一种雷达与AIS目标融合方法及装置与流程

本发明涉及雷达信号处理技术领域，尤其涉及一种雷达与ais目标融合方法及装置。

背景技术：

随着工业革命的开始，船用导航设备得到了迅速的发展，除了利用导航雷达回波数据，还逐渐融入了电子海图、计程仪、罗经、gps、ais等诸多助航设备，对航海事业的发展有了巨大的推动作用。其中，ais(automaticidentificationsystem，船舶自动识别系统)是一种把数据通信技术、卫星定位信息以及信息处理等技术综合为一体的新型数字助航设备。ais能测出船舶的实时静态信息和动态信息，这些信息精度高，且信息量大，位置精度高，且不受地形、天气以及海上状况影响。ais的这些优势弥补了雷达再导航和避碰的局限性。

在实现本发明过程中，发明人发现常用的ais与雷达目标融合方法有模糊聚类算法、双波门判别融合方法、最小距离方法、模糊神经网络等。这些方法把ais目标与雷达目标的位置、航速信息根据融合策略进行关联，其前提条件是舰船之间应该保持安全距离，在一定时间内具有相近位置、接近的航速和航向，则认为ais目标与雷达目标为同一舰船。但是，在目标密集海域，尤其是港口船舶靠港和出海频繁区域，不同船舶的航迹会出现交错重叠现象，无法准确地进行目标识别，进而影响雷达与ais目标融合的正确率。

技术实现要素：

鉴于上述问题，本发明提出了一种雷达与ais目标融合方法及装置，能够准确地进行目标识别，进而有效地提高雷达与ais目标融合的正确率。

本发明的一个方面，提供了一种雷达与ais目标融合方法，包括：

获取雷达目标初始数据和ais目标初始数据；

对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，得到坐标和时间统一后的雷达目标数据和ais目标数据；

根据所述雷达目标数据和所述ais目标数据分别确定雷达目标和ais目标对应的目标形状比；

将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型；

根据所述bp神经网络模型对所述ais目标数据和对应的目标形状比进行匹配，若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合。

可选地，所述获取雷达目标初始数据和ais目标初始数据，包括：

接收到目标融合指令之后，以所述雷达目标为中心，在所述雷达目标对应的跟踪波门区域内获取第一预设数量的雷达目标数据帧，并获取时间相对应的相同数量的ais目标数据帧；

判定所述雷达目标数据帧的数据互联是否为一一对应关系，若是，则将所述雷达目标数据帧作为所述雷达目标初始数据，将所述ais目标数据帧作为所述ais目标初始数据，否则，获取所述雷达目标数据帧之前的第二预设数量的雷达目标数据帧，将其作为所述雷达目标初始数据，并获取所述ais目标数据帧之前的第二预设数量的ais目标数据帧将，将其作为所述ais目标初始数据。

可选地，所述方法还包括：

若匹配度小于或等于所述预设阈值，则扩大所述跟踪波门区域查找与所述ais目标数据匹配度大于预设阈值的第二雷达目标数据；

如果不存在所述第二雷达目标数据，则放弃对所述ais目标数据执行融合操作。

可选地，所述若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合，包括：

若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联为一一对应关系时，对所述雷达目标和ais目标进行融合，若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联非一一对应关系时，将所述ais目标的位置数据确定为所述雷达目标的位置数据。

可选地，所述对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，包括：

将所述ais目标初始数据对应的经纬度坐标转换为以米为数据单位的位置坐标；

根据所述雷达目标初始数据对应的数据帧的时间长度对所述ais目标初始数据的进行时间插值。

可选地，所述将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型，包括：

根据所述雷达目标数据的数据互联状态，确定所述bp神经网络模型的输入特征和输入层神经元个数；

根据所述bp神经网络模型的训练目的设置所述bp神经网络模型的输出值和输出层神经元个数；

确定所述bp神经网络模型的隐含层个数，具体公式如下：

式中，d为输入层神经元个数，c为输出层神经元个数，a是常数，取值范围[1,10]；

选择非线性传递函数；

将所述雷达目标数据进行归一化处理，并根据所述输入特征个数、输入层神经元个数、输出值个数、输出层神经元个数、隐含层个数以及所选择的非线性传递函数，构建bp神经网络模型。

