CN112801403A - 基于ssa-bp的空中目标潜在威胁度预测方法及系统 - Google Patents
基于ssa-bp的空中目标潜在威胁度预测方法及系统 Download PDFInfo
- Publication number
- CN112801403A CN112801403A CN202110185205.1A CN202110185205A CN112801403A CN 112801403 A CN112801403 A CN 112801403A CN 202110185205 A CN202110185205 A CN 202110185205A CN 112801403 A CN112801403 A CN 112801403A
- Authority
- CN
- China
- Prior art keywords
- target
- threat degree
- emotion
- aerial
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008451 emotion Effects 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 241000287127 Passeridae Species 0.000 claims abstract description 49
- 238000010845 search algorithm Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013139 quantization Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000002996 emotional effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 abstract description 6
- 230000008921 facial expression Effects 0.000 description 8
- 230000002431 foraging effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 244000062645 predators Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002789 length control Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Abstract
本发明提供一种基于SSA‑BP的空中目标潜在威胁度预测方法及系统，包括对目标进行信息收集，获取空中目标的实时特征数据；预测得到空中目标的未来状态数据；识别我方领航员当前时刻的情绪信息；构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集，进行量化及归一化处理后，得到标准的目标特征‑情绪数据集；通过麻雀搜索算法优化BP神经网络结构，对目标的未来状态数据和指挥员的情绪信息进行融合分析，从双方的态势层面获得目标的未来时刻威胁度。本发明从双方层面构建高效的威胁度预测方法，方法简单、跟踪速度快、交互性强、易实现，能够有效应对空中目标的干扰。
Description
技术领域
本发明涉及目标探测与识别领域，尤其涉及一种基于麻雀搜索算法(SparrowSearch Algorithm,SSA)优化BP(Back Propagation)神经网络的空中目标潜在威胁度预测方案。
背景技术
目标潜在威胁度预测是实现态势评估的最基本环节，是空中目标相对我方飞行器的潜在伤害能力。飞鸟、无人机等空中目标都可能产生威胁，要跟据速度位置高度等等综合考虑对我方的威胁。针对这个问题，当前采用的主要方法有模糊分析、证据推理、支持向量机、成分分析、多属性决策、神经网络等方法，而且已经取得了较为可观的研究成果。尽管目标威胁度评估的方法很多，但大多都局限于目标层面，较少将我方考虑入内。同双方力量悬殊不大的情况相比，在可能出现的敌强我弱的情况下，即使目标的状态都保持不变，其对我方威胁会明显增大，即出现“相对失衡”，导致评估的目标威胁度值不能有效地为态势评估提供参考。
针对此问题，本发明提供一种基于SSA-BP神经网络融合我方领航员情绪和空中目标状态的潜在威胁度预测方法，利用雷达探测器等设备收集一段时间内的目标信息，获取目标及目标的时间状态信息，将这一段时间内的状态信息输入到ConvLSTM(ConvolutionalLong Short-Term Memory，ConvLSTM)神经网络，获取目标的时空特征并构建相关预测模型，预测其未来的状态信息。在船舱内部，利用摄像头拍摄记录我方领航员的脸部表情，预设愤怒、悲伤、平静、开心、兴奋五大类别，利用卷积神经网络(Convolutional NeuralNetworks,CNN)提取特征并构建分类模型。用摄像头对领航员的脸部表情进行实时跟踪分析并输入到卷积神经网络模型中，获取领航员的情绪信息。不同的情绪信息代表不同的工作效率，兴奋的时候工作效率最高，愤怒的时候最不理智。将不同的情绪信息按照理目标当时的状态紧急程度分别赋予不同的威胁度权值，随后将目标的状态信息和领航员的情绪信息一起构建相关数据集。在先验知识仅考虑目标特征状态得其威胁度的基础上，根据领航员情绪标签的不同，进一步将目标的威胁度进行增减。得到融合后的双方层面的目标威胁度数据集。再利用麻雀搜索算法优化的BP神经网络对该数据集进行训练，得到威胁度评估模型。由于人的情绪有一定时间段的稳定性，因此将领航员此时的情绪信息和目标的未来状态信息输入到该评估模型，获取目标潜在的威胁度值。
