CN107480722B - 基于归纳式一致性多类分类的目标行为模式在线分类方法 - Google Patents

基于归纳式一致性多类分类的目标行为模式在线分类方法 Download PDF

Info

Publication number
CN107480722B
CN107480722B CN201710726254.5A CN201710726254A CN107480722B CN 107480722 B CN107480722 B CN 107480722B CN 201710726254 A CN201710726254 A CN 201710726254A CN 107480722 B CN107480722 B CN 107480722B
Authority
CN
China
Prior art keywords
track
distance
class
data set
value
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.)
Active
Application number
CN201710726254.5A
Other languages
English (en)
Other versions
CN107480722A (zh
Inventor
潘新龙
王海鹏
何友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN201710726254.5A priority Critical patent/CN107480722B/zh
Publication of CN107480722A publication Critical patent/CN107480722A/zh
Application granted granted Critical
Publication of CN107480722B publication Critical patent/CN107480722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于归纳式一致性多类分类的目标行为模式在线分类方法。该方法包括：步骤1，定义相关变量；步骤2，初始化；步骤3，利用其中一个类别的训练航迹数据集和压缩航迹数据集，计算测试航迹中当前航迹点的p值；步骤4，重复步骤3，计算当前航迹点对应其它类别的p值；步骤5，比较所有类别对应p值的大小，确定当前航迹点对应的目标行为模式类别；步骤6，当前测试航迹的每个航迹点对应的目标行为模式都分类完成后，更新训练航迹数据集；步骤7，更新多因素定向Hausdorff距离矩阵；步骤8，对下一个测试航迹对应目标行为模式进行分类。该方法可在减小计算量的情况下实现对目标行为模式的在线分类判别，具有广阔应用前景。

