CN112418071A - 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 - Google Patents
一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 Download PDFInfo
- Publication number
- CN112418071A CN112418071A CN202011308194.3A CN202011308194A CN112418071A CN 112418071 A CN112418071 A CN 112418071A CN 202011308194 A CN202011308194 A CN 202011308194A CN 112418071 A CN112418071 A CN 112418071A
- Authority
- CN
- China
- Prior art keywords
- target
- low
- threat
- protected
- aerial vehicle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000007123 defense Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,首先确定航线内受保护的低空无人机对象及其受保护空间范围,并确定对受保护的低空无人机对象构成威胁的飞行物目标;然后通过地面探测器测得受保护的低空无人机对象和飞行物目标的飞行数据,最后结合地面探测器获取后的数据和聚类分析将飞行物目标进行威胁等级划分。本发明能够实现对移动的受保护低空无人机对象进行威胁等级识别,通过采用机器学习中的聚类算法可以明显提高数据的处理计算能力,可通过地面探测器测得数据,其测得的数据较雷达获取的数据更为丰富全面;本发明能够实现对多变动态环境下空中运动目标很好的动态威胁度预测评估。
Description
技术领域
本发明属于信息技术领域,涉及一种低空安防技术,具体地说是涉及一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法。
背景技术
威胁度评估一词,最早来源于防空作战。它是作战部队进行情报收集信息处理后,做出火力安排的前提和核心。虽然应用范围较广,但是在国际上很少公开讨论,在国内讨论也相对较少。低空飞行物在防空领域中,由于具有低空飞行,速度慢,不容易被发现等特点,给低空航线带内携带任务的低空无人机带来极大的威胁和挑战,及时对低空飞行物作出威胁判断,对低空防空具有重要的意义。
现有技术中也有低空飞行物的威胁度评估方法的公开,例如中国专利CN111413681A公开了一种基于熵权法的飞行目标威胁度识别方法、系统和存储介质,其中方法包括以下步骤:获取雷达数据,所述雷达数据包括若干个飞行目标的起批数据;根据起批数据对飞行目标的记录表进行更新处理,以及对起批数据进行规范化处理;结合规范化处理后的起批数据和熵权法计算飞行目标对应的威胁度值,获得威胁度识别结果。但是,其威胁度评估方法只适用于受保护对象为固定不动的建筑物或者某种固定不动的其他物体,不适用于对移动的受保护低空无人机对象进行威胁等级识别。
另外,现有的威胁度评估方法,大部分还是采用获取数据,通过一些加权算法对数据进行处理运算,随着大数据来临,这些威胁度评估方法会显得运算缓慢。
目前,威胁评估获取的数据多为受保护对象所携带的雷达获取的,例如CN111086616A,其所获取的数据多由无人艇上雷达采集获取,其测得的数据很多时候并不全面。
发明内容
为了克服现有技术存在的不足,本发明提供了一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法。
本发明采用的技术方案为:
一种基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,包括以下步骤:
S1:确定低空航线带内受保护的低空无人机对象及其受保护空间范围,并确定对受保护的低空无人机对象构成威胁的飞行物目标;
S2:通过地面探测器测得受保护的低空无人机对象和飞行物目标的飞行数据,其测得的数据包括:飞行物目标的飞行物类型、位置坐标、速度、水平航向角,及受保护的低空无人机的位置坐标、速度、水平航向角;
S3:结合地面探测器获取的数据和聚类分析将飞行物目标进行威胁等级划分。
作为优选,步骤S1具体为:
选取在低空固定航线内飞行的低空无人机作为受保护的对象,低空无人机的受保护空间范围是以低空无人机质心为球心,半径为k的球与低空航线带上界与下界相交的范围内,k的取值为该球体与低空航线带上界或低空航线带下界相切的这两种情况下的最大球半径;
选取在低空无人机受保护空间范围内出现的飞行物作为对受保护的低空无人机构成威胁的飞行物目标。
作为优选,S3包括以下步骤:
S301:基于地面探测器测得的数据,选取飞行物目标对低空无人机构成威胁的五个威胁度评估因子;
S302:根据五个威胁度评估因子,构建五个威胁度评估因子的隶属度函数,将测得的数据量化在[0,1]区间内;
S303:对每个飞行物目标的五个威胁度评估因子的隶属度函数的量化值采用熵的方法,求解出每个飞行物目标的五个威胁度评估因子的权重;
S304:根据每个飞行物目标的五个威胁度评估因子的权重,构建一个权重频率计算函数,以此来表现飞行物目标飞行的稳定性;
S305:将各个飞行物目标的五个威胁度因子的隶属度函数的量化值和建立的权重频率计算函数值作为聚类算法K的输入,通过聚类分析将飞行物目标进行威胁等级划分。
作为优选,S301中五个威胁度评估因子包括:飞行物目标类别、飞行物目标的武装性能、受保护的低空无人机与飞行物目标间的相对距离、受保护的低空无人机与飞行物目标间的水平航向角关系、受保护的低空无人机与飞行物目标间的相对速度。
作为优选,S302中飞行物目标类别隶属度函数f类别:
飞行物目标武装性能隶属度函数f武装:
受保护的低空无人机与飞行物目标间的相对距离隶属度函数f距离:
其中d为受保护的低空无人机与飞行物目标间的相对距离,h为航线带上界与下界的距离,k为受保护低空无人机受保护范围的最大球半径;
受保护的低空无人机与飞行物目标间的水平航向角关系隶属度函数f航向角:
f航向角=|sin(|θ2-θ1|)|θ1∈[0°,360°],θ2∈[0°,360°]
其中θ2为飞行物目标的水平航向角,θ1为受保护的低空无人机目标的水平航向角;
受保护的低空无人机与飞行物目标间的相对速度隶属度函数f相对速度:
其中v2为飞行物目标的瞬时速度,v1为受保护的低空无人机目标的瞬时速度。
作为优选,步骤S303具体为:
第一步,有n个飞行物,五个威胁度因子,首先构造目标属性矩阵A=[aij]n×5;
其中n代表受保护范围内出现的飞行物个数,i代表n个飞行物中具体的第i个飞行物,j代表五个威胁度因子中的第j个威胁度因子,aij表示第i个飞行物的第j个威胁因子的值,A表示aij的值构成的n×5阶矩阵;
第二步,目标属性矩阵进行规范化过程如下,目标属性矩阵为A=[aij]n×5,将其进行规范化后的决策矩阵R=[rij]n×5:
其中R表示规范化后的n×5阶决策矩阵,rij表示第i个飞行物的第j个威胁因子规范化后的值;
第三步,计算第j个威胁度评估因子下第i个飞行物的指标值的比重pij:
其中pij表示第j个威胁度评估因子下第i个飞行物的指标值的比重;
第四步,计算第j个威胁度评估因子的熵值Ej:
其中Ej表示j个威胁度评估因子的熵值;
第五步,计算第j个威胁度评估因子的熵权重wj:
其中wj表示第j个威胁度评估因子的熵权重。
作为优选,步骤S304具体为:综合每个飞行物目标的五个威胁度评估因子的权重前后时间变化,通过计算任意两个前后两个时间t1,t2内五个威胁度评估因子wj差值,构建一个关于威胁度评估因子权重wj的频率计算函数:
f频率=F(wjt2-wjt1)
其中wjt2,wjt1分别表示t2,t1两个时刻第j个威胁度评估因子的熵权重;
在受保护的低空无人机对象的受保护空间范围内,权重频率计算值高的飞行物目标飞行不稳定,权重频率计算值低的飞行物目标飞行稳定。
作为优选,步骤S305具体为:
根据地面探测器测得飞行物t1,t2两个时刻内的数据集D1={x1,x2,x3,...,xa},D2={x1',x2',x3',...,xa'}均包含a个样本,对于D1每个样本xs=(f类别,f武装,f距离,f航向角,f相对速度),s∈{1,2,...,a}是五维样本空间内的一个特征向量,同样对于D2每个样本xs'=(f类别',f武装',f距离',f航向角',f相对速度'),s'∈{1,2,...,a}是五维样本空间内的一个特征向量,取这两个时刻的五维特征向量每个维度的平均数重新构成新的五维向量s∈{1,2,...,a},再将此五维特征向量与t1,t2两个时刻五维特征向量xs,x′s算得的频率计算函数构成一个六维特征向量g∈{1,2,...,a}依此六维特征向量可以将D1,D2组成一个新的数据集D3={x1″,x2″,x3″,...,xa″};
用聚类算法K将样本集D3划分为p个不相交的簇,表示将样本集分成了p个不同的威胁度等级,每一簇得到一个质心向量eh=(eh0,eh1,eh2,eh3,eh4,eh5),h∈{1,2,...,p},对每簇样本引入一个簇标记λ={λ1,λ2,...,λp},将簇标记与质心向量间构建一个函数关系式λq=Z(eh),q∈{1,2,...,p},每个簇标记λq值表示威胁度的一个威胁等级,属于该质心范围内飞行物数据与质心的威胁度等级相同,将λq的值进行一个从大到小的排序,则将每个飞行物对低空无人机的威胁度进行了一个威胁等级划分。
本发明首先确定航线内受保护的低空无人机对象及其受保护空间范围,并确定对受保护的低空无人机对象构成威胁的飞行物目标;然后通过地面探测器测得受保护的低空无人机对象和飞行物目标的飞行数据,最后结合地面探测器获取后的数据和聚类分析将飞行物目标进行威胁等级划分。
