CN110197233A - 一种利用航迹进行飞行器分类的方法 - Google Patents

一种利用航迹进行飞行器分类的方法 Download PDF

Info

Publication number
CN110197233A
CN110197233A CN201910484690.5A CN201910484690A CN110197233A CN 110197233 A CN110197233 A CN 110197233A CN 201910484690 A CN201910484690 A CN 201910484690A CN 110197233 A CN110197233 A CN 110197233A
Authority
CN
China
Prior art keywords
track
aircraft
layer
data
image
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.)
Granted
Application number
CN201910484690.5A
Other languages
English (en)
Other versions
CN110197233B (zh
Inventor
范明荣
唐伟
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.)
Sichuan Jiuzhou Electric Group Co Ltd
Original Assignee
Sichuan Jiuzhou Electric Group Co Ltd
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 Sichuan Jiuzhou Electric Group Co Ltd filed Critical Sichuan Jiuzhou Electric Group Co Ltd
Priority to CN201910484690.5A priority Critical patent/CN110197233B/zh
Publication of CN110197233A publication Critical patent/CN110197233A/zh
Application granted granted Critical
Publication of CN110197233B publication Critical patent/CN110197233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及雷达数据处理计算领域，特别是一种利用航迹进行飞行器分类的方法。包括：步骤1，对各类飞行器的原始数据进行处理，获取可视化的航迹图像；步骤2，对可视化的航迹图像的飞行器类型进行标记区分，并使用可视化的航迹图像对卷积神经网络进行训练，生成用于预测的卷积神经网络模型；步骤3，将待分类的航迹数据转化为图像，利用卷积神经网络模型判定飞行器类型。上述方案供了一种基于深度学习的航迹分类方法，它能自动完成特征提取和权重赋值，最终达到目标识别的效果，具有较强的自学习能力。

