CN105654232A - 基于多维度空间融合的海岸监控与防御决策系统及方法 - Google Patents
基于多维度空间融合的海岸监控与防御决策系统及方法 Download PDFInfo
- Publication number
- CN105654232A CN105654232A CN201510981054.5A CN201510981054A CN105654232A CN 105654232 A CN105654232 A CN 105654232A CN 201510981054 A CN201510981054 A CN 201510981054A CN 105654232 A CN105654232 A CN 105654232A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- threat
- spatial domain
- marine site
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多维度空间融合的海岸监控与防御决策系统及方法,该系统包括:信息融合子系统,用于对海域内的信息和空域内的信息进行数据融合以得到海域目标信息和空域目标信息;与所述信息融合子系统连接的态势评估子系统,用于对所述海域目标信息和所述空域目标信息进行目标态势评估以得到目标威胁概率;与所述态势评估子系统连接的安全防御子系统,用于根据所述目标威胁概率进行目标威胁等级的划分,并为所述目标威胁等级匹配对应的目标防御方案。利用数据融合提高海域和空域内识别目标的精度,提高对目标状态和特性估计的精度,确保能够对目标态势和威胁程度进行适时的完整评价。
Description
技术领域
本发明涉及海空一体化综合监控领域,特指一种基于多维度空间融合的海岸监控与防御决策系统及方法。
背景技术
目前常见的防御监控系统多为空中防御和海域防御,对领空和领海范围内出现的目标单独进行监测,然而对于保障国家安全来说,需要海空一体协同防御,将领空和领海的目标相结合进行综合威胁评估,所以提出一种基于多维度空间融合的海岸监控与防御决策系统尤为重要。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于多维度空间融合的海岸监控与防御决策系统及方法,解决现有防御系统多为单独领域内的目标监测而不能进行协同防御的问题。
实现上述目的的技术方案是:
本发明一种基于多维度空间融合的海岸监控与防御决策方法,包括:
获取海域内的海情信息并进行数据融合以得到海域目标信息;
获取空域内的空情信息并进行数据融合以得到空域目标信息;
对所述海域目标信息和所述空域目标信息进行目标态势评估,以得到目标威胁概率;以及
根据所述目标威胁概率进行目标威胁等级的划分,并为所述目标威胁等级匹配对应的目标防御方案。
利用数据融合提高海域和空域内识别目标的精度,提高对目标状态和特性估计的精度,确保能够对目标态势和威胁程度进行适时的完整评价。数据融合实现了多维度、海量及实时动态信息的综合处理。利用态势评估获得目标威胁概率,为指挥人员提供作战参考,并根据目标威胁等级给出较佳的目标防御方案。本发明的基于多维度空间融合的海岸监控与防御决策系统及方法将沿海海域、领空的多平台多传感器的监视信息、数据进行融合和综合处理后提供态势展示、威胁评估,为围护国家主权、保障国家安全、军事防御、海洋开发、海洋管理等提供支撑决策。
本发明基于多维度空间融合的海岸监控与防御决策方法的进一步改进在于,所述海情信息包括海情中心信息、VTS信息、AIS信息、以及对海雷达信息;所述空情信息包括ATC信息、卫星信息、飞行器信息、以及航空器信息;
进行数据融合包括:
对待进行数据融合的所述海情信息或者所述空情信息根据分布式融合结构建立数据融合模型;
依据所述数据融合模型对所述海情信息或者所述空情信息进行预处理,包括空间校准和时间校准,通过空间校准将所述海情信息或者所述空情信息变换到同一坐标系中,通过时间校准将所述海情信息或者所述空情信息统一到同一时刻;
利用最近邻域法对每一所述海情信息或者所述空情信息进行航迹关联,得出每一所述海情信息和所述空情信息中所包括的目标和与目标对应的航迹;
利用加权平均法对所述海情信息或者所述空情信息中相同的目标进行融合处理,将同一目标对应的航迹进行融合,以得到融合航迹;
将融合航迹和对应的目标相关联以形成所述海域目标信息或者所述空域目标信息。
本发明基于多维度空间融合的海岸监控与防御决策方法的进一步改进在于,进行目标态势评估包括对所述海域目标信息和所述空域目标信息进行初步评估和深度评估;
对所述海域目标信息和所述空域目标信息进行初步评估,包括:
根据所述海域目标信息和所述空域目标信息中包括的目标属性进行评估判断,为所述海域目标信息和所述空域目标信息指定对应的评估值,并得出对应的目标运动轨迹和目标属性信息;
将所述海域目标信息和所述空域目标信息和对应的评估值、目标运动轨迹、以及目标属性信息进行显示;
对所述评估值超出警戒值的海域目标信息和空域目标信息进行深度评估,包括:
利用神经网络算法对所述海域目标信息和所述空域目标信息进行运算,以得出目标威胁概率和目标关联信息;
将所述目标威胁概率和目标关联信息进行显示。
本发明基于多维度空间融合的海岸监控与防御决策方法的进一步改进在于,根据所述目标威胁概率进行目标威胁等级的划分,包括:
建立项目对照表,包括目标类型威胁等级对照表、目标速度威胁等级对照表、目标航向威胁等级对照表、以及目标距离威胁等级对照表,并为目标类型、目标速度、目标航向、以及目标距离分配对应的权重;
将所述目标威胁概率中的指标进行量化处理,以获取目标类型、目标速度、目标航向、以及目标距离,并从所述项目对照表中查找出对应的威胁值,根据所述威胁值和对应的权重进行加权求和计算得出威胁程度值;
为所述威胁程度值匹配对应的威胁等级,以得到目标威胁等级。
本发明基于多维度空间融合的海岸监控与防御决策方法的进一步改进在于,为所述目标威胁等级匹配对应的目标防御方案,包括:
设定第一威胁阈值和第二威胁阈值;
当所述目标威胁等级低于所述第一威胁阈值时,匹配的目标防御方案为提示告警;
当所述目标威胁等级高于所述第一威胁阈值并低于所述第二威胁阈值时,匹配的目标防御方案为目标拦截;
当所述目标威胁等级高于所述第二威胁阈值时,匹配的目标防御方案为目标攻击。
本发明还提供了一种基于多维度空间融合的海岸监控与防御决策系统,包括:
信息融合子系统,包括海域单元和空域单元,所述海域单元用于获取海域内的海情信息并进行数据融合以得到海域目标信息;所述空域单元用于获取空域内的空情信息并进行数据融合以得到空域目标信息;
与所述信息融合子系统连接的态势评估子系统,用于对所述海域目标信息和所述空域目标信息进行目标态势评估以得到目标威胁概率;
与所述态势评估子系统连接的安全防御子系统,用于根据所述目标威胁概率进行目标威胁等级的划分,并为所述目标威胁等级匹配对应的目标防御方案。
本发明基于多维度空间融合的海岸监控与防御决策系统的进一步改进在于,所述信息融合子系统还包括与所述海域单元和所述空域单元均连接的融合运算单元,所述融合运算单元用于对接收的信息进行数据融合;
所述海域单元与海情中心、VTS、AIS、以及对海雷达通信连接,所述海情信息包括所述海情中心的海情中心信息、所述VTS的VTS信息、所述AIS的AIS信息、以及所述对海雷达的对海雷达信息;
所述空域单元与ATC、卫星、飞行器、以及航空器通信连接,所述空情信息所述ATC的ATC信息、所述卫星的卫星信息、所述飞行器的飞行器信息、以及所述航空器的航空器信息;
所述融合运算单元包括建模模块、预处理模块、关联模块、以及融合处理模块,其中:
所述建模模块用于对所述融合运算单元接收的所述海情信息或者所述空情信息根据分布式融合结构建立数据融合模型;
所述预处理模块与所述建模模块连接,用于依据所述数据融合模型对所述海情信息或者所述空情信息进行空间校准和时间校准,经空间校准的所述海情信息或者所述空情信息变换到同一坐标系中,经时间校准的所述海情信息或者所述空情信息统一到同一时刻;
所述关联模块与所述预处理模块连接,用于利用最近邻域法对经所述预处理模块校准的每一所述海情信息或者所述空情信息进行航迹关联,以得出每一所述海情信息或者所述空情信息中所包括的目标和与目标对应的航迹;
所述融合处理模块与所述关联模块连接,用于利用加权平均法对所述海情信息或者所述空情信息中相同的目标进行融合处理,对同一目标对应的航迹进行融合以得到融合航迹,所述融合处理模块还用于将所述融合航迹和对应的目标相关联形成海域目标信息或者空域目标信息。
本发明基于多维度空间融合的海岸监控与防御决策系统的进一步改进在于,所述态势评估子系统包括初步评估单元、深度评估单元、以及显示单元,其中:
所述初步评估单元用于对所述海域目标信息和所述空域目标信息中包括的目标属性进行评估判断,为所述海域目标信息和所述空域目标信息指定对应的评估值,并得出对应的目标运动轨迹和目标属性信息;
所述深度评估单元与所述初步评估单元连接,用于对所述评估值超出警戒值的海域目标信息和空域目标信息进行深度评估,利用神经网络算法对所述海域目标信息和所述空域目标信息进行运算,以得出目标威胁概率和目标关联信息;以及
所述显示单元与所述初步评估单元和所述深度评估单元连接,用于显示所述初步评估单元得到的评估值、目标运动轨迹、以及目标属性信息,显示所述深度评估单元得到的目标威胁概率和目标关联信息。
本发明基于多维度空间融合的海岸监控与防御决策系统的进一步改进在于,所述安全防御子系统包括威胁等级判断单元,所述威胁等级判断单元内设有存储模块、量化模块、以及判断模块,其中:
所述存储模块内存储有项目对照表,所述项目对照表包括目标类型威胁等级对照表、目标速度威胁等级对照表、目标航向威胁等级对照表、目标距离威胁等级对照表、以及目标威胁等级划分表,还存储有为目标类型、目标速度、目标航向、以及目标距离分配对应权重的权重表;
所述量化模块用于对所述目标威胁概率中的指标进行量化处理,以得到与所述目标威胁概率对应的目标类型、目标速度、目标航向、以及目标距离;以及
所述判断模块与所述量化模块和所述存储模块连接,用于根据所述量化模块所得到的目标类型、目标速度、目标航向、以及目标距离查找所述存储模块内的所述项目对照表以获得对应的威胁值,查找所述权重表以获得对应的权重,并对所述威胁值和对应的权重进行加权求和计算得出威胁程度值,根据计算的威胁程度值查找所述目标威胁等级划分表以获取匹配的威胁等级作为目标威胁等级。
本发明基于多维度空间融合的海岸监控与防御决策系统的进一步改进在于,所述安全防御子系统还包括与所述威胁等级判断单元连接的目标防御决策单元,所述目标防御决策单元用于对所述目标威胁等级匹配对应的目标防御方案,其中:所述目标防御决策单元内设有第一威胁阈值和第二威胁阈值;
当所述目标威胁等级低于所述第一威胁阈值时,匹配的目标防御方案为提示告警;
当所述目标威胁等级高于所述第一威胁阈值并低于所述第二威胁阈值时,匹配的目标防御方案为目标拦截;
当所述目标威胁等级高于所述第二威胁阈值时,匹配的目标防御方案为目标攻击。
附图说明
图1为本发明基于多维度空间融合的海岸监控与防御决策系统的系统图。
图2为本发明中AIS信息与对海雷达信息的分布式融合模型。
图3为本发明中系统平面上偏差估计配置。
图4为本发明基于多维度空间融合的海岸监控与防御决策方法的流程图。
图5为本发明基于多维度空间融合的海岸监控与防御决策系统中神经网络算法的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明提供了一种基于多维度空间融合的海岸监控与防御决策系统,将沿海海域、领空的多平台多传感器的监视信息、数据进行融合和综合处理后提供态势展示、威胁评估,为维护国家主权、保障国家安全、军事防御、海洋开发、海洋管理等提供支撑决策。本发明的系统主要包括信息融合子系统、态势评估子系统、以及安全防御子系统,信息融合子系统利用空间的基础,实现多维多源空间信息的一体化获取、传输、处理、网络化共享与应用服务等应用需求;态势评估子系统根据多个平台动态的融合信息进行初步评估,对评估值超出警戒值的目标,进行自动评估和预测;安全防御子系统在态势评估的基础上,根据目标的敌我属性以及其位置、速度、航向、类型、数量等信息以定量形式对目标的威胁程度作出估计和分析,并对超出威胁预警条件的目标进行告警与拦截。下面结合附图对本发明基于多维度空间融合的海岸监控与防御决策系统及方法进行说明。
参阅图1,显示了本发明基于多维度空间融合的海岸监控与防御决策系统的系统图。下面结合图1,对本发明基于多维度空间融合的海岸监控与防御决策系统进行说明。
如图1所示,本发明基于多维度空间融合的海岸监控与防御决策系统包括信息融合子系统11、态势评估子系统12、以及安全防御子系统13,信息融合子系统11利用空间基础,实现多维多源空间信息的一体化获取、传输、处理、网络化共享与应用服务等应用需求,协同多个平台增强事件的处理能力,结合空域、海域各类网络和系统的优势,实现功能互补,扩大可处理事件的范围。信息融合子系统11通过接入海情(海情中心、VTS、AIS以及对海雷达等)、空情(ATC、卫星、飞行器及航空器等)、其他(水文气象、CCTV等)等空间感知信息,开展时空校准、误差校正、数据分析与过滤、参数匹配与关联、状态评估和目标识别等融合处理,从而实现多维度、海量及实时动态信息的综合处理。态势评估子系统12根据多个平台动态的融合信息进行初步评估,对超出警戒值的目标进行深度评估,初步评估和深度评估均会将态势评估结果进行显示,以供指挥人员进行判断,态势评估利用神经网络方法实现,具有以下优势:记忆、联想功能,具有很好的预测能力;可实现并行计算,可处理的信息量大,决策速度快;可靠性高,在某些神经元失效的情况下,决策系统仍能继续正常工作。多平台的探测能力高于单一平台,当某一平台发现了威胁目标,将通知系统中其他平台,各平台的传感器可以不再依赖自身的探测设备,而可通过系统信息共享其他平台的发现,从而提高安全防御和军事决策的隐蔽性和实效性。安全防御子系统13进行威胁估计,在态势评估的基础上,根据目标的敌我属性以及其位置、速度、航向、类型、数量等信息以定量形式对目标的威胁程度作出估计和分析,并对超出威胁预警调节的目标进行告警。依据设定的威胁判断准则,对所有已知目标进行筛选,对不同的态势要素(距离、速度、航向等)选取不同的分布函数来量化,同时对其选取合适的权重,进行加权求和计算威胁值来分析判断其威胁程度,权重指标可以采用DELPHI法(专家意见法)进行评估后确定。根据威胁评估结果,进行威胁等级评判,一般分为5-10级,按照威胁等级发出不同的告警指示。
信息融合子系统11包括海域单元111、空域单元112、以及融合运算单元113,海域单元111和空域单元112均与融合运算单元113连接。
海域单元111与海情中心、VTS(VesselTrafficServices,船舶交通服务)、AIS(AutomaticIdentificationSystem,船舶自动识别系统)、以及对海雷达通信连接,海域单元111用于获取海情信息并进行数据融合以得到海域目标信息,海情信息包括海情中心的海情中心信息、VTS的VTS信息、AIS的AIS信息、以及对海雷达的对海雷达信息。该海域单元111将获取的海情中心信息、VTS信息、AIS信息、以及对海雷达信息发送给融合运算单元113进行数据融合,数据融合处理后获得海域目标信息。
空域单元112与ATC(空中交通管控系统)、卫星、飞行器、以及航空器通信连接,空域单元112用于获取空情信息并进行数据融合以得到空域弥补信息,空情信息包括ATC的ATC信息、卫星的卫星信息、飞行器的飞行器信息、以及航空器的航空器信息。该空域单元112将获取的ATC信息、卫星信息、飞行器信息、以及航空器信息发送给融合运算单元113进行数据融合,数据融合处理后获得空域目标信息。
融合运算单元113用于对接收的信息进行数据融合处理,接收到的信息有海情信息或者空情信息,融合运算单元113包括建模模块、预处理模块、关联模块、以及融合处理模块,建模模块用于对融合运算单元接收的所有信息根据分布式融合结构建立数据融合模型,该所有信息为海域单元111发送的海情信息或者空域单元112发送的空情信息;预处理模块与建模模块连接,用于依据数据融合模型对所有信息进行空间校准和时间校准,经空间校准的所有信息变换到同一坐标系中,经时间校准的所有信息统一到同一时刻;关联模块与预处理模块连接,用于利用最近邻域法对经预处理模块校准的每一信息进行航迹关联,以得出每一信息中所包括的目标和与目标对应的航迹;融合处理模块与关联模块连接,用于利用加权平均法对所有信息中相同的目标进行融合处理,对同一目标对应的航迹进行融合以得到融合航迹,融合处理模块还用于将融合航迹和对应的目标相关联形成目标信息。经过信息融合处理,可以将多数据源的优势整合,以弥补单一数据源所存在的缺陷,比如AIS信息的信息量大,目标位置数据精度高,信息的提供不易受地形、天气和海况的影响,但是AIS信息仅限于安装了AIS的船舶,不利于避碰,AIS的船位由GPS提供,但在高噪声调节下容易导致GPS接收机对导航卫星的失锁而丧失功能,还存在电离层延时、多径干扰等问题。对海雷达信息存在信息量少,不能识别目标属性,测物标精度受限,存在盲区,容易受到干扰等缺陷。通过多信息源的数据融合,可以对空域和海域提供更精确、可靠的目标数据,有效地实现海域和空域中目标的识别、跟踪以及避碰,具有重要意义。
