CN110288001A - 基于目标数据特征训练学习的目标识别方法 - Google Patents

Abstract

本发明公开了一种基于目标数据特征训练学习的识别方法，利用本发明可以提升对空中移动目标的认知能力，本发明通过下述技术方案予以实现：按照数据层、分析层和应用层构成的分析架构进行目标识别分析，数据层提供数据汇聚和特征模型定义；分析层对多元的目标数据进行属性要素提取、多元数据关联和目标特征选取，形成目标特征数据集，并对目标特征数据集进行组合，形成目标特征模型要素，再进行分类/聚类/关联挖掘、模型训练反馈、特征深度学习；应用层基于业务应用场景对目标特征数据集进行特征组合形成目标特征模型要素，抽取已标注的样本数据作为训练数据，利用训练后的特征模型进行目标识别，完成目标类型识别、目标属性识别和目标状态识别。

Description

基于目标数据特征训练学习的目标识别方法

技术领域

本发明涉及情报处理与分析领域，具体涉及一种基于特征学习的空中移动识别分析的方法。

背景技术

雷达信号侦测系统、短波/超短波信号侦测系统、卫星通信信号侦测系统、敌我识别信号侦测系统等手段获取的情报信息，情报分析是为应对不确定性服务的，所以关键是分析不确定性的性质和来源，并考虑相应的办法来应对。不确定性有四个层次：前景清晰明确、有几种可能的前景、有一定变化范围的前景、前景不明。通常，调整分析策略以适应不确定性的层次。情报分析是横跨各个层次的思维活动,目的是高效收集信息,科学分析海量信息并批量产出情报，为侦查、防控等各个方面和层次的决策提供情报依据,提高决策的精确性。在目标分析过程中，总存在着多种因素影响目标识别的实现，其中若干个因素是关键的和主要的(即成功变量)。通过对关键成功因素的识别，找出实现目标所需的关键信息集合，从而确定系统开发的优先次序。当前，目标分析主要建立在高价值、小数据的分析基础上，数据掌握的不够充分，无法保障分析的全面性和准确性。目标识别分析依赖于用户的经验总结，主要通过业务规则来实现。对多元目标数据的挖掘分析，深度利用层次比较低，潜在的内涵规律挖掘不足等问题比较突出。面对众多的情报信息，目前虽然大部分情报处理系统已初步实现“态势一幅图”，但仍处于“有态无势”的局面，且对当前状态缺乏解读，仅仅是当前态势的简单展示，数据决策支持能力严重不足。因此，需要以目标画像为需求牵引，针对大数据背景下目标行为分析与识别问题，开展深度学习框架中的模型训练、自主学习、知识维护、信息反馈等内容的研究工作，针对已掌握行为意图的目标数据，利用数据智能挖掘分析算法，提取隐含在数据中的、事先未知的、而又潜在有用的目标信息。然而，在工业控制、机器人、空中交通管制、海洋监视、综合导航和管理等领域正朝着多源的方向发展。随着各种面向复杂背景的多源信息系统的大量出现，可靠的识别是复杂而难度较大的任务，所涉及的信息和因素较多，数据通信容量大、处理代价高、处理时间长、处理过程实时差，既与观测信息有关又与专家的经验有关。由于包含了不确定性，知识融合也具有更大的难度。精细处理包括了评估、规划和控制，信息融合系统的工作性能评估、性能质量度量、有效性度量；位置/身份要求、态势估计要求等，不精确推理方式处理数据的海量性和不确定性是一个对多源信息进行综合处理的过程，每个处理级别都反映了对原始信息不同程度的抽象。多源信息的复杂性大大增加，由此会产生一些不利因素:成本提高，设备量增加，设备的尺寸、重量、功耗等增大，交联关系复杂，对通信的要求提高等。

目标行为学习与发现技术就是利用人工智能、深度学习等领先技术，通过数据驱动的方式，以期从海量目标历史数据中发现目标活动行为的规律和模式，提取出新知识，辅助目标识别决策。

