CN113157800B - 实时发现空中动态目标识别方法 - Google Patents

Abstract

本发明公开的一种实时发现空中动态目标识别方法，能够自动提取并学习更深层次的特征。本发明通过下述技术方案实现基于分层分级分类的目标活动规律、空中目标数据特征表达、行为规律发现和知识积累，构建空中目标行为特征构系统平台；针对已掌握行为意图的目标数据和目标行为规律分析，构建数据预处理模块、航迹挖掘模块，航迹要素统计模块组成的目标行为规律模型和目标识别分析模型；数据预处理模块对目标数进行筛选，清洗目标行为数据，航迹挖掘模块对每个分类的航迹分别计算经典航迹和航迹相似性，生成经典航迹数据；航迹要素统计模块借助目标的序列影像确定目标位置和运动轨迹，纵向对比目标活动，在频域上得到图像的显著性检测目标。

Description

实时发现空中动态目标识别方法

技术领域

本发明涉及情报处理与分析领域，具体涉及情报大数据挖掘分析、目标特征工程、以及动态目标预测方法。

背景技术

知识发现是通过综合运用统计学、模糊学习、机器学习和专家系统等多种学习手段，从大量的结构化数据、非结构化数据中提炼出抽象的、有价值的信息，从中发现潜在的规律。当前，空间环境中的空中目标分析主要建立在高价值、小数据分析基础上，数据掌握的不够充分，无法保障分析的全面性和准确性。对多元目标数据的挖掘分析，利用层次深度比较低，潜在的内涵规律挖掘不足等问题比较突出。面对众多的情报信息，目前虽然大部分处理系统已初步实现“全域一张图”，但仍处于“有态无势”的局面，且对当前状态缺乏解读，仅仅是当前时空的简单展示，数据决策支持能力严重不足。

随着现代环境的日益复杂和各种目标特征控制技术的进一步发展，目标的可观测性越来越低，多传感器目标识别技术面临更加严竣的困难。目前虽然已有许多目标识别决策级融合的方法，但在实际应用中，最棘手的问题莫过于如何获得可靠的隶属度、基本概率赋值等。可以讲，属性函数的获取问题是目标识别决策级融合应用的瓶颈问题。输入各种数据和知识类型要求实时操作，需要很大的知识库。目标检测形成观测报告，包括：观测、识别、量测时间、量测或决策数据，确定和不确定数据，数据的不确定性表现为不精确、不完整、模糊和报告冲突等。无论是对目标的原始观测，还是对目标观测量的特征提取，以及对目标的分类识别、决策等，都存在着研究对象在不同层次上不同形态和不同性质的信息，这些信息从其表征水平的层次上看，一般可以分为数据层，特征层和决策层。在不同层次，信息的特征不同。较多情况下，信息融合是在同一个层次上一进行的。决策级融合的信息损失大，性能相对较差。信息融合要处理的信息量多，实时性较差，处理代价高。发现和追踪空中目标实际上是许多传统学科和新技术的集成和应用，它包括通信、模式识别、决策论、信号处理、人工智能和神经网络等。但是用神经网络进行模式识别时，要求有足够丰富且正交完备的训练样本集，否则，系统性能就会变差，降低了系统的识别率。目前用于模式识别的神经网络模型有很多种，主要有前馈式网络、反馈式网络、混合式网络三大类。在众多的前馈神经网络结构中，目前应用最广泛、发展最成熟的一种网络结构是多层前馈神经网络结构。如果用于分类物体或事件的观测量的概率密度函数难以得到。由于在多变量数据情况下，计算的复杂性加大，一次只能评估两个假设事件：无法直接应用先验似然函数这个有用的先验知识。贝叶斯推理法根据假设的先验概率和观测概率来确定假设的后验概率，将目标判为后验概率最大的那一类目标。对先验知识较充分的融合问题，它能够达到很好的效果。但其缺点也很明显，主要包括：定义先验概率函数困难；当多个潜在假设和多种条件独立事件存在时的复杂性；竞争假设的多种排它性要求；不能解决一般的不确定性问题。

