CN112232396B - 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法 - Google Patents

一种基于lstm与d-s证据理论的舰船编队意图融合识别方法 Download PDF

Info

Publication number
CN112232396B
CN112232396B CN202011068406.5A CN202011068406A CN112232396B CN 112232396 B CN112232396 B CN 112232396B CN 202011068406 A CN202011068406 A CN 202011068406A CN 112232396 B CN112232396 B CN 112232396B
Authority
CN
China
Prior art keywords
ship
formation
intention
evidence
ships
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
CN202011068406.5A
Other languages
English (en)
Other versions
CN112232396A (zh
Inventor
耿杰
张卓
蒋雯
邓鑫洋
徐哲
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 CN202011068406.5A priority Critical patent/CN112232396B/zh
Publication of CN112232396A publication Critical patent/CN112232396A/zh
Application granted granted Critical
Publication of CN112232396B publication Critical patent/CN112232396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LSTM与D‑S证据理论的舰船编队意图融合识别方法，包括以下步骤：步骤一、构建LSTM网络结构；步骤二、将舰船航迹数据输入LSTM网络结构获得输出；步骤三、基于D‑S证据理论确定待测舰船编队的基本概率分配函数；步骤四、采用条件规则折扣方法生成折扣证据；步骤五、基于舰船类型对折扣证据进行加权平均生成新证据；步骤六、根据D‑S组合规则融合新证据，得到舰船编队意图。本发明采用LSTM网络结构获取待测舰船编队中各舰船行为意图的置信度，提高了待测舰船编队中各舰船行为意图的预测精度；结合实际作战场景中距离条件和舰船类型对原证据进行处理，使用D‑S证据理论对新证据进行融合，得到舰船编队意图融合识别结果，识别率更高。