预处理模块中的空间校准包括坐标变换和空间配准,其中的坐标变换为将一个空间坐标系中的目标,根据位置关系变换到另外一个坐标系中,并给出两坐标系的关系。通过将直角坐标系和空间极坐标相互转换。
设直角坐标系中任意一点p的位置坐标为(x,y,z),在极坐标系中对应位置坐标为则直角坐标系和极坐标系之间的相互转换关系为:
或
空间配准是要消除信息源测量的系统误差,包括动态或静态估算出信息源的测量系统误差,然后对目标测量信息进行补偿。本发明采用二维空间的极大似然配准处理。假设两部传感器a和b,斜距和方位角偏差分别为:Δra,Δθa,Δrb,Δθb。如图3所示,ra,θa和rb,θb分别代表传感器a和b的斜距和方位角量测值。(xa,ya)和(xb,yb)表示在全局坐标系上的量测值,(xsa,ysa)和(xsb,ysb)表示传感器在全局坐标系中的位置。
极大似然配准法考虑了传感器的随机量测噪声。假定传感器量测噪声向量为:
分别表示传感器a和b的斜距和方位角的测量噪声,v服从高斯分布。
由图3可以推导出如下的基本方程:
当考虑传感器的量测噪声,可有:
其中ra′,θa′和rb′,θb′表示传感器的真实值,Δra,Δθa和Δrb,Δθb表示传感器的测量误差。将式子(1.4)代入式子(1.3),并且将得到的方程对Δra,Δθa,Δrb,Δθb进行一阶泰勒级数展开可以得到
根据不同时刻的传感器量测,也就是说当k=1,2,…N时,由式子(1.5)可以产生如下一对方程:
在N个量测之后,有2N个方程,当(N≥2)时,可以求解出式子(1.6)中的4个未知量。对于量测噪声向量v和偏差向量x可进行线性化,可得到N次量测后的线性方程为:
z=A(x+b)=Ax+Ab(1.7)
其中:
进一步,可得出基于极大似然方法的传感器偏差向量x的估计为:
下面以AIS信息和对海雷达信息的融合运算为例对融合运算单元113的运算过程进行说明。
首先,建模模块根据AIS信息和对海雷达信息的特点,结合数据融合的分布式融合结构,建立AIS信息和对海雷达信息的数据融合模型,如图2所示,其中,O1表示第1个目标的输出航迹,On表示第n个目标的输出航迹。在海域内有n艘船,并且每个船上同时安装有AIS和对海雷达,由于AIS目标和雷达目标的信息来自于相互独立的传感器,首先需要对两个传感器数据进行空间校准和时间校准,使两者在空间、时间上统一;然后,进行n个AIS目标航迹和n个雷达航迹的匹配和关联,提取出同一目标的AIS和雷达数据;最终将同一目标的AIS数据和雷达数据进行融合处理,得到数据融合的最佳结果。
接着,预处理模块依据数据融合模型对所有信息进行空间校准和时间校准。由AIS获得的目标位置数据表示为经度和纬度,而雷达获得的目标位置数据表示为距离和方位,因此,在对目标信息进行关联处理前,需要将两者统一变换到平面直角坐标中。
AIS坐标变换:AIS的目标位置信息来自于GPS接收机,GPS采用国际通用的WGS-84坐标系。WGS-84坐标系的原点位于地球的质心,Z轴指向地球极方向,X轴指向起始子午面和赤道的交点,Y轴与X轴、Z轴构成右手系。WGS-84系所采用椭球参数为:
a=6378137.0000000000(m)
b=6356752.3142(m)
c=6399593.6258(m)
f=1/298.257223563
e2=0.0066943799013
e’2=0.00673949674227
WGS-84系统与平面直角坐标系之间采用高斯-克吕格投影,见公式(2-1)。
式中:X、Y为点的平面直角坐标系的横、纵坐标;为点的地理坐标,以弧度计,λ从中央经线起算,表示经度,为纬度;S为由赤道至纬度处的子午线弧长;N为纬度处的卯酉圈曲率半径;η为地球的第二偏心率,a、b则分别为地球椭球体的长短半轴。
V=1+η2
其中:
β2=β0-1
雷达坐标变换:雷达数据的坐标采用的是极坐标,其目标位置数据表示为距离(R)和方位(θ),把它变换为平面直角坐标系下的数据表示xR(x轴分量)和yR(y轴分量):
多传感器融合由于各传感器的采样率不同、起始时间不同等原因,存在观测数据在时间上的不同步问题。具体来讲,雷达对目标的扫描周期一般是一定的,而AIS的报告周期是随着船舶的航行状态而发生改变的,雷达与AIS系统具有不同的数据率,为了进行后续的航迹相关处理,应将两个传感器的信息统一到同一时刻。
若在同一时间段内AIS和雷达的采样时刻分别如下:
AIS的采样时刻序列:TAi=tAi1,tAi1,…tAif;(i=1,2,…n)
雷达的采样时刻序列:TRj=tRj1,tRj1,…tRjt;(j=1,2,…n)
当我们将|tAi-tA(i-1)|(表示AIS前一个时刻和后一个时刻的时间差)与|tRj-tR{j-1)|(表示雷达前一个时刻和后一个时刻的时间差)相比,采用差值小的传感器在所研究的各采样时刻为基准采样时刻,然后利用数据率高的数据进行内插或外推处理(拉格朗日插值),求得它们在各采样时刻的位置数据。
设由AIS数据得到的目标在tA(i-1),tA(i+1)时刻的位置坐标分别为(xA(i-1,yA(i-1)),(xA(i+1),yA(i+1)),当|tAi-tA(i-1)|≤|tRj-tR(j-1)|时,由公式(2-3)可得与雷达tRj时刻的AIS位置数据(xAj,yAj)。其他的航速、航向等信息也可由该方法得到。
当目标平稳运动时,我们以雷达的n个采样时刻作为基准采样时刻,而当目标状态快速改变时,由于AIS提供数据的周期变短,短于雷达的扫描周期时,改作以AIS的各采样时刻作为基准采样时刻,该方法将随目标的机动而自动调节采样时刻作为基准数据,具有自适应的特点,并且采样时刻点选择密集,减少了误差引入的可能。
再接着,由关联模块利用最近邻域法进行航迹关联。
设(xAk,yAk)、(xRk,yRk)分别为k时刻AIS、ARPA经时空校准所推算出的目标位置,当前设ARPA雷达跟踪波门为Δx、Δy,AIS与ARPA的航迹关联分为以下两种情况:
跟踪波门内只有一个目标:
当AIS与雷达的目标位置信息满足公式(2-3)时,则实现AIS目标和ARPA雷达目标的航迹关联。
跟踪波门内有多个目标:
为了提高关联质量,需要进行m次关联检测,在关联检测样本间建立距离函数ρij,i代表第i组AIS的数据,j代表第j组雷达的数据,i和j是独立不相关的。
根据公式(2-5),对于确定的j组ARPA数据,要找到处于同一目标的AIS所对应的数据,只要找到i,该i使得距离ρij取得最小值。
最后,由融合处理模块进行目标融合。
经航迹关联检验确定为同一目标的航迹可以进行航迹融合处理,得到航迹。目标航迹融合方法采用直观、高效的加权平均法,这种方法能够直接对校准后数据进行统计加权处理,减少信息损失,有利于提高融合航迹的精度。设AIS测量的误差为σA 2,加权因子为w1,雷达测量的误差方差为σR 2,加权因子为w2,融合后的值为X。
融合值的均方误差为公式(2-6):
σ2=E[(x-X)2]=E[w1 2(x-x1)2+w2 2(x-x2)2+2w1w2(x-x1)(x-x2)](2-6)
其中:
E[(x-x1)(x-x2)]=0
进一步化解可以得到公式(2-7):
今σ2取最小值,则对σ2求导数,今导数为0,代入式(2-8):
可以得到此时
根据最优权重因子的判断结论,则可确定权重系数见公式(2-9):
式中:
σRL 2、σAL 2——雷达、AIS的测距精度;
σRθ 2、σAθ 2——雷达、AIS的测角精度;
σRV 2、σAV 2——雷达、AIS的测速精度。
由公式(4-10)可以得到融合后的目标数据。
态势评估子系统12与信息融合子系统11连接,态势评估子系统12用于对海域目标信息和空域目标信息进行目标态势评估以得到目标威胁概率。态势评估子系统12与多个处理平台连接,对接收到的海域目标信息和空域目标信息分发给多个处理平台,利用多个处理平台进行探测处理,当某一平台发现威胁目标,将通知态势评估子系统12,以便态势评估子系统12将该威胁目标通知其他平台,这样使得各个处理平台不再依赖自身的探测设备,而可以通过系统信息共享其他平台的发现,从而提高安全防御和军事决策的隐蔽性和实效性。
态势评估子系统12包括初步评估单元121、深度评估单元122、以及显示单元123。初步评估单元121用于对海域目标信息和空域目标信息中包括的目标属性进行评估判断,为海域目标信息和空域目标信息指定对应的评估值,并得出对应的目标运动轨迹和目标属性信息;其中海域目标信息和空域目标信息中包括目标信息、目标属性、以及静态信息,其中的目标属性有航向、航速、目标类型等信息。经初步评估单元121评估后,输出目标运动轨迹、目标类型、目标大小、目标往来次数、目标威胁度、目标拦截成功率、目标拦截时间等信息,该初步评估单元121可以结合其他处理平台中的气象资源、行政资源、历史资源、以及人文资源,对目标进行往来次数的统计、威胁度的评估等。