近年来，国内有部分论文提出了大数据时代的知识发现，但基于大数据的知识发现更多停留在理论层次，国内暂没有基于大数据的知识发现系统。基于大数据的知识发现系统构建海量数据的管理层，建立支持数据搜集、处理、标注、检索和管理的计算结构，应对数据发现任务中每秒产生成千上万的信息对象而带来的新需求，在现有网络的基础上建立内嵌信息管理的网络结构，支持实时和协同任务的数据需求，计算量非常大。国外有许多研究机构、公司和学术组织从事知识发现（KDD）工具的研制和开发，并且出现了许多数据挖掘和知识发现系统。如Quest是IBM研究中心开发的数据挖掘系统，它可以从大型数据库中发现关联规则、分类规则、序贯模式、时间序列模式等。由于数据通讯量大，抗干扰能力较差。一般来说，提取的特征信息应是像素信息的充分统计量，然后按特征信息对多传感器数据进行分类、汇集和综合。然而当视频背景中包含动态干扰、复杂云像等复杂情况时，检测诸如低慢小飞行目标十分困难。

空中目标跟踪是航空航天等各类探测系统的关键技术之一，由于目标识别既要求当目标发生平移、旋转时不至于识别失败，又要求不能发生误判，因而导致识别过程非常复杂，信息量和计算量都很大，进行人工处理后得到样本图库中的图像，含有大量背景噪声。该类目标在地面观测和跟踪过程中，观测距离较远，往往因缺少形状和纹理特征而呈现为小目标甚至点目标状态，造成检测和跟踪困难。由于空中目标行为特征是目标在应用时所呈现出来的行为状态，是一组时变的参数，但这种变化是目标在操作、使用规则的约束范围内作的调整，且这些调整和环境、对象、进程紧密相关。对空中目标机动类型的识别不仅存在动作组合与机动类型识别的对应问题，还存在动作提取、动作组合编码表示、动作之间的分割、机动类型之间的分割问题，远比地面目标机动类型识别困难。目标行为特征构建是针对已掌握行为意图的历史数据，进行分析并发现的时变参数要素。在对空空中目标防御态势分析中，往往是按照一定的规则进行部署和聚集，不同的飞行体其形状、大小干羞万别，不同态势中的目标实体有着不同的组织和空间结构，结构中不同的组成部分起着不同的作用。然而这种目标之间的相互关系，是不得而知的，因此，要深层分析空间目标态势，就要对空中目标进行识别分析，以目标群为单位对空中目标态势进行分析，对待测目标进行定向，提取具有几何不变的特征量。目前对目标群特征识别有两种研究思路：一种是基于模板技术的、本质上属于监督的学习方法。虽然以模板技术为基础的目标分群算法具有分群精度高、分群结果可理解性强的优点，但由于模板制定复杂，在缺乏空中目标信息和历史数据储备情况下，这种方法很难进行推广和使用。另一种研究思路是将目标分群视为一个聚类问题，即采用非监督的学习方法对态势数据进行处理，可以避免模板技术的缺陷。然而传统的聚类分群模型大多采用空间上的聚类算法来实现，这些方法原理简单，易于实现，但也存在错误分群率高等问题，即使筛选之后，剩余运动目标中除了实际的检测目标外还存在一些飘动的云产生的动态干扰，从而导致后续对高层计划识别问题的正确推断率下降。因此传统的识别跟踪算法需要手动提取特征,随着识别对象的改变通常需要重新设计特征,步骤较为繁琐。

发明内容

本发明的目的是针对大数据背景下空中目标识别与行为分析问题，提供一种预测目标准确率高，分辨能力强，能够自动提取并学习更深层次的特征,具有更强的适用性和智能性的实时发现空中动态目标识别方法。