发明内容
本发明提供一种基于SSA-BP神经网络融合我方领航员情绪和空中目标状态的潜在威胁度预测的方案，获取目标潜在的威胁度值。
本发明技术方案提供一种基于SSA-BP的空中目标潜在威胁度预测方法，包括以下步骤，
步骤1，对目标进行信息收集，获取空中目标的实时特征数据；
步骤2，预测得到空中目标的未来状态数据；
步骤3，识别我方领航员当前时刻的情绪信息；
步骤4，构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集，进行量化及归一化处理后，得到标准的目标特征-情绪数据集；
步骤5，麻雀搜索算法优化BP神经网络结构，包括以下步骤，
步骤5.1，将步骤4所得标准的目标特征-情绪数据集输入到BP神经网络中，BP神经网络的输入为目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离和我方领航员情绪一共7个特征，BP神经网络的输出为双方层面的目标的威胁度；
步骤5.2，采用麻雀搜索算法优化BP神经网络，得到SSA-BP网络；
步骤5.3，将目标状态信息和领航员情绪信息输入到SSA-BP网络中，搭建潜在威胁度预测模型，输出目标威胁度；
步骤6，将步骤2所得空中目标的未来状态数据和步骤3得到的领航员情绪信息输入到步骤5.3所得的潜在威胁度预测模型中，得到潜在的双方层面的空中目标的威胁度；
而且，所述空中目标的实时特征数据，包括目标类型、目标速度、目标航向角、目标干扰能力、目标高度和目标距离。
而且，步骤2中，预测得到空中目标的未来状态数据的实现方式如下，
步骤2.1，将收集到的时间数据前14s数据作为历史参考数据，以第15s数据作为测试数据，时间窗为4s，输入到ConvLSTM神经网络中；
步骤2.2，得到目标的时空特征以及预测模型；
步骤2.3，把第12s、13s、14s、15s时刻目标特征数据输入到步骤2.2所得预测模型，得到第16s目标未来状态数据。
而且，步骤3的实现方式如下，
步骤3.1，数据集选取，包括将图片情绪分为愤怒、悲伤、平静、开心、兴奋五大类，每大类设有相应训练集和测试集；
步骤3.2，对模型进行训练并用训练好的模型识别当前情绪，包括把步骤3.1获取的训练集输入到卷积神经网络中，采用VGG-19模型进行训练，将领航员的情绪看作对应的标签作为卷积神经网络的输出；根据训练好的卷积神经网络输出的编码判断出当前领航员处于什么情绪。
而且，步骤4的实现方式如下，
步骤4.1，获取目标特征层面威胁度数据集；
步骤4.2，根据领航员的情绪状态对目标特征威胁度数据集的威胁度进行修改，得到双方层面融合后的目标特征-情绪威胁度数据集；
步骤4.3，对步骤4.2所得目标特征-情绪威胁度数据集的特征，进行量化及归一化处理，得到标准的目标特征-情绪数据集。
本发明提供一种基于SSA-BP的空中目标潜在威胁度系统，用于实现如上所述的一种基于SSA-BP的空中目标潜在威胁度方法。
而且，包括以下模块，
第一模块，用于对目标进行信息收集，获取空中目标的实时特征数据；
第二模块，用于预测得到空中目标的未来状态数据；
第三模块，用于识别我方领航员当前时刻的情绪信息；
第四模块，用于构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集，进行量化及归一化处理后，得到标准的目标特征-情绪数据集；
第五模块，用于麻雀搜索算法优化BP神经网络结构，包括以下单元，
第一单元，用于将第四模块所得标准的目标特征-情绪数据集输入到BP神经网络中，BP神经网络的输入为目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离和我方领航员情绪一共7个特征，BP神经网络的输出为双方层面的目标的威胁度；
第二单元，用于采用麻雀搜索算法优化BP神经网络，得到SSA-BP网络；
第三单元，用于将目标状态信息和领航员情绪信息输入到SSA-BP网络中，搭建潜在威胁度预测模型，输出目标威胁度；
第六模块，用于将第二模块所得空中目标的未来状态数据和第三模块得到的领航员情绪信息输入到第五模块所得的潜在威胁度预测模型中，得到潜在的双方层面的空中目标的威胁度。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于SSA-BP的空中目标潜在威胁度方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于SSA-BP的空中目标潜在威胁度方法。
本发明一方面在威胁评估上解决了我方领航员的主观情绪影响，另一方面解决了现有技术中存在的问题，与其他最新研究成果相比，本发明提出的SSA优化BP方法具有很强的竞争力，在搜索精度、收敛性方面的算法速度，还有稳定性。SSA具有在不同的搜索空间中的高性能而且有很好的能力探索全局最优的潜在区域，从而有效地避免了局部最优问题。