Description

一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法
技术领域
本发明属于意图识别技术领域，具体涉及一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法。
背景技术
现代战争的战场环境越来越复杂，能否准确、及时地结合参战的各方面力量的部署情况、外部环境条件等因素判断目标的战术意图，直接影响到指挥人员的指挥决策。海面目标特性复杂多变，舰船是典型的海面目标，海面战场的目标通常以编队的形式出现，机动性较强，编队组成、运动速度、运动方向、运动范围都随着任务的不同而发生变化。目标的型号差异、所处编队类型的差异和目标所处的位置，都会对目标的战术意图产生影响。雷达技术是获取海面目标信息的有效途径，通过雷达信号，能够获得海面上目标的位置、方向、类型等属性信息，通过对这些信息的整合与分析，可以判断目标可能的进一步战术意图。
信息融合技术能够协同利用多源属性信息，以获得对同一事物和目标更准确全面的认知，广泛应用于多个领域。其中，D-S证据理论是一种有效的信息融合模型，它是传统贝叶斯理论的扩展。该理论将传统贝叶斯理论中的基本事件空间扩展至基本事件空间的幂集，也称为辨识框架，能够有效地对不确定信息进行处理，更加符合实际应用场景。D-S证据理论还给出了多源信息的组合规则，即Dempster组合规则。它综合了来自多传感器的基本信度分配，得到一个新的信度分配作为输出。在实际的数据处理中，证据冲突的情况经常遇到，所以要设法避免冲突证据组合产生的错误，否则会产生错误结论。为解决此问题，有两种途径：一是使用其它组合规则，如Yager规则，D&P规则，Murphy平均规则等等；二是对原证据进行预处理，如进行折扣。
为了结合实际作战场景中距离条件和舰船类型对融合识别结果的影响，因此需要一种可以较好处理多属性信息的不确定性、且可以应用于舰船编队意图融合识别的方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其结构简单、设计合理，将待测舰船编队中各舰船航迹数据输入至训练好的LSTM网络，输出待测舰船编队中各舰船行为意图的置信度，提高了待测舰船编队中各舰船行为意图的预测精度；基于距离条件制定折扣规则对原证据进行折扣处理，基于舰船类型对折扣证据进行加权平均生成新证据，使用D-S证据理论对新证据进行融合，得到舰船编队意图融合识别结果，识别率更高。
为解决上述技术问题，本发明采用的技术方案是：一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：包括以下步骤：
步骤一、构建LSTM网络；
步骤二、将舰船航迹数据输入LSTM网络获得输出：
步骤201：获取舰船航迹数据集X，X＝{x1,...xi,...,xh}，xi表示第i种意图舰船航迹数据子集，xi＝{xi1,...xij,...xin}，xij表示第i种意图舰船航迹的第j个数据，其中1≤i≤h，1≤j≤n，h和n均不小于2，将舰船航迹数据集X分为训练集和测试集；
步骤202：将训练集数据构成的时序特征向量输入LSTM网络，进行训练，得到训练好的LSTM网络；
步骤203：将测试集数据构成的时序特征向量输入训练好的LSTM网络，LSTM网络输出模型识别精度
Figure GDA0003978553260000021
步骤204：计算LSTM网络的不确定度μ，
Figure GDA0003978553260000022
步骤三、基于D-S证据理论确定基本概率分配函数：
步骤301：获取待测舰船编队中各舰船航迹数据yf，yf表示第f个舰船的航迹数据，1≤f≤m，m表示待测舰船编队中舰船总数，将各舰船航迹数据yf输入LSTM网络，LSTM网络输出待测舰船编队中各舰船对应各行为意图的置信度
Figure GDA0003978553260000031
其中
Figure GDA0003978553260000032
表示待测舰船编队中第f个舰船被识别为第i种意图的置信度；
步骤302：基于D-S证据理论设置辨识框架Θ＝{F1,...Fi,...Fh，θ}，mf{Fi}表示第f个舰船被识别为第i种意图的基本概率分配函数，将
Figure GDA0003978553260000033
的值赋值给mf{Fi}，将μ赋值给mf{θ}；
步骤四、基于条件规则折扣方法生成折扣证据：
步骤401：舰船编队包括至少t艘驱逐舰和m-t艘护卫舰，其中t≥1，根据敌我双方各舰船航迹中末时刻位置信息计算最近距离，基于最近距离确定折扣系数αf；
步骤402：根据步骤401中计算得到的最近距离确定折扣系数αf，将证据的核乘以折扣系数：
Figure GDA0003978553260000034
步骤403：根据海战场对抗过程舰船编队意图判别的距离条件，将mαf{θ}赋给对应的焦元，生成折扣证据：mαf{Fi}＝mαf{Fi}+mαf{θ}；
