1.一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，包括如下步骤：S1：对获得雷达和AIS数据进行预处理，对缺失值进行三次样条插值填充，并对雷达和AIS数据时间对齐；

S2：通过建立好的去噪自编码器模型对步骤S1中预处理后的数据进行去噪处理；

S3：构造航迹和场景数据，把AIS航迹和雷达航迹在位置、速度和航向上的统计距离作为航迹数据，使用AIS航迹和雷达航迹在位置上的欧氏距离重建场景数据；

S4：利用多层神经网络建立航迹特征提取模块，通过航迹特征提取模块提取航迹数据的航迹特征；

S5：利用三维卷积神经网络建立场景特征提取模块，通过场景特征提取模块提取场景数据的场景特征；

S6：利用Concat层在通道维度对提取的航迹和场景特征进行融合；

S7：基于融合后的特征，通过全连接层和Sigmoid激活函数完成航迹分类任务；

步骤S3中航迹数据的构造方法具体为：

对于第i条AIS航迹和第j条雷达航迹，两条航迹在位置、速度和航向上的统计距离如下：其中， 分别是AIS航迹的位置、速度和航向的方差； 分别是雷达航迹的位置、速度和航向的方差；

构造时刻t的航迹数据Dt,m,n：

T

Dt,m,n＝[ds(i,j),dv(i,j),dc(i,j)]  <7>；

步骤S3中利用雷达和AIS的航迹信息来构造关联场景数据，构造方法具体为：添加时间维度，使场景数据结构像视频一样；根据航迹在海域中的空间位置，分别对t时刻雷达和AIS在X和Y方向的目标航迹点进行排序；

AIS的排序函数如下：

sA＝fA(i)  <8>

其中fA(·)表示AIS航迹的排序函数， 是fA(·)的反函数；如果 则fA(i)＞fA(j)；如果 且 则fA(i)＞fA(j)；

通过AIS磁道的航迹批次号获得它的排序号，同样，可以分别获得雷达航迹的排序函数fR(·)和逆函数在t时刻，雷达第l航迹与AIS第k航迹之间的欧氏距离如下：

1 2

并将 作为场景D 的第l行和第k列元素，同样，雷达数据中场景D的欧氏距离 和3

AIS数据中场景D的欧氏距离 通过以下方式获得：

构造场景数据D：

1 2 3

D＝[D ,D ,D]  <13>

1 2 3

其中，D的张量大小为m×n×t，D 的张量大小为m×m×t，D的张量大小是n×n×t，场景数据D是具有通道、时间、宽度和高度的四维张量。

2.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S1中数据预处理的方法具体为：雷达和AIS原始数据的维度为四维：X坐标、Y坐标、时间和数据来源，缺失值用三次样条插值处理并把原始数据归一化为0～1区间，Y坐标维中的相应数据放在X坐标维中的数据后面，预处理后，数据变成三维：坐标、数据来源和时间维度，其中X和Y坐标中的数据被集成到一个维度中。

3.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S2中去噪自编码器模型的建立方法具体为：对于有噪声的输入数据X，编码器学习输入数据的基本特征，并将其存储在隐藏向量Z中；解码器重建隐藏向量Z，它通过最小化输入和输出重建误差来完成消噪自动编码器过程，以恢复数据；隐藏向量Z由以下公式获得：Z＝f(X)＝sf(W1X+b1)  <1>

其中，X＝[x1,x2,...xu]是输入数据，f(·)是将X映射到隐藏表示Z的编码函数，编码器由θ1＝{W1,b1}参数化，其中W1是权重矩阵，b1是输入层的偏差向量；

重建的矢量 为：

其中，输出数据 g(·)是将隐藏表示Z映射到输出数据的解码函数；解码器由θ2＝{W2,b2}参数化，其中W2是权重矩阵，b2是偏差向量；自动编码器的目的是通过训练参数θ1和θ2使X和 尽可能接近；重建的损失函数由以下公式定义：在自动编码器的训练过程中，采用随机梯度下降(SGD)算法对参数θ1和θ2进行更新，以最小化重建的损失函数。

4.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S4中航迹特征提取模块的建立方法具体为：航迹特征提取模块包括三个完全连接的层和一个Dropout层，三个完全连接层中的神经元数量分别为8、16和36，在训练过程中，Dropout层根据概率暂时删除一些神经网络单元，由于随机丢弃，每个小批次可以通过随机梯度下降算法训练不同的网络，因此网络可以缓解过拟合问题。

5.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S5中场景特征提取模块的建立方法具体为：卷积神经网络(CNN)是一种具有深度结构的前馈神经网络，三维CNN将时间维度添加到二维CNN中，可以进一步捕获时间特征，三维卷积的表达式为：l l+1

其中k,i,j∈{0,1,...,Ll+1}，Ll+1＝(Ll+2p‑m)/s0+1；Z 和Z 分别表示第l+1个卷积层l+1的输入和输出；Ll+1表示Z 的维度；Z(k,i,j)对应于三维数据的一个像素，H是三维数据的通道数，m,s0,p分别是卷积核大小、卷积步长和填充数。

6.根据权利要求5所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S5中使用三维卷积和三维池化层来提取场景的基本特征，每层的激活函数是Relu函数，模块的输出数据被Flatten层展平。

7.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S6中航迹和场景特征的融合方法为：通过Concat层对航迹特征提取模块的输出数据和场景特征提取模块的输出数据在通道维上进行拼接得到融合的航迹‑场景特征。

8.根据权利要求1所述的一种应用于雷达与AIS航迹关联的特征融合方法，其特征在于，所述步骤S7中雷达和AIS航迹完成分类任务的方法为：通过全连接层和sigmoid激活函数对航迹进行分类，判决任意两条航迹为关联目标还是非关联目标。