具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

请参阅图1至图4，本发明提供一种技术方案：

一种基于神经网络的改进当前统计模型方法，包括以下步骤：

S1:搭建基于神经网络的改进当前统计模型，将神经网络作为反馈网络与传统统计模型连结，获取符合目标机动情况的最大加速度值。

其中，目标当前状态值的估计具体包括以下步骤：

S101:在每一个跟踪时刻，将上一时刻的目标状态估计值和当前时刻的量测值按照归一化标准进行归一化处理；

S102:处理后的数值进入反馈网络，得到当前时刻符合目标机动情况的最大加速度值。

其中，所述神经网络输入层节点数与状态、量测维数和对应，隐层层数为1，隐层节点为7，输出层节点为1，网络关系式为：

S2:选取训练集和标签集，按照设定归一标准化规则对训练集和标签集进行预处理。

其中，所述训练集包括多个机动等级的目标数据集，将目标数据集切分处理后获得训练集和标签集，所述标签集为每个时刻的目标真实状态，归一标准化规则为Min-Max标准化方式。

S3:设置训练参数，使用训练参数对神经网络进行训练，使其最终达到收敛。

其中，训练参数包括学习率和优化器参数，这些参数根据训练、测试效果可进行调整，最终选取一个最优参数值,使用MSE作为损失函数并以端到端的方式训练反向传播神经网络；

其中损失函数为：

其中，m为训练数据数，另外，所述神经网络训练过程中采用Adam优化方法，通过训练反向传播神经网络，增强了传统当前统计模型的自适应调整能力。

S4:将待处理的目标估计状态和量测输入到上述改进模型中，得到目标当前时刻状态估计值。

其中，将输出的a_max输入到传统当前统计模型中，当前统计模型按照步骤S102获得最大加速度来估计目标当前状态值，当前统计模型在自适应最大加速度的基础上，通过将最大加速度输出到传统当前统计模型中进行当前状态估计，通过预测和滤波算法得到当前时刻的状态估计值，建立起目标状态、量测和最大加速度之间的映射，极大地减少目标发生机动时的跟踪误差。

为实现上述目的，本发明另外还提供一种基于神经网络的改进当前统计模型系统，其中，所述系统包括：

模型构建模块，用于搭建基于神经网络的改进当前统计模型，并将神经网络作为反馈网络与传统统计模型连结，从而估计目标当前状态值；

数据集预处理模块，用于选取训练集和标签集，并按照设定归一标准化规则对训练集和标签集进行预处理；

网络训练模块，用于设置训练参数，并使用训练参数对神经网络进行训练，使其最终达到收敛；以及；

估计值计算模块，用于将待处理的目标估计状态和量测输入到上述改进模型中，得到目标当前时刻状态估计值。

为实现上述目的，本发明另外还提供一种基于神经网络的改进当前统计模型存储介质，其中，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时能够实现上述的使用神经网络改进当前统计模型的步骤。

所述存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

为实现上述目的，本发明另外还提供一种基于神经网络的改进当前统计模型设备，其中，所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的使用神经网络改进当前统计模型的算法程序，所述使用神经网络改进当前统计模型的算法程序配置为实现上述的使用神经网络改进当前统计模型的步骤。

所述设备可以是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。本领域技术人员可以理解，所述设备包括处理器和存储器，所述存储器用于存储指令的描述仅是设备的示例，并不构成对设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如设备还可以包括输入输出设备、网络接入设备、总线等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。