CN114359604B

CN114359604B - 一种基于多飞行器轨迹数据的队形识别模型构建方法

Info

Publication number: CN114359604B
Application number: CN202111486478.6A
Authority: CN
Inventors: 张可; 任泓锦; 刘施彤; 黄乐天
Original assignee: University of Electronic Science and Technology of China; Yangtze River Delta Research Institute of UESTC Huzhou
Current assignee: University of Electronic Science and Technology of China; Yangtze River Delta Research Institute of UESTC Huzhou
Priority date: 2021-12-07
Filing date: 2021-12-07
Publication date: 2023-04-07
Anticipated expiration: 2041-12-07
Also published as: CN114359604A

Abstract

本发明公开了一种基于多飞行器轨迹数据的队形识别模型构建方法，属于飞行器队形识别技术领域。本发明首先周期性采集飞行器集群中的各飞行器的飞行轨迹数据并进行数据清洗和变换处理，再提取飞行器集群的初始特征数据，并基于此生成队形特征训练数据后，基于预置的队形识别类型，进行Lightgbm模型训练得到队形识别模型。从而进一步基于得到的队形识别模型实现飞行器的队形识别处理：按照训练时相同的方式提取飞行器集群的初始特征数据并生成每一个飞行器集群的待识别特征数据，再输入队形识别模型，基于其输出得到当前飞行器集群的队形识别结果。本发明解决了传统飞行器队形识别依赖于专家知识、特征提取以及准确率的技术问题，提升队形识别准确率。

Description

一种基于多飞行器轨迹数据的队形识别模型构建方法

技术领域

本发明属于飞行器队形识别技术领域，具体涉及一种基于多飞行器轨迹数据的队形识别模型构建方法。

背景技术

飞行器队形识别技术作为分析飞行器集群，飞行状态、态势、飞行趋势的一种特定方法，被航天从业者进行广泛使用，飞行器编队虽然种类很多，但是其基本队形离不开几种基本形式，而且大部分具有相似性，基本在直线、圆及其组合的范围内。当前主要实现方法是通过Hough变换结合K-means聚类技术对飞行器集群的数据特征进行部分提取，结合专家知识预先生成的模板库进行相应的队形匹配，从而达到识别队形的目的。但此类依赖专家知识驱动的识别方法存在过分依赖于专家知识的构建，难以涵盖所有情况的缺陷。

Hough变换是模式识别领域用于检测直线、圆﹑椭圆等形状的有效方法。K-Means则是聚类分析中基于划分方法的一种经典聚类算法,它可以得到对应初始聚类中心向量的最优分类。采用Hough变换和K-Means算法来识别飞机编队队形,有着方法简单、结果准确、耗时较少的优点。但由于传统Hough变化检测直线技术极度依赖对于检测阈值的设定，K-Means聚类也需对聚类个数设置等缺陷也较大的影响了对飞行器集群队形特征的提取准确率。

在本发明的技术方案的实现过程中，发明人发现：Lightgbm算法作为一种基于决策树模型结合Boosting集成学习的先进监督算法具备支持分布式运行，运算速度快、识别准确率高等特点。其在各类领域如环境检测、金融风险评估、温度预测、健康检测等领域有广泛的应用。但是，当前针对飞行器集群队形识别的数据以及场景的特殊性，Lightgbm算法无法直接对集群的原始特征数据分类处理。

发明内容

本发明提供了一种基于多飞行器轨迹数据的队形识别模型构建方法，可用于提升队形识别的准确率。

本发明采用的技术方案如下：

一种基于多飞行器轨迹数据的队形识别模型构建方法，该方法包括下列步骤：

步骤S1：周期采集飞行器集群中的各飞行器的飞行轨迹数据，所述飞行轨迹数据包括：飞行器的地理位置和飞行方向；

步骤S2：对飞行轨迹数据进行数据清洗和变换处理：

将飞行器集群的各飞行器的飞行方向的均值作为该飞行器集群的队列角；

对飞行器的地理位置进行归一化处理；

基于飞行器集群的各飞行器的归一化后的地理位置、飞行器集群的队列角构建飞行器集群的轨迹数据信息；

步骤S3：基于飞行器集群的轨迹数据信息提取飞行器集群的初始特征数据：

步骤S301：设置飞行器集群最大队列线提取数num_therthod，极坐标的离散参数和最大聚类数clusternum_therthod，其中，离散参数包括极坐标的模的离散间隔和极坐标的纵坐标的离散间隔；

步骤S302：根据极坐标的离散参数，在区间[O,T)中均匀取指定数量的点，并将每个点所对应的极角记为θ_k，其中，O表示极点，T表示预置的取样范围，k＝1,2，…，M，参数M表示区间[O,T)中的离散点；

根据极角θ_k和第i个飞行器的地理位置(x_i,y_i)，得到第i条正弦曲线上的取样点(θ_k,ρ_ik)其中，ρ_ik＝x_icosθ_k+y_isinθ_k；

步骤S303：取正弦曲线之间的交点：根据公式|ρ_ik-ρ_jk|计算任意两条正弦曲线i和j与所有θ_k在ρ方向上的距离，并将最小距离所对应的极角记为

基于极角

确定第i和第j条正弦曲线的交点的极坐标

步骤S304：对所有正弦曲线交点进行聚类处理：根据设定的最大聚类数阈值clusternum_therthod，依次以聚类质心数1至clusternum_therthod分别进行聚类，计算每个聚类质心数下的各聚类结果的标准误差，并记录每个聚类质心数下的聚类质心数据；

步骤S305：对不同聚类质心数的标准误差进行归一化处理后，以聚类质心数为横坐标，归一化后的标准误差值为纵坐标，绘制标准误差曲线，计算标准误差曲线倾角最小的聚类质心数并作为队列线数量，并将该聚类质心数下的聚类质心数据作为飞行器集群的初始特征数据；

步骤S4：生成飞行器的队形特征训练数据：

根据设置的最大队列线提取数num_therthod，生成维度为(length，2×num_therthod+3)的二维数组，其中，length表示训练数据数据量，即训练时的飞行器集群数量；

对飞行器集群的初始特征数据，按照极角值进行升序排序，依次存放至该二维数组的行中，并在倒数第三列填入队列线数量，倒数第二列填入飞行器集群的队列角，倒数第一列填入飞行器集群的队形类别标签；

步骤S5：基于预置的队形识别类型，采用Lightgbm算法对飞行器的队形特征训练数据进行Lightgbm模型训练，将训练好的Lightgbm模型作为队形识别模型。

进一步的，本发明还包括基于步骤S5得到的队形识别模型的多飞行器识别步骤：

周期采集的飞行器集群中的各飞行器的飞行轨迹数据，并按照步骤S2进行数据清洗和变换处理，再按照步骤S3提取提取飞行器集群的初始特征数据；

根据设置的最大队列线提取数num_therthod，生成维度为(L，2×num_therthod+2)的二维数组，用于记录多个飞行器集群的待识别特征数据，每一行对应一个飞行器集群，L表示待识别的飞行器集群数量；

生成每一个飞行器集群的待识别特征数据：按照极角值进行升序排序将每个飞行器集群的初始特征数据依次存放至维度为(L，2×num_therthod+2)的二维数组行中，并在二维数组的倒数第二列填入队列线数量，倒数第一列填入飞行器集群的的队列角；

将每一个飞行器集群的待识别特征数据输入步骤S5得到的队形识别模型，基于其输出得到当前飞行器集群的队形识别结果。

本发明提供的技术方案至少带来如下有益效果：本发明针对性的设置自适应的数据特征提取流程，结合Lightgbm算法构建高效的识别模型、能够快速、高准确的对多飞行器的不同队形的进行分类，解决了传统飞行器队形识别依赖于专家知识、特征提取以及准确率的技术问题，提升队形识别准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种基于多飞行器轨迹数据的队形识别模型构建方法处理流程图；

图2是本发明实施例中识别的队形类别示意图；

图3是基于本发明实施例的队形识别模型构建方法得到的队形识别模型的识别处理过程示意图；

图4是本发明实施例中基于Lightgbm模型的识别示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

Lightgbm算法作为一种基于gbdt(梯度下降树)的集成学习算法，其主要思想是通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，在训练的过程中通过降低偏差来不断提高最终分类器的精度，此外对于弱分类器的要求一般是足够简单，并且是低方差和高偏差的。

Lightgbm摒弃了现在大部分gbdt使用的按层生长(level-wise)的决策树生长策略，使用带有深度限制的按叶子生长(leaf-wise)的策略。level-wise过一次数据可以同时分裂同一层的叶子，容易进行多线程优化，也好控制模型复杂度，不容易过拟合。但实际上level-wise是一种低效的算法，因为它不加区分的对待同一层的叶子，带来了很多没必要的开销，因为实际上很多叶子的分裂增益较低，没必要进行搜索和分裂。Leaf-wise则是一种更为高效的策略，每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环。因此同Level-wise相比，在分裂次数相同的情况下，Leaf-wise可以降低更多的误差，得到更好的精度。Leaf-wise的缺点是可能会长出比较深的决策树，产生过拟合。因此Lightgbm在Leaf-wise之上增加了一个最大深度的限制，在保证高效率的同时防止过拟合。

本发明实施例提供了一种基于多飞行器轨迹数据的队形识别模型构建方法。该方法解决了传统飞行器队形识别依赖于专家知识、特征提取以及准确率的问题。主要应用在民用航天器，特别是无人机集群编队识别分类，以及空中飞行器集群态势分析评估中。

因此，本发明实施例根据多飞行器轨迹数据的队形识别的实际场景应用，针对性的设置自适应的数据特征提取流程，结合Lightgbm算法构建高效的识别模型、能够快速、高准确的对多飞行器的不同队形的进行分类，能极大助于有关从业人员分析、观察多飞行器的飞行态势，帮助提高决策效率，节省人力成本，具有重要的现实、经济意义。

参见图1，本发明实施例提供的一种基于多飞行器轨迹数据的队形识别模型构建方法的实现步骤包括：

步骤1：周期性采集(通过飞信器探测装置采集)飞行器集群中各飞信器的飞行轨迹数据，并对采集的原始数据清洗和变换操作：

本发明实施例中，周期性检测到的飞行器集群原始数据包括：单个飞行器的坐标(经度(lng)和维度(lat))，以及飞行器飞行方向θ_aerobati，其中i表示飞行器编号，本发明实施例中，i＝1,2，…，n，其中，n表示飞行器集群的数量。其具体的数据格式如下表所示。

步骤101：对周期性检测到的飞行器集群原始数据，进行数据清洗，删除各飞行器的飞行方向θ_aerobati的维度，计算各飞行器飞行方向θ_aerobati的均值并作为飞行器集群的方向θ_rank(即队列角)并作为新的数据项纪录；

步骤1.2：将飞行器集群，各飞行器经纬度值进行归一化处理，归一化的范围为(0,100)。

即经过数据清洗和变换操作后的数据存储格式项包括：飞行器集群的单个飞行器的坐标(归一化后的值)，以及集群方向，如下表所示：

步骤2：进行飞行器集群的特征提取操作：

步骤2.1：设置特征提取参数：

设置飞行器集群最大队列线提取数为num_therthod；

设置Hough检测的离散化参数ρ_therthod，θ_therthod，其中，ρ_threrthod表示极坐标的模的离散间隔，θ_therthod表示极坐标的纵坐标的离散间隔；

设置自适应K-Means聚类的最大聚类数阈值clusternum_therthod；

步骤2.2：根据设定的离散化参数，在区间[O,T)中均匀取M个点，并将任意一个点的极角记为θ_k(k＝1,2，…，M，)，其中，O表示极点，T表示预设离散化后的取样范围(本实施例中，基于圆周率π进行一定的缩放得到，例如配置为10π)，由极角θ_k和飞行器的坐标(x_i,y_i),可得到在θ_k处飞行器所对应的正弦曲线上的取样点(θ_k,ρ_ik)﹐其中ρ_ik表示第i个飞行器在当前的θ坐标(θ_k)下的ρ坐标，且ρ_ik＝x_icosθ_k+y_isinθ_k，1≤i≤n，0＜k≤M；即坐标θ和ρ构成极坐标，其中，n代表一条数据中即飞机集群的飞机数。

步骤2.3：取正弦曲线之间的交点：

设第i和第j条两条正弦曲线与所有的θ_k处在ρ方向上(ρ坐标所对应的方向)的最小距离为D_ij(k^*)＝min_0＜k≤M|ρ_ik-ρ_jk|，取相对应的

为两曲线交点的θ坐标，其ρ坐标的值为：

即在θ和ρ的极坐标中，基于最小距离确定正弦曲线之间的交点坐标。

步骤2.4：对步骤2.3得到的交点进行聚类处理：

根据设定的最大聚类数阈值clusternum_therthod，依次以聚类质心数1,2,……,clusternum_therthod分别进行聚类，并计算每个聚类质心数下的各聚类结果的SSE值(标准误差)，存储对应的聚类质心数据；

对不同聚类的数目(不同聚类质心数)的SSE值进行归一化处理，归一化的范围为(0,10)；

以聚类数目为横坐标，SSE值为纵坐标，绘制SSE曲线，计算SSE曲线倾角最小的聚类数目，并作为最佳聚类数目K^opt(队列线数量)，返回对应的聚类质心数据(飞行器集群特征数据)；

本步骤中，优选的聚类方式可以是K-Means++。

步骤3：生成飞行器的队形特征训练数据；

根据设置的num_threrthod阈值，生成对应大小的(length(特征训练数据数量),2×num_therthod+3)的二维数组。即length表示该二维数组的行数，2×num_therthod+3表示该二维数组的列数。

再基于配置的队形标签(队形类别)，将飞行器集群提取的特征数据(ρ,θ)根据θ值进行升序排列，依次存放至二维数组的行中，在倒数第三列填入检测的队列线数量，倒数第二列填入飞行器集群的方向，倒数第一列填入飞行器集群的标签；即所构建的二维数组即为提取的各训练样本的特征数据；

作为一种可能的实现方式，本发明实施例中，所配置的队形标签的队形类别包括：梯形队形、契形队形、纵队队形、横行队形、菱形队形和蛇形队形，如图2所示。

作为一种可能的存储格式，本发明实施例中，所提取的飞行器集群队形特征训练数据的存储格式如下表所示：

步骤4：采用Lightgbm算法对特征数据进行Lightgbm模型训练，从而基于训练好的Lightgbm模型得到队形识别模型；

步骤4.1：设置Lightgbm算法训练参数；

作为一种可能的实现方式，本发明实施例中，所设置的训练参数如下表所示：

步骤4.2：迭代训练，调整Lightgbm算法训练参数；

步骤4.3：当满足预置的训练结束条件时，将当前得到的Lightgbm模型作为队形识别模型。

参见图3和图4，基于本发明所构建的队形识别模型对多飞行器的队形识别处理过程包括：

(1)周期性采集飞行器集群中各飞行器的特征信息，即飞行轨迹数据，与队形识别模型构建时的采集方式相同；

(2)对采集的飞行轨迹数据进行数据清洗、数据变换处理，与队形识别模型构建时的采集方式相同；

(3)生成飞行器的队形特征数据：

根据设置的num_therthod阈值，生成对应大小的(L待识别的飞行器集群数量),2×num_therthod+2)的二维数组。将飞行器集群提取的初始特征数据(ρ,θ)，根据θ值进行升序排列，依次存放至二维数组的指定行中，在倒数第二列填入检测的队列先数量，倒数第一列填入飞行器集群的方向；

其中，在提取飞行集群的初始特征数据时，直接基于最佳聚类数目K^opt对正弦曲线之间的交点进行聚类，基于每个聚类的聚类质心数据得到待识别的飞行集群的初始特征数据。

按照下表的数据格式存储多飞行器的队形特征数据，并将特征数据输入队形识别模型中，基于其输出，得到队形识别结果，如图4所示，其中，属性x表示所提取的聚类质心数据，并将识别结果所对应的队形标签进行存储，如下表所示。

本发明实施例提供的基于多飞行器轨迹数据的队形识别模型构建方法，解决了传统飞行器队形识别依赖于专家知识、特征提取以及准确率的问题。主要应用在民用航天器，特别是无人机集群编队识别分类，以及空中飞行器集群态势分析评估中。

后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims

1.一种基于多飞行器轨迹数据的队形识别模型构建方法，其特征在于，包括下列步骤：

步骤S2：对飞行轨迹数据进行数据清洗和变换处理：

对飞行器的地理位置进行归一化处理；

步骤S302：根据极坐标的离散参数，在区间[O，T)中均匀取指定数量的点，并将每个点所对应的极角记为θ_k，其中，O表示极点，T表示预置的取样范围，k＝1，2，…，M，参数M表示区间[O，T)中的离散点；

根据极角θ_k和第i个飞行器的地理位置(x_i，y_i)，得到第i条正弦曲线上的取样点(θ_k，ρ_ik)其中，ρ_ik＝x_icosθ_k+y_isinθ_k；

步骤S303：取正弦曲线之间的交点：根据公式|ρ_ik-ρ_jk|计算任意两条正弦曲线i和j与所有θ_k在ρ方向上的距离，并将最小距离所对应的极角记为基于极角确定第i和第j条正弦曲线的交点的极坐标

步骤S4：生成飞行器的队形特征训练数据：

根据设置的最大队列线提取数num_therthod，生成维度为(length，2×num_therthod+3) 的二维数组，其中，length表示训练数据数据量；

2.如权利要求1所述的方法，其特征在于，还包括基于步骤S5得到的队形识别模型的多飞行器识别步骤：

周期采集的飞行器集群中的各飞行器的飞行轨迹数据，并按照步骤S2进行数据清洗和变换处理，再按照步骤S3提取飞行器集群的初始特征数据；

生成每一个飞行器集群的待识别特征数据：按照极角值进行升序排序将每个飞行器集群的初始特征数据依次存放至维度为(L，2×num_therthod+2)的二维数组行中，并在倒数第二列填入队列线数量，倒数第一列填入飞行器集群的队列角；

3.如权利要求1或2所述的方法，其特征在于，步骤S2中，地理位置的归一化的范围为(0，100)。

4.如权利要求3所述的方法，其特征在于，步骤S302中，T的取值为10π。

5.如权利要求1或2所述的方法，其特征在于，步骤S305中，标准误差的归一化的范围为(0，10)。

6.如权利要求1或2所述的方法，其特征在于，所述队形识别类型：梯形队形、契形队形、纵队队形、横行队形、菱形队形和蛇形队形。