本发明的技术效果在于:
本发明能够实现对移动的受保护低空无人机对象进行威胁等级识别,通过采用机器学习中的聚类算法可以明显提高数据的处理计算能力,另外,受保护对象为低空无人机,可通过地面探测器测得数据,其测得的数据较雷达获取的数据更为丰富全面;本发明能够实现对多变动态环境下空中运动目标很好的动态威胁度预测评估。
附图说明
图1是本发明识别方法的步骤流程图;
图2是结合地面雷达获取的数据和聚类分析将飞行物目标进行威胁等级划分的步骤流程图;
图3是确定受保护的低空无人机对象的受保护空间范围的截面图示。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,但本发明所要保护的范围并不限于此。
参照图1~3,一种基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,包括以下步骤:
S1:确定低空航线带内受保护的低空无人机对象及其受保护空间范围,并确定对受保护的低空无人机对象构成威胁的飞行物目标;
选取在低空固定航线内飞行的低空无人机作为受保护的对象,低空无人机的受保护空间范围是以低空无人机质心为球心,半径为k的球与低空航线带上界与下界相交的范围内,k的取值为该球体与低空航线带上界或低空航线带下界相切的这两种情况下的最大球半径,如图3所示;
选取在低空无人机受保护空间范围内出现的飞行物作为对受保护的低空无人机构成威胁的飞行物目标;
S2:通过地面探测器测得受保护的低空无人机对象和飞行物目标的飞行数据,其测得的数据包括:飞行物目标的飞行物类型、位置坐标、速度、水平航向角,及受保护的低空无人机的位置坐标、速度、水平航向角;
S3:结合地面探测器获取的数据和聚类分析将飞行物目标进行威胁等级划分,具体包括以下步骤:
S301:基于地面探测器测得的数据,选取飞行物目标对低空无人机构成威胁的五个威胁度评估因子;
五个威胁度评估因子包括:飞行物目标类别、飞行物目标的武装性能、受保护的低空无人机与飞行物目标间的相对距离、受保护的低空无人机与飞行物目标间的水平航向角关系、受保护的低空无人机与飞行物目标间的相对速度;
S302:根据五个威胁度评估因子,构建五个威胁度评估因子的隶属度函数,将测得的数据量化在[0,1]区间内;
飞行物目标类别隶属度函数f类别:
飞行物目标武装性能隶属度函数f武装:
受保护的低空无人机与飞行物目标间的相对距离隶属度函数f距离:
其中d为受保护的低空无人机与飞行物目标间的相对距离,h为航线带上界与下界的距离,k为受保护低空无人机受保护范围的最大球半径;
受保护的低空无人机与飞行物目标间的水平航向角关系隶属度函数f航向角:
f航向角=|sin(|θ2-θ1|)|θ1∈[0°,360°],θ2∈[0°,360°]
其中θ2为飞行物目标的水平航向角,θ1为受保护的低空无人机目标的水平航向角;
受保护的低空无人机与飞行物目标间的相对速度隶属度函数f相对速度:
其中v2为飞行物目标的瞬时速度,v1为受保护的低空无人机目标的瞬时速度;
S303:对每个飞行物目标的五个威胁度评估因子的隶属度函数的量化值采用熵的方法,求解出每个飞行物目标的五个威胁度评估因子的权重;具体为:
第一步,有n个飞行物,五个威胁度因子,首先构造目标属性矩阵A=[aij]n×5;
其中n代表受保护范围内出现的飞行物个数,i代表n个飞行物中具体的第i个飞行物,j代表五个威胁度因子中的第j个威胁度因子,aij表示第i个飞行物的第j个威胁因子的值,A表示aij的值构成的n×5阶矩阵。
第二步,目标属性矩阵进行规范化过程如下,目标属性矩阵为A=[aij]n×5,将其进行规范化后的决策矩阵R=[rij]n×5:
其中R表示规范化后的n×5阶决策矩阵,rij表示第i个飞行物的第j个威胁因子规范化后的值。
第三步,计算第j个威胁度评估因子下第i个飞行物的指标值的比重pij:
其中pij表示第j个威胁度评估因子下第i个飞行物的指标值的比重。
第四步,计算第j个威胁度评估因子的熵值Ej:
其中Ej表示j个威胁度评估因子的熵值。
第五步,计算第j个威胁度评估因子的熵权重wj:
其中wj表示第j个威胁度评估因子的熵权重。
S304:根据每个飞行物目标的五个威胁度评估因子的权重,构建一个权重频率计算函数,以此来表现飞行物目标飞行的稳定性;
综合每个飞行物目标的五个威胁度评估因子的权重前后时间变化,通过计算任意两个前后两个时间t1,t2内五个威胁度评估因子wj差值,构建一个关于威胁度评估因子权重wj的频率计算函数:
f频率=F(wjt2-wjt1)
其中wjt2,wjt1分别表示t2,t1两个时刻第j个威胁度评估因子的熵权重。
其中f频率=F(wjt2-wjt1)可表示为:
在受保护的低空无人机对象的受保护空间范围内,权重频率计算值高的飞行物目标飞行不稳定,权重频率计算值低的飞行物目标飞行稳定。