Description

基于归纳式一致性多类分类的目标行为模式在线分类方法
技术领域
本发明涉及数据挖掘中的在线分类技术和信息融合中的高层融合技术，属于模式识别和智能情报处理领域。
背景技术
在预警监视领域，随着目标探测技术和信息融合技术的不断完善，各种各样的目标被检测、跟踪和识别，形成不断更新的目标航迹。大量的历史航迹数据在预警监视领域的各种目标情报处理系统中存储和积累。利用数据挖掘和轨迹数据挖掘中的聚类分析技术，可以把目标航迹分为不同的类别，从而挖掘出目标的行为规律。目标的行为模式是指当前观测目标属于的目标行为规律的类别，对于不断更新的目标航迹数据，可以利用数据挖掘中的在线分类技术，将当前目标航迹分到对应的类中，实现对目标行为模式的在线分类，这对于态势评估、威胁估计和指挥决策都具有非常重要的意义。国内外很多学者对轨迹分类问题进行了研究，但是这些方法主要考虑了目标的位置特征和形状特征，没有充分利用目标的位置、速度和航向特征，而且现有方法主要用于离线分类，对于情报处理实时性要求很高的预警监视领域是不能适用的。基于多维特征的目标行为模式在线分类方法能够充分利用目标的位置、速度和航向特征，通过对多维航迹数据的在线学习和序贯分类，实现对目标行为模式的在线分类判别，但是在每次分类判别时都需要将所有的历史航迹数据进行重新计算，存在计算量大的问题。
发明内容
本发明提供了一种基于归纳式一致性多类分类的目标行为模式在线分类方法，既能充分利用目标的位置、速度和航向特征，又采用了归纳式一致性预测的思想，可以在大大减小计算量的情况下实现对目标行为模式的在线分类判别。具体包括以下步骤：
步骤1，定义相关变量：
1)需要考虑的近邻数量k；
2)训练航迹数据集
Figure BDA0001386077820000011
其中l1+…+lt+…+ls＝l，1,2,…,s为类别标签，l为训练航迹总数，压缩航迹数据集
Figure BDA0001386077820000012
r1,…rt,…,rs为压缩航迹数，检验航迹数据集
Figure BDA0001386077820000013
3)多因素定向Hausdorff距离矩阵M1,…,Mt,…,Ms，其中矩阵M1的每个元素M1i,j:i＝1,…,l1-r1,j＝1,…,k表示检验航迹数据集
Figure BDA0001386077820000014
中的航迹TR1i:i＝r1+1,…,l1到压缩航迹数据集
Figure BDA0001386077820000021
第j近的航迹之间的多因素定向Hausdorff距离，M2,…,Ms中的每个元素同理；
4)空的优先序列Q1,…,Qt,…,Qs；
5)测试航迹TRl+1中不断更新的航迹点x1,…,xL。
6)类别指示变量Classl+1,1,…,Classl+1,L，其中Classl+1,i:j＝1,…,L-1对应子集
Figure BDA0001386077820000022
计算得出的类别，Classl+1,L对应{x1∪…∪xL}＝TRl+1计算得出的类别；
步骤2，初始化：对距离
Figure BDA0001386077820000023
gt＝1,…,rt赋零初值，其中
Figure BDA0001386077820000024
表示当前测试子航迹
Figure BDA0001386077820000025
到压缩航迹数据集中航迹
Figure BDA0001386077820000026
的多因素定向Hausdorff距离，并计算多因素定向Hausdorff距离矩阵M1i,1,…,M1i,k的和，定义为
Figure BDA0001386077820000027
同理，
Figure BDA0001386077820000028
2≤t≤s；
步骤3，对测试航迹TRl+1＝{x1∪…∪xL}中的子航迹{x1∪…∪xj}，j＝1,…,L重复进行如下分类过程：
1)对检验航迹数据集中的航迹TR1i:i＝r1+1,…,l1的不一致度量α1i进行更新；
2)根据多因素定向Hausdorff距离的定义，对
Figure BDA0001386077820000029
的取值进行更新；
3)对Q1内的元素进行更新；
4)从Q1中提取当前的k个距离值，对当前测试子航迹{x1∪…∪xj}的不一致度量α1(l+1)的取值进行更新；
5)计算p1(l+1)取值；
步骤4，对测试航迹TRl+1＝{x1∪…∪xL}中的当前子航迹{x1∪…∪xj}和训练航迹数据集
Figure BDA00013860778200000210
2≤t≤s中的检验航迹TRti:i＝rt+1,…,lt，用压缩航迹数据集
Figure BDA00013860778200000211