本发明与现有技术相比，可以有效地从双方层面来对空中目标进行潜在威胁评估。该方法设计过程比较简单，同时方法简单，系统灵活，鲁棒性强，跟踪速度快，交互性强，易实现，通过上述方案，能够有效应对空中目标的干扰，且能防止因人的主观情绪影响而导致的轻敌情况的发生，可以为智能化态势评估系统提供有效参考。
附图说明
图1是本发明实施例SSA-BP神经网络融合我方领航员情绪和空中目标状态的潜在威胁度预测方法的工作流程图。
图2是本发明实施例SSA-BP神经网络融合我方领航员情绪和空中目标状态的潜在威胁度预测方法的训练流程图。
图3是本发明实施例麻雀搜索算法优化BP神经网络的训练阶段的流程图。
图4是本发明实施例麻雀搜索算法优化BP神经网络的网络结构。
具体实施方式
下面结合附图和实施例对本发明技术方案作进一步详细说明。
本发明利用雷达探测器等设备收集一段时间内的目标信息，获取目标及目标的时间状态信息，将这一段时间内的状态信息输入到ConvLSTM(Convolutional Long Short-Term Memory，ConvLSTM)神经网络，获取目标的时空特征并构建相关预测模型，预测其未来的状态信息。在船舱内部，利用摄像头拍摄记录我方领航员的脸部表情，预设愤怒、悲伤、平静、开心、兴奋五大类别，利用卷积神经网络(Convolutional Neural Networks,CNN)提取特征并构建分类模型。用摄像头对领航员的脸部表情进行实时跟踪分析并输入到卷积神经网络模型中，获取领航员的情绪信息。不同的情绪信息代表不同的工作效率，兴奋的时候工作效率最高，愤怒的时候最不理智。将不同的情绪信息按照理目标当时的状态紧急程度分别赋予不同的威胁度权值，随后将目标的状态信息和领航员的情绪信息一起构建相关数据集。在先验知识仅考虑目标特征状态得其威胁度的基础上，根据领航员情绪标签的不同，进一步将目标的威胁度进行增减。得到融合后的双方层面的目标威胁度数据集。再利用麻雀搜索算法优化的BP神经网络对该数据集进行训练，得到威胁度评估模型。由于人的情绪有一定时间段的稳定性，因此将领航员此时的情绪信息和目标的未来状态信息输入到该评估模型，获取目标潜在的威胁度值。
本专利实现的是基于麻雀搜索算法优化BP神经网络融合我方领航员情绪和空中目标状态的潜在威胁度预测。本发明实施例提供的一种基于SSA-BP神经网络融合我方领航员情绪和空中目标状态的潜在威胁度预测方法，包括以下步骤：
步骤1，使用雷达探测器等设备对目标进行信息收集，获取空中目标的实时特征数据，包括目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离等。其中目标类型和目标干扰能力由系统自动识别，为非数字型数据，不需要通过神经网络来预测。目标类型包括大、小、直升机。目标干扰能力包括强、中、弱、无。部分输入到神经网络中训练的数据如下表所示：
步骤2，预测得到空中目标的未来状态数据；
步骤2.1：将收集到的时间数据前14s数据作为历史参考数据，以第15s数据作为测试数据，时间窗为4s，输入到ConvLSTM神经网络中；
步骤2.2：得到目标的时空特征以及预测模型；
步骤2.3：把第12s、13s、14s、15s时刻目标特征数据输入到步骤2.2中的预测模型，得到第16s目标未来状态数据。整个工作过程如附图2上半部分所示，先获取训练的时序数据，再训练ConvLSTM模型，最后用模型来预测未来数据。
步骤3，识别我方领航员当前时刻的情绪信息。船舱内情绪识别的实际过程如附图2下半部分所示，展示了数据获取，模型搭建方法，情绪输出的全过程；
步骤3.1：数据集选取。实施例中，脸部表情数据集来源于国际通用的Fer2013人脸表情数据集和CK+数据集。由于领航员工作身份的不同，以及图片采集较为方便和清晰的特性，所以具体实施时可以从实际情况出发，在上述数据集中预先挑选出满足条件的图片，并将情绪进一步分为愤怒、悲伤、平静、开心、兴奋五大类。每类图片各135张，100张为训练集，35张为测试集；
步骤3.2：对模型进行训练，并用训练好的模型识别当前情绪。实施例中，把步骤3.1获取的训练集输入到卷积神经网络中，采用标准的VGG-19模型对其训练，将领航员的情绪看作对应的标签作为卷积神经网络的输出。将愤怒、悲伤、平静、开心、兴奋情绪分别编码为[1 0 0 0 0]、[0 1 0 0 0]、[0 010 0]、[0 0 0 1 0]、[0 0 0 0 1]，根据卷积神经网络输出的编码就可以判断出当前领航员处于什么情绪。
步骤4，融合数据集构建。在目标特征层面威胁度数据集中新增领航员情绪特征，并根据不同情绪，对威胁度进一步修改，构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集；
步骤4.1：获取目标特征层面威胁度数据集。目标特征层面威胁度数据集来源于王改革的“基于智能算法的目标威胁估计”一文中，一共有75组数据，60组为训练数据，15组为测试数据，部分数据如下表所示：
步骤4.2：根据领航员的情绪对目标特征威胁度数据集的威胁度进一步进行修改。得到融合后的双方层面的目标特征-情绪威胁度数据集。不同的情绪分别代表不同的工作状态，愤怒时领航员最不理智，兴奋时的工作效率最高。其情绪的变化对威胁度的影响是一个非线性的复杂过程，具体实施时可以支持用户通过分析目标的速度和距离等属性，结合领航员的情绪状态的理智程度综合分析，对其威胁度进行修改。对步骤4.1中的目标特征威胁度数据集的75条数据，每一条分别加入5种情绪变成5条数据，一共可以得到375条数据，并对其威胁度进行修改。得到双方层面融合后的目标特征-情绪威胁度数据集。其中360条作为训练数据，15条作为测试数据。部分数据如下表所示：