深度评估单元122与初步评估单元121连接,用于对评估值超出警戒值的海域目标信息和空域目标信息进行深度评估,利用神经网络算法对海域目标信息和空域目标信息进行运算,以得出目标威胁概率和目标关联信息;对于评估值超出警戒值的目标,目标威胁度超出了设定的警戒值,该目标的威胁度较大,进而对该目标进行深度评估,深度评估利用神经网络算法,输入初步评估单元121所得的信息,包括多目标多航迹,根据神经网络算法输出目标威胁概率和目标关联信息。神经网络算法是一种模仿生物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。如图5所示,网络中的神经元是分层排列的,每个神经元只与前一层的神经元相连接。第一层为输入层21,它由线性变换单元组成的,中间为隐层22,隐层22的层数可以是一层或多层,最上一层为输出层23。隐层22和输出层23均由非线性变换单元组成。
利用神经网络进行态势评估与预测,首先必须进行态势评估网络的构建。主要步骤如下:一、层节点个数的确定:根据多个平台的态势初步评估信息,可以确定输入层节点个数。例如输入节点包括目标作战能力、角度、距离、高度及速度等评估指标;中间隐层节点的数目与输入层节点数目、输出层节点数目、对待问题的难易程度等多种因素相关,通常利用经验公式划定隐含节点范围,然后在经多次训练来取定最佳节点数。二、网络样本生成:采用工程模糊集方法确定因素的权重系数,形成初始训练样本,然后通过专家校正法进行调整优化,生成最终的网络训练样本。三、网络训练:采用标准梯度下降法与指数梯度下降法相结合的学习算法,对神经网络进行训练,使误差满足一定要求,确保网络具备较强的鲁棒性。态势评估网络建成后,在目标完成要素拾取、识别出异常目标后,系统可自动对异常目标进行态势估计与预测,也可综合参考其它方面的信息,比如视频、雷达等资源,人工判断是否需要对该异常目标进行估计和预测。
显示单元123与初步评估单元121和深度评估122单元连接,用于显示初步评估单元121得到的评估值、目标运动轨迹、以及目标属性信息,显示深度评估单元122得到的目标威胁概率和目标关联信息。通过显示单元123的显示,直观地将目标的态势展示给指挥人员,以供指挥人员进行全局部署。
安全防御子系统13与态势评估子系统12连接,该安全防御子系统13用于根据目标威胁概率进行目标威胁等级的划分,并为目标威胁等级匹配对应的目标防御方案。
安全防御子系统13包括威胁等级判断单元131和与威胁等级判断单元131连接的目标防御决策单元132,威胁等级判断单元131用于对目标进行目标威胁等级的划分,目标防御决策单元132用于对目标威胁等级匹配对应的目标防御方案。安全防御子系统13将对应的目标防御方案进行显示以供指挥人员进行操控。
威胁等级判断单元131内设有存储模块、量化模块、以及判断模块,存储模块内存储有项目对照表,该项目对照表包括目标类型威胁等级对照表、目标速度威胁等级对照表、目标航向威胁等级对照表、目标距离威胁等级对照表、以及目标威胁等级划分表,并为目标类型、目标速度、目标航向、以及目标距离分配对应的权重形成权重表存储于存储模块内;量化模块用于对目标威胁概率中的指标进行量化处理,以得到与目标威胁概率对应的目标类型、目标速度、目标航向、以及目标距离;判断模块与量化模块和存储模块连接,用于根据量化模块所得到的目标类型、目标速度、目标航向、以及目标距离查找存储模块内的项目对照表以获得对应的威胁值,查找权重表获取对应的权重,并对威胁值和对应的权重进行加权求和计算得出威胁程度值,根据计算的威胁程度值查找目标威胁等级划分表以获取匹配的威胁等级作为目标威胁等级。
威胁等级判断单元131在态势评估的基础上,根据目标的敌我属性以及其位置、速度、航向、类型等信息以定量形式估计和分析,依据设定的威胁判断准则,对量化信息选取合适的权重,进行加权求和计算威胁值来分析判断其威胁程度,完成威胁等级划分,并实施海上、空中目标的防御处理。将海域目标的评估指标设定为目标类型、目标速度、目标航线、以及目标距离,将空域目标的评估指标设定为目标类型、目标速度、目标航向角、目标距离、以及目标高度,并分别为各个评估指标分配权重,
将海上目标类型分为军用舰船和民用船只两类,根据威胁情况分为1~5级进行威胁估计。具体描述如表1.1所示。
表1.1为海域内目标类型威胁等级对照表
从目标的速度大小和速度变化情况,可以推测出对方的基本意图,估算目标是否对我方构成威胁及威胁大小。具体描述如表1.2所示。
速度(Kn) | 威胁等级 | 速度变化 | 威胁等级 |
<6 | 0.5 | 速度稳定 | 0.5 |
6~10 | 1.0 | 速度提高 | 1.0 |
10~20 | 1.5 | 速度下降 | 0.5 |
>20 | 2.0 | - | - |
表1.2为海域内目标速度威胁等级对照表
在不同的时间段内,如果目标的航线保持一致或者每次的航线基本保持平行,则目标的威胁程度不大。如果相对航线之间不一致或者不平行,而是反复变化的、相交的,则认为目标的威胁等级较高,可能对我方构成威胁。量化描述见表1.3。
航线 | 沿海海域 | 远海海域 |
稳定靠近 | 0.5 | 0.5 |
稳定远离 | 1.0 | 1.0 |
转向靠近 | 1.5 | 2.0 |
转向远离 | 0.5 | 0.5 |
表1.3为海域内目标航向威胁等级对照表
将距离划分为5个等级(见表1.4),每个距离范围对应与我方不同的防御阶段和目标的不同威胁级别。
表1.4为海域内目标距离威胁等级对照表
根据空中目标的类别,将接近某个火力单元或所保卫要地的敌方、不明目标进行威胁程度分类,并划分为9个级别,具体描述如表1.5所示。
表1.5为空域内目标类型威胁等级对照表
将空中目标速度划分为9个等级(见表1.6),当目标速度越快,到达防御物的时间越短,威胁可能越大。
表1.6为空域内目标速度威胁等级对照表
将目标航向角(0°~180°)划分为7个区域,依次量化威胁级别。具体描述如表1.7所示。
表1.7为空域中目标航向威胁等级对照表
目标距被保卫物的距离越小,目标的威胁可能越大。具体描述如表1.8所示。
表1.8为空域中目标距离威胁等级对照表
空中目标的高度越高,威胁越小,将空域中袭击威胁划分为4个等级,如表1.9所示。
表1.9为空域中目标高度威胁等级对照表
采用DELPHI法(专家意见法)对海上、空中目标指标进行专家意见的征询和调查,经统计处理得出威胁估计权值分配结果,如表2.1所示。
海上目标 | 指标权重 | 空中目标 | 指标权重 |
舰船种类 | 0.15 | 目标类别 | 0.23 |
速度 | 0.15 | 速度 | 0.28 |
航线 | 0.23 | 航向角 | 0.2 |
距离 | 0.15 | 距离 | 0.1516 --> |
- | - | 高度 | 0.14 |
表2.1威胁指标权值量化
举例说明,假设有5批舰船编队、6批空中编队对我方基地进行袭击,目标属性如表2.2、2.3所示。
表2.2海上威胁目标的指标
表2.3空中威胁目标的指标
由目标各属性威胁程度可得到目标各属性对应的威胁程度量化值及估计值,如表2.4、2.5所示。因此,5批目标的威胁等级排序依次为:批次2>批次1>批次3>批次4>批次5;6批目标的威胁等级排序依次为:批次3>批次1>批次5>批次4>批次6>批次2。
表2.4海上目标威胁权值量化及估计
表2.5空中目标威胁权值量化及估计
目标防御决策单元132内设有第一威胁阈值和第二威胁阈值;当目标威胁等级低于第一威胁阈值时,匹配的目标防御方案为提示告警;当目标威胁等级高于第一威胁阈值并低于第二威胁阈值时,匹配的目标防御方案为目标拦截;当目标威胁等级高于第二威胁阈值时,匹配的目标防御方案为目标攻击。目标防御方案由指挥人员下达执行指令后,进行执行。
在对目标的威胁评估后进行拦截决策,主要包括:执行拦截适应性检查,如停止射击、拦截禁止,目标识别为敌方或不明目标等;判断目标特性,根据目标的运动参数和航行特点,判断目标是否满足火力单元要求;预测当前发射的遭遇点,确定目标是否被遮蔽;选择最有利的制导发射装置对目标进行拦截,以使防御系统整体效能发挥最大。
在海岸防御过程中,根据敌方对我方基地的海域、空域袭击情况,开展如下海岸防御处理与应对决策:当敌方实施火力准备时,利用工事严密防护,不间断地掌握海上和空中的情况,查明敌方主要登陆方向和地段及登陆兵的编成、航行速度,做好抗敌登陆的准备;以远程炮兵火力和航空兵火力突击敌方火力支援舰艇,打击敌方飞机和攻击直升机,封锁飞行编队航道,对海域内障碍物实施掩护;当敌方展开或换乘向岸接近时,集中火力突击敌登陆舰艇和火力支援舰艇;当敌方向岸冲击抢滩登陆时,集中火力击毁敌登陆工具和装甲车辆,杀伤敌登陆兵;远程炮兵和航空兵继续突击敌后续梯队和火力支援舰群;当敌方上陆时,以各种火力支援前沿部队扼守要点,大量杀伤敌人,并阻止其后续梯队接近和上陆;当敌方突入防御阵地时,以火力突击、机动设障与坚守要点相结合,阻止其巩固和扩大登陆场,并适时机动预备队实施反冲击,力求歼敌于立足未稳之际,夺回滩头要点;当敌方在防御纵深机降时,适时机动火力,突击敌人,以反空降预备队,在友邻部队配合下,围歼敌人。
