共同连接1个 卷积层，参数为(1
×
1，2n，1)；在分支1和分支2之后加入直接相加求和操作，得 到第三resnet-inception模块的顶层特征，并通过加入relu激活函数，输出最 终卷积特征；所述第四resnet-inception模块的构建为：在数据输入层之后添加 3个并行分支，分支1包括2个卷积层，参数分别为(1
×
1，n，1)和(1
×
1，n，2)，分支2 包括2个卷积层，参数分别为(1
×
3，n，1)和(3
×
1，n，2)，分
支3包括3个卷积层，参 数分别为(1
×
1，n，1)、(3
×
3，n，1)和(1
×
1，n，2)，在分支1、2、3之后加入特征维扩展 操作，通过整合分支2、3、4输出特征，得到综合特征集输出，特征总数量为 3n，并通过加入relu激活函数，输出最终卷积特征。
18.优选地，所述训练深层卷积神经网络模型包括以下步骤：步骤1.2.1：获取水中 目标辐射噪声信号库中的带个体信息标签样本x＝{x1(t)，x2(t)，...，xn(t)，(n∈n
*
）}；步骤 1.2.2：基于短时傅里叶对带个体信息标签样本x进行时频变换预处理，得到时频 图像样本集，对时频图像样本集划分为相互独立的训练样本集x
trein
和测试样本集 x
test
；步骤1.2.3：从训练样本集x
train
中随机选择参考样本xi，其对应标签为a， 特征计算结果为f(xi)；再随机选取一个标签为a的样本xj，特征计算结果为f(xj)； 随机选择一个标签和a不同的样本xk，设定其标签为b，特征计算结果为f(xk)； 采用梯度下降算法最小化损失函数js，
[0019][0020]
其中δ为正数，反复迭代优化，完成对卷积神经网络的训练。
[0021]
优选地，构建所述专家推理规则库包括以下步骤：步骤2.1.1：制定未知特 征与单模板特征的匹配规则，对于未知特征f(xn)和单模板特征f(xr)，采用欧式 距离和余弦相似度方法建立相似度计算准则s
sig
，其中μ和λ为加权系数；
[0022][0023]
步骤2.1.2：制定未知特征与多模板特征的匹配规则，对于未知特征f(xn)和 目标的模板特征组f(x
r，1
)，f(x
r，2
)，...，f(x
r，n
)，基于式(2)依次计算未知特征与任一 单模板特征的相似度，得到相似度序列s
sig1
，s
sig2
，...，s
sign
，综合取最小值和平均值方 法建立相似度计算准则s，其中min和avg分别为求最小值和平均值操作，α和β分别 为加权系数，n＞1，
[0024]
s＝αmin{s
sig1
，s
sig2
，...，s
sign
} βavg{s
sig1
，s
sig2
，...，s
sign
}
ꢀꢀꢀ
(3)
[0025]
步骤2.1.3：制定目标辨识准则，通过设置判别门限θ，若s小于θ，则判定 未知特征与模板特征相匹配。
[0026]
优选地，所述步骤2中，初始化更新专家推理规则库参数包括以下步骤： 步骤2.2.1：基于训练后的深层卷积神经网络模型对训练样本集和测试样本集进 行特征提取，得到训练样本特征集和测试样本特征集，将训练样本特征集作为 初始模板特征集，将测试样本特征集作为初始未知特征集；步骤2.2.2：基于专 家推理规则库对初始模板特征集和初始未知特征集进行交叉辨识，得到辨识结 果集合r
cal
；步骤2.2.3：基于辨识结果集合r
cal
获取t
cal
，模板特征和未知特征为 同一目标且匹配结果小于判别门限设置为1，模板特征和未知特征为不同目标且 匹配结果大于判别门限设置为1，得到集合t
cal
；步骤2.2.4：采用遗传算法对各 加权系数和判别门限进行优化，目标函数为max{t
cal
}，决策变量集合为{α，β，μ，λ，θ}； 对建立的遗传算法模型进行迭代寻优，得到最佳决策变量集合。
[0027]
优选地，所述步骤3为根据初始方位从多波束跟踪时域数据中获取具备一 定时长感兴趣目标数据，分帧后基于短时傅里叶变换生成初始时频谱图样本集， 所述初始时频谱图样本集中的总数不少于样本总数下限，且样本总数不大于样 本总数上限n
max
，若样本总数大于n
max
，则按时间历程从前到后进行样本删除， 直至满足样本数量不大于n
max
；样本总数下限为10个。
[0028]