步骤4.3：对融合后的双方层面的目标特征-情绪威胁度数据集的特征进行进一步量化处理。采用G.A.Miller的九级量化理论进行量化。
目标类型：按大型目标如歼击轰炸机、小型目标如隐身飞机、巡航导弹、直升机依次量化为3、5、8；
目标的速度：按0m/s～1800m/s等间隔(200m/s)依次量化为1-9；
目标的航向角：按0～36°等间隔4°依次量化为9-1；
目标干扰能力：如强、中、弱、无依次量化为2、4、6、8；
目标高度：如超低、低、中、高分别量化为2、4、6、8；
目标的距离：按0km～450km按等间隔(50km)依次量化为9～1。
将愤怒、悲伤、平静、开心、兴奋情绪分别量化为1、3、5、7、9。
对数据集进行量化后,可对训练集和测试集进行均值归一化处理，均值归一化映射关系如下：
式中，xmax＝max(x),xmin＝min(x)，x表示某一特征下待均值归一化的值，xmax表示该组特征中的最大值，xmin表示该组特征中的最小值，y表示该值对应的均值归一化后的值，归一化后所有数据被规整到[0,1]范围内。对数据进行量化归一化处理后，可以得到标准的目标特征-情绪数据集。
步骤5，麻雀搜索算法优化BP神经网络结构；
步骤5.1：BP神经网络结构的确定，将步骤4.3得到的标准的目标特征-情绪数据集输入到BP神经网络中，输入为目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离和我方领航员情绪一共7个特征，输出为双方层面的目标的威胁度。本专利中BP神经网络拓扑结构为7-15-1，主要是因为对于一般的模式识别问题，3层网络(输入层-隐含层-输出层)就可以很好地解决问题。而且输入层节点与隐含层节点关系的经验公式为：
ni+1＝2ni+1 (2)
其中ni+1表示第i+1层节点数，ni表示第i层节点数。所以将隐含层节点数设为15个。对BP神经网络初始化权值和阈值。附图4展示了该麻雀搜索优化的BP神经网络结构。其中输入包括目标的类型、目标速度、目标的航向角、电子对抗属性、目标距离、目标高度和我方领航员的情绪，输出为目标的威胁度。
步骤5.2：麻雀搜索算法优化BP神经网络过程如下：
每只麻雀只有一个属性：位置，代表它找到的食物的位置。每只麻雀有三种可能的行为：1.作为发现者，继续搜索食物，2，作为跟随者，跟随一个发现者觅食，3.警戒侦查，有危险则放弃食物。
在D维解空间内由n只麻雀组成的种群为：
其中，d表示待优化问题变量的维数，n则是麻雀的数量。那么，每只麻雀的适应度值可以表示为如下形式：
fitness＝argmin(mse(TrainError)) (4)
其中，TrainError表示训练集的预测误差，mse为求取均方误差函数，argmin()表示使括号中的值取得最小时其变量的取值。预测误差计算公式如下：
TrainError＝predict威胁值-true威胁值 (5)
其中，predict威胁值表示输入该条数据，即通过BP神经网络输出的预测威胁值，true威胁值表示该条数据的真实威胁值。适应度函数表明本发明最终想得到的网络是在训练集上可以得到较好结果的网络。
初始化麻雀种群，确定20只麻雀，预警值为0.6，发现者比例为0.7，意识到有危险的麻雀比重为0.2，最大迭代次数为30次。权值阈值下边界和上边界分别设置为-1和1。
因为发现者负责为整个麻雀种群寻找食物并为所有加入者提供觅食的方向。因此，发现者可以获得比加入者更大的觅食搜索范围。在每次迭代的过程中，发现者的位置更新描述如下：
其中，t代表当前迭代数，j＝1,2,3,…,d，d表示待优化问题的维数；itermax为一个常数，表示最大迭代次数；
表示第t+1次迭代时，第i个麻雀在第j维中的位置信息；
表示第t次迭代时，第i个麻雀在第j维中的位置信息；exp()表示以自然常数e为底的指数函数；α∈(0,1]，是一个随机数；R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值；Q是服从正态分布的随机数；L表示一个1×d的矩阵，其中该矩阵内每个元素全部为1。
当R2＜ST时，这意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作。如果R2≥ST，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
如前面所描述，在觅食过程中，一些跟随者会时刻监视着发现者。一旦它们察觉到发现者已经找到了更好的食物，它们会立即离开现在的位置去争夺食物。如果它们赢了，它们可以立即获得该发现者的食物。跟随者的位置更新描述如下
其中，
表示第t+1次迭代时，当前发现者所占据的最优位置，
表示第t次迭代时，当前全局的最差位置；A表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且AT表示对矩阵A进行转置，(AAT)-1表示对括号内求逆矩阵。当
时，这表明适应度较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量。警戒者的位置更新描述如下：