本发明的上述目的可以通过以下技术方案予以实现：一种实时发现空中动态目标识别方法，其特征在于：首先根据原始航迹数据，基于分层分级分类的目标活动规律、空中目标数据特征表达、行为规律发现和知识积累，构建空中目标行为特征系统平台，以目标固有特征、活动航迹、活动阵位、活动区域和目标状态特征作为深度模型的输入，将任务作为标签，预测目标任务，进行深度模型训练；针对已掌握行为意图的目标数据和目标行为规律分析，构建数据预处理模块、航迹挖掘模块，航迹要素统计模块组成的目标行为规律模型和目标识别分析模型；数据预处理模块分析并发现时变参数要素，利用数据挖掘分析算法提取隐含在数据中的、事先未知的、而有潜在价值的目标信息，划定关注区域，对目标数进行筛选，清洗目标行为数据，根据关注区截取航迹数据，对航迹点的插值进行变换，将变换后的航迹点插值送入进行航迹挖掘模块进行航迹聚类，并对每个分类的航迹分别计算经典航迹和航迹相似性，找出相似的历史航线，对相似性航迹进行合并或去重整理，生成经典航迹数据，并送入航迹要素统计模块，在活动区域统计航迹要素的起止时间、周期、线路长度及时长、速度参数，对任务属性进行分析，分析并发现时变参数要素，然后，通过构建目标行为规律模型，基于历史行为规律进行目标识别分析和时空分析，借助目标的序列影像确定目标位置和运动轨迹，对历史数据目标时空活动、通联关系和活动轨迹行为规律进行挖掘，通过纵向对比目标活动，发现其目标活动空间、活动频次、活动时序上的规律及异常点，发现挖掘目标时序、搭载、协同、补给、阵位和航线的新知识，形成识别规则，在频域上得到图像的显著性检测目标。

目标行为特征构建包括：目标行为特征集构建和目标行为规律建模，在目标行为特征集构建中，空中目标行为知识学习与发现的系统平台以目标的物理特征、动态特征以及关系特征为基础，梳理目标的物理特征、动态特征及关系特征的KPI指标，基于接入的目标数据进行特征值计算，根据应用场合，将目标的特征集组合进行训练学习，构建出目标行为规律模型和目标识别分析模型。

由于采用了上述技术方案，本发明具有如下有益效果：

本发明针对空中目标动向情报结构化提取难题，基于分层分级分类的目标活动规律构建空中目标数据特征表达、行为规律发现、知识积累的空中目标行为知识学习与发现的系统平台，针对已掌握行为意图的目标数据和目标行为规律分析，构建数据预处理模块、航迹挖掘模块，航迹要素统计模块组成的目标行为规律模型和目标识别分析模型；基于历史数据和业务知识，针对目标动向（基础身份属性、位置信息等）要素22维提取，通过完善目标动向要素的精确提取和单个目标的动向报，实现了90%以上的要素提取准确率；对空话报，对国别、批号、类型、地址码/模式码、机（舷）号等基础身份属性抽取准确率接近100%；对其他动向报（含多个目标），实现了动向要素60%以上的提取准确率。

本发明基于分层分级分类的目标活动规律建模，通过历史时空数据进行目标时空活动、通联关系、活动轨迹等行为规律的规则挖掘，为目标识别、动向的预测和预警提供知识支撑。通过历史数据分析构建目标行为规律模型，实现了时序、搭载、协同、补给、阵位、航线六种规律挖掘，支撑目标识别、活动预测预警等业务应用。目标规律的识别准确性在80%左右，对常态化活动的目标识别效果较好。

本发明采用数据预处理模块分析并发现时变参数要素，利用数据挖掘分析算法提取隐含在数据中的、事先未知的、而有潜在价值的目标信息，划定关注区域，对目标数进行筛选，清洗目标行为数据，根据关注区截取航迹数据，对航迹点的插值进行变换，将变换后的航迹点插值送入进行航迹挖掘模块进行航迹聚类，并对每个分类的航迹分别计算经典航迹和航迹相似性，找出相似的历史航线，对相似性航迹进行合并或去重整理，生成经典航迹数据，形成了“知识利用+知识发现+知识更新”的闭环。通过利用历史数据和业务知识，对当前目标进行实时预测，对某类型目标进行纵向对比，时空分析，发现其活动频次、活动空间、活动时序上的规律及异常点，通过规律分析和异常发现挖掘新知识，形成识别规则；降低了目标或事件的不确定性；改善了探测性能。对目标的多种测量的有效融合，提高了探测的有效性和空间的分辨能力。