本发明的另一个方面，提供了一种雷达与ais目标融合装置，包括：

数据获取模块，用于获取雷达目标初始数据和ais目标初始数据；

数据转换模块，用于对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，得到坐标和时间统一后的雷达目标数据和ais目标数据；

计算模块，用于根据所述雷达目标数据和所述ais目标数据分别确定雷达目标和ais目标对应的目标形状比；

模型训练模块，用于将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型；

目标融合模块，用于根据所述bp神经网络模型对所述ais目标数据和对应的目标形状比进行匹配，若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合。

可选地，所述数据获取模块，包括：

获取单元，用于在接收到目标融合指令之后，以所述雷达目标为中心，在所述雷达目标对应的跟踪波门区域内获取第一预设数量的雷达目标数据帧，并获取时间相对应的相同数量的ais目标数据帧；

判定单元，用于判定所述雷达目标数据帧的数据互联是否为一一对应关系；

确定单元，用于当所述判定单元的判定结果为所述雷达目标数据帧的数据互联为一一对应关系时，将所述雷达目标数据帧作为所述雷达目标初始数据，将所述ais目标数据帧作为所述ais目标初始数据；

所述获取单元，还用于当所述判定单元的判定结果为所述雷达目标数据帧的数据互联不为一一对应关系时，获取所述雷达目标数据帧之前的第二预设数量的雷达目标数据帧，将其作为所述雷达目标初始数据，并获取所述ais目标数据帧之前的第二预设数量的ais目标数据帧将，将其作为所述ais目标初始数据。

可选地，所述目标融合模块，还用于当匹配度小于或等于所述预设阈值时，扩大所述跟踪波门区域查找与所述ais目标数据匹配度大于预设阈值的第二雷达目标数据；并在不存在所述第二雷达目标数据时，放弃对所述ais目标数据执行融合操作。

可选地，所述目标融合模块，具体用于若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联为一一对应关系时，对所述雷达目标和ais目标进行融合，若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联非一一对应关系时，将所述ais目标的位置数据确定为所述雷达目标的位置数据。

本发明实施例提供的雷达与ais目标融合方法及装置，针对可能出现的交错重叠现象，结合雷达目标跟踪状态，提出了基于bp神经网络模型的雷达与ais目标融合方法，该方法除了依据位置、航速和航向信息外，还考虑了雷达目标和ais目标的目标形状比信息，能够准确地进行目标识别，进而有效地提高雷达与ais目标融合的正确率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例的一种雷达与ais目标融合方法的流程图；

图2为本发明另一实施例的一种雷达与ais目标融合方法的流程图；

图3为本发明实施例中数据互联一一对应时bp神经网络模型的结构图；

图4为本发明实施例的一种雷达与ais目标融合装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

为了解决现有雷达与ais目标融合技术中不同船舶的航迹可能会出现交错重叠现象，进而无法准确地进行目标识别的问题，本发明实施例提出一种雷达与ais目标融合方法及装置，具有搜索速度快和匹配率高等效果。

图1示意性示出了本发明一个实施例的雷达与ais目标融合方法的流程图。参照图1，本发明实施例的雷达与ais目标融合方法具体包括以下步骤：

s11、获取雷达目标初始数据和ais目标初始数据。

s12、对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，得到坐标和时间统一后的雷达目标数据和ais目标数据。

s13、根据所述雷达目标数据和所述ais目标数据分别确定雷达目标和ais目标对应的目标形状比。

本实施例中，根据式(1)分别计算ais目标形状比ρa和雷达目标的形状比ρr：

式中，rlength——目标距离方向的长度，θwidth——目标方位方向的宽度，单位是m。

s14、将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型。其中，bp神经网络即反向传播神经网络，是一种按误差逆传播算法训练的多层前馈网络。

s15、根据所述bp神经网络模型对所述ais目标数据和对应的目标形状比进行匹配，若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合。