S305:将各个飞行物目标的五个威胁度因子的隶属度函数的量化值和建立的权重频率计算函数值作为聚类算法K的输入,通过聚类分析将飞行物目标进行威胁等级划分;
根据地面探测器测得低空无人机受保护范围内出现的60个飞行物t1,t2两个时刻内的数据集D1={x1,x2,x3,...,x60},D2={x1',x2',x3',...,x60'}均包含60个样本,对于D1每个样本xs=(f类别,f武装,f距离,f航向角,f相对速度),s∈{1,2,...,60}是五维样本空间内的一个特征向量,同样对于D2每个样本xs'=(f类别',f武装',f距离',f航向角',f相对速度'),s'∈{1,2,...,60}是五维样本空间内的一个特征向量,取这两个时刻的五维特征向量每个维度的平均数重新构成新的五维向量s∈{1,2,...,60},再将此五维特征向量与t1,t2两个时刻五维特征向量xs,x′s算得的频率计算函数构成一个六维特征向量g∈{1,2,...,60}依此六维特征向量可以将D1,D2组成一个新的数据集D3={x1″,x2″,x3″,...,x60″}。
用聚类算法K将样本集D3划分为3个不相交的簇,表示将样本集分成了3个不同的威胁度等级,即将60个飞行物分为3个不同威胁度等级,每一簇得到一个质心向量e1=(0.1,0.3,0.7,0.2,0.4,3)、e2=(0.3,0.7,0.6,0.4,0.7,5)、e3=(0.8,0.7,1.0,0.4,0.8,10),每簇样本引入一个簇标记λ={λ1,λ2,λ3},将簇标记与质心向量间构建一个函数关系式λq=Z(eh),其中该函数关系式可表示为其中[]表示取整函数,计算得λ=(7,4,3),则这三个不同簇内的数据被分为7,4,3三个不同威胁度等级,即这60个飞行物被划分为7,4,3这三个不同威胁等级,其中λq值越小,威胁度越高。
应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (8)
1.一种基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于包括以下步骤:
S1:确定低空航线带内受保护的低空无人机对象及其受保护空间范围,并确定对受保护的低空无人机对象构成威胁的飞行物目标;
S2:通过地面探测器测得受保护的低空无人机对象和飞行物目标的飞行数据,其测得的数据包括:飞行物目标的飞行物类型、位置坐标、速度、水平航向角,及受保护的低空无人机的位置坐标、速度、水平航向角;
S3:结合地面探测器获取的数据和聚类分析将飞行物目标进行威胁等级划分。
2.根据权利要求1所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于步骤S1具体为:
选取在低空固定航线内飞行的低空无人机作为受保护的对象,低空无人机的受保护空间范围是以低空无人机质心为球心,半径为k的球与低空航线带上界与下界相交的范围内,k的取值为该球体与低空航线带上界或低空航线带下界相切的这两种情况下的最大球半径;
选取在低空无人机受保护空间范围内出现的飞行物作为对受保护的低空无人机构成威胁的飞行物目标。
3.根据权利要求1所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于S3包括以下步骤:
S301:基于地面探测器测得的数据,选取飞行物目标对低空无人机构成威胁的五个威胁度评估因子;
S302:根据五个威胁度评估因子,构建五个威胁度评估因子的隶属度函数,将测得的数据量化在[0,1]区间内;
S303:对每个飞行物目标的五个威胁度评估因子的隶属度函数的量化值采用熵的方法,求解出每个飞行物目标的五个威胁度评估因子的权重;
S304:根据每个飞行物目标的五个威胁度评估因子的权重,构建一个权重频率计算函数,以此来表现飞行物目标飞行的稳定性;
S305:将各个飞行物目标的五个威胁度因子的隶属度函数的量化值和建立的权重频率计算函数值作为聚类算法K的输入,通过聚类分析将飞行物目标进行威胁等级划分。
4.根据权利要求3所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于:S301中五个威胁度评估因子包括:飞行物目标类别、飞行物目标的武装性能、受保护的低空无人机与飞行物目标间的相对距离、受保护的低空无人机与飞行物目标间的水平航向角关系、受保护的低空无人机与飞行物目标间的相对速度。
5.根据权利要求4所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于:S302中飞行物目标类别隶属度函数f类别:
飞行物目标武装性能隶属度函数f武装:
受保护的低空无人机与飞行物目标间的相对距离隶属度函数f距离:
其中d为受保护的低空无人机与飞行物目标间的相对距离,h为航线带上界与下界的距离,k为受保护低空无人机受保护范围的最大球半径;
受保护的低空无人机与飞行物目标间的水平航向角关系隶属度函数f航向角:
f航向角=|sin(|θ2-θ1|)|θ1∈[0°,360°],θ2∈[0°,360°]
其中θ2为飞行物目标的水平航向角,θ1为受保护的低空无人机目标的水平航向角;
受保护的低空无人机与飞行物目标间的相对速度隶属度函数f相对速度:
其中v2为飞行物目标的瞬时速度,v1为受保护的低空无人机目标的瞬时速度。
6.根据权利要求3所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于步骤S303具体为:
第一步,有n个飞行物,五个威胁度因子,首先构造目标属性矩阵A=[aij]n×5;
其中n代表受保护范围内出现的飞行物个数,i代表n个飞行物中具体的第i个飞行物,j代表五个威胁度因子中的第j个威胁度因子,aij表示第i个飞行物的第j个威胁因子的值,A表示aij的值构成的n×5阶矩阵;
第二步,目标属性矩阵进行规范化过程如下,目标属性矩阵为A=[aij]n×5,将其进行规范化后的决策矩阵R=[rij]n×5:
其中R表示规范化后的n×5阶决策矩阵,rij表示第i个飞行物的第j个威胁因子规范化后的值;
第三步,计算第j个威胁度评估因子下第i个飞行物的指标值的比重pij:
其中pij表示第j个威胁度评估因子下第i个飞行物的指标值的比重;
第四步,计算第j个威胁度评估因子的熵值Ej:
其中Ej表示j个威胁度评估因子的熵值;
第五步,计算第j个威胁度评估因子的熵权重wj:
其中wj表示第j个威胁度评估因子的熵权重。
7.根据权利要求3所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于步骤S304具体为:综合每个飞行物目标的五个威胁度评估因子的权重前后时间变化,通过计算任意两个前后两个时间t1,t2内五个威胁度评估因子wj差值,构建一个关于威胁度评估因子权重wj的频率计算函数:
f频率=F(wjt2-wjt1)
其中wjt2,wjt1分别表示t2,t1两个时刻第j个威胁度评估因子的熵权重;
在受保护的低空无人机对象的受保护空间范围内,权重频率计算值高的飞行物目标飞行不稳定,权重频率计算值低的飞行物目标飞行稳定。
8.根据权利要求3所述基于聚类分析的飞行物目标对受保护低空无人机威胁度识别方法,其特征在于步骤S305具体为:
根据地面探测器测得飞行物t1,t2两个时刻内的数据集D1={x1,x2,x3,...,xa},D2={x1',x2',x3',...,xa'}均包含a个样本,对于D1每个样本xs=(f类别,f武装,f距离,f航向角,f相对速度),s∈{1,2,...,a}是五维样本空间内的一个特征向量,同样对于D2每个样本xs'=(f类别',f武装',f距离',f航向角',f相对速度'),s'∈{1,2,...,a}是五维样本空间内的一个特征向量,取这两个时刻的五维特征向量每个维度的平均数重新构成新的五维向量再将此五维特征向量与t1,t2两个时刻五维特征向量xs,x′s算得的频率计算函数构成一个六维特征向量g∈{1,2,...,a}依此六维特征向量可以将D1,D2组成一个新的数据集D3={x1”,x2”,x3”,...,xa”};
用聚类算法K将样本集D3划分为p个不相交的簇,表示将样本集分成了p个不同的威胁度等级,每一簇得到一个质心向量eh=(eh0,eh1,eh2,eh3,eh4,eh5),h∈{1,2,...,p},对每簇样本引入一个簇标记λ={λ1,λ2,...,λp},将簇标记与质心向量间构建一个函数关系式λq=Z(eh),q∈{1,2,...,p},每个簇标记λq值表示威胁度的一个威胁等级,属于该质心范围内飞行物数据与质心的威胁度等级相同,将λq的值进行一个从大到小的排序,则将每个飞行物对低空无人机的威胁度进行了一个威胁等级划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308194.3A CN112418071B (zh) | 2020-11-20 | 2020-11-20 | 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308194.3A CN112418071B (zh) | 2020-11-20 | 2020-11-20 | 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418071A true CN112418071A (zh) | 2021-02-26 |
CN112418071B CN112418071B (zh) | 2021-08-24 |
Family