本发明针对已掌握行为意图的目标数据，利用数据挖掘分析算法，提取隐含在数据中的、事先未知的、而有潜在价值的目标信息，采用航迹要素统计模块在活动区域统计航迹要素的起止时间、周期、线路长度及时长、速度参数，对任务属性进行分析，分析并发现时变参数要素，然后，通过构建目标行为规律模型基于历史行为规律进行目标识别分析和时空分析，对历史数据目标时空活动、通联关系、活动轨迹等行为规律进行挖掘的，通过纵向对比目标活动，发现其目标活动空间、活动频次、活动时序上的规律及异常点，发现挖掘目标时序、搭载、协同、补给、阵位、航线的新知识，形成识别规则。对实际的飞行体图像加以验证，从而为空中飞行目标识别提供了统计学的基础。同时遵循多元统计理论，经过筛选数据集对识别规则进行验证，当识别准确率达到一定阈值时作为新知识进行保存，形成知识使用、发现、更新的良性循环。基于行为特征的目标识别等关键技术，目标行为规律分析、形成目标数据特征表达、行为规律发现、知识积累，提升对空中目标的识别能力，为构建完整的、全面的空中目标画像奠定技术基础，重点突破了深度学习框架下目标行为特征构建。

本发明从目标历史数据中发现目标活动的行为规律和模式，完成对空中目标的准确识别和目标行为特征分析，基于空中目标行为规律、数据样本的目标挖掘分析，行为特征的空中目标识别，将不同来源的信息以目标为中心，按照时域、空域、信息域进行关联，围绕目标、任务、区域将多源情报进行高效聚合，空中目标行为特征构建，充分利用深度学习、数据挖掘等大数据技术，通过数据驱动的方式，辅助空中目标的研判决策。保障了对目标信息的全面掌控。

附图说明

附图1是本发明实时发现空中动态目标识别的流程图；

附图2是本发明的目标行为知识学习与发现流程图。

为使本发明的目的、技术方案和优点更加清楚，结合附图2，对本发明作进一步地详细描述。

具体实施方式

参阅图1。根据本发明，首先根据原始航迹数据，基于分层分级分类的目标活动规律、空中目标数据特征表达、行为规律发现和知识积累，构建空中目标行为特征系统平台，以目标固有特征、活动航迹、活动阵位、活动区域和目标状态特征作为深度模型的输入，将任务作为标签，预测目标任务，进行深度模型训练；针对已掌握行为意图的目标数据和目标行为规律分析，构建数据预处理模块、航迹挖掘模块，航迹要素统计模块组成的目标行为规律模型和目标识别分析模型；数据预处理模块分析并发现时变参数要素，利用数据挖掘分析算法提取隐含在数据中的、事先未知的、而有潜在价值的目标信息，划定关注区域，对目标数进行筛选，清洗目标行为数据，根据关注区截取航迹数据，对航迹点的插值进行变换，将变换后的航迹点插值送入进行航迹挖掘模块进行航迹聚类，并对每个分类的航迹分别计算经典航迹和航迹相似性，找出相似的历史航线，对相似性航迹进行合并或去重整理，生成经典航迹数据，并送入航迹要素统计模块，在活动区域统计航迹要素的起止时间、周期、线路长度及时长、速度参数，对任务属性进行分析，分析并发现时变参数要素，然后，通过构建目标行为规律模型，基于历史行为规律进行目标识别分析和时空分析，借助目标的序列影像确定目标位置和运动轨迹，对历史数据目标时空活动、通联关系和活动轨迹行为规律进行挖掘，通过纵向对比目标活动，发现其目标活动空间、活动频次、活动时序上的规律及异常点，发现挖掘目标时序、搭载、协同、补给、阵位和航线的新知识，形成识别规则，在频域上得到图像的显著性检测目标。

目标行为特征构建包括：目标行为特征集构建和目标行为规律建模，在目标行为特征集构建中，空中目标行为知识学习与发现的系统平台以目标的物理特征、动态特征以及关系特征为基础，梳理目标的物理特征、动态特征及关系特征的KPI指标，基于接入的目标数据进行特征值计算，根据应用场合，将目标的特征集组合进行训练学习，构建出目标行为规律模型和目标识别分析模型。

目标行为特征构建

目标行为特征构建包括：目标行为特征集构建和目标行为规律建模，是目标数据挖掘的基础。在目标行为特征集构建中，空中目标行为知识学习与发现的系统平台以目标的物理特征、动态特征以及关系特征为基础，梳理目标的物理特征、动态特征及关系特征的KPI指标，基于接入的目标数据进行特征值计算，根据应用场合，将目标的特征集组合进行训练学习，构建出目标行为规律模型和目标识别分析模型。