Description

一种利用航迹进行飞行器分类的方法
技术领域
本发明涉及雷达数据处理计算领域，特别是一种利用航迹进行飞行器分类的方法。
背景技术
航迹是对飞行器运动轨迹的描述，可通过雷达监测数据获取。不同的飞行器，由于其性能不同、飞行目的不同，其航迹也呈现出不同的特点。在空域安全领域，对飞行器分类是一项非常重要的工作。传统地，可通过人工观察对航迹进行分类，随着空中交通流量与日俱增，航迹数据也呈几何级增长，人工处理这些数据显得越发困难，基于航迹的自动分类应运而生。
深度神经网络(深度学习)属于数据驱动的模型，具有很强的柔性和自动学习能力。在基于深度学习的图像处理中，不同的滤波器会自动学习不同位置的图像特征，这些特征都会被用来作为最后判决的依据，更具有显著性的区域在最后分类的过程中会自动获得更高的权重，避免了人工调节输入信息权重大小的步骤。通过学习训练之后会生成一个用于目标识别的预测模型，此模型可以对新的输入进行识别。此外，在深度学习中采用梯度下降的方法进行模型优化，也保证了模型具有良好的在线学习能力。
传统的自动航迹分类法主要采用特征工程的方法：人工设计特征，从航迹中提取特征，为不同特征赋予不同权重，最终进行加总平均处理。此类方法相对繁琐，且受人的主观因素影响较大，另外，此类方法的柔性相对较差，学习能力欠佳。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供了一种利用航迹进行飞行器分类的方法。
本发明采用的技术方案如下：一种利用航迹进行飞行器分类的方法，包括：
步骤1，对各类飞行器的原始数据进行处理，获取可视化的航迹图像；
步骤2，对可视化的航迹图像的飞行器类型进行标记区分，并使用可视化的航迹图像对卷积神经网络进行训练，生成用于预测的卷积神经网络模型；
步骤3，将待分类的航迹数据转化为图像，利用卷积神经网络模型判定飞行器类型。
进一步的，所述步骤1的过程为：步骤11，读入原始航迹数据，原始航迹数据包括A类(高机动飞行目标，一般指军用飞机)和B类(平稳飞行目标，一般指民航客机)飞行器的数据，原始航迹数据为csv格式，原始航迹数据字段包括：时间，航迹号，极坐标，高度和Mode3码；步骤12，对原始航迹数据进行处理，每个数据通过时间、航迹号以及Mode3代码唯一标记一条航迹，提取出一段时间内每条航迹数据；步骤13，需将航迹数据的坐标表示方式从极坐标转换为笛卡尔坐标，再进行航迹数据可视化为224*224大小的图像。
进一步的，所述步骤12中，相邻两个航迹点的时间间隔为十秒，剔除间隔九个航迹点的两个航迹点的时间间隔为小于一百秒的数据。
进一步的，所述步骤2的过程为：步骤21，对可视化的图像进行标记，区分飞行器为A类和B类；步骤22，对A类飞行器进行扩增，使A类飞行器的数量和B类飞行器的数量相同；步骤23，设计深度卷积神经网络，深度卷积神经网络的输入大小为3通道224*224的RGB彩色图像，深度卷积神经网络第一、二层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第三层为2*2的最大池化层，第四、五层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第六层为2*2的最大池化层，第七、八、九层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第十层为2*2的最大池化层，第十一、十二、十三层为采用3*3的卷积核的卷积层，第十四层；为2*2的最大池化层，第十五、十六层为全连接层，第十七层为判断输出层，利用Softmax函数进行判断，把结果分为A类飞行器和B类飞行器；步骤24，将扩增后得到的可视化图像作为样本输入到深度神经卷积网络进行训练，得到训练好的卷积神经网络模型。
进一步的，所述步骤24中，训练时每批次为32张图像，总共训练10轮。
进一步的，所述步骤3中，将待分类的航迹数据转换为224*224大小的图像。
与现有技术相比，采用上述技术方案的有益效果为：采用本发明的技术方案，供了一种基于深度学习的航迹分类方法，它能自动完成特征提取和权重赋值，最终达到目标识别的效果，具有较强的自学习能力。
附图说明
图1是本发明利用航迹进行飞行器分类的方法流程示意图。
图2是本发明原始航迹数据示意图。
图3是本发明典型的航迹数据示意图。
图4是本发明典型的可视化后的航迹路线示意图。
图5是本发明典型的A类飞行器航迹示意图。
图6是本发明典型的B类飞行器航迹示意图。
图7是本发明A类飞行器航迹样本扩增结果示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
一、对各类飞行器的原始数据进行处理，获取可视化的航迹图像
(1)原始航迹数据的读入：雷达原始数据为csv格式，本数据集可以通过Mode3来确定两类飞机，可以通过该指标来作为分类标准。包含A类和B类两类飞行器航迹信息，A类飞行器和B类飞行器在本领域有特定明确的意义，A类飞行器是指高机动飞行目标(一般指军用飞机)，B类飞行器是指平稳飞行目标(一般指民航客机)。其中，数据字段如图2所示，包含时间，航迹号，极坐标，高度和Mode3码。
(2)数据清洗：通过时间、航迹号以及Mode3代码可以唯一标记一条航迹。基于上述规则，通过对某雷达的原始数据进行处理可以提取出一段时间内每条航迹数据。其中，两个航迹点之间的时间间隔为十秒，为减少无效数据干扰拟，两个航迹点之间的间隔时间不能间隔太短，这里剔除一下数据：间隔九个航迹点的两个航迹点之间的间隔时间在一百秒以内的情况视为无效数据，并从数据集中剔除。典型的航迹数据如图3所示。
(3)数据可视化：航迹数据可视化本质上是将坐标序列以绘图(散点图，散点的形状包括但不限于圆形、方形、X形)的方式表示。航迹数据的坐标表示方式为极坐标式，需将航迹数据的坐标表示方式从极坐标转换为笛卡尔坐标，再进行航迹可视化为224*224大小的图像，4条典型可视化航迹如图4所示，本实施例得到的航迹图像实际是指一组由目标(飞行器)坐标点构成的散点图。
二、使用可视化后的图像对卷积神经网络进行训练，生成可以用于预测的模型
(1)标记航迹：对可视化后的数据进行标记，区分为A类飞行器和B类飞行器，典型的A类飞行器航迹如图5所示，典型的B类飞行器航迹如图6所示。
(2)样本扩增：鉴于A类飞行器航迹数量远小于B类飞行器航迹数量，为保证训练效果，需对A类飞行器航迹进行样本扩增，使其数量与B类飞行器航迹数相同或者基本相同。由于航迹应具有仿射不变性，可采用旋转的方式对其进行样本扩增，样本扩增方式和结果如图7所示，可以将原始图像旋转90°、180°、270°。
其次，在将图像送入深度网络模型训练之前，可做一定的图像增强，包括但不限于翻转、裁剪、旋转，以增加数据多样性。
(3)设计实现深度卷积神经网络：深度卷积神经网络的输入大小为3通道224*224的RGB彩色图像，深度卷积神经网络第一二层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第三层为2*2的最大池化层，第四五层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第六层为2*2的最大池化层，第七八九层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第十层为2*2的最大池化层，第十一到十三层为采用3*3的卷积核的卷积层，第十四层为2*2的最大池化层，第十五到十六层为全连接层，第十七层为判断输出层，利用Softmax函数进行判断，把结果分为两类，即A类飞行器和B类飞行器。使用Caffe框架实现上述深度卷积神经网络。
(4)训练深度卷积神经网络：将扩增后的样本输入深度卷积神经网络进行训练，训练时每批次为32张图像，总共训练10轮。
三、使用训练好的模型进行分类：
将新的航迹数据(待分类的航迹数据)转换为224*224大小的图像，然后读取训练好的深度卷积神经网络对图像进行判定，深度卷积神经网络的输出结果即为是A类飞行器还是B类飞行器。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (6)