ID=74773269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011308194.3A Active CN112418071B (zh) | 2020-11-20 | 2020-11-20 | 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418071B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095175A (zh) * | 2021-03-30 | 2021-07-09 | 成都航空职业技术学院 | 一种基于数传电台射频特征的低空无人机识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415452A (zh) * | 2017-12-25 | 2018-08-17 | 彩虹无人机科技有限公司 | 一种中空长航时无人机任务规划系统 |
CN109269352A (zh) * | 2018-09-20 | 2019-01-25 | 北京机械设备研究所 | 一种基于地面探测的无人机跟踪目标方法及系统 |
CN110262534A (zh) * | 2019-06-25 | 2019-09-20 | 北京机械设备研究所 | 一种针对低慢小目标的无人机跟踪与拦截系统及方法 |
CN110567324A (zh) * | 2019-09-04 | 2019-12-13 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的多目标群威胁度预测装置及方法 |
CN110597264A (zh) * | 2019-09-25 | 2019-12-20 | 中国人民解放军陆军工程大学 | 无人机反制系统 |
CN110941283A (zh) * | 2019-11-20 | 2020-03-31 | 西北工业大学 | 一种基于任务需求的异构无人机集群协同最优配置方法 |
CN111079090A (zh) * | 2019-12-27 | 2020-04-28 | 航天南湖电子信息技术股份有限公司 | 一种“低慢小目标”的威胁评估方法 |
CN111596277A (zh) * | 2020-04-30 | 2020-08-28 | 柳州达迪通信技术股份有限公司 | 基于模糊综合评价法的飞行目标威胁度识别方法及系统 |
CN112149715A (zh) * | 2020-08-31 | 2020-12-29 | 南京航空航天大学 | 一种基于深度学习的无人机空战威胁评估方法 |
-
2020
- 2020-11-20 CN CN202011308194.3A patent/CN112418071B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415452A (zh) * | 2017-12-25 | 2018-08-17 | 彩虹无人机科技有限公司 | 一种中空长航时无人机任务规划系统 |
CN109269352A (zh) * | 2018-09-20 | 2019-01-25 | 北京机械设备研究所 | 一种基于地面探测的无人机跟踪目标方法及系统 |
CN110262534A (zh) * | 2019-06-25 | 2019-09-20 | 北京机械设备研究所 | 一种针对低慢小目标的无人机跟踪与拦截系统及方法 |
CN110567324A (zh) * | 2019-09-04 | 2019-12-13 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的多目标群威胁度预测装置及方法 |
CN110597264A (zh) * | 2019-09-25 | 2019-12-20 | 中国人民解放军陆军工程大学 | 无人机反制系统 |
CN110941283A (zh) * | 2019-11-20 | 2020-03-31 | 西北工业大学 | 一种基于任务需求的异构无人机集群协同最优配置方法 |
CN111079090A (zh) * | 2019-12-27 | 2020-04-28 | 航天南湖电子信息技术股份有限公司 | 一种“低慢小目标”的威胁评估方法 |
CN111596277A (zh) * | 2020-04-30 | 2020-08-28 | 柳州达迪通信技术股份有限公司 | 基于模糊综合评价法的飞行目标威胁度识别方法及系统 |
CN112149715A (zh) * | 2020-08-31 | 2020-12-29 | 南京航空航天大学 | 一种基于深度学习的无人机空战威胁评估方法 |
Non-Patent Citations (2)
Title |
---|
BU JIAN 等: "Risk Assessment of Unmanned Aerial Vehicle Flight Based on K‑means Clustering Algorithm", 《TRANSACTIONS OF NANJING UNIVERSITY OF AERONAUTICS AND ASTRONAUTICS》 * |
