CN114638298A - 飞行器攻击行为预测方法及电子设备 - Google Patents
飞行器攻击行为预测方法及电子设备 Download PDFInfo
- Publication number
- CN114638298A CN114638298A CN202210255018.0A CN202210255018A CN114638298A CN 114638298 A CN114638298 A CN 114638298A CN 202210255018 A CN202210255018 A CN 202210255018A CN 114638298 A CN114638298 A CN 114638298A
- Authority
- CN
- China
- Prior art keywords
- data
- label
- probability
- analysis data
- aircraft
- 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 40
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 34
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 230000016571 aggressive behavior Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 206010001488 Aggression Diseases 0.000 claims 4
- 208000012761 aggressive behavior Diseases 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种飞行器攻击行为预测方法，包括：对从机载传感器获取到的飞行器原始状态信息进行筛选，获得选取数据，其中，选取数据带有标签；对选取数据进行预处理，得到待分析数据，其中，待分析数据包括第一分析数据和第二分析数据；对第一分析数据进行分类处理得到分类数据；生成分类数据的先验概率和条件概率；根据分类数据的先验概率和条件概率生成第二分析数据的条件概率；根据第二分析数据的条件概率生成第二分析数据的后验概率，确定后验概率为飞行器攻击行为预测结果。本发明还公开了一种电子设备。
Description
技术领域
本发明涉及领空环境、模糊集合、数据处理、机器学习等领域，尤其涉及一种飞行器攻击行为预测方法及电子设备。
背景技术
飞行器攻击行为预测与意图识别相互联系，通常先确定飞行器的攻击意图，然后利用各种模型预测其攻击行为。对目标意图识别和行为预测的研究包括：一类是利用模糊逻辑和贝叶斯网络相结合的方法，对空中目标攻击意图进行识别，网络模型结构采用专家知识建立，其条件概率和边缘概率参数均通过训练案例库得到，针对不同的意图识别结果，对飞行器的攻击行为进行推测，从而制定合适的攻击策略，最后利用通俗易懂的示例验证方法的可行性；另一类研究了舰艇对目标种类的辨识问题，结合其自身特点，将目标的种类利用编码示意，计算机动动作和机动类型间的关联度，进而建立目标机动类型识别算法，最后仿真实例表明文中研究的方法能够对多种目标类型进行识别。在识别了飞行器类型后，依据已有的数据库，可以预测飞行器的攻击目标和攻击方式，提高舰艇的防御力。
在对飞行器进行攻击行为预测时，需要实时掌握其状态信息，利用算法搭建预测模型，输出一个预测结果。然而由于实际环境的复杂性和多变性，导致从飞行器自带的传感器所获取的信息带有很强的模糊性，因此需要在不确定感知条件下综合分析状态信息，实现对飞行器攻击行为的预测。状态信息的模糊性包括不确定性和干扰：不确定性指由于传感器本身的探测能力不足等原因，所获得的信息可能是部分丢失的，需要利用仅有的部分信息进行预测；干扰可能是由环境或传感器本身所产生的。
发明内容
为解决现有技术中的上述和其他方面的至少部分技术问题，根据本发明一个方面的实施例，提供一种飞行器攻击行为预测方法，包括：
对从机载传感器获取到的飞行器原始状态信息进行筛选，获得选取数据，其中，所述选取数据带有标签；
对所述选取数据进行预处理，得到待分析数据，其中，所述待分析数据包括第一分析数据和第二分析数据；