空中目标行为知识学习与发现的系统平台通过对关注重点区域、重点目标的历年行为规律数据的掌握和了解，分析其数据描述方式、关注重点、活动特征等信息，总结出典型目标行为规律模型要素，包括目标名称、活动航线、活动区域、活动阵位、活动任务、持续时间、补给特征和协同特征等。

目标行为规律模型包括，单目标行为规律模型和群目标活动模型，单目标行为规律模型偏重于目标个体日常在特定区域内执行特定任务时的各类常见行为特征；群目标行为规律模型关注目标群作为整体时具备的行为特征，不考虑目标群中具体个体成员的行为特征。

目标活动的规律特征和其所执行的任务和活动的具体区域有关，因此可以通过任务和区域的约束，能够使得目标的行为规律描述更加清晰；对于单目标来说，目前关注的规律类型主要包括阵位规律、航线规律、时间规律。

目标行为规律模型包括约束、知识和要素三层，其中，约束层约束目标行为规律的范围，包括目标执行的具体任务和目标活动的具体区域；知识层定义行为规律的具体类型；要素层描述每类规律的具体要素属性，通过数值范围内容描述做到枚举化，对于数值通过标准统一的刻度来规范。

目标行为规律分析

目标行为规律分析主要包括目标阵位规律、航线规律、时间规律等，目标行为规律模型基于历史时空数据进行目标活动时间、活动轨迹等规律的规则挖掘，为目标识别、预测预警提供知识支撑。

目标时间规律挖掘

目标识别分析模型针对空中目标机型，通过数据分布和时空聚类数学算法，分析目标日常在特定区域内执行特定任务时的目标时间特征规律挖掘，目标时间特征规律挖掘主要包括周期规律、目标航迹规律挖掘和目标阵位规律挖掘；根据周期规律，先将样本按照时间顺序排列，设置时间距离，时间尺度（如：季度、月、旬、周、日、时），计算前后两个样本之间的时间差得到一个新的属性：通过分析时间距离的均值和方差，得到满足某一目标属性的时间周期规律，并根据不同属性的不同取值，考察属性变化与时间周期规律的关系及概率。

目标航迹规律挖掘

目标识别分析模型采用航迹聚类、航迹要素统计方法，从大量的历史数据中计算目标日常在特定区域内执行特定任务时的航迹，通过人工交互研判目标航迹规律挖掘后，生成目标的经典航线规律，为目标的识别预测提供参考。

在目标航迹规律挖掘中，首先在大量的历史时空数据中，总结具有航迹模式的目标的活动轨迹，包括一条或多条较为固定的航迹线路，然后在形成经典航迹之后，进行航迹相关属性分析，包括：航线的区域、时间、周期、时长、速度、高度，以及相应任务等属性。

目标阵位规律挖掘

在目标阵位规律挖掘中，首先在大量的历史数据中，针对不同任务类型总结具有运动模式的目标活动区域，包括一个或多个较为固定的位置或区域；然后，在形成区域之后，进行区域相关属性分析，包括：区域的位置、大小、时间、周期、时长，以及相应任务等属性，采用航迹聚类、航迹要素统计方法，从大量的历史数据中计算目标日常在特定区域内执行特定任务时的阵位，通过人工交互研判后，生成目标的经典阵位规律，为目标的识别预测提供参考。