优选地，所述步骤7中，若有若干个未知特征的相似度小于判别门限，则 将取值最小的未知特征作为所述感兴趣目标的辨识结果并对该取值最小的未知 特征对应的波束方位进行跟踪，同时将对应的时频谱图样本添加至初始时频谱 图样本集；若没有未知特征的相似度小于判别门限，则结束。
[0029]
优选地，将取值最小的未知特征对应的时频谱图样本添加至初始时频谱图 样本集后，若初始时频谱图样本总数大于n
max
，则按时间历程从前到后进行样本 删除，直至满足样本数量不大于n
max
。
[0030]
本发明的基本原理为：首先针对多波束时域数据特点，从时频域出发，生 成时频谱图样本，其次构建面向时频谱图特征提取的深层卷积神经网络模型并 基于离线数据进行优化训练；接着构建专家推理规则库，用于从多波束时频谱 图特征中辨识出感兴趣目标；最后基于深层卷积神经网络模型和专家推理规则 库对现场多波束时域数据进行处理，一方面根据已掌握的感兴趣目标方位信息， 综合利用深层卷积神经网络模型多波束特征提取结果，对专家推理规则库进行 初始化更新，另一方面依托专家推理规则库对新的深层卷积神经网络模型多波 束特征进行辨识，实现感兴趣目标连续跟踪，在处理过程中将根据每个批次感 兴趣目标/背景辨识结果对专家推理规则库进行自适应更新，以更好的适应目标
‑ꢀ
干扰-环境的动态变化。
[0031]
与现有技术相比，本发明的有益效果为：
[0032]
本发明通过综合运用基于历史数据驱动的深度学习模型和基于现场数据驱 动的专家推理规则，能够使整个处理过程更好的适应现场情况，有助于提升水 中目标连续跟踪能力。
[0033]
本发明综合使用深层卷积神经网络和自适应专家推理规则库实现水中目标 连续跟踪，与传统基于能量和物理特征的被动目标跟踪方法相比，特征挖掘层 次更深，能够有效增强多目标、强干扰、低信噪比等条件下的被动目标连续跟 踪能力，特征综合利用性更强，同时还能更好适应现场环境的变化，能够有效 增强目标连续跟踪能力，。
附图说明
[0034]
图1为水中目标连续跟踪实现的总体原理框图。
[0035]
图2为水中目标连续跟踪的流程图。
[0036]
图3为4个resnet-inception模块的结构示意图。
[0037]
图4为使用本发明方法的目标连续跟踪结果。
[0038]
图5为深层卷积神经网络模型构建方案。
具体实施方式
[0039]
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于 本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得 的所有其他实施例，都属于本发明的保护范围。
[0040]
参照图2所示，一种基于深层卷积神经网络和自适应专家推理规则的水中 目标连续跟踪方法，具体包括以下7个步骤。
[0041]
步骤1：构建并训练用于波束时频谱图特征提取的深层卷积神经网络模型。
[0042]
步骤2：构建用于对未知特征进行目标特征辨识的专家推理规则库，并初始 化更新专家推理规则库参数；
[0043]
步骤3：获取感兴趣目标的初始时频谱图样本集；
[0044]
步骤4：对于每次新获取的一批多波束时域数据，基于短时傅里叶变换生成 未知时频谱图样本集；
[0045]
步骤5：通过训练后的深层卷积神经网络模型分别对初始时频谱图样本集、 未知时频谱图样本集进行感兴趣目标特征和未知特征提取；
[0046]
步骤6：基于感兴趣目标特征集对专家推理规则库参数自适应更新；
[0047]
步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库 分别对提取的各未知特征进行目标特征辨识。
[0048]
本发明中，深层卷积神经网络模型主要实现特征的提取，而自适应专家推 理规则库主要实现对深层卷积神经网络模型提取的未知特征进行目标特征的辨 识功能，专家推理规则库的制定主要包括未知特征与模板特征匹配规则的制定 和判别门限的制定。
[0049]
参照图1，本发明步骤4-7中，对现场实时获取的多波束时域数据进行时频 变换预处理，生成每个波束对应的时频谱图样本，基于训练后的深层卷积神经 网络模型对时频谱图样本进行处理，得到多波束特征提取结果。一方面根据感 兴趣目标初始方位信息，结合相对应波束的特征提取结果，获取初始规则并对 专家推理规则库进行初始化更新。另一方面依托专家推理规则库对新的多波束 特征进行辨识，实现感兴趣目标连续跟踪，在整个过程中，将根据每个批次感 兴趣目标/背景辨识结果对专家推理规则库进行自适应更新，使其更好的与目标
