CN108460481B

CN108460481B - 基于循环神经网络的无人机侦察目标演变规律预测方法

Info

Publication number: CN108460481B
Application number: CN201810091434.5A
Authority: CN
Inventors: 尹中义; 黄坤; 吴国强; 包文龙; 黄蜀玲; 徐翔
Original assignee: Electronic Technology Research Institute Of China Aerospace
Current assignee: Electronic Technology Research Institute Of China Aerospace
Priority date: 2018-01-30
Filing date: 2018-01-30
Publication date: 2021-11-19
Anticipated expiration: 2038-01-30
Also published as: CN108460481A

Abstract

本发明主要属于机器学习、模式识别领域，具体涉及基于循环神经网络的无人机侦察目标演变规律预测方法。通过目标属性量化模块，根据目标属性的不同对目标属性取值进行归一化；通过噪声去除模块，对所述目标属性采集时的发生错误和部分数据缺失的情况进行处理，获得历史目标属性向量；在目标演变规律预测模块以所述噪声数据去除模块获取的历史目标属性向量作为输入，训练获取最佳网络参数；在实际使用时以实际数据作为输入，预测未来数据作为输出，获取目标未来演变状态。本发明所述方法解决了无人机侦察目标演化规律分析中存在的目标属性量化选取、已获取目标属性高噪、目标属性演变规律的非线性问题。

Description

基于循环神经网络的无人机侦察目标演变规律预测方法

技术领域

本发明主要属于机器学习、模式识别技术领域，具体涉及一种基于循环神经网络的无人机侦察目标演变规律预测方法。

背景技术

目标演化规律自动分析技术是指通过人工智能的方法自动分析目标的历史状态，根据目标的历史状态预测目标在下一时刻或下一阶段的状态信息，为下一步战场决策提供合理的预测信息，是无人机自动化智能化不可缺少的步骤之一。

由于目标演化规律包含的往往是非线性信息，因此在信号处理领域常用的卡尔曼滤波，粒子滤波，参数拟合等常用的预测方法在此并不适用，而非线性、非参数的新型预测方法成为研究的主要方向。

非参数模型主要包括人工神经网络、遗传算法、灰色预测方法、马尔科夫模型、贝叶斯网络等。在非参数方法中，神经网络由于具有广泛的适应性和学习能力，已经成为各类预测领域应用最广泛的算法之一。

2006年，Hinton等基于神经网络的概念提出深度信念网络(DBN)，该方法能够解决神经网络模型在建立多层构架时存在局部最优解限制的问题。研究者设计了基于小波理论和深度信念网络理论的短时交通流预测方法，准确的预测了英国伯明翰市A38路段的短时交通流量。

循环神经网络(Recurrent neural networks，RNN)是一种特殊结构的神经网络，它通过反馈神经的连接，拥有了存储记忆的功能，因此被广泛应用于各个领域。但是普通RNN网络很容易出现梯度消失或梯度爆发问题。1997年Sepp Hochreiter和JurgenSchmidhuber提出了长短期记忆(LSTM)模型，LSTM神经网络是特殊的RNN网络，该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM神经网络被广泛应用于基于历史数据的预测领域，例如已有研究者建立了基于LSTM神经网络的美股股指价格趋势预测模型，准确预测网络取得了较好的预测效果。

以上算法在民用领域中均取得了很好的预测效果，但在无人机侦察遥感目标演变规律分析领域中应用尚少。

在无人机遥感目标演变规律分析技术主要面临以下问题：

目标属性量化方式，无人机侦查目标种类复杂，涉及目标属性种类繁多，在分析其演变规律时需要对目标属性参数进行选取和预处理。

目标属性提取的高噪声，目标属性提取依赖于目标检测识别聚类等前提算法，但在无人机实际侦察时，受环境气流等外在因素的影响，检测识别结果存在一定误差或缺失，对后续演变规律预测分析造成一定影响。

目标属性演变规律的非线性，无人机侦察目标运动速度等其他属性存在非线性变化，传统的预测方法难以适用。

发明内容

针对无人机获取目标基本属性所存在的技术问题，本发明提供一种基于循环神经网络的无人机侦察目标演变规律预测方法。统筹算法的性能和适应性，融合国内外现有算法的优点，解决了无人机侦察目标演化规律分析的诸多问题，所解决的技术问题包括：目标属性量化选取问题；已获取目标属性高噪问题；目标属性演变规律的非线性问题。