替换
Figure BDA00013860778200000212
用vt替换v1，用
Figure BDA00013860778200000213
替换
Figure BDA00013860778200000214
用Qt替换Q1，重复进行如步骤3所示的分类过程，计算p2(l+1),…,ps(l+1)的取值；
步骤5，比较p1(l+1),…pt(l+1),…,ps(l+1)的大小，选出最大的p值pc(l+1)，则当前子航迹{x1∪…∪xj}对应的目标行为模式类别为c，即：Classl+1,j＝c；
步骤6，当测试航迹TRl+1的每个子航迹{x1∪…∪xj}，j＝1,…,L对应的目标行为模式都分类完成后，输出类别指示变量和距离向量，查找集合{Classl+1,1,…,Classl+1,L}中出现次数最多的类别n，将TRl+1添加到该类别对应的训练航迹数据集
Figure BDA00013860778200000215
中，组成新的训练航迹数据集{TRn1,…,TRnln,TRl+1}，其中，检验航迹数据集更新为
Figure BDA00013860778200000216
步骤7，对多因素定向Hausdorff距离矩阵Mn进行更新；
步骤8，用更新后的训练航迹数据集
Figure BDA0001386077820000031
更新后的检验航迹数据集
Figure BDA0001386077820000032
和更新后的多因素定向Hausdorff距离矩阵Mn代替原来的
Figure BDA0001386077820000033
和Mn，对测试航迹TRl+2对应的目标行为模式进行在线分类。
本发明的有益效果在于：本发明提供的一种基于归纳式一致性多类分类的目标行为模式在线分类方法，不仅综合利用了目标的位置、速度和航向特征，而且采用了归纳式一致性预测的思想，具有参数设置简单、准确率高、能够在线分类的优点，可以在大大减小计算量的情况下实现对预警监视领域目标行为模式的在线分类判别。
附图说明
附图1是本发明所述的基于归纳式一致性多类分类的目标行为模式在线分类方法的整体流程图。
具体实施方式
下面结合附图对本发明的实施方式加以详细说明。
步骤1，定义相关变量：
1)需要考虑的近邻数量k；
2)训练航迹数据集
Figure BDA0001386077820000034
其中l1+…+lt+…+ls＝l，1,2,…,s为类别标签，l为训练航迹总数，压缩航迹数据集
Figure BDA0001386077820000035
r1,…rt,…,rs为压缩航迹数，检验航迹数据集
Figure BDA0001386077820000036
3)多因素定向Hausdorff距离矩阵M1,…,Mt,…,Ms，其中矩阵M1的每个元素M1i,j:i＝1,…,l1-r1,j＝1,…,k表示检验航迹数据集
Figure BDA0001386077820000037
中的航迹TR1i:i＝r1+1,…,l1到压缩航迹数据集
Figure BDA0001386077820000038
第j近的航迹之间的多因素定向Hausdorff距离，M2,…,Ms中的每个元素同理；
4)空的优先序列Q1,…,Qt,…,Qs；
5)测试航迹TRl+1中不断更新的航迹点x1,…,xL。
6)类别指示变量Classl+1,1,…,Classl+1,L，其中Classl+1,i:j＝1,…,L-1对应子集
Figure BDA0001386077820000039
计算得出的类别，Classl+1,L对应{x1∪…∪xL}＝TRl+1计算得出的类别；
步骤2，初始化：对距离
Figure BDA00013860778200000310
gt＝1,…,rt赋零初值，其中
Figure BDA00013860778200000311
表示当前测试子航迹
Figure BDA00013860778200000312
到压缩航迹数据集中航迹
Figure BDA00013860778200000313
的多因素定向Hausdorff距离，并计算多因素定向Hausdorff距离矩阵M1i,1,…,M1i,k的和，定义为
Figure BDA0001386077820000041
同理，
Figure BDA0001386077820000042
2≤t≤s，多因素定向Hausdorff距离的具体定义如下：
1)考虑两个目标的位置特征、速度特征和航向特征，两个目标点a、b之间的多因素距离定义为：
mfdist(a,b)＝wd·dist(a,b)+wv·dist(va,vb)+wθ·dist(θa,θb) (1)