本发明实施例提供的雷达与ais目标融合方法，针对可能出现的交错重叠现象，结合雷达目标跟踪状态，除了依据位置、航速和航向信息外，还考虑了雷达目标和ais目标的目标形状比信息，能够准确地进行目标识别，进而有效地提高雷达与ais目标融合的正确率。

在本发明实施例中，所述获取雷达目标初始数据和ais目标初始数据，具体包括：

接收到目标融合指令之后，以所述雷达目标为中心，在所述雷达目标对应的跟踪波门区域内获取第一预设数量的雷达目标数据帧，并获取时间相对应的相同数量的ais目标数据帧；

判定所述雷达目标数据帧的数据互联是否为一一对应关系，若是，则将所述雷达目标数据帧作为所述雷达目标初始数据，将所述ais目标数据帧作为所述ais目标初始数据，否则，获取所述雷达目标数据帧之前的第二预设数量的雷达目标数据帧，将其作为所述雷达目标初始数据，并获取所述ais目标数据帧之前的第二预设数量的ais目标数据帧将，将其作为所述ais目标初始数据。

在实际应用中，当接收到客户端发送的雷达目标和ais目标融合指令之后，按照雷达目标列表中跟踪目标为中心，在其跟踪波门内进行搜索匹配；根据雷达目标跟踪状态不同，选择不同时刻的数据进行训练和测试。雷达数据互联后目标跟踪状态初步分出两类：一是跟踪波门内有且仅有一个点迹即所述雷达目标数据帧的数据互联是否为一一对应关系，二是跟踪波门内不止有一个点迹或是多个跟踪波门相交即所述雷达目标数据帧的数据互联是否非一一对应关系。

第一种情况保存当前帧雷达目标的距离rr、方位br和估计的航速sr‐和航向cr、点迹的长lr和宽wr以及当前时刻t，根据时刻t，采用步骤(2)对ais时间数据进行插值，得到与雷达目标对应时刻的目标的经纬度和航速、航向、船的长宽，在进行坐标变换，换算成与相应的距离ra、方位ba、航速sa、航向ca、船长la和船宽wa。

第二种情况则保存该目标未出现该情况之前3帧的数据。如果某跟踪目标的波门一直与其他跟踪波门相交，则保存最近3帧的数据。如果是多个跟踪目标一直仅与一个点迹关联时，没有仅与一个点迹互联的情况，则把多个目标看做一个目标，也保存最近3帧数据。

本发明实施例，具体的以雷达目标中心，以其方位和距离的2倍长度的区域为跟踪波门搜索ais目标。这样就避免了全局搜索匹配带来的大量的计算，同时大幅度缩短了雷达与ais目标融合时间。

进一步地，若匹配度小于或等于所述预设阈值，则所述方法还包括以下步骤：

扩大所述跟踪波门区域查找与所述ais目标数据匹配度大于预设阈值的第二雷达目标数据；

如果不存在所述第二雷达目标数据，则放弃对所述ais目标数据执行融合操作。

在本发明实施例中，所述若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合，具体包括：

若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联为一一对应关系时，对所述雷达目标和ais目标进行融合，若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联非一一对应关系时，将所述ais目标的位置数据确定为所述雷达目标的位置数据。

在本发明实施例中，所述将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型，具体包括：

根据所述雷达目标数据的数据互联状态，确定所述bp神经网络模型的输入特征和输入层神经元个数；

根据所述bp神经网络模型的训练目的设置所述bp神经网络模型的输出值和输出层神经元个数；

确定所述bp神经网络模型的隐含层个数，具体公式如下：

式中，d为输入层神经元个数，c为输出层神经元个数，a是常数，取值范围[1,10]；

选择非线性传递函数；

将所述雷达目标数据进行归一化处理，并根据所述输入特征个数、输入层神经元个数、输出值个数、输出层神经元个数、隐含层个数以及所选择的非线性传递函数，构建bp神经网络模型。

本发明实施例中，利用bp神经网络判定ais目标和雷达目标是否融合，首先需要构建bp网络。构建bp神经网络需要以下几步：确定输入特征、隐含层的个数、输出值和传递函数，具体实现如下：