‑ꢀ
干扰-环境的动态变化相适配。
[0050]
步骤1中，基于tensorflow框架构建用于波束时频谱图特征提取的深层卷 积神经网络模型，主要包括构建四个基础模块，并基于构建的四个基础模块来 构建深层卷积神经网络模型。
[0051]
(1.1.1)构建4个基本模块，具体构建方式如下。
[0052]
构建第一resnet-inception模块，参照图3(a)所示，在数据输入层之后添 加4个并行分支。分支1为直接分支，不添加任何操作。分支2包括2个卷积 层，卷积层1参数为(1
×
1，n，1)，即卷积核尺寸为1
×
1，卷积核数量为n，具体可 根据使用需求进行设置，卷积步长为1，表示方法下同，卷积层2参数为(3
×
3，n，1)。 分支3包括4个卷积层，参数分别为(1
×
1，n，1)、(1
×
5，n，1)、(5
×
1，n，1)和(1
×
1，n，1)。 分支4包括4个卷积层，参数分别为(1
×
1，n，1)、(1
×
7，n，1)、(7
×
1，n，1)和(1
×
1，n，1)。 在分支2、3、4之后加入特征维扩展操作，通过整合分支2、3、4输出特征， 得到综合特征集输出，特征总数量为3n。在分支1输出特征和综合特征集之后 加入直接相加求和操作，得到基本模块1的顶层特征，进一步加入relu激活 函数，输出最终卷积特征。
[0053]
构建第二resnet-inception模块，参照图3(b)所示，在数据输入层之后添 加3个并行分支。分支1为直接分支，不添加任何操作。分支2包括3个卷积 层，参数分别为(1
×
1，n，1)、(1
×
5，n，1)和(5
×
1，n，1)。分支3在输入端包含2个并行 子分支，子分支1包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
3，n，1)和(3
×
3，n，1)， 子分支2包括3个卷积层，参数分别为(1
×
1，n，1)、(3
×
1，n，1)和(1
×
3，n，1)，子分支 1和子分支2输出端共同连接1个卷积
层，其参数为(1
×
1，n，1)。在分支2、3之 后加入特征维扩展操作，通过整合分支2、3输出特征，得到综合特征集输出， 特征总数量为2n。在分支1输出特征和综合特征集之后加入直接相加求和操作， 得到基本模块2的顶层特征，进一步加入relu激活函数，输出最终卷积特征。
[0054]
构建第三resnet-inception模块，参照图3(c)所示，在数据输入层之后添 加2个并行分支。分支1为直接分支，不添加任何操作。分支2在输入端包含2 个并行子分支，子分支1包括1个卷积层，参数为(1
×
1，n，1)，子分支2包括3个 卷积层，参数分别为(1
×
1，n，1)、(1
×
3，n，1)和(3
×
1，n，1)，子分支1和子分支2输出 端共同连接1个卷积层，其参数为(1
×
1，2n，1)。在分支1和分支2之后加入直接 相加求和操作，得到基本模块2的顶层特征，进一步加入relu激活函数，输 出最终卷积特征。
[0055]
构建第四resnet-inception模块，参照图3(d)所示，在数据输入层之后添 加3个并行分支。分支1包括2个卷积层，参数分别为(1
×
1，n，1)和(1
×
1，n，2)。分 支2包括2个卷积层，参数分别为(1
×
3，n，1)和(3
×
1，n，2)。分支3包括3个卷积层， 参数分别为(1
×
1，n，1)、(3
×
3，n，1)和(1
×
1，n，2)。在分支1、2、3之后加入特征维扩 展操作，通过整合分支2、3、4输出特征，得到综合特征集输出，特征总数量 为3n，进一步加入relu激活函数，输出最终卷积特征。
[0056]
基本模块的过程中，卷积操作中的3个参数依次为卷积核尺寸、输出特征 数量和步长。这些基本模块均包含了多个并行分支结构，通过配置不同的卷积 操作过程参数，能够增强对不同尺度的适应性，从而提高对数据动态的洞察能 力和精细特征的捕捉时机，各卷积层使用的激活函数均设置为relu函数。
[0057]