基于行为特征的目标识别

目标识别分析模型基于行为特征的目标识别主要通过要素匹配和航迹相似性计算，基于历史行为规律的目标识别。基于历史行为规律的目标识别，主要解决在地理位置栅格化之后，如何找出相似的历史航线的问题，主要通过轨迹相似性来评估实时航迹与历史航线的相似性。本发明将轨迹看作序列，相似轨迹问题转化为最长公共子序列问题，将轨迹点之间的比较转化为轨迹点与线段的比较，将相似轨迹比较转化为最长公共子序列匹配问题。目标识别分析模型基于最长公共子序列算法来处理非同步相似轨迹问题，算法步骤如下：粗选过滤判断两航迹是否有公共矩形范围，若无则终止，若有则继续下一步；生成相似矩阵，若两航迹串长度分别为m,n，初始化相似矩阵M[m,n]所有元素为0，若当前航迹的点i在另外一条航迹段j上，则对应的相似矩阵元素M[i,j]=1，然后计算航迹的相似度，根据阈值参数判断两航迹是否相似，基于历史行为规律进行目标识别预测分析，得到相似度=rank(M)/min(m,n)，任意选取几个未知机型空中目标，根据活动时间规律、活动航迹规律和活动阵位规律，执行任务的活动航迹与原始航迹，提取航迹栅格特征，利用计算的时间规律、航迹规律、阵位规律分析结果，通过要素匹配进行目标识别预测，计算航迹相似性，获得识别分析准确性评估结果。

目标行为数据清洗。数据预处理模块针对具有时空属性的位置数据，依据时空距离及业务知识规则或阈值，进行数据去重、野值剔除处理和目标行为数据清洗，利用注册机型号、目标数据记录标识，进行目标别名归一化处理；针对半结构化的动向报文抽取，按预定的数据格式进行要素抽取，抽取之后进行信息关联，实现对目标及其相关要素的内容填充。在数据去重中，数据预处理模块依据动态目标的位置和时间差计算距离，判断距离是否小于距离阈值，进行航迹点数据剔除处理和时空结构化数据预处理；在野值剔除中，按照位置时间排序，计算排序后两点之间的距离，通过匀速运动物理学公式计算得到速度值，若速度值大于阈值则作为异常点进行丢弃；然后：利用业务经验或专家知识，通过注册机舷号、机型号、别名目标分类编码进行组合形成业务规则，作为空中目标别名归一化处理的依据。

目标行为规律分析。航迹挖掘模块为目标识别、动向的预测和预警提供目标行为规律分析，基于历史时空数据进行目标时空活动、通联关系、活动轨迹等行为规律的规则挖掘，对半结构化的目标动向报文，按预定义的数据格式进行要素格式化抽取，抽取半结构化报文后进行要素关联，完成对目标及其相关要素的内容填充，通过构建目标行为规律模型。

航迹要素统计模块针对结构化抽取与关联过程，根据描述了目标日常任务活动中涉及的时间、时段、区域、路线等具备动向特征的一系列目标动向要素，进行目标动向要素建模；通过抽取目标动向报文的格式化信息和动向要素，对要素项进行合并去重整理，实现目标属性要素和部分时空信息的填写。

航迹要素统计模块关联目标与区域信息，计算目标区域关联目标所属区域，通过目标进出区域时间计算，获得目标的活动区域的进出时间信息，根据目标动向数据与目标时空数据关联获得目标的时空信息。目标要素关联，包括目标文字与时空关联和目标与区域信息关联。目标文字与时空关联。

基于行为特征的目标识别。航迹要素统计模块针对目标行为可进行业务规则描述的情况，基于历史行为规律进行目标识别分析，通过要素匹配和航迹相似性计算，发现目标其活动频次、活动空间、活动时序上的规律及异常点，发现挖掘新知识，形成识别规则。、航迹挖掘模块，航迹要素统计模块。

参阅图2。在行为知识学习中，目标数据源将结构化、半结构化数据和基础知识信息输入数据预处理模块进行数据清洗，基于结构化、半结构化的目标时空数据，首先，针对结构化的时空数据，依据时空距离及业务知识规则或阈值，进行数据去重、野值剔除处理，利用业务规则进行空中目标别名归一化处理；在数据去重、野值剔除、别名归一化好结构化处理后，将结果反馈目标数据源；然后针对半结构化的动向报文，按预定的数据格式进行要素抽取，抽取之后进行目标要素信息关联，实现对目标及其相关要素的内容填充；其次，针对已掌握行为意图的历史数据，分析并发现时变参数要素，进行目标行为特征构建；然后，通过构建目标行为规律模型，基于历史数据进行目标时空活动、通联关系、活动轨迹对目标行为规律进行分析，行为规律的规则进行目标时间规律挖掘、目标航迹规律挖掘、目标阵位规律挖掘，为目标识别、动向预测预警提供基于历史行为规律识别模型，历史行为规律识别模型根据目标识别分析模型基于历史行为规律进行目标识别分析后，计算目标要素匹配和航迹相似性，通过时空分析，目标类型识别与知识发现、目标属性识别与知识发现、目标状态识别与知识发现和活动任务与知识发现，求取傅里叶逆变换回到时域得到的显著性区域，将知识应用与发现应用效果反馈到历史行为规律识别模型，对其发现活动频次、活动空间进行纵向对比、纵向对比目标活动时序上的规律及异常点，发现挖掘新知识，形成识别规则。