1)输入特征和输入层个数：

输入特征个数由雷达数据互联状态决定，即跟踪波门内点迹和航迹对应关系。

如果点迹和航迹是一一对应关系时，输入向量为x＝[r,b,s,c,ρ]，则输入层神经元个数是5；

如果跟踪波门内多个点迹对应一个航迹，或多个航迹波门相交时，且取未出现该情况前的3帧数据，因为形状比是不变的，因此输入向量为x＝[ri,bi,si,ci,ρ]，i＝1,2,3，其中i是往前的数据帧数，则输入层神经元个数13。

2)输出值和输出层个数：本发明的目的是判断雷达目标和ais目标是否关联，这是一种二元判断，故设为一个节点即可，期望输出值为1，即当输出值越接近于1，表明两者是同一目标的可能性越大；但是，输出值小于阈值时，ais目标与雷达目标是不相关的。

3)隐含层：本发明选择一层的隐含层，隐含层的神经元个数通过式(2)确定：

式中，d为输入层神经元个数，c为输出层神经元个数，a是常数，取值范围[1,10]；

4)传递函数：根据本发明数据特点，选择非线性传函。

5)输入数据归一化：由于目标几个特征的数值大小和量纲不同，如果直接将它们组合起来作为网络的输入，在网络学习和训练过程中容易出现“过拟合”现象，所以在进行网络计算前，需要将原始的数据归一化，本发明以式(3)进行数据归一化处理：

式中，xi——第i个输入数据；xi′——第i个输入数据归一化后的结果；maxx——输入向量最大值；minx——输入向量最小值。

6)训练样本和测试样本

训练样本：以雷达目标信息进行测试，样本表示为x＝[rr,br,sr,cr,ρr]；

测试样本：以ais目标训练bp神经网络，因此输入向量为x＝[ra,ba,sa,ca,ρa]；

7)通过bp神经网络计算输出结果y，当y>t时，则雷达目标与ais目标是同一目标，否则雷达目标与ais目标不是同一目标如果匹配率小于阈值时，该雷达目标与ais目标无法融合，如果没有雷达目标或是雷达目标匹配率低于阈值，放弃为该ais目标寻找匹配的雷达目标。

8)当ais目标与雷达目标融合，且该雷达目标数据互联非一一对应关系时，该ais目标的位置数据作为雷达目标的位置数据。

bp神经网络是通过计算实际输出与期望的输出的均方误差调整权值，以达到均方误差最小的目的。本发明实施例利用bp神经网络特性，总体统计雷达目标与ais目标的位置、航速、航向、形状比等一系列特征，综合判定这些特征最相近的实现融合。现有技术中采用位置相近来判定，当位置无法判定时在结合航速和航向进一步判定的方法，需要对每个判据设定一个合适的阈值，再给出各个判据优先级，当阈值不合理或是优先级不合适时，会出现严重错误，例如当目标出现交错重叠现象时，距离最小的不一定就是该ais对应的目标。而本发明实施例采用bp神经网络模型，不用对每个特征设定阈值，不用事先给出哪个特征优先级高或优先级低，它会综合计算每个特征的误差。如图2所示，下面通过一个具体实施例来具体说明构建的bp神经网络各个参数：

当接收到客户端发送的雷达目标和ais目标融合指令之后，按照雷达目标列表中跟踪目标为中心，在其跟踪波门内进行搜索匹配；根据雷达目标跟踪状态不同，选择不同时刻的数据进行训练和测试。雷达数据互联后目标跟踪状态初步分出两类：一是跟踪波门内有且仅有一个点迹即所述雷达目标数据帧的数据互联是否为一一对应关系，二是跟踪波门内不止有一个点迹或是多个跟踪波门相交即所述雷达目标数据帧的数据互联是否非一一对应关系。

第一种情况保存当前帧雷达目标的距离rr、方位br和估计的航速sr和航向cr、点迹的长lr和宽wr以及当前时刻t，根据时刻t，采用步骤(2)对ais时间数据进行插值，得到与雷达目标对应时刻的目标的经纬度和航速、航向、船的长宽，在进行坐标变换，换算成与相应的距离ra、方位ba、航速sa、航向ca、船长la和船宽wa。