对所述第一分析数据进行分类处理得到分类数据；
生成所述分类数据的先验概率和条件概率；
根据所述分类数据的先验概率和条件概率生成所述第二分析数据的条件概率；
根据所述第二分析数据的条件概率生成所述第二分析数据的后验概率，确定所述后验概率为飞行器攻击行为预测结果。
在本发明的一些实施例中，对从机载传感器获取到的飞行器原始状态信息进行筛选，包括：
根据所述飞行器原始状态信息筛选出以下类型的数据，包括：
距离、方位角、速度、高度、径速、加速度、雷达信号、中制导信号。
在本发明的一些实施例中，对所述选取数据进行预处理包括：
将所述选取数据分成两组，一组设置为第一分析数据，另一组设置为第二分析数据；
对所述第一分析数据和第二分析数据进行滤波处理；
根据所述标签对所述第一分析数据和第二分析数据进行模糊处理，将所述第一分析数据和第二分析数据离散化，再根据取值范围将所述第一分析数据和第二分析数据都均分成预设份数。
在本发明的一些实施例中，对所述第一分析数据进行分类处理得到分类数据包括：将所述距离、方位角、速度、高度数据分为直接态势信息，将所述径速、加速度数据分为变化态势信息，将所述直接态势信息和变化态势信息分为运动态势信息，将所述雷达信号、中制导信号数据分为电磁态势信息。
在本发明的一些实施例中，根据所述第二分析数据的条件概率生成所述第二分析数据的后验概率包括：
根据所述先验概率计算得出所述第二分析数据的条件概率的权重系数；
根据所述权重系数和所述第二分析数据的条件概率计算得出所述第二分析数据的后验概率。
在本发明的一些实施例中，所述分类数据有N组，N为大于等于1的正整数，带有0和1两种取值的标签，生成所述分类数据的先验概率包括：
标签取值为0时的先验概率公式如下：
其中，Num(标签＝0)表示N组所述分类数据在标签取值为0时的先验概率，P(标签＝0)表示单组所述分类数据在标签取值为0时的先验概率；
标签取值为1时的先验概率公式如下：
其中，Num(标签＝1)表示N组所述分类数据在标签取值为1时的先验概率，P(标签＝1)表示单组所述分类数据在标签取值为1时的先验概率。
在本发明的一些实施例中，所述分类数据在取值为x，x为实数，生成所述分类数据的条件概率包括：
标签取值为0时的条件概率公式如下：
其中，Num(分类数据＝x∩标签＝0)表示N组所述分类数据在取值为x标签取值为0时的条件概率，P(分类数据＝x|标签＝0)表示单组所述分类数据在取值为x标签取值为0时的条件概率；
标签取值为1时的条件概率公式如下：
其中，Num(分类数据＝x∩标签＝1)表示N组所述分类数据在取值为x标签取值为1时的条件概率，P(分类数据＝x|标签＝1)表示单组所述分类数据在取值为x标签取值为1时的条件概率。
在本发明的一些实施例中，根据所述分类数据的先验概率和条件概率生成所述第二分析数据的条件概率，包括：
通过应用贝叶斯网络算法，根据所述分类数据的先验概率和条件概率生成所述第二分析数据的条件概率。
在本发明的一些实施例中，所述飞行器原始状态信息的类型包括：距离、距离变化率、方位角、俯仰角、方位角速度、俯仰角速度、速度、加速度、水平进入角、高度、径向速度、经度、纬度、高度、航向角、俯仰角、滚转角、真空速、马赫数、雷达信号、中制导信号。
根据本发明另一个方面的实施例，提供一种电子设备，包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
通过上述的飞行器攻击行为预测方法，将待分析数据分为第一分析数据和第二分析数据，根据分析第一分析数据得到的先验概率和条件概率来计算第二分析数据的条件概率和后验概率，能够提高飞行器攻击行为预测的准确率。
附图说明
图1示意性示出了根据本发明实施例的飞行器攻击行为预测方法的流程示意图；
图2示意性示出了根据本发明实施例的贝叶斯网络拓扑结构图；
图3示意性示出了根据本发明实施例的贝叶斯网络模型总体结构图；
图4示意性示出了根据本发明实施例的贝叶斯网络模型构建流程图；
图5示意性示出了根据本发明实施例的分类数据在标签下的分布图；
图6示意性示出了根据本发明实施例的距离在标签下的分布图；
图7示意性示出了根据本发明实施例的方位角在标签下的分布图。
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明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”表明了特征、步骤、操作的存在，但是并不排除存在或添加一个或多个其他特征。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