其中，
表示第t次迭代时，当前的全局最优位置；β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；K∈[-1,1]是一个随机数，fi则是当前麻雀个体的适应度值；fg和fw分别是当前全局最佳和最差的适应度值。ε是常数，以避免分母出现零。为简单起见，当fi＞fg表示此时的麻雀正处于种群的边缘，极其容易受到捕食者的攻击。Xbest表示这个位置的麻雀是种群中最好的位置，也是十分安全的。当fi＝fg时，这表明处于种群中间的麻雀意识到了危险，需要靠近其它的麻雀以此尽量减少它们被捕食的风险。K表示麻雀移动的方向同时也是步长控制参数。
完成麻雀群体位置的更新并迭代寻优，求出最优适应度函数值，即训练集的最小均方误差，得到群体的全局最优位置，即BP神经网络的最优权值和阈值。图3展示了实施例中麻雀搜索算法优化BP神经网络的流程图，具体优化过程如下：
(1)初始化麻雀种群，构建BP神经网络。
(2)计算麻雀的适应度值，并确定个体极值和全局最优极值。
(3)运用步骤5.2中的式(6)～(8)，对麻雀的位置进行更新计算(包括更新发现者、跟随者、警戒者位置)，得到麻雀适应度更新值。
(4)根据新的适应度值重复更新麻雀的个体极值和全局极值。
(5)反复迭代后，当误差达到期望值或达到设定的最大迭代次数时，结束麻雀搜索算法，此时根据得到的最优结果设置新的神经网络权值与阈值。
步骤5.3：将得到的最优权值和阈值直接赋值给BP神经网络，即是麻雀搜索算法优化的bp神经网络SSA-BP，可构建融合我方领航员情绪和空中目标状态的潜在威胁度预测模型。麻雀搜索优化的BP神经网络威胁度预测的工作流程图如附图1所示，将目标状态信息和领航员情绪信息输入到SSA-BP中，搭建潜在威胁度预测模型，输出目标威胁度。
步骤6，将步骤2得到的第16s的目标未来状态数据和步骤3得到的领航员情绪信息输入到步骤5.3所得的潜在威胁度预测模型中，得到潜在的双方层面的空中目标的威胁度。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。在一些可能的实施例中，提供一种基于SSA-BP的空中目标潜在威胁度系统，包括以下模块，
第一模块，用于对目标进行信息收集，获取空中目标的实时特征数据；
第二模块，用于预测得到空中目标的未来状态数据；
第三模块，用于识别我方领航员当前时刻的情绪信息；
第四模块，用于构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集，进行量化及归一化处理后，得到标准的目标特征-情绪数据集；
第五模块，用于麻雀搜索算法优化BP神经网络结构，包括以下单元，
第一单元，用于将第四模块所得标准的目标特征-情绪数据集输入到BP神经网络中，BP神经网络的输入为目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离和我方领航员情绪一共7个特征，BP神经网络的输出为双方层面的目标的威胁度；
第二单元，用于采用麻雀搜索算法优化BP神经网络，得到SSA-BP网络；
第三单元，用于将目标状态信息和领航员情绪信息输入到SSA-BP网络中，搭建潜在威胁度预测模型，输出目标威胁度；
第六模块，用于将第二模块所得空中目标的未来状态数据和第三模块得到的领航员情绪信息输入到第五模块所得的潜在威胁度预测模型中，得到潜在的双方层面的空中目标的威胁度。
在一些可能的实施例中，提供一种基于SSA-BP的空中目标潜在威胁度系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于SSA-BP的空中目标潜在威胁度方法。
在一些可能的实施例中，提供一种基于SSA-BP的空中目标潜在威胁度系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于SSA-BP的空中目标潜在威胁度方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于SSA-BP的空中目标潜在威胁度预测方法，其特征在于：包括以下步骤，
步骤1，对目标进行信息收集，获取空中目标的实时特征数据；
步骤2，预测得到空中目标的未来状态数据；
步骤3，识别我方领航员当前时刻的情绪信息；
步骤4，构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集，进行量化及归一化处理后，得到标准的目标特征-情绪数据集；
步骤5，麻雀搜索算法优化BP神经网络结构，包括以下步骤，
步骤5.1，将步骤4所得标准的目标特征-情绪数据集输入到BP神经网络中，BP神经网络的输入为目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离和我方领航员情绪一共7个特征，BP神经网络的输出为双方层面的目标的威胁度；
步骤5.2，采用麻雀搜索算法优化BP神经网络，得到SSA-BP网络；
步骤5.3，将目标状态信息和领航员情绪信息输入到SSA-BP网络中，搭建潜在威胁度预测模型，输出目标威胁度；
步骤6，将步骤2所得空中目标的未来状态数据和步骤3得到的领航员情绪信息输入到步骤5.3所得的潜在威胁度预测模型中，得到潜在的双方层面的空中目标的威胁度。