发明内容

本发明的发明目的是针对现有技术存在的不足之处，提供一种基于特征学习的目标识别分析的目标识别方法，以提升对空间目标的认知能力和目标识别准确率。

本发明基于目标数据特征训练学习的目标识别方法，一种基于目标数据特征训练学习的目标识别方法，其特征在于包括如下步骤：按照数据层、分析层和应用层构成的目标识别分析架构：数据层提供数据汇聚和特征模型定义，针对多元的历史目标数据，对目标数据源进行数据预处理，通过数据清洗与标注、数据要素提取和多元数据关联，对关联特征、动态特征和基本特征进行自动标注或人工标注，生成目标特征数据集，创建目标特征数据集的特征模型；分析层进行属性要素提取、多元数据关联和目标特征选取，形成目标特征数据集，并对目标特征数据集进行组合，形成目标特征模型要素，再进行分类/聚类/关联挖掘、模型训练反馈、特征深度学习；应用层基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据；基于深度学习算法，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，对目标特征数据训练后的特征识别模型进行目标识别，完成目标识别场景的目标类型识别、目标属性识别和目标状态识别。

由于采用了上述技术方案，本发明的有益效果是：

本发明针对目标识别强依赖业务规则的现象，利用结构化、非结构化等类型的情报数据，利用深度学习技术，以数据驱动的思维从物理、动态、关联等目标特征维度，探索情报数据特征表达的新思路，丰富了情报数据认知维度，拓展了目标历史行为规律挖掘分析的途径，辅助目标活动的趋势判断和意图预测，提升了目标分析认知能力。

本发明利用结构化、非结构化等类型的情报数据，首先，对多元的目标情报数据进行预处理，形成目标特征数据集；其次，基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据；然后，基于深度学习算法，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，选取评估结果最好的深度学习算法模型进行输出；最后，基于目标特征数据训练后的特征识别模型，进行目标身份等识别应用，形成情报数据特征表达、行为规律发现、知识积累，重点突破深度学习框架下情报数据特征构建、基于行为特征的目标识别等关键技术，提升目标的识别能力，为构建完整的、全面的目标画像奠定了技术基础。

本发明建立基于大量真实数据样本的目标挖掘分析，将不同来源的情报信息以目标为中心，按照时域、空域、信息域进行关联，围绕目标、事件、区域将多源情报进行高效聚合分析，从而完成对目标的准确研判、目标行为特征和关系分析、信息研判、事件发展趋势分析等，保障对信息的全面掌控。

本发明通过大数据挖掘模式，构造出目标的编组、部署、活动规律、通联方式等情况；支撑快速形成定量的指挥决策。通过对目标数据预处理、目标特征建模、特征深度学习、目标识别分析，形成目标的全维画像，提升对空间目标的认知能力。根据本发明选取的特征要素，在数据采集后目标识别准确率稳定在80％以上。

附图说明

图1是本发明基于目标数据特征训练与学习的目标识别的目标识别分析架构图。

图2是图1目标识别工作流程图。

图3是图1实时目标识别准确率随目标活动时长变化曲线图。

为使本发明的目的、技术方案和优点更加清楚，下面结合附图，对本发明作进一步地详细描述。

具体实施方式

参见图1。根据本发明，按照数据层、分析层和应用层构成的目标识别分析架构进行基于目标数据特征训练学习的目标识别方法，实现的主要步骤如下：

(1)目标数据预处理：数据层针对历史目标数据，基于多元的目标情报数据，对目标数据源进行预处理，通过数据清洗与标注、数据要素提取和多元数据关联，对关联特征、动态特征和基本特征进行自动标注或人工标注，生成目标特征数据集，构建目标特征数据集的特征模型；

(2)目标特征数据选择：分析层对多元的目标情报数据进行分类/聚类/关联挖掘、模型训练反馈、特征深度学习，并进行属性要素提取、多元数据关联和目标特征选取；

(3)目标特征数据应用：应用层基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据，基于深度学习算法，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，基于目标特征数据训练后的特征识别模型进行目标识别，完成目标识别场景的目标类型识别、目标属性识别和目标状态识别，选取评估结果最好的深度学习算法模型进行输出。

本发明的具体实施步骤，描述如下：

步骤1：在目标数据预处理中，数据层从数据源中自动提取实体的要素，根据目标要素和业务规则，对要素提取后的结构化数据、非结构化数据、基础知识信息等类型的情报数据进行多元数据的关联，依据目标数据关联的信息或知识数据，对目标的基本特征，活动区域、实施时间、任务、事件等运动特征，空间关系、时域关系、通联关系、隶属关系等关联特征要素进行自动标注或人工标注，生成目标数据特征集；分析层对多元的目标情报数据进行属性要素提取、多元数据关联和目标特征选取，并进行属性要素提取、模型训练反馈、分类/聚类/关联挖掘。