步骤五、根据舰船编队不同属性对折扣证据进行加权平均：根据公式
Figure GDA0003978553260000035
对舰船编队的基本概率分配函数进行加权平均计算，生成新证据mω{Fi}，其中ωf表示第f个舰船的权重，
Figure GDA0003978553260000036
步骤六、根据D-S组合规则融合新证据，得到舰船编队意图：将步骤五得到新证据mω{Fi}使用D-S证据理论融合m-1次得到m(A)，将融合后基本概率分配值最高的焦元所对应的意图作为舰船编队整体意图。
上述的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：步骤六中进行D-S证据理论融合的D-S融合规则为
Figure GDA0003978553260000041
表示空集，mω{Fi}为辨识框架Θ上加权平均证据的基本概率分配函数；
上述的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：步骤一中，所述LSTM网络具有记忆单元、输入门、遗忘门、输出门和全连接层，全连接层接有softmax分类器。
上述的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：步骤四中，舰船编队包括至少t艘驱逐舰和m-t艘护卫舰，驱逐舰的权重大于护卫舰的权重。
本发明与现有技术相比具有以下优点：
1、本发明的结构简单、设计合理，实现及使用操作方便。
2、本发明将舰船航迹数据集划分为训练集和测试集，之后利用训练集对LSTM网络进行训练，最后将待测舰船编队中各舰船航迹数据输入至训练好的LSTM网络，输出待测舰船编队中各舰船行为意图的置信度，本发明充分利用了LSTM网络对数据的长期记忆性，提高了待测舰船编队中各舰船行为意图的预测精度。
3、本发明为了结合实际作战场景中距离条件和舰船类型对融合识别结果的影响，基于距离条件制定折扣规则对原证据进行折扣处理，基于舰船类型对折扣证据进行加权平均生成新证据，使用Dempster融合规则对新证据进行融合，得到舰船编队整体的行为意图识别结果，识别率更高，识别结果更加准确。
综上所述，本发明结构简单、设计合理，将待测舰船编队中各舰船航迹数据输入至训练好的LSTM网络，输出待测舰船编队中各舰船行为意图的概率，提高了待测舰船编队中各舰船行为意图的预测精度；为了结合实际作战场景中距离条件和舰船类型对融合识别结果的影响，基于距离条件制定折扣规则对原证据进行折扣处理，基于舰船类型对折扣证据进行加权平均生成新证据，使用Dempster融合规则对新证据进行融合，得到舰船编队整体的行为意图识别结果，识别率更高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
如图1所示，本发明的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：包括以下步骤：
步骤一、构建LSTM网络：所述LSTM网络具有记忆单元、输入门、遗忘门和输出门和全连接层；
实际使用时，全连接层接有softmax分类器。LSTM是长短期记忆网络，是一种时间递归神经网络，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。LSTM层由一系列能够保存历史信息的记忆单元组成，且历史信息由输入门、遗忘门和输出门控制，每个LSTM层在遗忘门过滤掉所需丢弃的信息，在输入门整合有效信息，在输出门获取所需隐藏信息，在网络的最后增加一层全连接层用于分类，激活函数为softmax函数。
步骤二、将舰船航迹数据输入LSTM网络获得输出：
步骤201：获取舰船航迹数据集X，X＝{x1,...xi,...,xh}，xi表示第i种意图舰船航迹数据子集，xi＝{xi1,...xij,...xin}，xij表示第i种意图舰船航迹的第j个数据，其中1≤i≤h，1≤j≤n，h和n均不小于2，将舰船航迹数据集X分为训练集和测试集。
实际使用时，舰船意图包括攻击、撤退、侦查三种，即h＝3，1≤i≤3。通过雷达获取舰船航迹数据集X，舰船航迹数据集X包括3种意图的舰船航迹数据各n条，将舰船航迹数据集X分为训练集和测试集，训练集包括3种意图的舰船航迹数据各
Figure GDA0003978553260000061
条，测试集包括3种意图的舰船航迹数据各
Figure GDA0003978553260000062
条。
步骤202：将训练集数据构成的时序特征向量输入LSTM网络，进行训练，得到训练好的LSTM网络。
实际使用时，将训练集中3种意图的各
Figure GDA0003978553260000071
条的舰船航迹数据构成的时序特征向量输入LSTM网络进行训练，得到训练好的LSTM网络。
步骤203：将测试集数据构成的时序特征向量输入LSTM网络，LSTM网络输出模型识别精度
Figure GDA0003978553260000072