2.根据权利要求1所述一种基于SSA-BP的空中目标潜在威胁度预测方法，其特征在于：所述空中目标的实时特征数据，包括目标类型、目标速度、目标航向角、目标干扰能力、目标高度和目标距离。
3.根据权利要求2所述一种基于SSA-BP的空中目标潜在威胁度预测方法，其特征在于：步骤2中，预测得到空中目标的未来状态数据的实现方式如下，
步骤2.1，将收集到的时间数据前14s数据作为历史参考数据，以第15s数据作为测试数据，时间窗为4s，输入到ConvLSTM神经网络中；
步骤2.2，得到目标的时空特征以及预测模型；
步骤2.3，把第12s、13s、14s、15s时刻目标特征数据输入到步骤2.2所得预测模型，得到第16s目标未来状态数据。
4.根据权利要求3所述一种基于SSA-BP的空中目标潜在威胁度预测方法，其特征在于：步骤3的实现方式如下，
步骤3.1，数据集选取，包括将图片情绪分为愤怒、悲伤、平静、开心、兴奋五大类，每大类设有相应训练集和测试集；
步骤3.2，对模型进行训练并用训练好的模型识别当前情绪，包括把步骤3.1获取的训练集输入到卷积神经网络中，采用VGG-19模型进行训练，将领航员的情绪看作对应的标签作为卷积神经网络的输出；根据训练好的卷积神经网络输出的编码判断出当前领航员处于什么情绪。
5.根据权利要求1或2或3或4所述一种基于SSA-BP的空中目标潜在威胁度预测方法，其特征在于：步骤4的实现方式如下，
步骤4.1，获取目标特征层面威胁度数据集；
步骤4.2，根据领航员的情绪状态对目标特征威胁度数据集的威胁度进行修改，得到双方层面融合后的目标特征-情绪威胁度数据集；
步骤4.3，对步骤4.2所得目标特征-情绪威胁度数据集的特征，进行量化及归一化处理，得到标准的目标特征-情绪数据集。
6.一种基于SSA-BP的空中目标潜在威胁度系统，其特征在于：用于实现如权利要求1-5任一项所述的一种基于SSA-BP的空中目标潜在威胁度方法。
7.根据权利要求6所述基于SSA-BP的空中目标潜在威胁度系统，其特征在于：包括以下模块，
第一模块，用于对目标进行信息收集，获取空中目标的实时特征数据；
第二模块，用于预测得到空中目标的未来状态数据；
第三模块，用于识别我方领航员当前时刻的情绪信息；
第四模块，用于构建融合领航员情绪和空中目标特征的双方层面的空中目标的威胁度数据集，进行量化及归一化处理后，得到标准的目标特征-情绪数据集；
第五模块，用于麻雀搜索算法优化BP神经网络结构，包括以下单元，
第一单元，用于将第四模块所得标准的目标特征-情绪数据集输入到BP神经网络中，BP神经网络的输入为目标类型、目标速度、目标航向角、目标干扰能力、目标高度、目标距离和我方领航员情绪一共7个特征，BP神经网络的输出为双方层面的目标的威胁度；
第二单元，用于采用麻雀搜索算法优化BP神经网络，得到SSA-BP网络；
第三单元，用于将目标状态信息和领航员情绪信息输入到SSA-BP网络中，搭建潜在威胁度预测模型，输出目标威胁度；
第六模块，用于将第二模块所得空中目标的未来状态数据和第三模块得到的领航员情绪信息输入到第五模块所得的潜在威胁度预测模型中，得到潜在的双方层面的空中目标的威胁度。
8.根据权利要求6所述基于SSA-BP的空中目标潜在威胁度系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于SSA-BP的空中目标潜在威胁度方法。
9.根据权利要求6所述基于SSA-BP的空中目标潜在威胁度系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-5任一项所述的一种基于SSA-BP的空中目标潜在威胁度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110185205.1A CN112801403A (zh) | 2021-02-10 | 2021-02-10 | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110185205.1A CN112801403A (zh) | 2021-02-10 | 2021-02-10 | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801403A true CN112801403A (zh) | 2021-05-14 |
Family
ID=75815083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110185205.1A Pending CN112801403A (zh) | 2021-02-10 | 2021-02-10 | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552899A (zh) * | 2021-07-09 | 2021-10-26 | 中国人民解放军国防科技大学 | 一种通信链路受限下的多无人机自主协同搜索方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908097A (zh) * | 2010-07-13 | 2010-12-08 | 北京航空航天大学 | 一种空战决策的粒子群优化方法 |