下面对本发明基于多维度空间融合的海岸监控与防御决策方法进行说明。
如图4所示,本发明基于多维度空间融合的海岸监控与防御决策方法包括:执行步骤S21,获取海域内的海情信息并进行数据融合以得到海域目标信息,海情信息包括海域的海情中心信息、VTS信息、AIS信息、以及对海雷达信息,将所获取的海情中心信息、VTS信息、AIS信息、以及对海雷达信息进行数据融合得到海域目标信息;执行步骤S22,获取空域内的空情信息并进行数据融合以得到空域目标信息,空情信息包括空域的ATC信息、卫星信息、飞行器信息、以及航空器信息,将所获取的ATC信息、卫星信息、飞行器信息、以及航空器信息进行数据融合得到空域目标信息;执行步骤S23,对海域目标和空域目标信息进行目标态势评估,对海域目标信息和空域目标信息进行目标态势评估,以得到目标威胁概率;执行步骤S24,进行目标威胁等级划分,并为目标威胁等级匹配对应的目标防御方案,根据目标威胁概率进行目标威胁等级的划分,并为目标威胁等级匹配对应的目标防御方案。
对海域内的海情中心信息、VTS信息、AIS信息、以及对海雷达信息进行数据融合和对空域内的ATC信息、卫星信息、飞行器信息、以及航空器信息进行数据融合包括:对待进行数据融合的海情信息或者空情信息根据分布式融合结构建立数据融合模型;依据数据融合模型对海情信息或者空情信息进行预处理,包括空间校准和时间校准,通过空间校准将海情信息或者空情信息变换到同一坐标系中,通过时间校准将海情信息或者空情信息统一到同一时刻;利用最近邻域法对每一海情信息或者空情信息进行航迹关联,得出每一海情信息或者空情信息中所包括的目标和与目标对应的航迹;利用加权平均法对海情信息或者空情信息中相同的目标进行融合处理,将同一目标对应的航迹进行融合,以得到融合航迹;将融合航迹和对应的目标相关联以形成海域目标信息或者空域目标信息。该融合方法与本发明基于多维度空间融合的海岸监控与防御决策系统中的融合运算单元的原理相同,在此不再赘述。
对海域目标信息和空域目标信息进行目标态势评估包括初步评估和深度评估,对海域目标信息和空域目标信息进行初步评估,根据海域目标信息和空域目标信息中包括的目标属性进行评估判断,为海域目标信息和空域目标信息指定对应的评估值,并得出对应的目标运动轨迹和目标属性信息;将海域目标信息和空域目标信息和对应的评估值、目标运动轨迹、以及目标属性信息进行显示,将初步评估的结果进行显示,为指挥人员提供指导,便于根据作战经验进行判断,提高管理人员介入的时效性;对评估值超出警戒值的海域目标信息和空域目标信息进行深度评估,利用神经网络算法对海域目标信息和空域目标信息进行运算,以得出目标威胁概率和目标关联信息;将目标威胁概率和目标关联信息进行显示。
根据目标威胁概率进行目标威胁等级的划分包括:建立项目对照表,包括目标类型威胁等级对照表、目标速度威胁等级对照表、目标航向威胁等级对照表、以及目标距离威胁等级对照表,并为目标类型、目标速度、目标航向、以及目标距离分配对应的权重;将目标威胁概率中的指标进行量化处理,获取目标类型、目标速度、目标航向、以及目标距离等信息,从项目对照表中查找出对应的威胁值,根据威胁值和对应的权重进行加权求和计算得出威胁程度值;为威胁程度值匹配对应的威胁等级,以得到目标威胁等级。具体的威胁等级划分过程与本发明基于多维度空间融合的海岸监控与防御决策系统中的目标威胁等级划分相同,在此不再赘述。
为目标威胁等级匹配对应的目标防御方案包括:设定第一威胁阈值和第二威胁阈值;当目标威胁等级低于第一威胁阈值时,匹配的目标防御方案为提示告警;当目标威胁等级高于第一威胁阈值并低于第二威胁阈值时,匹配的目标防御方案为目标拦截;当目标威胁等级高于第二威胁阈值时,匹配的目标防御方案为目标攻击。防御决策与本发明基于多维度空间融合的海岸监控与防御决策系统中的防御决策相同,在此不再赘述。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (10)
1.一种基于多维度空间融合的海岸监控与防御决策方法,其特征在于,包括:
获取海域内的海情信息并进行数据融合以得到海域目标信息;
获取空域内的空情信息并进行数据融合以得到空域目标信息;
对所述海域目标信息和所述空域目标信息进行目标态势评估,以得到目标威胁概率;以及
根据所述目标威胁概率进行目标威胁等级的划分,并为所述目标威胁等级匹配对应的目标防御方案。
2.如权利要求1所述的基于多维度空间融合的海岸监控与防御决策方法,其特征在于,所述海情信息包括海情中心信息、VTS信息、AIS信息、以及对海雷达信息;所述空情信息包括ATC信息、卫星信息、飞行器信息、以及航空器信息;
进行数据融合包括:
对待进行数据融合的所述海情信息或者所述空情信息根据分布式融合结构建立数据融合模型;
依据所述数据融合模型对所述海情信息或者所述空情信息进行预处理,包括空间校准和时间校准,通过空间校准将所述海情信息或者所述空情信息变换到同一坐标系中,通过时间校准将所述海情信息或者所述空情信息统一到同一时刻;
利用最近邻域法对每一所述海情信息或者所述空情信息进行航迹关联,得出每一所述海情信息或者所述空情信息中所包括的目标和与目标对应的航迹;
利用加权平均法对所述海情信息或者所述空情信息中相同的目标进行融合处理,将同一目标对应的航迹进行融合,以得到融合航迹;以及
将融合航迹和对应的目标相关联以形成所述海域目标信息或者所述空域目标信息。
3.如权利要求1或2所述的基于多维度空间融合的海岸监控与防御决策方法,其特征在于,进行目标态势评估包括对所述海域目标信息和所述空域目标信息进行初步评估和深度评估;
对所述海域目标信息和所述空域目标信息进行初步评估,包括:
根据所述海域目标信息和所述空域目标信息中包括的目标属性进行评估判断,为所述海域目标信息和所述空域目标信息指定对应的评估值,并得出对应的目标运动轨迹和目标属性信息;
将所述海域目标信息和所述空域目标信息和对应的评估值、目标运动轨迹、以及目标属性信息进行显示;
对所述评估值超出警戒值的海域目标信息和空域目标信息进行深度评估,包括:
利用神经网络算法对所述海域目标信息和所述空域目标信息进行运算,以得出目标威胁概率和目标关联信息;
将所述目标威胁概率和目标关联信息进行显示。
4.如权利要求3所述的基于多维度空间融合的海岸监控与防御决策方法,其特征在于,根据所述目标威胁概率进行目标威胁等级的划分,包括:
建立项目对照表,包括目标类型威胁等级对照表、目标速度威胁等级对照表、目标航向威胁等级对照表、以及目标距离威胁等级对照表,并为目标类型、目标速度、目标航向、以及目标距离分配对应的权重;
将所述目标威胁概率中的指标进行量化处理,以获取目标类型、目标速度、目标航向、以及目标距离,并从所述项目对照表中查找出对应的威胁值,根据所述威胁值和对应的权重进行加权求和计算得出威胁程度值;
为所述威胁程度值匹配对应的威胁等级,以得到目标威胁等级。
5.如权利要求4所述的基于多维度空间融合的海岸监控与防御决策方法,其特征在于,为所述目标威胁等级匹配对应的目标防御方案,包括:
设定第一威胁阈值和第二威胁阈值;
当所述目标威胁等级低于所述第一威胁阈值时,匹配的目标防御方案为提示告警;
当所述目标威胁等级高于所述第一威胁阈值并低于所述第二威胁阈值时,匹配的目标防御方案为目标拦截;
当所述目标威胁等级高于所述第二威胁阈值时,匹配的目标防御方案为目标攻击。
6.一种基于多维度空间融合的海岸监控与防御决策系统,其特征在于,包括:
信息融合子系统,包括海域单元和空域单元,所述海域单元用于获取海域内的海情信息并进行数据融合以得到海域目标信息;所述空域单元用于获取空域内的空情信息并进行数据融合以得到空域目标信息;
与所述信息融合子系统连接的态势评估子系统,用于对所述海域目标信息和所述空域目标信息进行目标态势评估以得到目标威胁概率;
与所述态势评估子系统连接的安全防御子系统,用于根据所述目标威胁概率进行目标威胁等级的划分,并为所述目标威胁等级匹配对应的目标防御方案。
7.如权利要求6所述的基于多维度空间融合的海岸监控与防御决策系统,其特征在于,所述信息融合子系统还包括与所述海域单元和所述空域单元均连接的融合运算单元,所述融合运算单元用于对接收的信息进行数据融合;
所述海域单元与海情中心、VTS、AIS、以及对海雷达通信连接,所述海情信息包括所述海情中心的海情中心信息、所述VTS的VTS信息、所述AIS的AIS信息、以及所述对海雷达的对海雷达信息;