以上所述仅是实现高密度通用信号处理装置的优选实施方案，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种实时发现空中动态目标识别方法，其特征在于：首先根据原始航迹数据，基于分层分级分类的目标活动规律、空中目标数据特征表达、行为规律发现和知识积累，构建空中目标行为特征系统平台，以目标固有特征、活动航迹、活动阵位、活动区域和目标状态特征作为深度模型的输入，将任务作为标签，预测目标任务，进行深度模型训练；针对已掌握行为意图的目标数据和目标行为规律分析，构建数据预处理模块、航迹挖掘模块，航迹要素统计模块组成的目标行为规律模型和目标识别分析模型；数据预处理模块分析并发现时变参数要素，利用数据挖掘分析算法提取隐含在数据中的、事先未知的、而有潜在价值的目标信息，划定关注区域，对目标数进行筛选，清洗目标行为数据，根据关注区截取航迹数据，对航迹点的插值进行变换，将变换后的航迹点插值送入进行航迹挖掘模块进行航迹聚类，并对每个分类的航迹分别计算经典航迹和航迹相似性，找出相似的历史航线，对相似性航迹进行合并或去重整理，生成经典航迹数据，并送入航迹要素统计模块，在活动区域统计航迹要素的起止时间、周期、线路长度及时长、速度参数，对任务属性进行分析，分析并发现时变参数要素，然后，通过构建目标行为规律模型，基于历史行为规律进行目标识别分析和时空分析，借助目标的序列影像确定目标位置和运动轨迹，对历史数据目标时空活动、通联关系和活动轨迹行为规律进行挖掘，通过纵向对比目标活动，发现其目标活动空间、活动频次、活动时序上的规律及异常点，发现挖掘目标时序、搭载、协同、补给、阵位和航线的新知识，形成识别规则，在频域上得到图像的显著性检测目标；

目标行为特征构建包括：目标行为特征集构建和目标行为规律建模，在目标行为特征集构建中，空中目标行为知识学习与发现的系统平台以目标的物理特征、动态特征以及关系特征为基础，梳理目标的物理特征、动态特征及关系特征的KPI指标，基于接入的目标数据进行特征值计算，根据应用场合，将目标的特征集组合进行训练学习，构建出目标行为规律模型和目标识别分析模型；

空中目标行为特征系统平台通过对关注重点区域、重点目标的历年行为规律数据的掌握和了解，分析其数据描述方式、关注重点、活动特征信息，总结出典型目标行为规律模型要素：目标名称、活动航线、活动区域、活动阵位、活动任务、持续时间、补给特征和协同特征，构建目标行为规律模型；

目标行为规律模型包括约束、知识和要素三层，其中，约束层约束目标行为规律的范围，包括目标执行的具体任务和目标活动的具体区域；知识层定义行为规律的具体类型；要素层描述每类规律的具体要素属性，通过数值范围内容描述做到枚举化，对于数值通过标准统一的刻度来规范；

在目标行为规律分析中，航迹挖掘模块为目标识别、动向的预测和预警提供目标行为规律分析，基于历史时空数据进行目标时空活动、通联关系、活动轨迹行为规律的规则挖掘，对半结构化的目标动向报文，按预定义的数据格式进行要素格式化抽取，抽取半结构化报文后进行要素关联，完成对目标及其相关要素的内容填充，构建目标行为规律模型；据描述了目标日常任务活动中涉及的时间、时段、区域和路线具备动向特征的一系列目标动向要素，进行目标动向要素建模；通过抽取目标动向报文的格式化信息和动向要素，对要素项进行合并去重整理，实现目标属性要素和部分时空信息的填写。