| CN102298728A (zh) * | 2011-08-17 | 2011-12-28 | 电子科技大学 | 一种目标威胁程度评估方法 |
| KR20120126511A (ko) * | 2011-05-12 | 2012-11-21 | 국방과학연구소 | 대공 표적에 대한 위협평가 시스템과 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| CN108171176A (zh) * | 2017-12-29 | 2018-06-15 | 中车工业研究院有限公司 | 一种基于深度学习的地铁司机情绪辨识方法及装置 |
| CN109829409A (zh) * | 2019-01-23 | 2019-05-31 | 深兰科技（上海）有限公司 | 驾驶员情绪状态检测方法及系统 |
| CN110472296A (zh) * | 2019-07-22 | 2019-11-19 | 中北大学 | 一种基于标准化全连接残差网络的空战目标威胁评估方法 |
| CN110516658A (zh) * | 2019-09-06 | 2019-11-29 | 山东理工大学 | 一种基于面部图像和车辆运行信息的驾驶员情绪的识别算法设计 |
| CN110525446A (zh) * | 2019-09-06 | 2019-12-03 | 山东理工大学 | 一种考虑情绪的汽车强制换道决策安全预警方法 |
| CN110969637A (zh) * | 2019-12-02 | 2020-04-07 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的多威胁目标重建及态势感知方法 |
| CN111310552A (zh) * | 2018-12-11 | 2020-06-19 | 通用电气航空系统有限公司 | 评估飞行员情绪状态的方法 |
| KR102174175B1 (ko) * | 2018-11-06 | 2020-11-06 | 숙명여자대학교산학협력단 | 감정을 식별하기 위한 얼굴 감정 인식 장치 및 그 방법 |
-
2021
- 2021-02-10 CN CN202110185205.1A patent/CN112801403A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908097A (zh) * | 2010-07-13 | 2010-12-08 | 北京航空航天大学 | 一种空战决策的粒子群优化方法 |
| KR20120126511A (ko) * | 2011-05-12 | 2012-11-21 | 국방과학연구소 | 대공 표적에 대한 위협평가 시스템과 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| CN102298728A (zh) * | 2011-08-17 | 2011-12-28 | 电子科技大学 | 一种目标威胁程度评估方法 |
| CN108171176A (zh) * | 2017-12-29 | 2018-06-15 | 中车工业研究院有限公司 | 一种基于深度学习的地铁司机情绪辨识方法及装置 |
| KR102174175B1 (ko) * | 2018-11-06 | 2020-11-06 | 숙명여자대학교산학협력단 | 감정을 식별하기 위한 얼굴 감정 인식 장치 및 그 방법 |
| CN111310552A (zh) * | 2018-12-11 | 2020-06-19 | 通用电气航空系统有限公司 | 评估飞行员情绪状态的方法 |
| CN109829409A (zh) * | 2019-01-23 | 2019-05-31 | 深兰科技（上海）有限公司 | 驾驶员情绪状态检测方法及系统 |
| CN110472296A (zh) * | 2019-07-22 | 2019-11-19 | 中北大学 | 一种基于标准化全连接残差网络的空战目标威胁评估方法 |
| CN110516658A (zh) * | 2019-09-06 | 2019-11-29 | 山东理工大学 | 一种基于面部图像和车辆运行信息的驾驶员情绪的识别算法设计 |
| CN110525446A (zh) * | 2019-09-06 | 2019-12-03 | 山东理工大学 | 一种考虑情绪的汽车强制换道决策安全预警方法 |
| CN110969637A (zh) * | 2019-12-02 | 2020-04-07 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的多威胁目标重建及态势感知方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552899A (zh) * | 2021-07-09 | 2021-10-26 | 中国人民解放军国防科技大学 | 一种通信链路受限下的多无人机自主协同搜索方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | A knee-guided differential evolution algorithm for unmanned aerial vehicle path planning in disaster management | |
