《表2 局部航迹融合结果均方差m2》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于CNN的多目标航迹融合算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本实验输入航迹数据的周期数定为6（由于优化器的学习率对损失值数量级的限制，可根据相对距离和误差比例关系，调整周期数），两部传感器进行航迹融合使用的CNN网络结构含有5个卷积层和2个全连接层，三部传感器的航迹融合网络结构为6个卷积层和2个全连接层。取一半数据作为训练样本，一半作为测试数据，由于神经网络的训练得到的模型具有不确定性，所以只保存训练过程中损失值最小的模型，并重复以上步骤10次取最优。针对不同传感器进行航迹融合，训练相对应的CNN模型，得到测试数据的融合结果如表2所示，其中一个目标的各航迹与真值方差如图4所示。由此看出融合结果的误差虽然不能保证每个时刻的误差都小于最小误差，但对于大数据统计后的融合结果均方差均小于单部传感器的均方差，证明了算法能提高航迹精度。