实际使用时，将测试集中3种意图的各
Figure GDA0003978553260000073
条的舰船航迹数据构成的时序特征向量输入训练好的LSTM网络进行测试，LSTM网络输出模型识别精度
Figure GDA0003978553260000074
步骤204：计算LSTM网络的不确定度μ，
Figure GDA0003978553260000075
步骤三、基于D-S证据理论确定基本概率分配函数：
步骤301：获取待测舰船编队中各舰船航迹数据yf，yf表示第f个舰船的航迹数据，1≤f≤m，m表示待测舰船编队中舰船总数，将各舰船航迹数据yf输入LSTM网络，LSTM网络输出待测舰船编队中各舰船对应各行为意图的置信度
Figure GDA0003978553260000076
其中
Figure GDA0003978553260000077
表示待测舰船编队中第f个舰船被识别为第i种意图的置信度。
实际使用时，m≥3。待测舰船编队中一般包括至少1艘驱逐舰和至少2艘护卫舰，获取至少1艘驱逐舰和至少2艘护卫舰的航迹数据，将其航迹数据输入LSTM网络，LSTM网络输出至少1艘驱逐舰和至少2艘护卫舰的分别被识别为攻击、撤退、侦查意图的置信度
Figure GDA0003978553260000078
步骤302：基于D-S证据理论设置辨识框架Θ＝{F1,...Fi,...Fh，θ}，mf{Fi}表示第f个舰船被识别为第i种意图的基本概率分配函数，将
Figure GDA0003978553260000079
的值赋值给mf{Fi}，将μ赋值给mf{θ}。
实际使用时，当舰船意图包括攻击、撤退、侦查三种，即h＝3时，Θ＝{F1,F2,F3，θ}，mf{F1}表示第f个舰船意图为攻击的基本概率分配，mf{F2}表示第f个舰船意图为撤退的基本概率分配，mf{F3}表示第f个舰船意图为侦查的基本概率分配。将LSTM网络输出的各舰船分别被识别为攻击、撤退、侦查意图的置信度与网络识别精度的乘积
Figure GDA0003978553260000083
分别赋值给mf{F1}、mf{F2}、mf{F3}，将LSTM网络的不确定度μ赋值给mf{θ}。
步骤四、基于条件规则折扣方法生成折扣证据：
步骤401：舰船编队包括至少t艘驱逐舰和m-t艘护卫舰，其中t≥1，根据敌我双方各舰船航迹中末时刻位置信息计算最近距离。实际使用时，舰船编队包括至少1艘驱逐舰和至少2艘护卫舰，根据双方各舰船航迹中末时刻位置信息计算最近距离，其中第f个舰船的最近距离指的是我方多个舰船与敌方第f个舰船距离之中的最近距离，m≥3，m表示待测舰船编队中舰船总数。
步骤402：根据步骤401中计算得到的最近距离确定折扣系数αf，将证据的核乘以折扣系数：
Figure GDA0003978553260000081
实际使用时，每个舰船意图的折扣系数不一样，折扣系数αf由第f个舰船的最近距离确定。当最近距离处于敌方舰炮射程之内，折扣系数与最近距离正相关；当最近距离不处于敌方舰炮射程之内，折扣系数与最近距离负相关。
步骤403：根据海战场对抗过程舰船编队意图判别的距离条件，将mαf{θ}赋给对应的焦元，生成新的证据：mαf{Fi}＝mαf{Fi}+mαf{θ}；
实际使用时，确定距离条件对舰船编队整体意图的影响。当最近距离处于敌方舰炮射程之内，判断第f个舰船更偏向于攻击意图，因此将全集的基本概率分配值mαf{θ}赋给攻击意图；当最近距离不处于敌方舰炮射程之内，判断第f个舰船更偏向于撤退意图，因此将全集的基本概率分配值mαf{θ}赋给撤退意图。
步骤五、根据舰船编队不同属性对折扣证据进行加权平均：根据公式
Figure GDA0003978553260000082
对舰船编队的基本概率分配函数进行加权平均计算，生成新证据mω{Fi}，其中ωf表示第f个舰船的权重，
Figure GDA0003978553260000091
具体实施时，由于舰船编队中一般包括至少1艘驱逐舰和至少2艘护卫舰，由于军用舰船编队中指挥部一般设置在驱逐舰上，即驱逐舰为主舰，因此设置驱逐舰的权重较大，其他护卫舰的权重较小，将舰船编队中各舰船的基本概率分配函数按照对应的权重设置进行加权平均，计算得到新证据mω{Fi}，从而实现了结合实际作战场景中距离条件和舰船类型对原证据进行处理的目的。
步骤六、根据D-S组合规则融合新证据，得到舰船编队意图：将步骤五得到的新证据mω{Fi}使用D-S证据理论融合m-1次得到m(A)，D-S证据理论融合规则为
Figure GDA0003978553260000092
其中
Figure GDA0003978553260000093
mω{Fi}的证据焦元分别为
Figure GDA0003978553260000094
将融合后基本概率分配值最高的焦元所对应的意图作为舰船编队整体意图。
以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (4)