本发明是通过以下技术方案实现的：

一种基于循环神经网络的无人机侦察目标演变规律预测方法，所述方法将多种目标属性作为输入，能够同时预测多种目标属性变化，所述方法具体为：

通过目标属性量化模块，根据目标属性的不同对目标属性取值进行归一化，以降低不同目标属性单位数值不同对预测带来的影响；

通过噪声去除模块，对所述目标属性采集时的发生错误和部分数据缺失的情况进行处理，获得历史目标属性向量；

在目标演变规律预测模块中采用LSTM网络结构，以所述噪声数据去除模块获取的历史目标属性向量作为输入，训练获取最佳网络参数；在实际使用时以实际数据作为输入，预测未来数据作为输出，获取目标未来演变状态。

进一步地，所述目标属性量化模块进行量化的目标属性参数包括：目标水平方向上的运动速度v_x和目标竖直方向上的运动速度v_y，目标或目标群当前最小包围矩形的宽变化程度d_w和高变化程度d_h，以及目标的颜色属性特征和亮度属性特征；其中，所述宽变化程度d_w指上一时刻图像宽度和当前时刻图像宽度之差；所述高变化程度d_h指上一时刻图像高度和当前时刻图像高度之差。

进一步地，对目标水平方向上的运动速度v_x和竖直方向上的运动速度v_y进行归一化，具体为：

采用对数归一化操作，采用如下公式进行归一化：

其中，

为归一化处理后的目标水平方向上的运动速度，

归一化处理后的目标竖直方向上的运动速度，Iw为单目标或目标群的宽，Ih为单目标或目标群的高，所述单目标指单一目标，所述目标群指多目标形成的最小包络矩形。

进一步地，对单目标或目标群当前最小包围矩形的宽变化程度d_w和高变化程度d_h进行归一化，具体为：

采用对数归一化操作，当对单目标或目标群当前最小包围矩形的宽变化程度d_w和高变化程度d_h进行归一化采用如下公式：

其中，

为归一化处理后的单目标或目标群当前最小包围矩形的宽变化程度；

为归一化处理后的单目标或目标群当前最小包围矩形的高变化程度；Iw为单目标或目标群的宽，Ih为单目标或目标群的高。

进一步地，对颜色属性特征进行归一化，具体为使用目标群体中所有目标颜色特征的均值作为归一化后目标颜色属性特征；归一化后的目标颜色属性特征如下所示：

其中，

为归一化后R通道目标颜色属性特征；

为归一化后G通道目标颜色属性特征；

为归一化后B通道目标颜色属性特征；RGB三颜色通道分量和分别为R_S,G_S,B_S；

对亮度属性特征进行归一化，具体为：将目标区域图像灰度均值除以最大值255，即获得均一化后的亮度属性特征，当为目标群时，则首先求取目标群体内所有单一目标亮度的均值再进行归一化即可；归一化后的亮度属性特征计算公式如下所示：

表示归一化后的亮度值，I_m表示目标区域图像灰度均值。

进一步地，在所述噪声去除模块，对于目标属性部分数据缺失的情况，通过线性插值增补数据；对于检测目标属性发生错误的情况，通过异常值过滤流程滤除错误数据，以降低含有噪声数据对网络训练带来的影响。

进一步地，当对所述目标属性采集时，所观测数据满足公式(1)-(3)的3个条件时认为数据有效，否则认为数据异常，剔除异常数据；

其中，v_th表示无人机侦察目标的速度阈值；v_x表示目标水平方向上的运动速度v_x；v_y表示竖直方向上的运动速度；T表示采样间隔；d_w表示目标或目标群宽变化程度，d_h表示目标或目标群高变化程度，

分别表示目标RGB三通道的颜色属性特征变化；

表示目标亮度属性特征变化；R_th，G_th，B_th分别表示目标RGB三通道的的颜色属性特征变化阈值；

目标亮度属性特征变化阈值。

进一步地，在训练LSTM网络时，以前k个时间节点的数据{t_n-k+1,t_n-k+2,...,t_n}作为输入，预测后一个时间节点t_n+1的数据，预测获得时间节点t_n+1的数据后，以{t_n-k+2,t_n-k+3,...,t_n+1}k个时间节点数据为输入，预测t_n+2时刻数据；以训练获取最佳网络参数。

本发明的有益技术效果：

1)现有目标属性预测方法只适用于目标单一属性的预测，本发明所述方法将多种目标表征属性作为输入，可同时预测多种目标属性变化。

2)本发明所述方法对输入数据具有一定的容错性，可自动纠正或滤除一部分错误数据。

3)本发明所述方法采用LSTM循环神经网络结构，该网络模型可以防止普通循环神经网络训练时梯度爆发和消失的问题，该结构可以记忆目标长期行为，并依据历史数据预测未来目标演化规律。

附图说明

图1为本发明实施例1中所述基于循环神经网络的无人机侦察目标演变规律预测方法整体运行框图；

图2为本发明实施例1中基于循环神经网络的无人机侦察目标演变规律预测方法中异常观测数据过滤算法流程图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