贝叶斯网络又称信念网络、有向无环图模型，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。贝叶斯网络正越来越广泛地应用于各个领域中，比如信息、医学和工业等，并在目标识别，多目标跟踪，自动防御，训练仿真等取得了丰硕的成果。贝叶斯网络适用于表达和分析不确定性和概率性的事件，可以从不完全、不精确或不确定的知识或信息中做出推理。贝叶斯定理中包含一些基本概念：条件概率就是事件A在另外一个事件B已经发生条件下的发生概率；联合概率表示两个事件共同发生的概率；A和B表示在一个样本空间中的两个事件，给定B下，A发生的条件概率公式为：
其中，P(AB)为A和B的联合概率，表达式为：P(AB)＝P(A)P(B|A)，事件概率的边缘概率公式为
其中，
为A的逆事件，则
这是贝叶斯定理的最简单表达式，假定存在一个完整的和互斥的事件A1,A2,…,An，其中的某一个出现是事件B发生的必要条件，那么n个事件的贝叶斯公式为：
其中，P(Aj)(j＝1,2,…,n)称为先验概率，是在实验以前对所研究问题的看法，称P(B|Aj)为似然函数，P(Aj|B)(j＝1,2,…,n)为后验概率。后验概率P(A|B)与先验概率P(A)和条件概率P(B|A)之间存在着一定的关系。因此，我们可以利用这一点来进行概率推理，概率推理就是由给定的变量信息来计算其他变量概率信息的过程，利用建立的贝叶斯网络模型解决实际问题的过程称为贝叶斯网络推理。
本发明的实施例提供一种飞行器攻击行为预测方法，图1示意性示出了根据本发明实施例的飞行器攻击行为预测方法的流程示意图。
如图1所示，该方法包括操作S101～操作S106。
在操作S101，对从机载传感器获取到的飞行器原始状态信息进行筛选，获得选取数据，其中，选取数据带有标签。
根据本发明的一些实施例，飞行器机载传感器可以获取多达三百种的原始状态信息，飞行器原始状态信息的类型包括：距离、距离变化率、方位角、俯仰角、方位角速度、俯仰角速度、速度、加速度、水平进入角、高度、径向速度、经度、纬度、高度、航向角、俯仰角、滚转角、真空速、马赫数、雷达信号、中制导信号等。如表1所示，从中将距离、方位角、速度、高度、径速、加速度、雷达信号、中制导信号的数据筛选出来，将飞行器的攻击行为预测转化为飞行器是否发生攻击行为的二分类问题，预测结果为1，说明该时刻飞行器有攻击行为发生，反之预测结果为0，说明该时刻飞行器并未发生攻击行为，选取数据带有0或1的标签。
表1飞行器机载传感器部分特征量
在操作S102，对选取数据进行预处理，得到待分析数据，其中，待分析数据包括第一分析数据和第二分析数据。
根据本发明的一些实施例，对选取数据进行预处理，主要包括去除噪声干扰和去除不确定性，利用卡尔曼滤波、数值滤波和特征向量区间化的方法，消除模糊性，再将预处理后的待分析数据分成两组，包括第一分析数据和第二分析数据。
在操作S103，对第一分析数据进行分类处理得到分类数据。
图2示意性示出了根据本发明实施例的贝叶斯网络拓扑结构图。
根据本发明的一些实施例，提出一种构建贝叶斯网络拓扑结构的方法，如图2所示，将第一分析数据依据物理特征，分为运动态势信息和电磁态势信息；而运动态势信息又依据状态信息是否直接获取，分为直接态势信息和变化态势信息。电磁态势信息包含雷达信号、中制导信号；直接态势信息包括距离、方位角、速度、高度；变化态势信息包括径向速度、加速度，这种方法能保证贝叶斯网络各个节点的相互联系。
在操作S104，生成分类数据的先验概率和条件概率。
图3示意性示出了根据本发明实施例的贝叶斯网络模型总体结构图。
根据本发明的一些实施例，如图3所示，从传感器获取状态信息数据，再将数据进行模糊化处理，然后搭建一个贝叶斯网络模型，对贝叶斯网络模型进行参数学习，学习方法有四种，如表2所示，鉴于贝叶斯网络拓扑结构已知，且有大量的分类数据，因此选取样本统计法进行参数学习，计算分类数据的先验概率和条件概率，并根据分类数据的先验概率和条件概率计算后验概率。
表2贝叶斯网络参数学习方法
在操作S105，根据分类数据的先验概率和条件概率生成第二分析数据的条件概率。