所述空域单元与ATC、卫星、飞行器、以及航空器通信连接,所述空情信息包括所述ATC的ATC信息、所述卫星的卫星信息、所述飞行器的飞行器信息、以及所述航空器的航空器信息;
所述融合运算单元包括建模模块、预处理模块、关联模块、以及融合处理模块,其中:
所述建模模块用于对所述融合运算单元接收的所述海情信息或者所述空情信息根据分布式融合结构建立数据融合模型;
所述预处理模块与所述建模模块连接,用于依据所述数据融合模型对所述海情信息或者所述空情信息进行空间校准和时间校准,经空间校准的所述海情信息或者所述空情信息变换到同一坐标系中,经时间校准的所述海情信息或者所述空情信息统一到同一时刻;
所述关联模块与所述预处理模块连接,用于利用最近邻域法对经所述预处理模块校准的每一所述海情信息或者所述空情信息进行航迹关联,以得出每一所述海情信息或者所述空情信息中所包括的目标和与目标对应的航迹;
所述融合处理模块与所述关联模块连接,用于利用加权平均法对所述海情信息或者所述空情信息中相同的目标进行融合处理,对同一目标对应的航迹进行融合以得到融合航迹,所述融合处理模块还用于将所述融合航迹和对应的目标相关联形成海域目标信息或者空域目标信息。
8.如权利要求6或7所述的基于多维度空间融合的海岸监控与防御决策系统,其特征在于,所述态势评估子系统包括初步评估单元、深度评估单元、以及显示单元,其中:
所述初步评估单元用于对所述海域目标信息和所述空域目标信息中包括的目标属性进行评估判断,为所述海域目标信息和所述空域目标信息指定对应的评估值,并得出对应的目标运动轨迹和目标属性信息;
所述深度评估单元与所述初步评估单元连接,用于对所述评估值超出警戒值的海域目标信息和空域目标信息进行深度评估,利用神经网络算法对所述海域目标信息和所述空域目标信息进行运算,以得出目标威胁概率和目标关联信息;以及
所述显示单元与所述初步评估单元和所述深度评估单元连接,用于显示所述初步评估单元得到的评估值、目标运动轨迹、以及目标属性信息,显示所述深度评估单元得到的目标威胁概率和目标关联信息。
9.如权利要求8所述的基于多维度空间融合的海岸监控与防御决策系统,其特征在于,所述安全防御子系统包括威胁等级判断单元,所述威胁等级判断单元内设有存储模块、量化模块、以及判断模块,其中:
所述存储模块内存储有项目对照表,所述项目对照表包括目标类型威胁等级对照表、目标速度威胁等级对照表、目标航向威胁等级对照表、目标距离威胁等级对照表、以及目标威胁等级划分表,还存储有为目标类型、目标速度、目标航向、以及目标距离分配对应权重的权重表;
所述量化模块用于对所述目标威胁概率中的指标进行量化处理,以得到与所述目标威胁概率对应的目标类型、目标速度、目标航向、以及目标距离;以及
所述判断模块与所述量化模块和所述存储模块连接,用于根据所述量化模块所得到的目标类型、目标速度、目标航向、以及目标距离查找所述存储模块内的所述项目对照表以获得对应的威胁值,查找所述权重表以获得对应的权重,并对所述威胁值和对应的权重进行加权求和计算得出威胁程度值,根据计算的威胁程度值查找所述目标威胁等级划分表以获取匹配的威胁等级作为目标威胁等级。
10.如权利要求9所述的基于多维度空间融合的海岸监控与防御决策系统,其特征在于,所述安全防御子系统还包括与所述威胁等级判断单元连接的目标防御决策单元,所述目标防御决策单元用于对所述目标威胁等级匹配对应的目标防御方案,其中:所述目标防御决策单元内设有第一威胁阈值和第二威胁阈值;
当所述目标威胁等级低于所述第一威胁阈值时,匹配的目标防御方案为提示告警;
当所述目标威胁等级高于所述第一威胁阈值并低于所述第二威胁阈值时,匹配的目标防御方案为目标拦截;
当所述目标威胁等级高于所述第二威胁阈值时,匹配的目标防御方案为目标攻击。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510981054.5A CN105654232A (zh) | 2015-12-24 | 2015-12-24 | 基于多维度空间融合的海岸监控与防御决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510981054.5A CN105654232A (zh) | 2015-12-24 | 2015-12-24 | 基于多维度空间融合的海岸监控与防御决策系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105654232A true CN105654232A (zh) | 2016-06-08 |
Family
ID=56476709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510981054.5A Pending CN105654232A (zh) | 2015-12-24 | 2015-12-24 | 基于多维度空间融合的海岸监控与防御决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654232A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027550A (zh) * | 2016-06-29 | 2016-10-12 | 北京邮电大学 | 一种防御策略系统分析方法及装置 |
CN106130986A (zh) * | 2016-06-30 | 2016-11-16 | 湘潭大学 | 一种基于自动化决策的风电场主动安全防御方法 |
CN106382857A (zh) * | 2016-11-15 | 2017-02-08 | 成都赫尔墨斯科技有限公司 | 一种无人机拦截方法及系统 |
CN106708094A (zh) * | 2016-11-15 | 2017-05-24 | 成都赫尔墨斯科技有限公司 | 一种反无人机控制方法及系统 |
CN106836166A (zh) * | 2017-01-06 | 2017-06-13 | 天津博迈科海洋工程有限公司 | 大型海上人工岛模块现场安装场地规划方法 |
CN107392477A (zh) * | 2017-07-27 | 2017-11-24 | 中国石油大学(华东) | 一种海洋波浪能风能资源联合区域等级划分方法 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN108446858A (zh) * | 2018-03-27 | 2018-08-24 | 中国航空无线电电子研究所 | 基于特定网络结构的空地威胁评估方法 |
CN108985463A (zh) * | 2018-07-15 | 2018-12-11 | 大国创新智能科技(东莞)有限公司 | 基于知识库和深度学习的人工智能作战方法和机器人系统 |
CN109084747A (zh) * | 2018-06-26 | 2018-12-25 | 武汉理工大学 | 基于通用三维引擎的水上交通全景三维导航系统及方法 |
CN109190667A (zh) * | 2018-07-31 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种基于电子侦察信号的目标威胁评估方法、模型及模型构建方法 |
CN109323624A (zh) * | 2018-10-26 | 2019-02-12 | 广州市海林电子科技发展有限公司 | 一种岛礁基地警戒防御系统及方法 |
CN109613530A (zh) * | 2018-12-21 | 2019-04-12 | 成都航天科工微电子系统研究院有限公司 | 一种低小慢空中目标多源信息融合的管控方法 |
CN109709589A (zh) * | 2019-01-09 | 2019-05-03 | 深圳市芯鹏智能信息有限公司 | 一种海空区域立体感知防控系统 |
CN110285812A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 多目标跟踪中基于目标威胁度的传感器匹配方法及系统 |
CN110531784A (zh) * | 2019-09-03 | 2019-12-03 | 中航天元防务技术(北京)有限公司 | 一种针对无人飞行器的威胁评估方法 |
CN110782481A (zh) * | 2019-10-18 | 2020-02-11 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 无人艇智能决策方法及系统 |
CN110889979A (zh) * | 2019-12-09 | 2020-03-17 | 交通运输部规划研究院 | 一种内河航道数据的融合方法及装置 |
