CN110378388B - 飞行物识别方法、装置、计算机可读存储介质及终端设备 - Google Patents
飞行物识别方法、装置、计算机可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN110378388B CN110378388B CN201910545006.XA CN201910545006A CN110378388B CN 110378388 B CN110378388 B CN 110378388B CN 201910545006 A CN201910545006 A CN 201910545006A CN 110378388 B CN110378388 B CN 110378388B
- Authority
- CN
- China
- Prior art keywords
- flyer
- flying object
- characteristic information
- preset
- identification
- 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
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
- 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
本发明属于核电站环境监测技术领域,尤其涉及一种飞行物识别方法、装置、计算机可读存储介质及终端设备。所述方法包括:使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息;根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量;使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果,所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录。该发明充分利用到了各个特征维度上的特征信息,极大提高了识别结果的准确率。
Description
技术领域
本发明属于核电站环境监测技术领域,尤其涉及一种飞行物识别方法、装置、计算机可读存储介质及终端设备。
背景技术
近年来,包括核电站在内的国内外一些重要设施和目标受到各种低空飞行物干扰与威胁的事件时有发生,因此需要对重要设施和目标的低空空域进行管控,以防止意外事件的发送,包含重要设施和目标的安全运行。
低空空域管控的过程中需要对进行空域的各种飞行物进行有效的识别,在识别出飞行物的基础上,才可能有的放矢,采取相对应的警告、驱离、拦截等手段。但现有的飞行物识别方法往往依靠某种单一的监测设备的监测结果,准确率较低。
发明内容
有鉴于此,本发明实施例提供了一种飞行物识别方法、装置、计算机可读存储介质及终端设备,以解决现有的飞行物识别方法准确率较低的问题。
本发明实施例的第一方面提供了一种飞行物识别方法,可以包括:
使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息;
根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量;
使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果,所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录。
本发明实施例的第二方面提供了一种飞行物识别装置,可以包括:
特征信息采集模块,用于使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息;
向量构造模块,用于根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量;
模型识别模块,用于使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果,所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录。
本发明实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述任一种飞行物识别方法的步骤。
本发明实施例的第四方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述任一种飞行物识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例首先使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息,然后根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量,最后使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果。所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录。由于所述识别模型是对大量的各种飞行物类别的真实样本训练得到的,且充分利用到了各个特征维度上的特征信息,考虑更加全面,极大提高了识别结果的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种飞行物识别方法的一个实施例流程图;
图2为样本集合的设置过程的示意流程图;
图3为使用识别模型对飞行物的特征信息向量进行计算的示意流程图;
图4为本发明实施例中一种飞行物识别装置的一个实施例结构图;
图5为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本发明实施例中一种飞行物识别方法的一个实施例可以包括:
步骤S101、使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息。
所述监测设备阵列可以包括但不限于雷达设备、光电探测设备、电磁侦测设备、广播式自动相关监视设备(Automatic Dependent Surveillance–Broadcast,ADS-B)、无线电数据解密设备以及声纹识别设备。所述特征维度包括但不限于所述飞行物的方位、距离、速度、光电、电磁等维度。具体地,可以使用所述监测设备阵列中的雷达设备采集所述飞行物的方位、距离和速度信息,还可以使用所述雷达设备采集所述飞行物的RCS序列起伏特征、RCS序列变化特征、多普勒谱特征、脉内调制特征等;使用所述监测设备阵列中的光电探测设备采集所述飞行物的光电特征信息,所述光电特征信息包括但不限于形状信息、纹理信息、亮度信息、运动信息等;使用所述监测设备阵列中的电磁侦测设备采集所述飞行物的电磁特征信息;使用所述监测设备阵列中的广播式自动相关监视设备采集所述飞行物的无线电信号;使用所述监测设备阵列中的无线电数据解密设备采集所述飞行物的控制无线电信号并进行解密,得到解密信息;使用所述监测设备阵列中的声纹识别设备采集所述飞行物的声纹信息。
在得到所述飞行物在各个特征维度上的特征信息之后,可以将其与预设的数据库中的特征信息进行比对并相互关联判断,所述数据库包括飞行物光电特征数据库、飞行物电磁特征数据库、飞行物声纹特征数据库和飞行物管理系统数据库(如民航、公安的飞机、无人机数据库,里面通过ID可以查询到飞行物类型、报备的飞行路线等信息),若比对成功,则可以根据比对结果确定所述飞行物的类别,若比对不成功,则可以继续通过步骤S102及其后续步骤进行识别。
优选地,为了减少所述监测设备阵列的资源消耗,在步骤S101之前,可以首先获取所述飞行物的坐标信息,并根据所述飞行物的坐标信息和预设的目标物体的坐标信息计算所述飞行物与所述目标物体之间的距离,所述目标物体可以为核电站或者其它重要设施。然后判断所述飞行物与所述目标物体之间的距离是否小于预设的预警距离阈值,若所述飞行物与所述目标物体之间的距离小于所述预警距离阈值,则执行步骤S101及其后续步骤,否则,可以不执行步骤S101及其后续步骤。
所述预警距离阈值可以根据实际情况进行设置,例如,可以将其设置为1千米、3千米、5千米等等。进一步地,还可以设置所述预警距离阈值与预设的飞行器处置设备的反应时间正相关,即反应时间越长,则所述预警距离阈值也越大,反应时间越短,则所述预警距离阈值也越小。所述飞行器处置设备包括但不限于强声处置设备、强光处置设备、电磁处置设备、拦截打击设备等,所述强声处置设备用于对飞行器采用强声警告的方式进行驱离,所述强光处置设备用于对飞行器采用强光警告的方式进行驱离,所述电磁处置设备用于对飞行物采取通信链路、GPS等干扰手段,致其失效或自主返航,所述拦截打击设备用于对飞行器采取电磁或激光等打击手段进行处置。
步骤S102、根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量。
优选地,考虑到非数值化的信息不利于进行分析计算,因此,可以首先对非数值化的特征信息进行数值化处理,从而得到数值化的特征信息。具体的数值化处理过程可以参照现有技术中的任意一种数值化处理方法,本实施例对此不再赘述。
在进行完数值化处理之后,即可将所述飞行物在各个预设的特征维度上的特征信息构造为如下所示的特征信息向量:
InfoVec=(InfoEm1,InfoEm2,...,InfoEmdn,...,InfoEmDN)
其中,dn为特征维度的序号,1≤dn≤DN,DN为特征维度的总数,InfoEmdn为第dn个特征维度上的特征信息,InfoVec为所述飞行物的特征信息向量。
步骤S103、使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果。
所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录,且每个样本均包括特征信息向量和识别结果。为了保证结果的准确性,应尽量增加所述样本集合中的样本数目,例如,可以设置所述样本集合中的样本数目大于预设的第一阈值,所述第一阈值可以根据实际情况进行设置,为了保证训练结果的准确率,一般需要尽可能多的增加样本数目,例如,可以将所述第一阈值设置为10000、20000、50000等等,本实施例对此不做具体限定。
优选地,如图2所示,所述样本集合的设置过程可以包括如下步骤:
步骤S201、将所述数据库中的历史飞行物识别记录按照识别结果划分为各个子库。
其中,每个子库对应于一种飞行物类别。所述识别结果包括但不限于无人机、直升机、滑翔机、热气球等等类别。
各个子库中的历史飞行物识别记录数目应满足一定的限制条件,以保证识别结果的平行,例如,可以设置:
其中:MaxNum=max(LogNUM1,LogNUM2,…,LogNUMn,…,LogNUMN),MinNum=min(LogNUM1,LogNUM2,…,LogNUMn,…,LogNUMN),max为求最大值函数,min为求最小值函数,n为飞行物类别的序号,且1≤n≤N,N为飞行物类别的总数,LogNUMn为与第n个飞行物类别对应的子库(以下简称为第n个子库)中的历史飞行物识别记录数目,Balence为预设的平衡阈值,该阈值可以根据实际情况进行设置,例如,可以将其设置为0.1、0.01、0.001或者其它取值,本实施例对此不作具体限定。
特殊地,可以保持各个子库中的历史飞行物识别记录数目一致。
步骤S202、分别构造各个历史飞行物识别记录中的飞行物的特征信息向量。
具体的特征信息向量的构造过程与步骤S102类似,具体可参照步骤S102中的详细叙述,此处不再赘述。
此处将各个历史飞行物识别记录中的飞行物的特征信息向量记为:
HsInfoVecn,m=(HsInfoEmn,m,1,HsInfoEmn,m,2,...,HsInfoEmn,m,dn,...,HsInfoEmn,m,DN)
其中,m为第n个子库中的历史飞行物识别记录的序号,且1≤m≤LogNUMn,HsInfoEmn,m,dn为第n个子库中的第m个历史飞行物识别记录中的飞行物的第dn个特征维度上的特征信息,HsInfoVecn,m第n个子库中的第m个历史飞行物识别记录中的飞行物的特征信息向量。
步骤S203、根据各个历史飞行物识别记录中的飞行物的特征信息向量计算各个子库的中心特征信息向量。
具体地,可以根据下式计算各个子库的中心特征信息向量:
CtInfoVecn=(CtInfoEmn,1,CtInfoEmn,2,...,CtInfoEmn,dn,...,CtInfoEmn,DN)
步骤S204、分别计算各个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量之间的向量距离。
具体地,可以根据下式计算向量距离:
其中,Disn,m为第n个子库中的第m个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量(也即第n个子库的中心特征信息向量)之间的向量距离。
步骤S205、将向量距离小于预设的距离阈值的历史飞行物识别记录确定为优选记录,并根据所述优选记录构造所述样本集合。
所述距离阈值可以根据实际情况进行设置,例如,可以将其设置为10、20、50或者其它取值,本实施例对此不作具体限定。
在确定出优选记录后,即可将这些优选记录的特征信息向量以及识别结果组合成所述样本集合。
优选地,步骤S103具体可以包括如图3所示的步骤:
步骤S1031、将所述飞行物的特征信息向量确定为所述识别模型的输入层节点数据。
本实施例中的识别模型可以包括输入层、隐含层和输出层。所述输入层用于从外部接收输入数据,包括两个以上的输入层节点,所述隐含层用于对数据进行处理,包括两个以上的隐含层节点,所述输出层用于输出处理结果,包括一个输出层节点。
所述输入层节点与所述特征维度一一对应。例如,若所述飞行物的特征信息向量共有3个特征维度,分别为特征维度1、特征维度2和特征维度3,那么对应的识别模型的输入层节点的个数也应为3个,分别为输入层节点1、输入层节点2和输入层节点3,其中,输入层节点1与特征维度1对应,输入层节点2与特征维度2对应,输入层节点3与特征维度3对应。
步骤S1032、在所述识别模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理,得到隐含层节点数据。
在本实施例中,所述隐含层节点数据可以通过以下计算公式得到:
其中:
i为输入层节点的标号,其取值范围为[1,n],n为输入层节点的个数;
j为隐含层节点的标号,其取值范围为[1,h],h为隐含层节点的个数;
Φj(x)为第j个隐含层节点的隐含层节点数据;
Gij(xi)为第j个隐含层节点的第i个模糊高斯隶属度函数;
x为输入层节点数据,xi为其中的第i个输入层节点的输入层节点数据;
μij为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望;
σij为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差。
优选地,还可以对所述隐含层节点数据进行归一化处理,以缩小所述隐含层节点数据的差异,具体地,可以获取所述隐含层节点数据中的最大值和最小值,然后根据所述最大值和所述最小值对所述隐含层节点数据进行归一化处理,得到归一化的隐含层节点数据。
例如,可以通过以下公式对所述隐含层节点数据进行归一化处理:
其中:
Ψj(x)为第j个隐含层节点的归一化的隐含层节点数据;
Φmax(x)为Φj(x)中的最大值;
Φmin(x)为Φj(x)中的最小值。
步骤S1033、使用预设的权值分别对所述隐含层节点数据进行加权求和,得到所述识别模型的输出值。
对于未进行归一化的隐含层节点数据,输出值的计算公式可以为:
对于归一化的隐含层节点数据,输出值的计算公式可以为:
其中:
ωj为与第j个隐含层节点的隐含层节点数据对应的权值;
R(x)为输出层节点数据,也即所述识别模型的输出值。
步骤S1034、根据所述输出值确定所述飞行物的识别结果。
在本实施例中,可以预先设置各种飞行物类别对应的输出值区间,在得到所述识别模型的输出值之后,判断该输出值属于哪一种飞行物类别对应的输出值区间,并将该输出值所属的输出值区间所对应的飞行物类别确定为所述飞行物的识别结果。
综上所述,本发明实施例首先使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息,然后根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量,最后使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果。所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录。由于所述识别模型是对大量的各种飞行物类别的真实样本训练得到的,且充分利用到了各个特征维度上的特征信息,考虑更加全面,极大提高了识别结果的准确率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种飞行物识别方法,图4示出了本发明实施例提供的一种飞行物识别装置的一个实施例结构图。
本实施例中的一种飞行物识别装置可以包括:
特征信息采集模块401,用于使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息;
向量构造模块402,用于根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量;
模型识别模块403,用于使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果,所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录。
进一步地,所述特征信息采集模块可以包括:
第一采集单元,用于使用所述监测设备阵列中的雷达设备采集所述飞行物的方位、距离和速度信息;
第二采集单元,用于使用所述监测设备阵列中的光电探测设备采集所述飞行物的光电特征信息;
第三采集单元,用于使用所述监测设备阵列中的电磁侦测设备采集所述飞行物的电磁特征信息;
第四采集单元,用于使用所述监测设备阵列中的广播式自动相关监视设备采集所述飞行物的无线电信号;
第五采集单元,用于使用所述监测设备阵列中的无线电数据解密设备采集所述飞行物的控制无线电信号并进行解密,得到解密信息;
第六采集单元,用于使用所述监测设备阵列中的声纹识别设备采集所述飞行物的声纹信息。
进一步地,所述飞行物识别装置还可以包括:
信息比对模块,用于将所述飞行物在各个特征维度上的特征信息与预设的数据库中的特征信息进行比对,所述数据库包括飞行物光电特征数据库、飞行物电磁特征数据库、飞行物声纹特征数据库和飞行物管理系统数据库;
类别确定模块,用于若比对成功,则根据比对结果确定所述飞行物的类别。
进一步地,所述飞行物识别装置还可以包括:
坐标信息获取模块,用于获取所述飞行物的坐标信息;
距离计算模块,用于根据所述飞行物的坐标信息和预设的目标物体的坐标信息计算所述飞行物与所述目标物体之间的距离;
距离判断模块,用于判断所述飞行物与所述目标物体之间的距离是否小于预设的预警距离阈值。
进一步地,所述飞行物识别装置还可以包括:
子库划分模块,用于将所述数据库中的历史飞行物识别记录按照识别结果划分为各个子库,其中,每个子库对应于一种飞行物类别;
历史向量构造模块,用于分别构造各个历史飞行物识别记录中的飞行物的特征信息向量;
中心向量计算模块,用于根据各个历史飞行物识别记录中的飞行物的特征信息向量计算各个子库的中心特征信息向量;
向量距离计算模块,用于分别计算各个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量之间的向量距离;
样本集合构造模块,用于将向量距离小于预设的距离阈值的历史飞行物识别记录确定为优选记录,并根据所述优选记录构造所述样本集合。
进一步地,所述模型识别模块可以包括:
输入层数据确定单元,用于将所述飞行物的特征信息向量确定为所述识别模型的输入层节点数据,所述输入层节点与所述特征维度一一对应;
隐含层处理单元,用于在所述识别模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理,得到隐含层节点数据;
模型输出单元,用于使用预设的权值分别对所述隐含层节点数据进行加权求和,得到所述识别模型的输出值;
识别结果确定单元,用于根据所述输出值确定所述飞行物的识别结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种终端设备的示意框图,为了便于说明,仅示出了与本发明实施例相关的部分。
在本实施例中,所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备5可包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52,例如执行上述的飞行物识别方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个飞行物识别方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至403的功能。
示例性的,所述计算机可读指令52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令52在所述终端设备5中的执行过程。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述终端设备5所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种飞行物识别方法,其特征在于,包括:
使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息;
根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量;
使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果,所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录;
所述样本集合的设置过程包括:
将所述数据库中的历史飞行物识别记录按照识别结果划分为各个子库,其中,每个子库对应于一种飞行物类别;各个子库中的历史飞行物识别记录数目满足以下限制条件:
MaxNum=max(LogNUM1,LogNUM2,…,LogNUMn,…,LogNUMN)
MinNum=min(LogNUM1,LogNUM2,…,LogNUMn,…,LogNUMN)
max为求最大值函数,min为求最小值函数,n为飞行物类别的序号,且1≤n≤N,N为飞行物类别的总数,LogNUMn为第n个子库中的历史飞行物识别记录数目,第n个子库为与第n个飞行物类别对应的子库,Balence为预设的平衡阈值;
根据下式分别构造各个历史飞行物识别记录中的飞行物的特征信息向量:
HsInfoVecn,m=(HsInfoEmn,m,1,HsInfoEmn,m,2,...,HsInfoEmn,m,dn,...,HsInfoEmn,m,DN)
其中,m为第n个子库中的历史飞行物识别记录的序号,且1≤m≤LogNUMn,dn为特征维度的序号,1≤dn≤DN,DN为特征维度的总数,HsInfoEmn,m,dn为第n个子库中的第m个历史飞行物识别记录中的飞行物的第dn个特征维度上的特征信息,HsInfoVecn,m第n个子库中的第m个历史飞行物识别记录中的飞行物的特征信息向量;
根据各个历史飞行物识别记录中的飞行物的特征信息向量计算各个子库的中心特征信息向量,计算公式如下所示:
CtInfoVecn=(CtInfoEmn,1,CtInfoEmn,2,...,CtInfoEmn,dn,...,CtInfoEmn,DN)
根据下式分别计算各个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量之间的向量距离:
其中,Disn,m为第n个子库中的第m个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量之间的向量距离;
将向量距离小于预设的距离阈值的历史飞行物识别记录确定为优选记录,并根据所述优选记录构造所述样本集合。
2.根据权利要求1所述的飞行物识别方法,其特征在于,所述使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息包括:
使用所述监测设备阵列中的雷达设备采集所述飞行物的方位、距离和速度信息;
使用所述监测设备阵列中的光电探测设备采集所述飞行物的光电特征信息;
使用所述监测设备阵列中的电磁侦测设备采集所述飞行物的电磁特征信息;
使用所述监测设备阵列中的广播式自动相关监视设备采集所述飞行物的无线电信号;
使用所述监测设备阵列中的无线电数据解密设备采集所述飞行物的控制无线电信号并进行解密,得到解密信息;
使用所述监测设备阵列中的声纹识别设备采集所述飞行物的声纹信息。
3.根据权利要求1所述的飞行物识别方法,其特征在于,在使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息之后,还包括:
将所述飞行物在各个特征维度上的特征信息与预设的数据库中的特征信息进行比对,所述数据库包括飞行物光电特征数据库、飞行物电磁特征数据库、飞行物声纹特征数据库和飞行物管理系统数据库;
若比对成功,则根据比对结果确定所述飞行物的类别。
4.根据权利要求1所述的飞行物识别方法,其特征在于,在使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息之前,还包括:
获取所述飞行物的坐标信息;
根据所述飞行物的坐标信息和预设的目标物体的坐标信息计算所述飞行物与所述目标物体之间的距离;
判断所述飞行物与所述目标物体之间的距离是否小于预设的预警距离阈值;
若所述飞行物与所述目标物体之间的距离小于所述预警距离阈值,则执行所述使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息的步骤及其后续步骤。
5.根据权利要求1至4中任一项所述的飞行物识别方法,其特征在于,所述使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果包括:
将所述飞行物的特征信息向量确定为所述识别模型的输入层节点数据,所述输入层节点与所述特征维度一一对应;
在所述识别模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理,得到隐含层节点数据;
使用预设的权值分别对所述隐含层节点数据进行加权求和,得到所述识别模型的输出值;
根据所述输出值确定所述飞行物的识别结果。
6.一种飞行物识别装置,其特征在于,包括:
特征信息采集模块,用于使用预设的监测设备阵列采集飞行物在各个预设的特征维度上的特征信息;
向量构造模块,用于根据所述飞行物在各个预设的特征维度上的特征信息构造所述飞行物的特征信息向量;
模型识别模块,用于使用预设的识别模型对所述飞行物的特征信息向量进行计算,得到所述飞行物的识别结果,所述识别模型为经过预设的样本集合训练的神经网络模型,所述样本集合中包括识别结果为各种飞行物类别的各个样本,每个样本均对应于预设的数据库中的一条历史飞行物识别记录;
子库划分模块,用于将所述数据库中的历史飞行物识别记录按照识别结果划分为各个子库,其中,每个子库对应于一种飞行物类别;各个子库中的历史飞行物识别记录数目满足以下限制条件:
MaxNum=max(LogNUM1,LogNUM2,…,LogNUMn,…,LogNUMN)
MinNum=min(LogNUM1,LogNUM2,…,LogNUMn,…,LogNUMN)
max为求最大值函数,min为求最小值函数,n为飞行物类别的序号,且1≤n≤N,N为飞行物类别的总数,LogNUMn为第n个子库中的历史飞行物识别记录数目,第n个子库为与第n个飞行物类别对应的子库,Balence为预设的平衡阈值;
历史向量构造模块,用于根据下式分别构造各个历史飞行物识别记录中的飞行物的特征信息向量:
HsInfoVecn,m=(HsInfoEmn,m,1,HsInfoEmn,m,2,...,HsInfoEmn,m,dn,...,HsInfoEmn,m,DN)
其中,m为第n个子库中的历史飞行物识别记录的序号,且1≤m≤LogNUMn,dn为特征维度的序号,1≤dn≤DN,DN为特征维度的总数,HsInfoEmn,m,dn为第n个子库中的第m个历史飞行物识别记录中的飞行物的第dn个特征维度上的特征信息,HsInfoVecn,m第n个子库中的第m个历史飞行物识别记录中的飞行物的特征信息向量;
中心向量计算模块,用于根据各个历史飞行物识别记录中的飞行物的特征信息向量计算各个子库的中心特征信息向量,计算公式如下所示:
CtInfoVecn=(CtInfoEmn,1,CtInfoEmn,2,...,CtInfoEmn,dn,...,CtInfoEmn,DN)
向量距离计算模块,用于根据下式分别计算各个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量之间的向量距离:
其中,Disn,m为第n个子库中的第m个历史飞行物识别记录中的飞行物的特征信息向量与对应的中心特征信息向量之间的向量距离;
样本集合构造模块,用于将向量距离小于预设的距离阈值的历史飞行物识别记录确定为优选记录,并根据所述优选记录构造所述样本集合。
7.根据权利要求6所述的飞行物识别装置,其特征在于,所述特征信息采集模块包括:
第一采集单元,用于使用所述监测设备阵列中的雷达设备采集所述飞行物的方位、距离和速度信息;
第二采集单元,用于使用所述监测设备阵列中的光电探测设备采集所述飞行物的光电特征信息;
第三采集单元,用于使用所述监测设备阵列中的电磁侦测设备采集所述飞行物的电磁特征信息;
第四采集单元,用于使用所述监测设备阵列中的广播式自动相关监视设备采集所述飞行物的无线电信号;
第五采集单元,用于使用所述监测设备阵列中的无线电数据解密设备采集所述飞行物的控制无线电信号并进行解密,得到解密信息;
第六采集单元,用于使用所述监测设备阵列中的声纹识别设备采集所述飞行物的声纹信息。
8.根据权利要求7所述的飞行物识别装置,其特征在于,还包括:
信息比对模块,用于将所述飞行物在各个特征维度上的特征信息与预设的数据库中的特征信息进行比对,所述数据库包括飞行物光电特征数据库、飞行物电磁特征数据库、飞行物声纹特征数据库和飞行物管理系统数据库;
类别确定模块,用于若比对成功,则根据比对结果确定所述飞行物的类别。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的飞行物识别方法的步骤。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的飞行物识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910545006.XA CN110378388B (zh) | 2019-06-21 | 2019-06-21 | 飞行物识别方法、装置、计算机可读存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910545006.XA CN110378388B (zh) | 2019-06-21 | 2019-06-21 | 飞行物识别方法、装置、计算机可读存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378388A CN110378388A (zh) | 2019-10-25 |
CN110378388B true CN110378388B (zh) | 2021-11-12 |
Family
ID=68250569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910545006.XA Active CN110378388B (zh) | 2019-06-21 | 2019-06-21 | 飞行物识别方法、装置、计算机可读存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378388B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785096B (zh) * | 2020-07-01 | 2022-11-25 | 中国人民解放军63921部队 | 一种航天器安全防护方法、设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095494A (zh) * | 2012-12-31 | 2013-05-08 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN106294466A (zh) * | 2015-06-02 | 2017-01-04 | 富士通株式会社 | 分类模型构建方法、分类模型构建设备和分类方法 |
CN108051813A (zh) * | 2017-12-04 | 2018-05-18 | 湖南华诺星空电子技术有限公司 | 用于低空多目标分类识别的雷达探测系统及方法 |
CN108596155A (zh) * | 2018-05-14 | 2018-09-28 | 浙江大学 | 一种sar雷达空中飞行目标识别系统 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
-
2019
- 2019-06-21 CN CN201910545006.XA patent/CN110378388B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095494A (zh) * | 2012-12-31 | 2013-05-08 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN106294466A (zh) * | 2015-06-02 | 2017-01-04 | 富士通株式会社 | 分类模型构建方法、分类模型构建设备和分类方法 |
CN108051813A (zh) * | 2017-12-04 | 2018-05-18 | 湖南华诺星空电子技术有限公司 | 用于低空多目标分类识别的雷达探测系统及方法 |
CN108596155A (zh) * | 2018-05-14 | 2018-09-28 | 浙江大学 | 一种sar雷达空中飞行目标识别系统 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
Non-Patent Citations (1)
Title |
---|
低空慢速小目标检测识别与威胁度评估;郭溪溪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170615;第1、4-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378388A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710623B (zh) | 基于时间序列相似性度量的机场离港延误时间预测方法 | |
CN108062516B (zh) | 低空空域管控方法、装置及系统 | |
TWI794516B (zh) | 透過空中交通管理電子系統的用於空中管理的訓練和/或輔助平台及方法 | |
CN110070026B (zh) | 基于模式识别的视频图像危险态势感知方法、系统、装置 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN108614895B (zh) | 异常的数据访问行为的识别方法及数据处理装置 | |
CN101465066B (zh) | 飞机垂直占有率的获取方法 | |
CN110378388B (zh) | 飞行物识别方法、装置、计算机可读存储介质及终端设备 | |
Cai et al. | Reliable UAV monitoring system using deep learning approaches | |
Kochenderfer et al. | A comprehensive aircraft encounter model of the national airspace system | |
CN106779222A (zh) | 机场地面等待时间预测方法及装置 | |
Aydın et al. | Development of a new light-weight convolutional neural network for acoustic-based amateur drone detection | |
CN112990125A (zh) | 一种辐射源雷达属于目标平台的判别方法 | |
CN115795353B (zh) | 一种基于不均衡数据集的地下金属目标分类方法及系统 | |
CN111596277A (zh) | 基于模糊综合评价法的飞行目标威胁度识别方法及系统 | |
CN115758336A (zh) | 一种资产识别方法及装置 | |
CN111413681B (zh) | 基于熵权法的飞行目标威胁度识别方法、系统和存储介质 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN114898222A (zh) | 一种舰船目标航迹识别方法及装置 | |
CN113361887A (zh) | 面向作战应用的航空电子系统适用性评估系统 | |
Sami et al. | Real-time Classification of Aircrafts Manoeuvers | |
CN111160439A (zh) | 一种无人机系统自主能力评价方法、系统及可读存储介质 | |
Bolton et al. | Aircraft Classification Using Flight Phase Identification | |
CN114638298A (zh) | 飞行器攻击行为预测方法及电子设备 |
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 |