2.如权利要求1所述的实时发现空中动态目标识别方法，其特征在于：目标识别分析模型针对空中目标机型，通过数据分布和时空聚类数学算法，分析目标日常在特定区域内执行特定任务时的目标时间特征规律挖掘，目标时间特征规律挖掘主要包括周期规律、目标航迹规律挖掘和目标阵位规律挖掘；根据周期规律，先将样本按照时间顺序排列，设置时间距离，时间尺度，计算前后两个样本之间的时间差得到一个新的属性：通过分析时间距离的均值和方差，得到满足某一目标属性的时间周期规律，并根据不同属性的不同取值，考察属性变化与时间周期规律的关系及概率；采用航迹聚类、航迹要素统计方法，从大量的历史数据中计算目标日常在特定区域内执行特定任务时的航迹，通过人工交互研判目标航迹规律挖掘后，生成目标的经典航线规律，为目标的识别预测提供参考。

3.如权利要求2所述的实时发现空中动态目标识别方法，其特征在于：在目标航迹规律挖掘中，首先在大量的历史时空数据中，总结具有航迹模式的目标的活动轨迹，包括一条或多条固定的航迹线路，然后在形成经典航迹之后，进行航线区域、时间、周期、时长、速度、高度，以及相应任务属性航迹相关属性分析；针对不同任务类型总结具有运动模式的目标活动区域，包括一个或多个固定的位置或区域；然后，在形成区域之后，进行区域相关属性分析，包括：区域的位置、大小、时间、周期、时长，以及相应任务属性，采用航迹聚类、航迹要素统计方法，从大量的历史数据中计算目标日常在特定区域内执行特定任务时的阵位，通过人工交互研判后，生成目标的经典阵位规律，为目标的识别预测提供参考。

4.如权利要求1所述的实时发现空中动态目标识别方法，其特征在于：目标识别分析模型基于行为特征的目标识别通过要素匹配和航迹相似性计算、历史行为规律的目标识别和历史行为规律的目标识别解决在地理位置栅格化之后，找出相似的历史航线的问题，通过轨迹相似性来评估实时航迹与历史航线的相似性。

5.如权利要求4所述的实时发现空中动态目标识别方法，其特征在于：目标识别分析模型将轨迹看作序列相似轨迹问题转化为最长公共子序列问题，轨迹点之间的比较转化为轨迹点与线段的比较，相似轨迹比较转化为最长公共子序列匹配问题，基于最长公共子序列算法来处理非同步相似轨迹，最长公共子序列算法根据粗选过滤判断两航迹是否有公共矩形范围，若无则终止，若有则继续下一步；生成相似矩阵，若两航迹串长度分别为m,n，初始化相似矩阵M[m,n]所有元素为0，若当前航迹的点i在另外一条航迹段j上，则对应的相似矩阵元素M[i,j]=1，然后计算航迹的相似度，根据阈值参数判断两航迹是否相似，基于历史行为规律进行目标识别预测分析，得到相似度=rank(M)/min(m,n)；任意选取几个未知机型空中目标，根据活动时间规律、活动航迹规律和活动阵位规律，执行任务的活动航迹与原始航迹，提取航迹栅格特征，利用计算的时间规律、航迹规律、阵位规律分析结果，通过要素匹配进行目标识别预测，计算航迹相似性，获得识别分析准确性评估结果。

6.如权利要求1所述的实时发现空中动态目标识别方法，其特征在于：在目标行为数据清洗中，数据预处理模块针对具有时空属性的位置数据，依据时空距离及业务知识规则或阈值，进行数据去重、野值剔除处理和目标行为数据清洗，利用注册机型号、目标数据记录标识，进行目标别名归一化处理；针对半结构化的动向报文抽取，按预定的数据格式进行要素抽取，抽取之后进行信息关联，实现对目标及其相关要素的内容填充；在数据去重中，数据预处理模块依据动态目标的位置和时间差计算距离，判断距离是否小于距离阈值，进行航迹点数据剔除处理和时空结构化数据预处理；在野值剔除中，按照位置时间排序，计算排序后两点之间的距离，通过匀速运动物理学公式计算得到速度值，若速度值大于阈值则作为异常点进行丢弃；然后：利用业务经验或专家知识，通过注册机舷号、机型号、别名目标分类编码进行组合形成业务规则，作为空中目标别名归一化处理的依据。

Images