CN110969637A (zh) * | 2019-12-02 | 2020-04-07 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的多威胁目标重建及态势感知方法 |
CN111086616A (zh) * | 2019-11-22 | 2020-05-01 | 河北汉光重工有限责任公司 | 一种基于目标行为意图进行威胁等级判断的自主火控方法 |
CN111102882A (zh) * | 2019-11-28 | 2020-05-05 | 中国运载火箭技术研究院 | 基于威胁评估的异构分布式探测信息目标识别优化方法 |
CN111898655A (zh) * | 2020-07-14 | 2020-11-06 | 苏州热工研究院有限公司 | 核电站水面安保威胁的评估方法及防范方法 |
CN111951613A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 空地协同的广域空域安全态势评估方法 |
CN112033394A (zh) * | 2020-09-03 | 2020-12-04 | 成都汇蓉国科微系统技术有限公司 | 一种基于定位设备的合作目标识别方法及装置 |
CN113051340A (zh) * | 2021-03-30 | 2021-06-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 端到端海空活动目标数据规律实时挖掘方法 |
CN113814989A (zh) * | 2020-06-19 | 2021-12-21 | 周世海 | 一种可形变组合式机器人及其控制系统 |
CN114548674A (zh) * | 2022-01-17 | 2022-05-27 | 清华大学 | 面向多智能体对抗场景的威胁态势评估方法、装置及设备 |
CN115359692A (zh) * | 2022-08-08 | 2022-11-18 | 北京电子工程总体研究所 | 一种模拟实现两级指控联合训练的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103241380A (zh) * | 2012-02-03 | 2013-08-14 | 伊德斯德国股份有限公司 | 对陆地或海上对象进行侦察和/或交战的系统以及方法 |
KR101499470B1 (ko) * | 2014-09-26 | 2015-03-09 | (주)유엠로직스 | 악성코드 전이 탐지를 이용한 apt 공격 방어 시스템 및 그 방어 방법 |
CN105025011A (zh) * | 2015-06-12 | 2015-11-04 | 吉林大学 | 车载信息安全的评价方法 |
-
2015
- 2015-12-24 CN CN201510981054.5A patent/CN105654232A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103241380A (zh) * | 2012-02-03 | 2013-08-14 | 伊德斯德国股份有限公司 | 对陆地或海上对象进行侦察和/或交战的系统以及方法 |
KR101499470B1 (ko) * | 2014-09-26 | 2015-03-09 | (주)유엠로직스 | 악성코드 전이 탐지를 이용한 apt 공격 방어 시스템 및 그 방어 방법 |
CN105025011A (zh) * | 2015-06-12 | 2015-11-04 | 吉林大学 | 车载信息安全的评价方法 |
Non-Patent Citations (2)
Title |
---|
周谋等: "‘空海一体战’构想中电子战的应对思考", 《国防科技》 * |
李强: "航母舰载机对空防御实时威胁评估算法研究", 《舰船电子工程》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027550B (zh) * | 2016-06-29 | 2019-04-12 | 北京邮电大学 | 一种防御策略系统分析方法及装置 |
CN106027550A (zh) * | 2016-06-29 | 2016-10-12 | 北京邮电大学 | 一种防御策略系统分析方法及装置 |
CN106130986A (zh) * | 2016-06-30 | 2016-11-16 | 湘潭大学 | 一种基于自动化决策的风电场主动安全防御方法 |
CN106130986B (zh) * | 2016-06-30 | 2019-11-08 | 湘潭大学 | 一种基于自动化决策的风电场主动安全防御方法 |
CN106382857A (zh) * | 2016-11-15 | 2017-02-08 | 成都赫尔墨斯科技有限公司 | 一种无人机拦截方法及系统 |
CN106708094A (zh) * | 2016-11-15 | 2017-05-24 | 成都赫尔墨斯科技有限公司 | 一种反无人机控制方法及系统 |
CN106836166A (zh) * | 2017-01-06 | 2017-06-13 | 天津博迈科海洋工程有限公司 | 大型海上人工岛模块现场安装场地规划方法 |
CN107392477A (zh) * | 2017-07-27 | 2017-11-24 | 中国石油大学(华东) | 一种海洋波浪能风能资源联合区域等级划分方法 |
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN108254741B (zh) * | 2018-01-16 | 2021-02-09 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN108446858A (zh) * | 2018-03-27 | 2018-08-24 | 中国航空无线电电子研究所 | 基于特定网络结构的空地威胁评估方法 |
CN108446858B (zh) * | 2018-03-27 | 2022-03-08 | 中国航空无线电电子研究所 | 基于特定网络结构的空地威胁评估方法 |
CN109084747A (zh) * | 2018-06-26 | 2018-12-25 | 武汉理工大学 | 基于通用三维引擎的水上交通全景三维导航系统及方法 |
CN109084747B (zh) * | 2018-06-26 | 2022-03-18 | 武汉理工大学 | 基于通用三维引擎的水上交通全景三维导航系统及方法 |
CN108985463A (zh) * | 2018-07-15 | 2018-12-11 | 大国创新智能科技(东莞)有限公司 | 基于知识库和深度学习的人工智能作战方法和机器人系统 |
CN109190667A (zh) * | 2018-07-31 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种基于电子侦察信号的目标威胁评估方法、模型及模型构建方法 |
CN109323624A (zh) * | 2018-10-26 | 2019-02-12 | 广州市海林电子科技发展有限公司 | 一种岛礁基地警戒防御系统及方法 |
CN109613530A (zh) * | 2018-12-21 | 2019-04-12 | 成都航天科工微电子系统研究院有限公司 | 一种低小慢空中目标多源信息融合的管控方法 |
CN109613530B (zh) * | 2018-12-21 | 2021-08-24 | 航天科工微电子系统研究院有限公司 | 一种低小慢空中目标多源信息融合的管控方法 |
CN109709589A (zh) * | 2019-01-09 | 2019-05-03 | 深圳市芯鹏智能信息有限公司 | 一种海空区域立体感知防控系统 |
CN109709589B (zh) * | 2019-01-09 | 2023-07-18 | 深圳市芯鹏智能信息有限公司 | 一种海空区域立体感知防控系统 |
CN110285812A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 多目标跟踪中基于目标威胁度的传感器匹配方法及系统 |
CN110531784B (zh) * | 2019-09-03 | 2023-04-28 | 中航天元防务技术(北京)有限公司 | 一种针对无人飞行器的威胁评估方法 |
CN110531784A (zh) * | 2019-09-03 | 2019-12-03 | 中航天元防务技术(北京)有限公司 | 一种针对无人飞行器的威胁评估方法 |