第二种情况则保存该目标未出现该情况之前3帧的数据。如果某跟踪目标的波门一直与其他跟踪波门相交，则保存最近3帧的数据。如果是多个跟踪目标一直仅与一个点迹关联时，没有仅与一个点迹互联的情况，则把多个目标看做一个目标，也保存最近3帧数据。

然后，分别计算ais目标形状比ρa和雷达目标的形状比ρr；

构建bp神经网络，具体如下：

每层神经元个数由雷达数据互联决定，分以下两种情况选择雷达目标数据作为训练样本：

√如果雷达数据互联是一一对应关系时，输入向量为x＝[rr,br,sr,cr,ρr]，则输入层神经元个数是5，输出层为1，则隐含层根据式(2)计算，通过多次尝试，隐含层取6时性能最优，如图3所示；

√如果不是一一对应关系时，会取其之前一一对应状态下3帧数据，因为形状比是不变的，输入向量为x＝[rr1,rr2,rr3,br1,br2,br3,sr1,sr2,sr3,cr1,cr2,cr3,ρr]，则输入层神经元个数13，输出层神经元为1，隐含层为8个。

传递函数：选择log-sigmoid型函数，其表达式如式(8)所示：

目标值：把类别简化为两类，同一目标和非同一目标，因此输出值为1。

根据上述方法建立bp神经网络，由式(9)计算输出值：

式中，xi——输入量；zk——输出量；ω——每层的权值，初始值一般在[0,1]内取随机数；d——输入量维数；nh——隐含层节点数。再根据输出量和目标值的均方差，反向调整隐含层和输出层的权值以及输入层和隐含层之间的权值，直到输出量和目标值的误差小于设定的阈值，表明该bp网络训练完成。

样本测试。以ais目标数据为测试样本，根据雷达数据互联状态判断测试样本的维数，即数据互联一一对应时，因采用当前时刻的ais的位置等信息，如x＝[ra,ba,sa,ca,ρa]；当非一一对应时，x＝[ra1,ra2,ra3,ba1,ba2,ba3,sa1,sa2,sa3,ca1,ca2,ca3,ρa]。根据上步训练完成的bp神经网络，产生一系列的权值ω，由式(9)计算输出结果y。当y≥t时，则雷达目标与ais目标是同一目标，当跟踪波门内出现两个ais目标输出结果都大于t时，取结果接近1的ais目标与该雷达目标融合；当y<t时，即使跟踪波门内仅有一个ais目标，两者也不融合，本发明中t＝0.6。

在本发明实施例中，所述对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，具体包括：

将所述ais目标初始数据对应的经纬度坐标转换为以米为数据单位的位置坐标。本实施例中，由于ais目标初始数据对应的ais目标位置信息的数据单位是经纬度，而雷达目标初始数据对应的ais目标位置信息的数据单位为米，因此，将所述ais目标初始数据对应的经纬度坐标转换为以米为数据单位的位置坐标。其中，两者的航速单位为节(kn)。

具体可根据式(4)～式(6)把经纬度变换距离r和方位值b：

式中，lat——纬度，lon——经度，单位是度；r——地球半径，6371km。

根据所述雷达目标初始数据对应的数据帧的时间长度对所述ais目标初始数据的进行时间插值。本实施例中，ais目标根据其航速大小，发送ais数据的频率不同。因此，需要按照所述雷达目标初始数据对应的一帧数据的时间长度对ais目标初始数据的时间进行插值。

在实际应用中，由于ais是根据船舶的航速快慢决定发送数据的时间间隔的，通常有以下时间间隔，2s，3.33s，6s，10s和3分钟，雷达一帧时间间隔约2s，因此大于2s需要插值，本发明采用加权插值法，如式(7)所示：