其中va，vb表示点a与点b的速度，θa，θb表示点a与点b的航向，dist(a,b)表示点a与点b之间位置特征的欧式距离，dist(va,vb)表示点a与点b之间速度特征的欧式距离，dist(θa,θb)表示点a与点b之间航向特征的欧式距离，wd表示位置特征的权重因子，wv表示速度特征的权重因子，wθ表示航向特征的权重因子，权重因子的取值取决于多因素距离的应用场景；
2)基于两个目标点之间的多因素距离mfdist(a,b)，目标航迹TRA到目标航迹TRB的多因素定向Hausdorff距离定义为:
Figure BDA0001386077820000043
TRA与TRB为两条目标航迹；
步骤3，对测试航迹TRl+1＝{x1∪…∪xL}中的子航迹{x1∪…∪xj}，j＝1,…,L重复进行如下分类过程：
1)对检验航迹数据集中的航迹TR1i:i＝r1+1,…,l1的不一致度量α1i进行更新：
Figure BDA0001386077820000044
2)根据多因素定向Hausdorff距离的定义，对
Figure BDA0001386077820000045
的取值进行更新：
Figure BDA0001386077820000046
其中
Figure BDA0001386077820000047
表示当前测试子航迹
Figure BDA0001386077820000048
到压缩航迹数据集中航迹
Figure BDA0001386077820000049
的多因素定向Hausdorff距离；
3)对Q1内的元素进行更新：如果Q1内的元素个数小于近邻数量k，则将当前的
Figure BDA00013860778200000410
取值插入到Q1中；如果Q1内存有k个距离值，并且当前的
Figure BDA00013860778200000411
小于Q1中的最大距离值，则删除Q1中的最大距离值，将当前
Figure BDA00013860778200000412
取值插入到Q1中；
4)从Q1中提取当前的k个距离值
Figure BDA00013860778200000413
进行求和计算，对当前测试子航迹{x1∪…∪xj}的不一致度量α1(l+1)的取值进行更新：
Figure BDA00013860778200000414
5)计算p1(l+1)取值：
Figure BDA0001386077820000051
|{i＝r1+1,…,l1,l+1:α1i≥α1(l+1)}|表示集合{i＝r1+1,…,l1,l+1:α1i≥α1(l+1)}中元素的数量；
步骤4，对测试航迹TRl+1＝{x1∪…∪xL}中的当前子航迹{x1∪…∪xj}和训练航迹数据集
Figure BDA0001386077820000052
2≤t≤s中的检验航迹TRti:i＝rt+1,…,lt，用压缩航迹数据集
Figure BDA0001386077820000053
替换
Figure BDA0001386077820000054
用vt替换v1，用
Figure BDA0001386077820000055
替换
Figure BDA0001386077820000056
用Qt替换Q1，重复进行如步骤3所示的分类过程，计算p2(l+1),…,ps(l+1)的取值；
步骤5，比较p1(l+1),…pt(l+1),…,ps(l+1)的大小，选出最大的p值pc(l+1)，则当前子航迹{x1∪…∪xj}对应的目标行为模式类别为c，即：Classl+1,j＝c；
步骤6，当测试航迹TRl+1的每个子航迹{x1∪…∪xj}，j＝1,…,L对应的目标行为模式都分类完成后，输出类别指示变量和距离向量，查找集合{Classl+1,1,…,Classl+1,L}中出现次数最多的类别n，将TRl+1添加到该类别对应的训练航迹数据集
Figure BDA0001386077820000057
中，组成新的训练航迹数据集
Figure BDA0001386077820000058
其中，检验航迹数据集更新为
Figure BDA0001386077820000059
步骤7，对多因素定向Hausdorff距离矩阵Mn进行更新：将输出的距离向量
Figure BDA00013860778200000510
作为最后一行增加到多因素定向Hausdorff距离矩阵Mn中；
步骤8，用更新后的训练航迹数据集
Figure BDA00013860778200000511
更新后的检验航迹数据集
Figure BDA00013860778200000512
和更新后的多因素定向Hausdorff距离矩阵Mn代替原来的
Figure BDA00013860778200000513
和Mn，对测试航迹TRl+2对应的目标行为模式进行在线分类。