目标数据预处理包括三个环节：数据清洗与标注、数据要素提取和多元数据关联，其中，数据清洗与标注包含了数据格式转换、基础标签化和数据质量优化；数据格式转换通过关系型数据库的数据导入工具来实现对常用文本格式excel、txt等半结构化的数据格式转换；基础标签化主要实现对数据进行时空打标，以及基于业务规则进行初级业务打标；数据质量优化包含了数据标准化、缺失值处理、数据去重和野值剔除。数据标准化是针对数据字段不一致的数据，依据元数据中的信息生成一个标准映射表，按照统一后的标准对不一致的数据字段进行转换和错缺项的处理策略、数据去重处理策略，其中，错缺项的处理策略处理方法有：

(a)使用一个全局的常量填充，如缺省值等；

(b)对某一类属性值进行简单计算或推断后填充错缺项。常用方法包括使用形式值、平均值(连续变量)、数据的分布特征(统计规律)等；

(c)用其它字段属性值来推测错缺项值；

(d)使用最有可能的值填充，主要途径通过数据挖掘技术建立一个预测模型，主流技术有回归、贝叶斯分类或判定树等技术，利用已有数据的多维信息来推测错缺项，然后按照这个模型的预测结果添值。

在数据去重处理策略中，当数据分析系统检测到重复记录后，采用下面的规则进行剔除操作：

(a)保留字段项比较全的记录；(b)保留无错误的记录；(c)保留最新的记录。野值剔除，针对稳定性好，位置连续的目标航迹数据，采用滤波的方式，剔除航点；针对稳定性差，精度不太好的目标航迹数据，采用运动准则剔除航点，即两个点之间的距离<＝定位时间差*最大运动速度。

目标特征模型要素包括目标、关联目标的物理特征，活动区域、时间、实施、任务、事件等运动特征，以及空间关系、时域关系、通联关系和隶属关系等关联特征要素。

目标的多元数据关联

在目标数据预处理中，目标的多元数据关联是基于各类情报数据的结构化特征选择结果，在业务知识和规则的指导下，分析层将各类情报贡献的特征要素进行叠加、关联，完成以目标为中心的多源情报的关联汇集。多元数据关联包含了分粗关联和精关联两步，关联结果分为临时关联对和固定关联对两种。粗关联则按照粗关联准则：目标的身份属性进行关联，如果目标型号、目标名称、机弦号、呼号、PU码、地址码等能够表明目标身份的属性不为空，对利用粗关联准则关联上的目标，按照精关联准则，利用时间、位置信息进行判断，如果目标出现的时间差和距离满足阈值要求，则认为是同一个目标，输出关联结果。

数据要素提取

数据要素标注抽取主要通过定义目标特征学习所依赖的字段来解决。由于空中目标和海上目标的活动周期差异较大，所以对海空目标分别定义标注与提取信息。

对空中目标，主要标注或提取的信息，包括目标的基本信息、出/返航基地、进/出港时间、航线、阵位、阵位活动形状、阵位活动时间、高度/速度、任务等运动要素信息，以及与其它目标之间的关联要素信息；对海上目标，主要标注或提取的信息，包括目标的基本信息、驻泊港口、活动信息、航迹信息等要素，以及与其它目标之间的关联信息。

步骤2：在目标特征数据选择中，分析层利用目标数据预处理形成的目标特征数据集，基于业务应用场景进行特征组合，形成业务应用的特征模型要素，并抽取对应标注的样本数据作为训练集；特征模型要素是由数据分析人员基于应用场景对目标特征数据集进行组合而形成目标特征模型要素。

目标识别常用的场景包括：目标类型识别、目标属性识别和目标状态识别，其中，目标类型识别主要解决目标类别区分，如海洋目标、空中目标等，选取的特征要素包括：长度、高度、国家地区、飞行高度、飞行速度、爬升率、运动时长、运动方向、加速度、活动半径、关联时间、关联地点、关联要素等特征；目标属性识别主要解决目标身份、任务等属性要素的识别分析，选取的特征要素包括：速度、高度、加速度、爬升率、阵位类型、位置形状、起飞\出航基地、降落\返航基地、高度区间、速度区间、航线起点、航线终点、航线拐点等、出航时段、返航时段、持续时长、关联时间、关联地点、关联要素等特征。目标状态识别最主要解决目标在某种任务模式下的行为状态及运动状态的识别分析，选取的特征要素包括：速度、高度、起飞基地、停靠港口、航线、阵位、活动区域、关联时间、关联地点、关联要素等特征。

步骤3：目标特征数据应用：应用层基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据，对目标特征数据训练；基于深度学习算法，使用样本数据来训练深度学习网络，将已标注的样本数据作为训练集来训练深度学习网络，基于目标特征数据训练后的特征识别模型，通过特征选择计算目标类型识别、目标属性识别和目标状态识别准确率和召回率，反复迭代进行学习训练，基于目标特征数据训练后的特征识别模型，进行目标身份等识别，应用选取评估结果最好的深度学习算法模型进行输出，并调用输出的模型作为预测器进行目标实时识别分析，输出识别机型结果和准确率。

训练深度学习算法模型是根据业务场景选择的深度学习算法模型。数据分析人员利用样本数据进行深度学习网络训练，输出最优的模型参数；通过特征选择，一些和应用无关或者冗余的特征被删除，简化的数据集常常会得到更精确的模型，也更容易理解。数据分析人员针对选择后的特征要素，根据不同的应用场景选择不同的深度学习算法模型进行训练，通常使用的深度学习算法模型有决策树、随机森林、支持向量机和卷积神经网络等。

步骤4：数据分析人员基于目标特征数据训练后的识别模型，进行目标身份等识别应用。

数据分析人员针对实时接收到的目标数据，经过数据清洗处理后，推送到实时计算引擎，计算目标识别的特征要素，并进行识别分析处理。

参见图2。本实施例，针对目标识别工作流程，描述如下：针对历史目标数据，首先，数据层对目标数据源的结构化数据、非结构化数据、基础知识信息等类型的情报数据进行预处理，形成目标特征数据集，并将目标数据清洗、数据要素标注提取和多元数据关联结果反馈到目标数据源；其次，数据进行预处理后，对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据，经分析层特征优化、组合特征数据选择后，基于深度学习算法模型，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，并将特征数据训练优化数据反馈至目标特征数据集；特征数据训练数据通过特征识别模型送入应用层，在业务应用中，应用层选取评估结果最好的深度学习算法模型进行输出；最后，基于目标特征数据训练后的特征识别模型，进行目标类型识别、目标属性识别和目标状态识别等应用。

实例说明

下面对采集到的特定17种目标某年度的数据，进行目标机型实时识别实验。通过数据预处理，17种机型有效数据共7939条记录，抽取的目标特征数据集如下表所示：

表1目标特征数据集

针对目标机型识别应用，结合实际数据情况，形成包括：最小转弯半径、最大减速度、运动最小高度、平均运动速度、平均加速度、运动平均高度、运动最大高度、最大转角速率、拐点占比、平均下降加速度、平面最小速度、最大加速度、最小运动速度、平均爬升加速度、平均爬升减速度、轨迹总长度、最大爬升加速度、平均减速度、运动总时长、国家地区的目标机型识别的特征模型要素。

本实施例根据随机抽样原理，随机选取全年度70％的数据，共5557条记录作为训练数据，随机选取全年度30％的数据，共2382条记录作为测试数据，采用随机森林模型进行训练，最终得到如下表所示的离线识别结果，

表1目标离线识别结果表

目标种类	准确率	召回率
			机型1	94％	74％
机型2	77％	61％
			机型3	86％	78％
机型4	91％	90％
			机型5	90％	93％
机型6	79％	52％
			机型7	74％	73％
机型8	97％	100％
			机型9	98％	88％
机型10	82％	78％
			机型11	60％	68％
机型12	100％	60％
			机型13	72％	82％
机型14	66％	59％
			机型15	86％	93％
机型16	96％	100％
			总体	91％	91％

参阅图3。利用上述训练的目标机型识别模型，针对实时目标数据进行识别处理，利用训练后的目标机型识别模型，识别准确率随着目标活动时长而增长，如下图3所示实时目标识别准确率随目标活动时长变化。根据本发明选取的特征要素，在数据采集15分钟后目标识别准确率稳定在80％以上，根据特征要素选择的优化，识别准确率有待进一步的提升。

以上所述为本发明较佳实施例，应该注意的是上述实施例对本发明进行说明，然而本发明并不局限于此，并且本领域技术人员在脱离所附权利要求的范围情况下可设计出替换实施例。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种基于目标数据特征训练学习的目标识别方法，其特征在于包括如下步骤：按照数据层、分析层和应用层构成的目标识别分析架构：数据层提供数据汇聚和特征模型定义，针对多元的历史目标数据，对目标数据源进行数据预处理，通过数据清洗与标注、数据要素提取和多元数据关联，对关联特征、动态特征和基本特征进行自动标注或人工标注，生成目标特征数据集，创建目标特征数据集的特征模型；分析层进行属性要素提取、多元数据关联和目标特征选取，形成目标特征数据集，并对目标特征数据集进行组合，形成目标特征模型要素，再进行分类/聚类/关联挖掘、模型训练反馈、特征深度学习；应用层基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据；基于深度学习算法，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，对目标特征数据训练后的特征识别模型进行目标识别，完成目标识别场景的目标类型识别、目标属性识别和目标状态识别。

2.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：在目标数据预处理中，数据层从数据源中自动提取实体的要素，根据目标要素和业务规则，对目标要素提取后的结构化数据、非结构化数据、基础知识信息类型的情报数据进行多元数据的关联，依据目标数据关联的信息或知识数据，对目标的基本特征，活动区域、实施时间、任务、事件等运动特征，空间关系、时域关系、通联关系、隶属关系等关联特征要素进行自动标注或人工标注，生成目标数据特征集。

3.如权利要求2所述的基于目标数据特征训练学习的目标识别方法，其特征在于：分析层对多元的目标情报数据进行属性要素、多元数据关联和属性要素提取，并进行目标特征选取、模型训练反馈、分类/聚类/关联挖掘。

4.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：目标数据预处理包括数据清洗与标注、数据要素提取和目标的多元数据关联三个环节，其中，数据清洗与标注包含了数据格式转换、基础标签化和数据质量优化；数据格式转换通过关系型数据库的数据导入工具来实现对常用文本格式excel、txt半结构化的数据格式转换；基础标签化主要实现对数据进行时空打标，以及基于业务规则进行初级业务打标；数据质量优化包含了数据标准化、缺失值处理、数据去重和野值剔除；数据标准化是针对数据字段不一致的数据，依据元数据中的信息生成一个标准映射表，按照统一后的标准对不一致的数据字段进行转换。

5.如权利要求4所述的基于目标数据特征训练学习的目标识别方法，其特征在于：目标的多元数据关联是基于各类情报数据的结构化特征选择结果，在业务知识和规则的指导下，分析层将各类情报贡献的特征要素进行叠加、关联，完成以目标为中心的多源情报的关联汇集。

6.如权利要求5所述的基于目标数据特征训练学习的目标识别方法，其特征在于：多元数据关联包含了分粗关联和精关联两步，关联结果分为临时关联对和固定关联对两种；粗关联则按照粗关联准则：目标的身份属性进行关联，对利用粗关联准则关联上的目标，按照精关联准则，利用时间、位置信息进行判断，如果目标出现的时间差和距离满足阈值要求，则认为是同一个目标，输出关联结果。

7.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：在目标特征数据选择中，分析层利用目标数据预处理形成的目标特征数据集，基于业务应用场景进行特征组合，形成业务应用的特征模型要素，并抽取对应标注的样本数据作为训练集；特征模型要素是由数据分析人员基于应用场景对目标特征数据集进行组合而形成目标特征模型要素。

8.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：应用层基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据，对目标特征数据训练，并基于深度学习算法，使用样本数据来训练深度学习网络，将已标注的样本数据作为训练集来训练深度学习网络，基于目标特征数据训练后的特征识别模型，通过特征选择计算目标类型识别、目标属性识别和目标状态识别准确率和召回率，反复迭代进行学习训练，基于目标特征数据训练后的特征识别模型进行目标身份等识别应用，应用选取评估结果最好的深度学习算法模型进行输出，并调用输出的模型作为预测器进行目标实时识别分析，输出识别机型结果和准确率。

9.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：针对历史目标数据，数据层对目标数据源的结构化数据、非结构化数据、基础知识信息类型的情报数据进行预处理形成目标特征数据集，并将目标数据清洗、数据要素标注提取和多元数据关联结果反馈到目标数据源。

10.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：数据进行预处理后，数据层对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据，经分析层特征优化、组合特征数据选择后，基于深度学习算法模型，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，并将特征数据训练优化数据反馈至目标特征数据集；特征数据训练数据通过特征识别模型送入应用层。