CN110782481B (zh) * | 2019-10-18 | 2023-09-05 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 无人艇智能决策方法及系统 |
CN110782481A (zh) * | 2019-10-18 | 2020-02-11 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 无人艇智能决策方法及系统 |
CN111086616A (zh) * | 2019-11-22 | 2020-05-01 | 河北汉光重工有限责任公司 | 一种基于目标行为意图进行威胁等级判断的自主火控方法 |
CN111102882A (zh) * | 2019-11-28 | 2020-05-05 | 中国运载火箭技术研究院 | 基于威胁评估的异构分布式探测信息目标识别优化方法 |
CN110969637A (zh) * | 2019-12-02 | 2020-04-07 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的多威胁目标重建及态势感知方法 |
CN110889979B (zh) * | 2019-12-09 | 2021-07-20 | 交通运输部规划研究院 | 一种内河航道数据的融合方法及装置 |
CN110889979A (zh) * | 2019-12-09 | 2020-03-17 | 交通运输部规划研究院 | 一种内河航道数据的融合方法及装置 |
CN113814989A (zh) * | 2020-06-19 | 2021-12-21 | 周世海 | 一种可形变组合式机器人及其控制系统 |
CN111898655A (zh) * | 2020-07-14 | 2020-11-06 | 苏州热工研究院有限公司 | 核电站水面安保威胁的评估方法及防范方法 |
CN111898655B (zh) * | 2020-07-14 | 2024-06-04 | 苏州热工研究院有限公司 | 核电站水面安保威胁的评估方法及防范方法 |
CN111951613A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 空地协同的广域空域安全态势评估方法 |
CN112033394A (zh) * | 2020-09-03 | 2020-12-04 | 成都汇蓉国科微系统技术有限公司 | 一种基于定位设备的合作目标识别方法及装置 |
CN113051340A (zh) * | 2021-03-30 | 2021-06-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 端到端海空活动目标数据规律实时挖掘方法 |
CN113051340B (zh) * | 2021-03-30 | 2023-02-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 端到端海空活动目标数据规律实时挖掘方法 |
CN114548674A (zh) * | 2022-01-17 | 2022-05-27 | 清华大学 | 面向多智能体对抗场景的威胁态势评估方法、装置及设备 |
CN114548674B (zh) * | 2022-01-17 | 2022-12-30 | 清华大学 | 面向多智能体对抗场景的威胁态势评估方法、装置及设备 |
CN115359692A (zh) * | 2022-08-08 | 2022-11-18 | 北京电子工程总体研究所 | 一种模拟实现两级指控联合训练的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654232A (zh) | 基于多维度空间融合的海岸监控与防御决策系统及方法 | |
Waltz et al. | Data fusion and decision support for command and control | |
CN104007426B (zh) | 一种基于lse(最小方差估计)的ads与雷达信息系统误差配准算法 | |
CN110414061B (zh) | 建立飞机平台系统对地攻击生存能力概率模型的方法 | |
Faughnan et al. | Risk analysis of unmanned aerial vehicle hijacking and methods of its detection | |
CN1389710A (zh) | 多传感器多目标信息融合方法 | |
Champagne et al. | Search theory, agent-based simulation, and u-boats in the Bay of Biscay | |
CN110880071A (zh) | 基于算子的无源雷达作战效能柔性评估建模方法 | |
EP1421401A1 (en) | Analytical estimation of performance of a sensor system | |
AU2002316017A1 (en) | Analytical estimation of performance of a sensor system | |
CN109029122A (zh) | 一种海防指挥控制系统及控制方法 | |
KR101356412B1 (ko) | 위협을 감지하는 방법 | |
Gui | Evaluation of unmanned equipment operational effectiveness based on ADC model | |
CN116972694A (zh) | 一种面向无人机集群攻击的反制方法和系统 | |
CN106382857A (zh) | 一种无人机拦截方法及系统 | |
Bruzzone et al. | Asymmetric marine warfare: PANOPEA a piracy simulator for investigating new C2 solutions | |
CN109724472B (zh) | 一种车载要地区域综合防抗系统及方法 | |
Kerr | A critical perspective on some aspects of GPS development and use | |
Campos III | An analysis of mathematical models to improve counter-drug smuggling operations | |
Yakushenko et al. | Model of access to the resources of the satellite radio navigation system in the conditions of destructive radio-electronic exposure | |
Li et al. | Effectiveness evaluation of kill chain based on PCA, AHP and entropy weight method | |
Duan et al. | Evaluation Method of UAV’s Contribution Degree to Army Aviation Combat System Based on MMF and ANP | |
Lemieszewski et al. | Decision support for autonomous drone flight based on satellite navigation signal | |
Liland | AIS aided multi hypothesis tracker-multi-frame multi-target tracking using radar and the automatic identification system | |
Wermuth | Decision Analysis in a Passive Detection Battlespace |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160608 |
|
WD01 | Invention patent application deemed withdrawn after publication |