| CN110197282B (zh) | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 | |
| Xu et al. | Multi-attribute decision making method for air target threat evaluation based on intuitionistic fuzzy sets | |
| CN110926477A (zh) | 一种无人机航路规划及避障方法 | |
| WO2014021961A2 (en) | Systems and methods for vehicle survivability planning | |
| Yandouzi et al. | Review on forest fires detection and prediction using deep learning and drones | |
| CN112749761A (zh) | 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统 | |
| CN113848987A (zh) | 无人机群协同目标搜索中的动态路径规划方法及系统 | |
| Sun et al. | Route evaluation for unmanned aerial vehicle based on type-2 fuzzy sets | |
| CN114818853B (zh) | 基于双向门控循环单元和条件随机场的意图识别方法 | |
| US10877634B1 (en) | Computer architecture for resource allocation for course of action activities | |
| CN112801403A (zh) | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 | |
| EP4233003A1 (en) | Centralized tracking system with distributed fixed sensors | |
| CN112926739A (zh) | 一种基于神经网络模型的网络对抗效能评估方法 | |
| Zhang et al. | Design of the fruit fly optimization algorithm based path planner for UAV in 3D environments | |
| Chen et al. | Cooperative threat assessment of multi-aircrafts based on synthetic fuzzy cognitive map | |
| Lima Filho et al. | Decision support system for unmanned combat air vehicle in beyond visual range air combat based on artificial neural networks | |
| Valaboju et al. | Drone Detection and Classification using Computer Vision | |
| CN116301042A (zh) | 一种基于vgg16和虚拟博弈的无人机群自主控制方法 | |
| CN113408137B (zh) | 一种基于任务完成度和损失比的体系作战效能分析方法 | |
| US20220107628A1 (en) | Systems and methods for distributed hierarchical control in multi-agent adversarial environments | |
| Minghua et al. | Rough Set Neural Network Evaluation Method for UAV Reconnaissance Effectiveness | |
| Wang et al. | Cooperatively pursuing a target unmanned aerial vehicle by multiple unmanned aerial vehicles based on multiagent reinforcement learning | |
| Frey et al. | Tactical situation modelling of MUM-T helicopter mission scenarios using influence maps | |
| Tran et al. | Adaptation of a mamdani fuzzy inference system using neuro-genetic approach for tactical air combat decision support system |
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 |