实施例1

本实施例提供一种基于循环神经网络的无人机侦察目标演变规律预测方法，所述方法工作框图如图1所示：

首先在获取数据的基础上，通过目标属性量化模块，根据观测目标属性的不同对目标属性取值进行归一，降低不同目标属性单位不同对预测带来的影响；其次，通过噪声去除模块，去除历史数据中的噪声增补部分数据；最后依据此数据训练LSTM网络，实际使用时以先前时刻状态预测目标演化状态。

本发明所述目标属性量化模块，主要量化下面几种目标状态，主要指目标的运动参数和外观参数等，实验中使用的目标属性参数主要有：目标水平方向和竖直方向上的运动速度(v_x,v_y)；目标或目标群当前最小包围矩形的宽和高变化程度(d_w,d_h)；以及目标的RGB三颜色通道和平均亮度。宽变化程度d_w指上一时刻图像宽度和当前时刻图像宽度之差；高变化程度d_h指上一时刻图像高度和当前时刻图像高度之差。所述水平方向和数值方向均以东北天坐标系为基准，即东西方向为水平方向，南北方向为数值方向。为了降低数据维度，提升最终训练模型适应性，以分钟为单位采集时刻数据。

为了降低不同种类状态信息间的互相影响，我们分别将各种状态参数进行归一化：

归一化速度采用对数归一化操作，单目标或目标群的宽高分别以Iw，Ih表示，那么归一化速度采用如下表达方式：

对单目标或目标群当前最小包围矩形的宽变化程度d_w和高变化程度d_h进行归一化，具体为：采用对数归一化操作，当对单目标或目标群当前最小包围矩形的宽变化程度d_w和高变化程度d_h进行归一化采用如下公式：

其中，

目标群体使用群体中所有目标颜色特征均值作为其颜色属性表征。但目标颜色特征采用下面方法获得。实际使用时首先将目标缩放至32*32大小，然后分别提取RGB三色分量和的比例，作为使用特征。假设3通道RGB分量和分别为R_S,G_S,B_S。那么目标的颜色特征如下所示：

亮度特征即目标区域灰度图像均值除以最大值255；群体亮度特征则求取群体内所有目标亮度的均值再进行归一化即可，如下所示：

本发明所述噪声去除模块，主要针对上述目标属性获取时的误差和缺失进行处理。对于属性缺失情况，通过线性插值填补充。以前后三个时间点水平方向速度为例，三个时间点的水平方向速度分别为v_x1，v_x2，v_x3。如果v_x2缺失，则通过线性插值来代替观测数值，即：v'_x2＝(v_x1+v_x3)/2。

对于检测目标属性发生错误情况，通过图2所示异常值过滤流程滤除错误数据。当所观测数据满足下面3个条件时认为数据有效，否则认为数据异常，剔除异常数据。

其中v_th表示速度阈值，实验中无人机侦察目标一般速度均小于200km/h。因此取v_th＝60m/s。T表示采样间隔，目标轮廓变化速度不能超过两倍运动距离，实验中采样间隔时间一般取1min。

分别表示RGB特征变化和亮度特征变化，R_th，G_th，B_th，

分别表示RGB特征变化阈值和亮度特征变化阈值，实验中取其为0.2。

本发明所述目标演变规律预测模块,采用LSTM网络结构，在训练LSTM网络时，以前k个时间节点的数据{t_n-k+1,t_n-k+2,...,t_n}作为输入，后一个时间节点t_n+1的数据作为输出训练获取最佳网络参数；实际使用时输入前k个时间节点的数据{t_n-k+1,t_n-k+2,...,t_n}，预测后一个时间节点t_n+1的数据，在预测获得时间节点t_n+1的数据后，以{t_n-k+2,t_n-k+3,...,t_n+1}k个时间节点数据为输入，预测t_n+2时刻数据。

在本实施例中，根据目标属性量化模块描述，每个时间节点有8个特征作为输入，即实验中，网络整体输入节点数为80，输出节点为8，隐藏层节点设置为1024，实验时将所有历史数据区分，前80％作为训练数据，后20％数据作为检测数据。实际使用时，输入前k个时间节点的数据{t_n-k+1,t_n-k+2,...,t_n}预测后一个节点t_n+1的数据。预测到t_n+1数据后，以{t_n-k+2,t_n-k+3,...,t_n+1}时间节点数据为输入，预测t_n+2时刻数据。理论上可以预测未来所有时刻数据，但是由于目标演化规律是非线性的，因此过长的时间序列预测会导致准确率降低，实际使用时我们认为未来F个时间点预测数据时有效的。实验中我们取k＝10，即使用前10个时间点的数据作为输入预测后一个时间点的目标状态，为了保证预测结果的有效性，实际使用时认为F＝5，即最多预测当前时间点后5个时间节点的数据。