式中，t^*——待插值数据的时间，t(n-1)和t(n)是t^*之前和之后接收到ais数据的时间，x(n-1)，x(n)这两个时刻对应的数据。

通过上述方法，ais目标和雷达目标融合成功，且该雷达目标数据互联时处于多对一情况时，用ais目标的位置信息来代替与雷达目标当前帧位置。这是因为ais位置信息的精度高于雷达目标，当通过雷达跟踪无法准确判断时，通过融合ais目标位置信息可提高雷达目标的精度。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

图4示意性示出了本发明一个实施例的雷达与ais目标融合装置的结构示意图。参照图4，本发明实施例的雷达与ais目标融合装置具体包括数据获取模块301、数据转换模块302、计算模块303、模型训练模块304以及目标融合模块305，其中，所述的数据获取模块301，用于获取雷达目标初始数据和ais目标初始数据；所述的数据转换模块302，用于对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，得到坐标和时间统一后的雷达目标数据和ais目标数据；所述的计算模块303，用于根据所述雷达目标数据和所述ais目标数据分别确定雷达目标和ais目标对应的目标形状比；所述的模型训练模块304，用于将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型；所述的目标融合模块305，用于根据所述bp神经网络模型对所述ais目标数据和对应的目标形状比进行匹配，若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合。

本发明实施例中，所述数据获取模块301，具体包括获取单元、判定单元和确定单元，其中：所述的获取单元，用于在接收到目标融合指令之后，以所述雷达目标为中心，在所述雷达目标对应的跟踪波门区域内获取第一预设数量的雷达目标数据帧，并获取时间相对应的相同数量的ais目标数据帧；所述的判定单元，用于判定所述雷达目标数据帧的数据互联是否为一一对应关系；所述的确定单元，用于当所述判定单元的判定结果为所述雷达目标数据帧的数据互联为一一对应关系时，将所述雷达目标数据帧作为所述雷达目标初始数据，将所述ais目标数据帧作为所述ais目标初始数据；

进一步地，所述获取单元，还用于当所述判定单元的判定结果为所述雷达目标数据帧的数据互联不为一一对应关系时，获取所述雷达目标数据帧之前的第二预设数量的雷达目标数据帧，将其作为所述雷达目标初始数据，并获取所述ais目标数据帧之前的第二预设数量的ais目标数据帧将，将其作为所述ais目标初始数据。

本发明实施例中，所述目标融合模块305，还用于当匹配度小于或等于所述预设阈值时，扩大所述跟踪波门区域查找与所述ais目标数据匹配度大于预设阈值的第二雷达目标数据；并在不存在所述第二雷达目标数据时，放弃对所述ais目标数据执行融合操作。

本发明实施例中，所述目标融合模块305，具体用于若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联为一一对应关系时，对所述雷达目标和ais目标进行融合，若匹配度大于预设阈值，且所述雷达目标数据帧的数据互联非一一对应关系时，将所述ais目标的位置数据确定为所述雷达目标的位置数据。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

此外，本发明另一实施例还提供了一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，所述电路板安置在所述壳体围成的空间内部，所述处理器和所述存储器设置在所述电路板上；所述电源电路，用于为所述电子设备的各个电路或器件供电；所述存储器用于存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行以下步骤：获取雷达目标初始数据和ais目标初始数据；对所述雷达目标初始数据和所述ais目标初始数据进行坐标和时间的统一转换，得到坐标和时间统一后的雷达目标数据和ais目标数据；根据所述雷达目标数据和所述ais目标数据分别确定雷达目标和ais目标对应的目标形状比；将所述雷达目标数据和对应的目标形状比作为训练样本，构建bp神经网络模型；根据所述bp神经网络模型对所述ais目标数据和对应的目标形状比进行匹配，若匹配度大于预设阈值，则对所述雷达目标和ais目标进行融合。

本发明实施例提供的雷达与ais目标融合方法及装置，针对可能出现的交错重叠现象，结合雷达目标跟踪状态，提出了基于bp神经网络模型的雷达与ais目标融合方法，该方法除了依据位置、航速和航向信息外，还考虑了雷达目标和ais目标的目标形状比信息，能够准确地进行目标识别，进而有效地提高雷达与ais目标融合的正确率。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。