谷玉荣 等: "基于K- Means聚类算法的空中态势威胁挖掘", 《火力与指挥控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095175A (zh) * | 2021-03-30 | 2021-07-09 | 成都航空职业技术学院 | 一种基于数传电台射频特征的低空无人机识别方法 |
CN113095175B (zh) * | 2021-03-30 | 2024-06-04 | 成都航空职业技术学院 | 一种基于数传电台射频特征的低空无人机识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418071B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921219B (zh) | 基于目标航迹的机型识别方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
Shi et al. | Objects detection of UAV for anti-UAV based on YOLOv4 | |
CN113033303B (zh) | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN109816698A (zh) | 基于尺度自适应核相关滤波的无人机视觉目标跟踪方法 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN109668567B (zh) | 无人机多云条件下偏振光定向方法、系统及偏振光传感器 | |
CN113569921A (zh) | 一种基于gnn的船舶分类识别方法及装置 | |
CN110401977A (zh) | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 | |
CN112418071B (zh) | 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 | |
CN114299011A (zh) | 一种基于深度学习的遥感目标四边形框快速检测方法 | |
CN109117776A (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
CN110110586A (zh) | 基于深度学习的遥感机场飞机检测的方法及装置 | |
CN108810799A (zh) | 一种基于线性判别分析的多楼层室内定位方法及系统 | |
CN109214467B (zh) | 考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法 | |
CN113297982A (zh) | 一种面向航拍改进kcf和dsst相结合的目标检测方法 | |
CN113496260A (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
CN106951873A (zh) | 一种遥感图像目标识别方法 | |
CN103605988A (zh) | 一种基于空间金字塔随机映射的地基云图分类方法 | |
Zeng et al. | Drone detection based on multi-scale feature fusion | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
CN115205693A (zh) | 一种多特征集成学习的双极化sar影像浒苔提取方法 | |
Brinckmann et al. | Zeldovich pancakes in observational data are cold |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240603 Address after: Room 201, Building 1, No. 237 Sansheng Street, Qiaosi Street, Linping District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Jieneng Keshi intelligent security technology (Hangzhou) Co.,Ltd. Country or region after: China Address before: 310023 No. 318 stay Road, Xihu District, Zhejiang, Hangzhou Patentee before: ZHEJIANG University OF SCIENCE AND TECHNOLOGY Country or region before: China |