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 PDF

Info

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
Application number
CN202010729015.7A
Other languages
English (en)
Other versions
CN111814737A (zh
Inventor
李波
田琳宇
高晓光
越凯强
范盘龙
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010729015.7A priority Critical patent/CN111814737B/zh
Publication of CN111814737A publication Critical patent/CN111814737A/zh
Application granted granted Critical
Publication of CN111814737B publication Critical patent/CN111814737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于序贯三支决策的目标意图识别方法
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；
定义x∈{Dj，(Dj)C}，其中
Figure GDA0003349896510000011
角标j、jt分别表示决策属性的第j、jt类，则目标x的意图被识别属于Dj的三支决策正域、属于(Dj)C的三支决策负域和属于不确定意图的三支决策边界域的判别分别为：
Figure GDA0003349896510000021
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：
Figure GDA0003349896510000022
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
Figure GDA00033498965100000210
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，
Figure GDA0003349896510000023
Figure GDA0003349896510000024
表示第i个时间阶段目标共有n种意图，
Figure GDA0003349896510000025
表示第i个时间阶段的第j个意图；
在第i个时间阶段，定义
Figure GDA0003349896510000026
其中
Figure GDA0003349896510000027
则目标x的意图被识别属于
Figure GDA0003349896510000028
的三支决策正域、属于
Figure GDA0003349896510000029
的三支决策负域和属于不确定意图的三支决策边界域的判别分别为：
Figure GDA0003349896510000031
其中，
Figure GDA0003349896510000032
表示目标x的意图为
Figure GDA0003349896510000033
的先验概率，
Figure GDA0003349896510000034
分别为第i个时间阶段意图
Figure GDA0003349896510000035
三支决策正阈值和负阈值，由以下公式给出：
Figure GDA0003349896510000036
其中，
Figure GDA0003349896510000037
表示
Figure GDA0003349896510000038
时，目标x的意图为
Figure GDA0003349896510000039
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，
Figure GDA00033498965100000310
表示
Figure GDA00033498965100000311
时，目标x的意图为
Figure GDA00033498965100000312
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；
步骤2-2：计算
Figure GDA00033498965100000313
步骤2-2-1：定义第i个时间阶段目标特征向量为
Figure GDA00033498965100000314
m表示第i个时间阶段目标属性个数，
Figure GDA00033498965100000315
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：
将第a种目标属性
Figure GDA00033498965100000316
映射到区间[0，1]：
Figure GDA00033498965100000317
其中，
Figure GDA00033498965100000318
为目标属性
Figure GDA00033498965100000319
在意图
Figure GDA00033498965100000320
下取值范围的最小值，
Figure GDA00033498965100000321
为目标属性
Figure GDA00033498965100000322
在意图
Figure GDA00033498965100000323
下取值范围的最大值；
对Yi中的每个目标属性进行归一化，得到第i个时间阶段归一化目标特征向量
Figure GDA00033498965100000324
Figure GDA00033498965100000325
步骤2-2-3：建立目标属性与意图的对应关系
对于第i个时间阶段归一化目标特征向量
Figure GDA0003349896510000041
由先验知识库得到第i个时间阶段第a个目标属性对应的目标意图集合为
Figure GDA0003349896510000042
Figure GDA0003349896510000043
Figure GDA0003349896510000044
表示第i个时间阶段
Figure GDA0003349896510000045
是目标的可能意图，
Figure GDA0003349896510000046
表示第i个时间阶段
Figure GDA0003349896510000047
不是目标的可能意图；
将所有目标属性对应的目标意图集合合并，得到第i个时间阶段总目标意图集合
Figure GDA0003349896510000048
Figure GDA0003349896510000049
为意图系数，
Figure GDA00033498965100000410
步骤2-2-4：计算目标意图的先验概率；
Figure GDA00033498965100000411
式中，
Figure GDA00033498965100000412
是从先验知识库中得到的第i个时间阶段目标的第j个可能意图的识别权重；
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1：假设在第i个时间阶段有且仅有一个意图
Figure GDA00033498965100000413
满足条件
Figure GDA00033498965100000414
则目标x的意图为
Figure GDA00033498965100000415
，此时该目标的意图识别完毕，结束识别过程；
识别情形2：假设在第i个时间阶段有u个意图
Figure GDA00033498965100000416
Figure GDA00033498965100000417
Figure GDA00033498965100000418
表示第i个时间阶段第jv个意图，满足条件
Figure GDA00033498965100000419
Figure GDA00033498965100000420
表示为第i个时间阶段意图
Figure GDA00033498965100000421
的三支决策正阈值；则第i个时间阶段识别的目标意图为
Figure GDA00033498965100000422
则第i+1个时间阶段决策信息表ISi+1＝(Ui+1，Ci+1，Di+1)为：
Figure GDA00033498965100000423
其中，
Figure GDA00033498965100000424
表示第i个时间阶段到第i+1个时间阶段新获取到的目标特征信息；
识别情形3：假设在第i个时间阶段无意图满足条件
Figure GDA00033498965100000425
而有h个意图
Figure GDA00033498965100000426
满足条件
Figure GDA00033498965100000427
其他意图满足条件
Figure GDA00033498965100000428
Figure GDA00033498965100000429