1.一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：包括以下步骤：
步骤一、构建LSTM网络；
步骤二、将舰船航迹数据输入LSTM网络获得输出：
步骤201：获取舰船航迹数据集X，X＝{x1,...xi,...,xh}，xi表示第i种意图舰船航迹数据子集，xi＝{xi1,...xij,...xin}，xij表示第i种意图舰船航迹的第j个数据，其中1≤i≤h，1≤j≤n，h和n均不小于2，将舰船航迹数据集X分为训练集和测试集；
步骤202：将训练集数据构成的时序特征向量输入LSTM网络，进行训练，得到训练好的LSTM网络；
步骤203：将测试集数据构成的时序特征向量输入训练好的LSTM网络，LSTM网络输出模型识别精度
Figure FDA0003978553250000011
步骤204：计算LSTM网络的不确定度μ，
Figure FDA0003978553250000012
步骤三、基于D-S证据理论确定基本概率分配函数：
步骤301：获取待测舰船编队中各舰船航迹数据yf，yf表示第f个舰船的航迹数据，1≤f≤m，m表示待测舰船编队中舰船总数，将各舰船航迹数据yf输入LSTM网络，LSTM网络输出待测舰船编队中各舰船对应各行为意图的置信度
Figure FDA0003978553250000013
Figure FDA0003978553250000014
其中
Figure FDA0003978553250000015
表示待测舰船编队中第f个舰船被识别为第i种意图的置信度；
步骤302：基于D-S证据理论设置辨识框架Θ＝{F1,...Fi,...Fh，θ}，mf{Fi}表示第f个舰船被识别为第i种意图的基本概率分配函数，将
Figure FDA0003978553250000016
的值赋值给mf{Fi}，将μ赋值给mf{θ}；
步骤四、基于条件规则折扣方法生成折扣证据：
步骤401：舰船编队包括至少t艘驱逐舰和m-t艘护卫舰，其中t≥1，根据敌我双方各舰船航迹中末时刻位置信息计算最近距离，基于最近距离确定折扣系数αf，m≥3，m表示待测舰船编队中舰船总数；
步骤402：根据步骤401中计算得到的最近距离确定折扣系数αf，将证据的核乘以折扣系数：
Figure FDA0003978553250000021
步骤403：根据海战场对抗过程舰船编队意图判别的距离条件，将mαf{θ}赋给对应的焦元，生成折扣证据：mαf{Fi}＝mαf{Fi}+mαf{θ}；
步骤五、根据舰船编队不同属性对折扣证据进行加权平均：根据公式
Figure FDA0003978553250000022
对舰船编队的基本概率分配函数进行加权平均计算，生成新证据mω{Fi}，其中ωf表示第f个舰船的权重，
Figure FDA0003978553250000023
步骤六、根据D-S组合规则融合新证据，得到舰船编队意图：将步骤五得到的新证据mω{Fi}使用D-S证据理论融合m-1次得到m(A)，将融合后基本概率分配值最高的焦元所对应的意图作为舰船编队整体意图。
2.按照权利要求1所述的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：步骤六中进行D-S证据理论融合的D-S融合规则为
Figure FDA0003978553250000024
Figure FDA0003978553250000025
表示空集，mω{Fi}为辨识框架Θ上新证据的基本概率分配函数。
3.按照权利要求1所述的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：步骤一中，所述LSTM网络具有记忆单元、输入门、遗忘门、输出门和全连接层，全连接层接有softmax分类器。
4.按照权利要求1所述的一种基于LSTM与D-S证据理论的舰船编队意图融合识别方法，其特征在于：步骤四中，舰船编队包括至少t艘驱逐舰和m-t艘护卫舰，驱逐舰的权重大于护卫舰的权重。
CN202011068406.5A 2020-10-08 2020-10-08 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法 Active CN112232396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011068406.5A CN112232396B (zh) 2020-10-08 2020-10-08 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011068406.5A CN112232396B (zh) 2020-10-08 2020-10-08 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法