1.一种利用航迹进行飞行器分类的方法，其特征在于，包括：
步骤1，对各类飞行器的原始数据进行处理，获取可视化的航迹图像；
步骤2，对可视化的航迹图像的飞行器类型进行标记区分，并使用可视化的航迹图像对卷积神经网络进行训练，生成用于预测的卷积神经网络模型；
步骤3，将待分类的航迹数据转化为图像，利用卷积神经网络模型判定飞行器类型。
2.如权利要求1所述的利用航迹进行飞行器分类的方法，其特征在于，所述步骤1的过程为：步骤11，读入原始航迹数据，原始航迹数据包括A类飞行器的数据，原始航迹数据为csv格式，原始航迹数据字段包括：时间，航迹号，极坐标，高度和Mode3码；步骤12，对原始航迹数据进行处理，每个数据通过时间、航迹号以及Mode3代码唯一标记一条航迹，提取出一段时间内每条航迹数据；步骤13，需将航迹数据的坐标表示方式从极坐标转换为笛卡尔坐标，再进行航迹数据可视化为224*224大小的图像。
3.如权利要求2所述的利用航迹进行飞行器分类的方法，其特征在于，所述步骤12中，相邻两个航迹点的时间间隔为十秒，剔除间隔九个航迹点的两个航迹点的时间间隔为小于一百秒的数据。
4.如权利要求1所述的利用航迹进行飞行器分类的方法，其特征在于，所述步骤2的过程为：步骤21，对可视化的图像进行标记，区分飞行器为A类和B类；步骤22，对A类飞行器进行扩增，使A类飞行器的数量和B类飞行器的数量相同；步骤23，设计深度卷积神经网络，深度卷积神经网络的输入大小为3通道224*224的RGB彩色图像，深度卷积神经网络第一、二层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第三层为2*2的最大池化层，第四、五层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第六层为2*2的最大池化层，第七、八、九层为采用3*3的卷积核的卷积层，并使用ReLU函数激活，第十层为2*2的最大池化层，第十一、十二、十三层为采用3*3的卷积核的卷积层，第十四层；为2*2的最大池化层，第十五、十六层为全连接层，第十七层为判断输出层，利用Softmax函数进行判断，把结果分为A类飞行器和B类飞行器；步骤24，将扩增后得到的可视化图像作为样本输入到深度神经卷积网络进行训练，得到训练好的卷积神经网络模型。
5.如权利要求4所述的利用航迹进行飞行器分类的方法，其特征在于，所述步骤24中，训练时每批次为32张图像，总共训练10轮。
6.如权利要求1所述的利用航迹进行飞行器分类的方法，其特征在于，所述步骤3中，将待分类的航迹数据转换为224*224大小的图像。
CN201910484690.5A 2019-06-05 2019-06-05 一种利用航迹进行飞行器分类的方法 Active CN110197233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910484690.5A CN110197233B (zh) 2019-06-05 2019-06-05 一种利用航迹进行飞行器分类的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910484690.5A CN110197233B (zh) 2019-06-05 2019-06-05 一种利用航迹进行飞行器分类的方法

Publications (2)

Publication Number Publication Date
CN110197233A true CN110197233A (zh) 2019-09-03
CN110197233B CN110197233B (zh) 2021-03-19