Figure GDA00033498965100000430
表示第i个时间阶段意图
Figure GDA00033498965100000431
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：
Figure GDA0003349896510000051
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。
定义x∈{Dj，(Dj)C}，其中
Figure GDA0003349896510000061
角标j、jt分别表示决策属性的第j、jt类，则目标x的意图被识别属于Dj的三支决策正域、属于(Dj)C的三支决策负域和属于不确定意图的三支决策边界域的判别分别为：
Figure GDA0003349896510000062
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：
Figure GDA0003349896510000063
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
Figure GDA0003349896510000068
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，
Figure GDA0003349896510000065
Figure GDA0003349896510000066
表示第i个时间阶段目标共有n种意图，
Figure GDA0003349896510000067
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。
在第i个时间阶段，定义
Figure GDA0003349896510000071
其中
Figure GDA0003349896510000072
则目标x的意图被识别属于
Figure GDA0003349896510000073
的三支决策正域、属于
Figure GDA0003349896510000074
的三支决策负域和属于不确定意图的三支决策边界域的判别分别为：
Figure GDA0003349896510000075
其中，
Figure GDA0003349896510000076
表示目标x的意图为
Figure GDA0003349896510000077
的先验概率，
Figure GDA0003349896510000078
分别为第i个时间阶段意图
Figure GDA0003349896510000079
三支决策正阈值和负阈值，由以下公式给出：
Figure GDA00033498965100000710
其中，
Figure GDA00033498965100000711
表示
Figure GDA00033498965100000712
时，目标x的意图为
Figure GDA00033498965100000713
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，
Figure GDA00033498965100000714
表示
Figure GDA00033498965100000715
时，目标x的意图为
Figure GDA00033498965100000716
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
Figure GDA00033498965100000717
步骤2-2：计算
Figure GDA00033498965100000718
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
Figure GDA0003349896510000081
m表示第i个时间阶段目标属性个数，
Figure GDA0003349896510000082
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：
将第a种目标属性
Figure GDA0003349896510000083
映射到区间[0，1]：
Figure GDA0003349896510000084
其中，
Figure GDA0003349896510000085
为目标属性
Figure GDA0003349896510000086
在意图
Figure GDA0003349896510000087
下取值范围的最小值，
Figure GDA0003349896510000088
为目标属性
Figure GDA0003349896510000089
在意图
Figure GDA00033498965100000810
下取值范围的最大值；
对Yi中的每个目标属性进行归一化，得到第i个时间阶段归一化目标特征向量
Figure GDA00033498965100000811
Figure GDA00033498965100000812
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。
对于第i个时间阶段归一化目标特征向量
Figure GDA00033498965100000813
由先验知识库得到第i个时间阶段第a个目标属性对应的目标意图集合为
Figure GDA00033498965100000814
Figure GDA00033498965100000815
Figure GDA00033498965100000816
表示第i个时间阶段
Figure GDA00033498965100000817
是目标的可能意图，
Figure GDA00033498965100000818
表示第i个时间阶段
Figure GDA00033498965100000819
不是目标的可能意图；
将所有目标属性对应的目标意图集合合并，得到第i个时间阶段总目标意图集合
Figure GDA00033498965100000820
Figure GDA00033498965100000821
为意图系数，
Figure GDA00033498965100000822
以目标属性
Figure GDA00033498965100000823
和
Figure GDA00033498965100000824
为例，根据先验知识，再结合当前目标属性
Figure GDA00033498965100000825
的值得到目标的可能意图有{D1，D2，D3}，由目标属性
Figure GDA00033498965100000826
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
Figure GDA00033498965100000827
和
Figure GDA00033498965100000828
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；
Figure GDA0003349896510000091
式中，
Figure GDA0003349896510000092
是从先验知识库中得到的第i个时间阶段目标的第j个可能意图的识别权重；
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1：假设在第i个时间阶段有且仅有一个意图
Figure GDA0003349896510000093
满足条件
Figure GDA0003349896510000094
则目标x的意图为
Figure GDA0003349896510000095
，此时该目标的意图识别完毕，结束识别过程；
识别情形2：假设在第i个时间阶段有u个意图
Figure GDA0003349896510000096
Figure GDA0003349896510000097
Figure GDA0003349896510000098
表示第i个时间阶段第jv个意图，满足条件
Figure GDA0003349896510000099
Figure GDA00033498965100000910
表示为第i个时间阶段意图
Figure GDA00033498965100000911
的三支决策正阈值；则第i个时间阶段识别的目标意图为
Figure GDA00033498965100000912
则第i+1个时间阶段决策信息表ISi+1＝(Ui+1，Ci+1，Di+1)为：
Figure GDA00033498965100000913
其中，
Figure GDA00033498965100000914
表示第i个时间阶段到第i+1个时间阶段新获取到的目标特征信息；
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
Figure GDA00033498965100000915
而有h个意图
Figure GDA00033498965100000916
满足条件
Figure GDA00033498965100000917