Publications (2)

Publication Number Publication Date
CN112232396A CN112232396A (zh) 2021-01-15
CN112232396B true CN112232396B (zh) 2023-01-24

Family

ID=74119848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011068406.5A Active CN112232396B (zh) 2020-10-08 2020-10-08 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法

Country Status (1)

Country Link
CN (1) CN112232396B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325379A (zh) * 2021-04-16 2021-08-31 江西航天鄱湖云科技有限公司 一种基于目标属性与拓扑特征的舰船雷达匹配方法
CN114898222B (zh) * 2022-04-21 2024-01-02 中国人民解放军91977部队 一种舰船目标航迹识别方法及装置
CN114757309B (zh) * 2022-06-16 2022-09-02 青岛理工大学 多物理场监测数据协同融合的工程灾害预警方法及系统
CN115238832B (zh) * 2022-09-22 2022-12-02 中国人民解放军空军预警学院 基于cnn-lstm的空中编队目标意图识别方法及系统
CN116029379B (zh) * 2022-12-31 2024-01-02 中国电子科技集团公司信息科学研究院 空中目标意图识别模型构建方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763304A (zh) * 2009-12-31 2010-06-30 合肥工业大学 一种基于证据理论的不确定型软件可信性评估方法
CN101996157A (zh) * 2010-10-23 2011-03-30 山东科技大学 证据高冲突环境下多源信息融合方法
CN103955622A (zh) * 2014-05-15 2014-07-30 合肥工业大学 一种机载多传感器目标识别系统与方法
CN104036257A (zh) * 2014-06-25 2014-09-10 华南农业大学 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法
CN107967487A (zh) * 2017-11-27 2018-04-27 重庆邮电大学 一种基于证据距离和不确定度的冲突数据融合方法
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN109376179A (zh) * 2018-08-24 2019-02-22 苏宁消费金融有限公司 一种数据挖掘中样本平衡化方法
CN110008985A (zh) * 2019-02-03 2019-07-12 河南科技大学 基于改进d-s证据理论规则的舰载机群目标识别方法
CN110909782A (zh) * 2019-11-15 2020-03-24 湘潭大学 一种基于多特征结合深度学习对机床主轴故障的诊断方法
CN111222574A (zh) * 2020-01-07 2020-06-02 西北工业大学 基于多模型决策级融合的舰船与民船目标检测与分类方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111401268A (zh) * 2020-03-19 2020-07-10 内蒙古工业大学 一种面向开放环境的多模态情感识别方法及装置
CN111428793A (zh) * 2020-03-27 2020-07-17 东南大学 一种基于改进证据相异度的证据融合方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763304A (zh) * 2009-12-31 2010-06-30 合肥工业大学 一种基于证据理论的不确定型软件可信性评估方法
CN101996157A (zh) * 2010-10-23 2011-03-30 山东科技大学 证据高冲突环境下多源信息融合方法
CN103955622A (zh) * 2014-05-15 2014-07-30 合肥工业大学 一种机载多传感器目标识别系统与方法
CN104036257A (zh) * 2014-06-25 2014-09-10 华南农业大学 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法
CN107967487A (zh) * 2017-11-27 2018-04-27 重庆邮电大学 一种基于证据距离和不确定度的冲突数据融合方法
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN109376179A (zh) * 2018-08-24 2019-02-22 苏宁消费金融有限公司 一种数据挖掘中样本平衡化方法
CN110008985A (zh) * 2019-02-03 2019-07-12 河南科技大学 基于改进d-s证据理论规则的舰载机群目标识别方法
CN110909782A (zh) * 2019-11-15 2020-03-24 湘潭大学 一种基于多特征结合深度学习对机床主轴故障的诊断方法
CN111222574A (zh) * 2020-01-07 2020-06-02 西北工业大学 基于多模型决策级融合的舰船与民船目标检测与分类方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111401268A (zh) * 2020-03-19 2020-07-10 内蒙古工业大学 一种面向开放环境的多模态情感识别方法及装置
CN111428793A (zh) * 2020-03-27 2020-07-17 东南大学 一种基于改进证据相异度的证据融合方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Method for Recognizing Fatigue Driving Based on Dempster-Shafer Theory and Fuzzy Neural Network;WenBo Zhu等;《Hindawi》;20170205;1-10 *
A reliability discounting strategy based on plausibility function of evidence;Cheng Zeng等;《2007 10th International Conference on Information Fusion》;20071226;1-6 *
基于D-S证据理论的多传感器数据融合算法研究;田明明;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190915;第2019年卷(第9期);I140-178 *
基于多物理域信息多模式融合与深度学习的智能加工机器自主感知方法研究;刘恒利;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170715;第2017年卷(第7期);C029-87 *
基于多类别特征融合的水声目标噪声识别分类技术;张少康等;《西北工业大学学报》;20200430;第38卷(第2期);366-376 *