Claims (4)

1.一种基于归纳式一致性多类分类的目标行为模式在线分类方法，其特征在于包括以下步骤：
步骤1，定义相关变量：
1)需要考虑的近邻数量k；
2)训练航迹数据集
Figure FDA0002124148360000011
其中l1+…+lt+…+ls＝l，1,2,…,s为类别标签，l为训练航迹总数，压缩航迹数据集
Figure FDA0002124148360000012
r1,…rt,…,rs为压缩航迹数，检验航迹数据集
Figure FDA0002124148360000013
3)多因素定向Hausdorff距离矩阵M1,…,Mt,…,Ms，其中矩阵M1的每个元素M1i,j:i＝1,…,l1-r1,j＝1,…,k表示检验航迹数据集
Figure FDA0002124148360000014
中的航迹TR1i:i＝r1+1,…,l1到压缩航迹数据集
Figure FDA0002124148360000015
第j近的航迹之间的多因素定向Hausdorff距离，M2,…,Ms中的每个元素同理；
4)空的优先序列Q1,…,Qt,…,Qs；
5)测试航迹TRl+1中不断更新的航迹点x1,…,xL；
6)类别指示变量Classl+1,1,…,Classl+1,L，其中Classl+1,j:j＝1,…,L-1对应子集
Figure FDA0002124148360000016
计算得出的类别，Classl+1,L对应{x1∪…∪xL}＝TRl+1计算得出的类别；
步骤2，初始化：对距离
Figure FDA0002124148360000017
gt＝1,…,rt赋零初值，其中
Figure FDA0002124148360000018
表示当前测试子航迹
Figure FDA0002124148360000019
到压缩航迹数据集中航迹
Figure FDA00021241483600000110
的多因素定向Hausdorff距离，并计算多因素定向Hausdorff距离矩阵M1i,1,…,M1i,k的和，定义为
Figure FDA00021241483600000111
同理，
Figure FDA00021241483600000112
步骤3，对测试航迹TRl+1＝{x1∪…∪xL}中的子航迹{x1∪…∪xj}，j＝1,…,L重复进行如下分类过程：
1)对检验航迹数据集中的航迹TR1i:i＝r1+1,…,l1的不一致度量α1i进行更新；
2)根据多因素定向Hausdorff距离的定义，对
Figure FDA00021241483600000113
的取值进行更新；
3)对Q1内的元素进行更新；
4)从Q1中提取当前的k个距离值，对当前测试子航迹{x1∪…∪xj}的不一致度量α1(l+1)的取值进行更新；
5)计算p1(l+1)取值；
步骤4，对测试航迹TRl+1＝{x1∪…∪xL}中的当前子航迹{x1∪…∪xj}和训练航迹数据集
Figure FDA00021241483600000114
中的检验航迹TRti:i＝rt+1,…,lt，用压缩航迹数据集
Figure FDA00021241483600000115
替换
Figure FDA0002124148360000021
用vt替换v1，用
Figure FDA0002124148360000022
替换
Figure FDA0002124148360000023
用Qt替换Q1，重复进行如步骤3所示的分类过程，计算p2(l+1),…,ps(l+1)的取值；
步骤5，比较p1(l+1),…pt(l+1),…,ps(l+1)的大小，选出最大的p值pc(l+1)，则当前子航迹{x1∪…∪xj}对应的目标行为模式类别为c，即：Classl+1,j＝c；
步骤6，当测试航迹TRl+1的每个子航迹{x1∪…∪xj}，j＝1,…,L对应的目标行为模式都分类完成后，输出类别指示变量和距离向量，查找集合{Classl+1,1,…,Classl+1,L}中出现次数最多的类别n，将TRl+1添加到该类别对应的训练航迹数据集
Figure FDA0002124148360000024
中，组成新的训练航迹数据集
Figure FDA0002124148360000025
其中，检验航迹数据集更新为
Figure FDA0002124148360000026
步骤7，对多因素定向Hausdorff距离矩阵Mn进行更新；
步骤8，用更新后的训练航迹数据集
Figure FDA0002124148360000027
更新后的检验航迹数据集
Figure FDA0002124148360000028
和更新后的多因素定向Hausdorff距离矩阵Mn代替原来的
Figure FDA0002124148360000029
和Mn，对测试航迹TRl+2对应的目标行为模式进行在线分类。
2.根据权利要求1所述的基于归纳式一致性多类分类的目标行为模式在线分类方法，其特征在于，步骤一中多因素定向Hausdorff距离的具体定义如下：
1)考虑两个目标的位置特征、速度特征和航向特征，两个目标点a、b之间的多因素距离定义为：
mfdist(a,b)＝wd·dist(a,b)+wv·dist(va,vb)+wθ·dist(θa,θb)
其中va，vb表示点a与点b的速度，θa，θb表示点a与点b的航向，dist(a,b)表示点a与点b之间位置特征的欧式距离，dist(va,vb)表示点a与点b之间速度特征的欧式距离，dist(θa,θb)表示点a与点b之间航向特征的欧式距离，wd表示位置特征的权重因子，wv表示速度特征的权重因子，wθ表示航向特征的权重因子，权重因子的取值取决于多因素距离的应用场景；
2)基于两个目标点之间的多因素距离mfdist(a,b)，目标航迹TRA到目标航迹TRB的多因素定向Hausdorff距离定义为:
Figure FDA00021241483600000210
TRA与TRB为两条目标航迹。
3.根据权利要求1所述的基于归纳式一致性多类分类的目标行为模式在线分类方法，其特征在于，步骤3具体为：
对测试航迹TRl+1＝{x1∪…∪xL}中的子航迹{x1∪…∪xj}，j＝1,…,L重复进行如下分类过程：
1)对检验航迹数据集中的航迹TR1i:i＝r1+1,…,l1的不一致度量α1i进行更新：
Figure FDA0002124148360000031
2)根据多因素定向Hausdorff距离的定义，对
Figure FDA0002124148360000032
的取值进行更新：
Figure FDA0002124148360000033
其中
Figure FDA0002124148360000034
表示当前测试子航迹
Figure FDA0002124148360000035
到压缩航迹数据集中航迹
Figure FDA0002124148360000036
的多因素定向Hausdorff距离；
3)对Q1内的元素进行更新：如果Q1内的元素个数小于近邻数量k，则将当前的
Figure FDA0002124148360000037
取值插入到Q1中；如果Q1内存有k个距离值，并且当前的
Figure FDA0002124148360000038
小于Q1中的最大距离值，则删除Q1中的最大距离值，将当前
Figure FDA0002124148360000039
取值插入到Q1中；
4)从Q1中提取当前的k个距离值
Figure FDA00021241483600000310
进行求和计算，对当前测试子航迹{x1∪…∪xj}的不一致度量α1(l+1)的取值进行更新：
Figure FDA00021241483600000311
5)计算p1(l+1)取值：
Figure FDA00021241483600000312
|{i＝r1+1,…,l1,l+1:α1i≥α1(l+1)}|表示集合{i＝r1+1,…,l1,l+1:α1i≥α1(l+1)}中元素的数量。
4.根据权利要求1所述的基于归纳式一致性多类分类的目标行为模式在线分类方法，其特征在于，步骤7具体为：
对多因素定向Hausdorff距离矩阵Mn进行更新：将输出的距离向量
Figure FDA00021241483600000313
作为最后一行增加到多因素定向Hausdorff距离矩阵Mn中。
CN201710726254.5A 2017-08-22 2017-08-22 基于归纳式一致性多类分类的目标行为模式在线分类方法 Active CN107480722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710726254.5A CN107480722B (zh) 2017-08-22 2017-08-22 基于归纳式一致性多类分类的目标行为模式在线分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710726254.5A CN107480722B (zh) 2017-08-22 2017-08-22 基于归纳式一致性多类分类的目标行为模式在线分类方法