其他意图满足条件
Figure GDA00033498965100000918
Figure GDA00033498965100000919
Figure GDA00033498965100000920
表示第i个时间阶段意图
Figure GDA00033498965100000921
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：
Figure GDA00033498965100000922
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；
定义x∈{Dj，(Dj)C}，其中
Figure FDA0003349896500000011
角标j、jt分别表示决策属性的第j、jt类，则目标x的意图被识别属于Dj的三支决策正域、属于(Dj)C的三支决策负域和属于不确定意图的三支决策边界域的判别分别为：
Figure FDA0003349896500000012
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：
Figure FDA0003349896500000013
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
Figure FDA0003349896500000014
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，
Figure FDA0003349896500000021
Figure FDA0003349896500000022
表示第i个时间阶段目标共有n种意图，
Figure FDA0003349896500000023
表示第i个时间阶段的第j个意图；
在第i个时间阶段，定义
Figure FDA0003349896500000024
其中
Figure FDA0003349896500000025
则目标x的意图被识别属于
Figure FDA0003349896500000026
的三支决策正域、属于
Figure FDA0003349896500000027
的三支决策负域和属于不确定意图的三支决策边界域的判别分别为：
Figure FDA0003349896500000028
其中，
Figure FDA0003349896500000029
表示目标x的意图为
Figure FDA00033498965000000210
的先验概率，
Figure FDA00033498965000000211
分别为第i个时间阶段意图
Figure FDA00033498965000000212
三支决策正阈值和负阈值，由以下公式给出：
Figure FDA00033498965000000213
其中，
Figure FDA00033498965000000214
表示
Figure FDA00033498965000000215
时，目标x的意图为
Figure FDA00033498965000000216
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，
Figure FDA00033498965000000217
表示
Figure FDA00033498965000000218
时，目标x的意图为
Figure FDA00033498965000000219
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；
步骤2-2：计算
Figure FDA00033498965000000220
步骤2-2-1：定义第i个时间阶段目标特征向量为
Figure FDA00033498965000000221
m表示第i个时间阶段目标属性个数，
Figure FDA00033498965000000222
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：
将第a种目标属性
Figure FDA00033498965000000223
映射到区间[0，1]：
Figure FDA0003349896500000031
其中，
Figure FDA0003349896500000032
为目标属性
Figure FDA0003349896500000033
在意图
Figure FDA0003349896500000034
下取值范围的最小值，
Figure FDA0003349896500000035
为目标属性
Figure FDA0003349896500000036
在意图
Figure FDA0003349896500000037
下取值范围的最大值；
对Yi中的每个目标属性进行归一化，得到第i个时间阶段归一化目标特征向量
Figure FDA0003349896500000038
Figure FDA0003349896500000039
步骤2-2-3：建立目标属性与意图的对应关系
对于第i个时间阶段归一化目标特征向量
Figure FDA00033498965000000310
由先验知识库得到第i个时间阶段第a个目标属性对应的目标意图集合为
Figure FDA00033498965000000311
Figure FDA00033498965000000312
表示第i个时间阶段
Figure FDA00033498965000000313
是目标的可能意图，
Figure FDA00033498965000000314
表示第i个时间阶段
Figure FDA00033498965000000315
不是目标的可能意图；
将所有目标属性对应的目标意图集合合并，得到第i个时间阶段总目标意图集合
Figure FDA00033498965000000316
Figure FDA00033498965000000317
为意图系数，
Figure FDA00033498965000000318
步骤2-2-4：计算目标意图的先验概率；
Figure FDA00033498965000000319
式中，
Figure FDA00033498965000000320
是从先验知识库中得到的第i个时间阶段目标的第j个可能意图的识别权重；
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1：假设在第i个时间阶段有且仅有一个意图
Figure FDA00033498965000000321
满足条件
Figure FDA00033498965000000322
则目标x的意图为
Figure FDA00033498965000000323
此时该目标的意图识别完毕，结束识别过程；
识别情形2：假设在第i个时间阶段有u个意图
Figure FDA00033498965000000324
v＝1，...，u，
Figure FDA00033498965000000325
表示第i个时间阶段第jv个意图，满足条件
Figure FDA00033498965000000326
Figure FDA00033498965000000327
表示为第i个时间阶段意图
Figure FDA00033498965000000328
的三支决策正阈值；则第i个时间阶段识别的目标意图为
Figure FDA00033498965000000329
则第i+1个时间阶段决策信息表ISi+1＝(Ui+1，Ci+1，Di+1)为：
Figure FDA00033498965000000330
其中，
Figure FDA00033498965000000331
表示第i个时间阶段到第i+1个时间阶段新获取到的目标特征信息；
识别情形3：假设在第i个时间阶段无意图满足条件
Figure FDA0003349896500000041
而有h个意图
Figure FDA0003349896500000042
满足条件
Figure FDA0003349896500000043
其他意图满足条件
Figure FDA0003349896500000044
Figure FDA0003349896500000045
Figure FDA0003349896500000046
表示第i个时间阶段意图
Figure FDA0003349896500000047
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：
Figure FDA0003349896500000048
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。
CN202010729015.7A 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 Active CN111814737B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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