(1.1.2)构建整个卷积神经网络，其具体构建方式如下。
[0058]
参照图5，添加数据输入层，输入数据尺寸为256
×
256
×
1；依次添加卷积
‑ꢀ
卷积-卷积-池化-卷积-卷积层，参数分别为(5
×
5，32，2)、(3
×
3，64，1)、(3
×
3，128，1)、 (3
×
3，2)、(3
×
3，128，1)、(3
×
3，128，1)和(1
×
1，256，2)，其中池化层参数依次为池化核 尺寸和步长；添加3个第一resnet-inception模块；添加第四resnet-inception 模块；添加3个第一resnet-inception模块；添加8个第二resnet-inception模 块；添加2个卷积层，参数分别为(3
×
3，1024，1)和(1
×
1，2048，2)；添加5个第三resnet-inception模块；添加全局平均池化层；添加全连接层，输出特征维数为 512。
[0059]
参照图5，本发明步骤(1.1.2)构建的深层卷积神经网络模型，其输入的时 频谱图尺寸为256
×
256
×
1，最后输出长度为512的序列，其中对操作参数说明 如下：卷积参数依次为卷积核尺寸、输出特征数量、步长；池化参数依次为池 化核尺寸、步长；各基本模块参数依次为模块重复次数、内部卷积操作中的输 出特征数量n。
[0060]
(1.1.3)采用triplet loss方式构建损失函数，设定迭代训练时的优化器、 学习速率、训练次数等训练参数。
[0061]
步骤1中，对构建的深层卷积神经网络模型训练，基本过程如下。
[0062]
(1.2.1)：获取水中目标辐射噪声信号库中的带个体信息标签样本 x＝{x1(t)，x2(t)，...，xn(t)，(n∈n
*
)}；
[0063]
(1.2.2)：基于短时傅里叶对带个体信息标签样本x进行时频变换预处理，得 到时频图像样本集，对时频图像样本集划分为相互独立的训练样本集x
train
和测 试样本集x
test
；
[0064]
(1.2.3)：从训练样本集x
train
中随机选择参考样本xi，其对应标签为a，特征 计算结果为f(xi)；再随机选取一个标签为a的样本xj，特征计算结果为f(xj)；随 机选择一个标签和a不同的样本xk，设定其标签为b，特征计算结果为f(xk)；采 用梯度下降算法最小化损失函数js，
[0065][0066]
其中δ为正数，根据步骤(1.2.3)反复迭代优化，完成对卷积神经网络的训 练。
[0067]
步骤2中，构建用于对未知特征进行目标特征辨识的专家推理规则库具体 包括以下3个子步骤。
[0068]
(2.1.1)制定未知特征与单模板特征的匹配规则，对于未知特征f(xn)和任 一模板特征f(xr)，采用欧式距离和余弦相似度方法建立以下相似度计算准则 s
sig
，其中μ和λ为加权系数；
[0069][0070]
(2.1.2)制定未知特征与多模板特征的匹配规则，对于未知特征f(xn)和任 一目标的模板特征组f(x
r，1
)，f(x
r，2
)，...，f(x
r，n
)，n＞1，按步骤(2.1.1)中方法依次计 算未知特征与多个模板特征的相似度，得到相似度序列s
sig1
，s
sig2
，...，s
sign
，综合取最 小值和平均值方法建立以下相似度计算准则s，其中min和avg分别为求最小值和 平均值操作，α和β分别为加权系数，s
sig
可看做s的特例；
[0071]
s＝αmin{s
sig1
，s
sig2
，...，s
sign
} βavg{s
sig1
，s
sig2
，...，s
sign
}
ꢀꢀꢀ
(3)
[0072]
(2.1.3)制定目标辨识准则，通过设置判别门限θ，若s小于θ，则判定未 知特征与模板特征相匹配。
[0073]
步骤2中，初始化更新专家推理规则库参数具体包括以下3个子步骤。
[0074]
(2.1.4)基于训练后的深层卷积神经网络模型对步骤(1.1.2)中的训练样 本集x
train
和测试样本集x
test
进行特征提取，得到训练样本特征集和测试样本特征 集，将训练样本特征集作为初始模板特征集，将测试样本特征集作为初始未知 特征集；
[0075]
(2.1.5)采用步骤(2.1.1)和步骤(2.1.2)中方法对初始模板特征集和初始未知 特征集进行交叉辨识，得到辨识结果集合r
cal
；
[0076]
(2.1.6)根据r
cal
构建集合t
cal
，目标模板特征和未知特征为同一目标且匹配 结果小于判别门限设置为1，模板特征和未知特征为不同目标且匹配结果大于判 别门限设置为1，根据以上结果得到集合t
ca1
；采用遗传算法对各加权系数和判别 门限进行优化，其中目标函数为max{t
ca1
}，决策变量集合为{α，β，μ，λ，θ}。
[0077]
步骤3中，获取感兴趣目标的初始时频谱图样本集具体流程为：
[0078]
根据初始方位从多波束跟踪时域数据中获取具备一定时长感兴趣目标数 据，分帧后基于短时傅里叶变换生成初始时频谱图样本集，所述初始时频谱图 样本集中的总数不少于样本总数下限(这里为10个)，且样本总数不大于样本 总数上限n
max
，若样本总数大于n
max
，则按时间历程从前到后进行样本删除，直 至满足样本数量不大于n
max
。将初始时频谱图样本集作为模板样本集。
[0079]
步骤4中，对于新获取的一批多波束时域数据，基于短时傅里叶变换生成 各波束
对应的未知时频谱图样本，即可得到未知时频谱图样本集。
[0080]
步骤5中，通过训练后的深层卷积神经网络模型对初始时频谱图样本集中 的各初始时频谱图进行感兴趣目标特征的提取，即可得到感兴趣目标特征集， 通过训练后的深层卷积神经网络模型对未知时频谱图样本集中的未知时频谱图 进行未知特征提取，即可得到未知特征集；该训练后的深层卷积神经网络对未 知特征提取与感兴趣目标特征提取的方法是相同的。
[0081]
步骤6中，针对当前的未知时频谱图样本集中未知特征的目标特征辨识问 题，需要对专家推理规则库的参数进行自适应更新，本发明步骤6中，基于感 兴趣目标特征集对专家推理规则库的参数进行自适应更新，该自适应更新方法 与步骤2中的初始化更新专家推理规则库参数的方法一致，区别在于，将初始 时频谱图样本集按一定比例划分为随机的模板样本集和未知样本集，利用训练 后的深层卷积神经网络模型对模板样本集和未知样本集进行特征提取，得到模 板特征集和未知特征集，之后采用步骤(2.1.5)和步骤(2.1.6)实现专家推理 规则库中决策变量集合的更新。模板样本集和未知样本集的比例划分可以为1： 4，此为本领域公知常识。
[0082]
步骤7：基于感兴趣目标特征集，采用参数自适应更新后的专家推理规则库 对提取的未知特征进行目标特征辨识，若有w个未知特征的相似度s小于判别门 限θ，则将相似度值最小的未知特征作为所述感兴趣目标的辨识结果并对该相似 度值小的未知特征对应的波束方位进行跟踪，同时将对应的时频谱图样本添加 至初始时频谱图样本集；若没有未知特征的相似度小于判别门限，则结束。
[0083]
步骤8：相似度值最小的未知特征对应的时频谱图样本添加至初始时频谱图 样本集后，判断初始时频谱图样本总数是否大于n
max
，若是，则按时间历程从前 到后进行样本删除，直至满足样本数量不大于n
max
后再执行步骤9，否则直接执 行步骤9。
[0084]
步骤9：对新获取的下一批多波束时域数据按步骤4-7进行处理，得到该下 一批数据对应的目标跟踪方位。
[0085]
步骤9中，在对新获取的下一批多波束时域数据按照步骤4-7进行目标跟踪 过程中，由于在前一批多波束时域数据的目标跟踪过程中，会将相似度值最小 的未知特征对应的时频谱图样本添加至初始时频谱图样本集，而初始时频谱图 样本集设置有样本总数上限n
max
，因此要先判断初始时频谱图样本集中样本总数 是否大于样本总数上限，若是则进行初始时频谱图样本集的规模缩减，即当初 始时频谱图样本总数大于n
max
时，按时间历程从前到后进行样本删除，直至满足 样本数量不大于n
max
，然后再依次执行步骤4-7，步骤4可在初始时频谱图样本 集的规模缩减步骤之前或者之后。
[0086]
本发明基于以上方式对不断获取的多波束时域数据进行处理，得到感兴趣 目标连续跟踪结果。通过不断更新专家推理规则库和模板样本集，实现对不断 变化的目标-干扰-环境的自适应。
[0087]
针对某仿真多波束时域数据中的某感兴趣目标跟踪，基于本发明提出的方 法进行处理并将结果和常规波束形成结果进行对比，如图4所示，可以看到， 本发明提出方法的目标可连续跟踪效果明显优于常规方法结果。