Also Published As

Publication number Publication date
CN112232396A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112232396B (zh) 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法
Xu et al. Multi-attribute decision making method for air target threat evaluation based on intuitionistic fuzzy sets
CN110348708B (zh) 一种基于极限学习机的地面目标动态威胁评估方法
Johansson Evaluating the performance of TEWA systems
CN111783020A (zh) 一种多维特征的战场实体目标分群方法及系统
CN112965062A (zh) 基于lstm-dam网络的雷达距离像目标识别方法
Dahlbom et al. Detection of hostile aircraft behaviors using dynamic bayesian networks
Wang et al. Learning embedding features based on multisense-scaled attention architecture to improve the predictive performance of air combat intention recognition
Lee et al. A Study on the Identification of Warship Type/Class by Measuring Similarity with Virtual Warship
Ohlmeyer et al. Applications of the Particle Filter for multi-object tracking and classification
Glinton et al. A markov random field model of context for high-level information fusion
Kouemou et al. Exploitation of track accuracy information in fusion technologies for radar target classification using Dempster-Shafer Rules
Auten et al. Predicting the perforation capability of Kinetic Energy Projectiles using artificial neural networks
Dahlbom A comparison of two approaches for situation detection in an air-to-air combat scenario
CN115563861B (zh) 一种雷达导引头智能跟踪算法的性能综合评估及优化方法
Lin et al. An LSTM-based fleet formation recognition algorithm
JP7278763B2 (ja) 状態量データ分類装置及び状態量データ分類方法
Li et al. Underwater Target Threat Assessment Method Based on Bayesian Network
Liu et al. Techniques for Aerial Target Recognition Based on Belief Rule Base and Evidential Reasoning
Liu et al. Threat Evaluation in Air Defense Based on Improved KPCA-TOPSIS
Westlake The application of deep learning algorithms to longwave infrared missile seekers
Rathje et al. Human–automation collaboration in occluded trajectory smoothing
Chen et al. The optimal combat maneuver decision of the autonomous underwater vehicle based on the fuzzy comprehensive evaluation method
Touza et al. Obtaining anti-missile decoy launch solution from a ship using machine learning techniques
Wang et al. Aerial targets threat evaluation method

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