Publications (2)

Publication Number Publication Date
CN107480722A CN107480722A (zh) 2017-12-15
CN107480722B true CN107480722B (zh) 2020-03-17

Family

ID=60602192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710726254.5A Active CN107480722B (zh) 2017-08-22 2017-08-22 基于归纳式一致性多类分类的目标行为模式在线分类方法

Country Status (1)

Country Link
CN (1) CN107480722B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203526A (zh) * 2016-07-19 2016-12-07 中国人民解放军海军航空工程学院 基于多维特征的目标行为模式在线分类方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855638B (zh) * 2012-08-13 2015-02-11 苏州大学 基于谱聚类的车辆异常行为检测方法
CN103605362B (zh) * 2013-09-11 2016-03-02 天津工业大学 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN105893621B (zh) * 2016-04-29 2019-11-05 中国人民解放军海军航空大学 基于多维航迹聚类的目标行为规律挖掘方法
CN106022372B (zh) * 2016-05-17 2019-05-10 中国人民解放军海军航空大学 基于多维特征的目标异常行为检测方法
CN106338919B (zh) * 2016-11-02 2019-04-19 哈尔滨工程大学 基于增强学习型智能算法的无人艇航迹跟踪控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203526A (zh) * 2016-07-19 2016-12-07 中国人民解放军海军航空工程学院 基于多维特征的目标行为模式在线分类方法

Also Published As

Publication number Publication date
CN107480722A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN111047182B (zh) 一种基于深度无监督学习的空域复杂度评估方法
CN107682319B (zh) 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法
CN111814871A (zh) 一种基于可靠权重最优传输的图像分类方法
CN107292023B (zh) 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
CN107300698B (zh) 一种基于支持向量机的雷达目标航迹起始方法
CN103473540B (zh) 智能交通系统车辆轨迹增量式建模与在线异常检测方法
Jiang et al. A machine vision-based realtime anomaly detection method for industrial products using deep learning
CN104951764B (zh) 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
CN107451102A (zh) 一种改进自训练算法的半监督高斯过程回归软测量建模方法
CN102693452A (zh) 基于半监督回归学习的多模型软测量方法
CN109058771B (zh) 基于样本生成和间隔Markov特征的管道异常检测方法
CN104715154B (zh) 基于kmdl准则判据的核k‑均值航迹关联方法
CN108549866B (zh) 基于密集卷积神经网络的遥感飞机识别方法
CN106599927B (zh) 基于模糊art划分的目标分群方法
CN105550426A (zh) 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN114036610A (zh) 一种基于数据增强的侵彻深度预测方法
CN106203526B (zh) 基于多维特征的目标行为模式在线分类方法
CN105894014B (zh) 基于多因素不一致度量的异常行为序贯检测方法
CN110110475B (zh) 基于在线学习渐消因子的扩展卡尔曼滤波方法
CN107895137A (zh) 基于耦合隐马尔可夫模型的sar图像目标交互行为识别方法
CN113222229B (zh) 一种基于机器学习的非合作无人机轨迹预测方法
CN102663773A (zh) 视频目标的双核式自适应融合跟踪方法
CN107480647B (zh) 基于归纳式一致性异常检测的异常行为实时检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 264001 Research and Academic Department, 188 Erma Road, Zhifu District, Yantai City, Shandong Province

Applicant after: Naval Aviation University of PLA

Address before: 264001 Yantai City, Zhifu Province, No. two road, No. 188, Department of research,

Applicant before: Naval Aeronautical Engineering Institute PLA

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant