CN111814737B - 一种基于序贯三支决策的目标意图识别方法 - Google Patents
一种基于序贯三支决策的目标意图识别方法 Download PDFInfo
- Publication number
- CN111814737B CN111814737B CN202010729015.7A CN202010729015A CN111814737B CN 111814737 B CN111814737 B CN 111814737B CN 202010729015 A CN202010729015 A CN 202010729015A CN 111814737 B CN111814737 B CN 111814737B
- Authority
- CN
- China
- Prior art keywords
- target
- intention
- decision
- ith time
- domain
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于序贯三支决策的目标意图识别方法,将序贯思想引入到三支决策中,按照时间顺序以及获取目标信息量的大小将目标意图识别过程分为多个阶段,在每个阶段中使用多类别三支决策方法识别目标意图,对于因目标信息不充分而无法确定目标意图的情况做延迟决策,等待下一阶段获得更多的目标信息来继续对目标意图重新进行识别,以此来解决意图识别中存在的时序性问题,提高了目标意图识别的准确性。
Description
技术领域
本发明属于模式识别领域,具体涉及一种目标意图识别方法。
背景技术
空战中,准确及时的了解敌方作战情报可以为我方作战指挥决策提供有利的支撑,甚至可以改变战争的走向。在交战中如果能预先知道敌方目标的作战意图,就能揣测敌方作战计划,进而掌握目标作战动向和敌方作战趋势。
意图识别是一个系统性问题,如若不考虑时间的先后顺序以及信息获取的递增性,就不能有效说明和利用战场态势信息中的时序特征和前后逻辑关系。传统的意图识别方法,如模板匹配、知识图谱和贝叶斯推理等方法都仅考虑短期或者没有考虑战场态势的变化特征,对目标意图识别中的时序性问题研究的不够深入,而意图识别既要考虑时效问题,同时也要综合分析使用短期和长期战场态势的特征。
三支决策是近年来提出的一种处理不确定信息的理论,该理论在传统的二支决策中加入了延迟决策,将原有论域一分为三,这样拥有充分信息的属性对象会被迅速分类,而信息数据证据不足以正确分类的属性对象则等待进一步区分,暂时延迟处理。
发明内容
为了克服现有技术的不足,本发明提供一种基于序贯三支决策的目标意图识别方法,将序贯思想引入到三支决策中,按照时间顺序以及获取目标信息量的大小将目标意图识别过程分为多个阶段,在每个阶段中使用多类别三支决策方法识别目标意图,对于因目标信息不充分而无法确定目标意图的情况做延迟决策,等待下一阶段获得更多的目标信息来继续对目标意图重新进行识别,以此来解决意图识别中存在的时序性问题,提高了目标意图识别的准确性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:构建多类别三支决策模型并将三支决策模型映射到目标意图识别中;
定义决策信息表IS=(U,C,D),其中U={x}是用非空有限集合表示的论域,表示战场中目标集合,x为目标;C为条件属性集,表示目标特征信息;Di={D1,D2,...,Dj,...,Dn}为具有n类决策属性的决策属性集,表示战场上每个目标共有n种意图,Dj为第j个意图;
其中,Pr(Dj|x)表示目标x的意图为Dj的先验概率,αj、βj分别为意图Dj的三支决策正阈值和负阈值,由以下公式给出:
其中,λPP(Dj),λNP(Dj),λBP(Dj)分别表示x∈Dj时,目标x的意图为Dj的三支决策正域、三支决策负域和三支决策边界域时的损失函数值,λPN(Dj),λNN(Dj),λBN(Dj)分别表示x∈(Dj)C时,目标x的意图为Dj的三支决策正域、三支决策负域和三支决策边界域时的损失函数值;
定义i为目标运行的时间阶段序号,令i等于1;
步骤2:构建基于序贯三支决策的目标意图识别模型;
步骤2-1:定义条件属性集C={C1,C2,…Ck},C1,C2,...,Ck表示k个不同时间阶段的目标特征信息,并且定义序贯三支决策的决策信息表为IS={IS1,IS2,…,ISk},ISi=(Ui,Ci,Di)表示第i个时间阶段的决策信息表,Ui表示第i个时间阶段的战场中目标集合,Ci表示第i个时间阶段的目标特征信息, 表示第i个时间阶段目标共有n种意图,表示第i个时间阶段的第j个意图;
步骤2-2-2:归一化数据
采用最大-最小归一化方法对第i个时间阶段目标特征向量Yi的目标属性进行归一化,方法如下:
步骤2-2-3:建立目标属性与意图的对应关系
步骤2-2-4:计算目标意图的先验概率;
步骤3:根据第i个时间阶段的识别结果制定第i+1个时间阶段的决策信息表,由公式(3)进行判别,具体有如下三种情形:
识别情形2:假设在第i个时间阶段有u个意图 表示第i个时间阶段第jv个意图,满足条件 表示为第i个时间阶段意图的三支决策正阈值;则第i个时间阶段识别的目标意图为则第i+1个时间阶段决策信息表ISi+1=(Ui+1,Ci+1,Di+1)为:
识别情形3:假设在第i个时间阶段无意图满足条件而有h个意图满足条件其他意图满足条件 表示第i个时间阶段意图的三支决策负阈值,则目标意图为空集,表示当前时间阶段意图识别失败,那么第i+1个时间阶段决策信息表ISi+1=(Ui+1,Ci+1,Di+1)为:
步骤4:当满足识别情形1或达到预设识别时间时,停止识别,输出最终得到的目标意图结果;否则,令i加1,转到步骤2。
进一步地,步骤2-2-1所述的目标特征包括但不限于目标速度、目标高度、目标方位角、目标加速度和敌我距离信息。
由于采用了本发明提出的一种基于序贯三支决策的目标意图识别方法,得到了如下有益效果:
1、构建了多类别三支决策模型,解决了意图识别中存在的多分类问题,为多分类问题的解决提够了模型基础;
2、将三支决策与目标意图识别相结合,可有效解决意图识别中的模糊性和不确定性问题,提高了意图识别的准确性;
3、针对意图识别的时序性特征,利用序贯思想,将三支决策意图识别过程按照时间顺序分为了多个阶段,构建了每个阶段的决策结构,对于当前阶段未识别出意图的目标,意图识别模型将会在下一阶段获得目标新信息的基础上,再次使用意图识别模型对目标进行意图识别,进而提高了意图识别的可靠性,较好地衔接了意图识别每一阶段的前后逻辑关系。
附图说明
图1是本发明的方法流程图。
图2是利用先验知识库对意图空间进行的等价分类。
图3是使用序贯三支决策识别目标意图的时序图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1所示,本发明提供了一种基于序贯三支决策的目标意图识别方法,包括以下步骤:
步骤1:构建多类别三支决策模型并将三支决策模型映射到目标意图识别中;
定义决策信息表IS=(U,C,D),其中U={x}是用非空有限集合表示的论域,表示战场中目标集合,x为目标;C为条件属性集,表示目标特征信息;D={D1,D2,...,Dj,...,Dn}为具有n类决策属性的决策属性集,表示战场上每个目标共有n种意图,Dj为第j个意图,每个决策属性Dj对应一个二分类问题;假设目标意图空间中包含的目标意图为攻击、侦察、突防、电子干扰和规避,这五种意图涵盖了多机空战中目标可能意图的大部分情况。
其中,Pr(Dj|x)表示目标x的意图为Dj的先验概率,αj、βj分别为意图Dj的三支决策正阈值和负阈值,由以下公式给出:
其中,λPP(Dj),λNP(Dj),λBP(Dj)分别表示x∈Dj时,目标x的意图为Dj的三支决策正域、三支决策负域和三支决策边界域时的损失函数值,λPN(Dj),λNN(Dj),λBN(Dj)分别表示x∈(Dj)C时,目标x的意图为Dj的三支决策正域、三支决策负域和三支决策边界域时的损失函数值;
定义i为目标运行的时间阶段序号,令i等于1;
步骤2:构建基于序贯三支决策的目标意图识别模型;
步骤2-1:定义条件属性集C={C1,C2,…Ck},C1,C2,...,Ck表示k个不同时间阶段的目标特征信息,并且定义序贯三支决策的决策信息表为IS={IS1,IS2,…,ISk},ISi=(Ui,Ci,Di)表示第i个时间阶段的决策信息表,Ui表示第i个时间阶段的战场中目标集合,Ci表示第i个时间阶段的目标特征信息, 表示第i个时间阶段目标共有n种意图,表示第i个时间阶段的第j个意图,意图包括攻击、侦察、突防、电子干扰和规避。
其中,表示时,目标x的意图为的三支决策正域、三支决策负域和三支决策边界域时的损失函数值,表示时,目标x的意图为的三支决策正域、三支决策负域和三支决策边界域时的损失函数值;具体意图的三支决策阈值设置如表1所示。
表1
步骤2-2-1:目标特征向量包含意图识别中用到的所有目标属性信息,有目标速度、高度、方位角、加速度、敌我距离等基本信息。定义第i个时间阶段目标特征向量为m表示第i个时间阶段目标属性个数,表示第i个时间阶段从空战战场获得的第a种目标属性,a=1,...,m;
步骤2-2-2:归一化数据
采用最大-最小归一化方法对第i个时间阶段目标特征向量Yi的目标属性进行归一化,方法如下:
步骤2-2-3:建立目标属性与意图的对应关系
由目标特征信息向量所组成的目标特征空间,再结合专家知识和先验知识可作为判断目标可能性意图的规则。
以目标属性和为例,根据先验知识,再结合当前目标属性的值得到目标的可能意图有{D1,D2,D3},由目标属性的值得到目标的可能意图有{D1,D3,D4},以此类推可以得到各个属性对应的可能意图。合并计算属性和下目标意图可能为{2D1,D2,2D3,D4}。如图2所示,在图中,yi表示目标特征向量中某一特征信息量,可根据先验知识库对目标这一特征量下可能存在的意图进行等价划分,等价划分思想与三支决策中依据条件属性和决策属性对论域进行等价划分的思想一致。图2表示的是利用先验知识库对目标意图进行的划分。
步骤2-2-4:计算目标意图的先验概率;
步骤3:根据第i个时间阶段的识别结果制定第i+1个时间阶段的决策信息表,由公式(3)进行判别,具体有如下三种情形:
识别情形2:假设在第i个时间阶段有u个意图 表示第i个时间阶段第jv个意图,满足条件 表示为第i个时间阶段意图的三支决策正阈值;则第i个时间阶段识别的目标意图为则第i+1个时间阶段决策信息表ISi+1=(Ui+1,Ci+1,Di+1)为:
对于单目标意图识别,每一阶段决策信息表的论域是一样的,对于多目标意图识别,则可将每一个目标单独按照单目标识别来进行。
识别情形3:假设在第i个时间阶段无意图满足条件而有h个意图满足条件其他意图满足条件 表示第i个时间阶段意图的三支决策负阈值,则目标意图为空集,表示当前时间阶段意图识别失败,那么第i+1个时间阶段决策信息表ISi+1=(Ui+1,Ci+1,Di+1)为:
步骤4:当满足识别情形1或达到预设识别时间时,停止识别,输出最终得到的目标意图结果;否则,令i加1,转到步骤2。可能意图集合会随着目标信息的增加而逐渐缩小,如图3所示,
本发明的多阶段决策结构是按照时间顺序分割的,即是每时间T重新整理并规范所获目标信息,而目标信息会随着时间的增加而逐渐清晰,上一阶段的决策结果和每一阶段新加入的信息会作为下一阶段的输入。
Claims (2)
1.一种基于序贯三支决策的目标意图识别方法,其特征在于,包括以下步骤:
步骤1:构建多类别三支决策模型并将三支决策模型映射到目标意图识别中;
定义决策信息表IS=(U,C,D),其中U={x}是用非空有限集合表示的论域,表示战场中目标集合,x为目标;C为条件属性集,表示目标特征信息;D={D1,D2,...,Dj,...,Dn}为具有n类决策属性的决策属性集,表示战场上每个目标共有n种意图,Dj为第j个意图;
其中,Pr(Dj|x)表示目标x的意图为Dj的先验概率,αj、βj分别为意图Dj的三支决策正阈值和负阈值,由以下公式给出:
其中,λPP(Dj),λNP(Dj),λBP(Dj)分别表示x∈Dj时,目标x的意图为Dj的三支决策正域、三支决策负域和三支决策边界域时的损失函数值,λPN(Dj),λNN(Dj),λBN(Dj)分别表示x∈(Dj)C时,目标x的意图为Dj的三支决策正域、三支决策负域和三支决策边界域时的损失函数值;
定义i为目标运行的时间阶段序号,令i等于1;
步骤2:构建基于序贯三支决策的目标意图识别模型;
步骤2-1:定义条件属性集C={C1,C2,…Ck},C1,C2,...,Ck表示k个不同时间阶段的目标特征信息,并且定义序贯三支决策的决策信息表为IS={IS1,IS2,…,ISk},ISi=(Ui,Ci,Di)表示第i个时间阶段的决策信息表,Ui表示第i个时间阶段的战场中目标集合,Ci表示第i个时间阶段的目标特征信息, 表示第i个时间阶段目标共有n种意图,表示第i个时间阶段的第j个意图;
步骤2-2-2:归一化数据
采用最大-最小归一化方法对第i个时间阶段目标特征向量Yi的目标属性进行归一化,方法如下:
步骤2-2-3:建立目标属性与意图的对应关系
步骤2-2-4:计算目标意图的先验概率;
步骤3:根据第i个时间阶段的识别结果制定第i+1个时间阶段的决策信息表,由公式(3)进行判别,具体有如下三种情形:
识别情形2:假设在第i个时间阶段有u个意图v=1,...,u,表示第i个时间阶段第jv个意图,满足条件 表示为第i个时间阶段意图的三支决策正阈值;则第i个时间阶段识别的目标意图为则第i+1个时间阶段决策信息表ISi+1=(Ui+1,Ci+1,Di+1)为:
识别情形3:假设在第i个时间阶段无意图满足条件而有h个意图满足条件其他意图满足条件 表示第i个时间阶段意图的三支决策负阈值,则目标意图为空集,表示当前时间阶段意图识别失败,那么第i+1个时间阶段决策信息表ISi+1=(Ui+1,Ci+1,Di+1)为:
步骤4:当满足识别情形1或达到预设识别时间时,停止识别,输出最终得到的目标意图结果;否则,令i加1,转到步骤2。
2.根据权利要求1所述的一种基于序贯三支决策的目标意图识别方法,其特征在于,步骤2-2-1所述的目标特征包括但不限于目标速度、目标高度、目标方位角、目标加速度和敌我距离信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729015.7A CN111814737B (zh) | 2020-07-27 | 2020-07-27 | 一种基于序贯三支决策的目标意图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729015.7A CN111814737B (zh) | 2020-07-27 | 2020-07-27 | 一种基于序贯三支决策的目标意图识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814737A CN111814737A (zh) | 2020-10-23 |
CN111814737B true CN111814737B (zh) | 2022-02-18 |
Family
ID=72861208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729015.7A Active CN111814737B (zh) | 2020-07-27 | 2020-07-27 | 一种基于序贯三支决策的目标意图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814737B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862266B (zh) * | 2021-01-19 | 2022-08-09 | 昆明理工大学 | 一种基于模糊决策的煤矿事故应急预案评估模型构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021428A (zh) * | 2016-05-16 | 2016-10-12 | 武汉理工大学 | 一种基于knn和三支决策的电影推荐方法 |
CN106599924A (zh) * | 2016-12-16 | 2017-04-26 | 北京灵众博通科技有限公司 | 一种基于三支决策的分类器构建方法 |
CN108921299A (zh) * | 2018-06-15 | 2018-11-30 | 西南石油大学 | 基于序贯三支决策的代价敏感分类方法 |
CN109101108A (zh) * | 2018-07-25 | 2018-12-28 | 重庆邮电大学 | 基于三支决策优化智能座舱人机交互界面的方法及系统 |
CN110232518A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 一种基于三支决策的威胁评估方法 |
CN110517748A (zh) * | 2019-08-29 | 2019-11-29 | 燕山大学 | 一种基于三支决策的双激素人工胰脏模型预测控制算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11222233B2 (en) * | 2018-09-26 | 2022-01-11 | Samsung Electronics Co., Ltd. | Method and apparatus for multi-category image recognition |
CN109934203B (zh) * | 2019-03-25 | 2023-09-29 | 南京大学 | 一种基于信息熵选择的代价敏感增量式人脸识别方法 |
-
2020
- 2020-07-27 CN CN202010729015.7A patent/CN111814737B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021428A (zh) * | 2016-05-16 | 2016-10-12 | 武汉理工大学 | 一种基于knn和三支决策的电影推荐方法 |
CN106599924A (zh) * | 2016-12-16 | 2017-04-26 | 北京灵众博通科技有限公司 | 一种基于三支决策的分类器构建方法 |
CN108921299A (zh) * | 2018-06-15 | 2018-11-30 | 西南石油大学 | 基于序贯三支决策的代价敏感分类方法 |
CN109101108A (zh) * | 2018-07-25 | 2018-12-28 | 重庆邮电大学 | 基于三支决策优化智能座舱人机交互界面的方法及系统 |
CN110232518A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 一种基于三支决策的威胁评估方法 |
CN110517748A (zh) * | 2019-08-29 | 2019-11-29 | 燕山大学 | 一种基于三支决策的双激素人工胰脏模型预测控制算法 |
Non-Patent Citations (5)
Title |
---|
Co-Training Based Sequential Three-Way Decisions for Cost-Sensitive Classification;Di Dai et al;《2019 IEEE 16th International Conference on Networking, Sensing and Control (ICNSC)》;20190624;第157-162页 * |
Sequential three-way decisions with probabilistic rough sets;Yiyu Yao et al;《IEEE 10th International Conference on Cognitive Informatics and Cognitive Computing (ICCI-CC"11)》;20110908;第120-125页 * |
Three sequential multi-class three-way decision models;Yi Xu et al;《Information Sciences》;20200529;第62-90页 * |
代价敏感的序贯三支决策方法;邢颖等;《计算机科学》;20181031;第45卷(第10期);第6-10页 * |
多类分类模型和多层次增量算法;徐怡等;《计算机科学与探索》;20191231;第13卷(第8期);第1431-1440页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814737A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709524A (zh) | 一种基于改进gwo算法的rbf神经网络优化方法 | |
CN101241181B (zh) | 非库属目标一维距离像判别方法 | |
CN110610225A (zh) | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 | |
CN111814737B (zh) | 一种基于序贯三支决策的目标意图识别方法 | |
CN111783020A (zh) | 一种多维特征的战场实体目标分群方法及系统 | |
CN110826644B (zh) | 基于Copula函数的分布式电源时序联合出力典型场景生成方法 | |
CN113469195B (zh) | 一种基于自适应颜色快速点特征直方图的目标识别方法 | |
CN104794499A (zh) | 一种基于自适应熵权的区间灰色关联分类器设计方法 | |
CN113065094A (zh) | 一种基于累积前景价值和三支决策的态势评估方法与系统 | |
Neuhaus et al. | A quadratic programming approach to the graph edit distance problem | |
CN106780506B (zh) | 一种基于多源路径最短距离的交互式图像分割方法 | |
CN104408715A (zh) | 基于自适应模糊c均值聚类模糊化的sar图像分析方法 | |
CN108182684B (zh) | 一种基于加权核函数模糊聚类的图像分割方法及其装置 | |
CN113723540B (zh) | 一种基于多视图的无人驾驶场景聚类方法及系统 | |
CN111429419B (zh) | 一种基于混合蚁群算法的绝缘子轮廓检测方法 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN110781963B (zh) | 基于K-means聚类的空中目标分群方法 | |
Elwakdy et al. | A Novel Trajectories Classification Approach for different types of ships using a Polynomial Function and ANFIS | |
CN113850274A (zh) | 一种基于hog特征及dmd的图像分类方法 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113866735A (zh) | 基于动态修正混沌粒子群优化的雷达信号分选方法 | |
CN112287526A (zh) | 一种跑道打击最优方案的设计方法 | |
CN112241787A (zh) | 神经网络模型剪枝方法及装置 | |
CN109635237A (zh) | 一种基于动态剪裁配置知识的目标平台快速识别方法 | |
CN117409275B (zh) | 一种多角度雷达图像处理方法 |
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 |