Family

ID=67753995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910484690.5A Active CN110197233B (zh) 2019-06-05 2019-06-05 一种利用航迹进行飞行器分类的方法

Country Status (1)

Country Link
CN (1) CN110197233B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329830A (zh) * 2020-10-27 2021-02-05 中国人民解放军战略支援部队信息工程大学 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统
CN113239775A (zh) * 2021-05-09 2021-08-10 西北工业大学 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法
CN114461978A (zh) * 2022-04-13 2022-05-10 苏州浪潮智能科技有限公司 数据处理方法、装置、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH675638A5 (en) * 1987-09-11 1990-10-15 Contraves Ag Opto-electronic aircraft identification system - uses comparison of actual two=dimensional image of aircraft with projection of aircraft model
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
CN106909762A (zh) * 2017-04-17 2017-06-30 吉林化工学院 一种模拟飞机的可视化系统的设计方法
CN107330405A (zh) * 2017-06-30 2017-11-07 上海海事大学 基于卷积神经网络的遥感图像飞机目标识别方法
CN108921219A (zh) * 2018-07-03 2018-11-30 中国人民解放军国防科技大学 基于目标航迹的机型识别方法
US20190066310A1 (en) * 2017-05-05 2019-02-28 John W. Perry Mobile device, system, and computerized method for tracking flying objects and displaying tracked flying objects on the mobile device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH675638A5 (en) * 1987-09-11 1990-10-15 Contraves Ag Opto-electronic aircraft identification system - uses comparison of actual two=dimensional image of aircraft with projection of aircraft model
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
CN106909762A (zh) * 2017-04-17 2017-06-30 吉林化工学院 一种模拟飞机的可视化系统的设计方法
US20190066310A1 (en) * 2017-05-05 2019-02-28 John W. Perry Mobile device, system, and computerized method for tracking flying objects and displaying tracked flying objects on the mobile device
CN107330405A (zh) * 2017-06-30 2017-11-07 上海海事大学 基于卷积神经网络的遥感图像飞机目标识别方法
CN108921219A (zh) * 2018-07-03 2018-11-30 中国人民解放军国防科技大学 基于目标航迹的机型识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329830A (zh) * 2020-10-27 2021-02-05 中国人民解放军战略支援部队信息工程大学 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统
CN112329830B (zh) * 2020-10-27 2023-01-31 中国人民解放军战略支援部队信息工程大学 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统
CN113239775A (zh) * 2021-05-09 2021-08-10 西北工业大学 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法
CN114461978A (zh) * 2022-04-13 2022-05-10 苏州浪潮智能科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN114461978B (zh) * 2022-04-13 2022-07-08 苏州浪潮智能科技有限公司 数据处理方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN110197233B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN110197233A (zh) 一种利用航迹进行飞行器分类的方法
CN107133960A (zh) 基于深度卷积神经网络的图像裂缝分割方法
CN106096605B (zh) 一种基于深度学习的图像模糊区域检测方法及装置
CN105844257B (zh) 基于机器视觉雾天行车错失道路标志牌的预警系统及方法
CN104881662B (zh) 一种单幅图像行人检测方法
CN110647875B (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN109118479A (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
CN102053563A (zh) 模拟机飞行训练数据采集及质量评估系统
CN106874905B (zh) 一种基于自学习色彩聚类的自然场景文本检测的方法
CN109214308A (zh) 一种基于焦点损失函数的交通异常图片识别方法
Kim et al. Image-based monitoring of jellyfish using deep learning architecture
CN106803062A (zh) 栈式降噪自编码神经网络手势图像的识别方法
CN101447020A (zh) 基于直觉模糊的色情图像识别方法
CN111881802B (zh) 基于双分支时空图卷积网络的交警手势识别方法
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN107944407A (zh) 一种基于无人机的路口斑马线识别方法
CN113569644B (zh) 一种基于机器视觉的机场鸟类目标检测方法
CN106296709A (zh) 一种基于粒子群及模糊均值聚类的细胞图像分割方法
CN108921219A (zh) 基于目标航迹的机型识别方法
CN114581795A (zh) 基于深度学习的杆塔绝缘子检测方法
CN106127161A (zh) 基于级联多层检测器的快速目标检测方法
CN106874825A (zh) 人脸检测的训练方法、检测方法和装置
CN109344856A (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN116859985A (zh) 一种四旋翼自动追踪功能实现方法

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
GR01 Patent grant
GR01 Patent grant