根据本发明的一些实施例，将第二分析数据输入操作S104搭建好的贝叶斯网络模型，贝叶斯网络模型会根据第一分析数据的先验概率和条件概率生成第二分析数据的条件概率。
在操作S106，根据第二分析数据的条件概率生成第二分析数据的后验概率，确定后验概率为飞行器攻击行为预测结果。
根据本发明的一些实施例，在计算出第二分析数据的条件概率后，因为每种类型的数据对最终结果影响不同，应赋予不同的权值系数，权重系数大小与每种类型的数据的先验概率成正比，从而使得重要的数据在预测模型中起到更大的作用，所以对第二分析数据中的每种类型的数据赋予一个权重系数，根据赋值后的第二分析数据的条件概率计算第二分析数据的后验概率。
图4示意性示出了根据本发明实施例的贝叶斯网络模型构建流程图。
根据本发明的一些实施例，如图4所示，在开始阶段进行问题需求分析和可行性分析，通过专家确定，确定为飞行器攻击行为预测，根据要分析的问题选取适当的数据变量，然后在有大量学习样本的情况下，分析数据，将分析模型确定为贝叶斯网络拓扑结构和贝叶斯网络模型，将数据输入到贝叶斯网络模型中进行训练，进行参数测试和参数修正，直到模型训练完毕。
通过上述的飞行器攻击行为预测方法，建立贝叶斯网络模型结构，能在遵循物理依据的前提下，有效的连接各个类型的分类数据，在传统贝叶斯网络模型的基础上，依据每个类型的数据对最终预测结果的影响大小，分别赋予不同的权重系数，权重系数大小与每个类型的数据在第一分析数据中出现的频次成正比，提高了模型预测准确率。
在本发明的一些实施例中，对从机载传感器获取到的飞行器原始状态信息进行筛选，包括：根据飞行器原始状态信息筛选出以下类型的数据，包括：距离、方位角、速度、高度、径速、加速度、雷达信号、中制导信号。飞行器机载传感器可以获取多达三百种的原始状态信息，其中，与飞行器攻击行为预测相关度最高为上述八种类型的状态信息。选取这八种状态信息能够更好的提高飞行攻击行为预测的成功率。
在本发明的一些实施例中，对选取数据进行预处理包括：将选取数据分成两组，一组设置为第一分析数据，另一组设置为第二分析数据；对第一分析数据和第二分析数据进行滤波处理；根据标签对第一分析数据和第二分析数据进行模糊处理，将第一分析数据和第二分析数据离散化，再根据取值范围将第一分析数据和第二分析数据都均分成预设份数。在对飞行器进行预测时，由于飞行器所处环境的复杂多变性，导致能获取的状态信息包含着很强的模糊性，表现为数据的干扰性和不确定性，直接利用这些信息会导致预测结果与真实值存在很大误差。因此对获取到的传感器信息进行处理，将数据干扰和不确定性分别加以处理：针对信息干扰，利用卡尔曼滤波加以消除；针对信息不确定性，利用模糊分类和区间化的方法加以消除。
在本发明的一些实施例中，对第一分析数据进行分类处理得到分类数据包括：将距离、方位角、速度、高度数据分为直接态势信息，将径速、加速度数据分为变化态势信息，将直接态势信息和变化态势信息分为运动态势信息，将雷达信号、中制导信号数据分为电磁态势信息。这种方法能保证贝叶斯网络模型各个节点的相互联系。
在本发明的一些实施例中，根据第二分析数据的条件概率生成第二分析数据的后验概率包括：根据先验概率计算得出第二分析数据的条件概率的权重系数；根据权重系数和第二分析数据的条件概率计算得出第二分析数据的后验概率。传统的贝叶斯网络在进行预测时，基于各个分类数据相互独立互不影响的前提，每个分类数据占据相同的比重，而实际情况中，各个分类数据彼此之间相互联系，对最终预测结果起到不同的作用，因此在进行贝叶斯网络模型推断时，把各个分类数据增加一个加权系数，对最终结果影响大的分类数据增加一个较大的权重系数，对最终结果影响小的分类数据增加一个较小的权重系数，而权重系数的大小取决于各个分类数据取值出现的频次。
图5示意性示出了根据本发明实施例的分类数据在标签下的分布图。
图6示意性示出了根据本发明实施例的距离在标签下的分布图。
在本发明的一些实施例中，依据标签对选取的8个类型的分类数据的取值情况进行作图，如图5所示，每一个图像代表一个类型的分类数据的分布图，纵轴有两个取值，分别为标签的0和1，而在横轴上的数据点代表在标签下，分类数据的数值分布情况，距离在标签下的分布图如图6所示，在标签为0，即飞行器不发生攻击行为的状态下，距离大致分布在12000-52000m，以及100000-110000m两个区间内，在标签为1，即飞行器发生攻击行为的状态下，距离大致分布在9000-12000m,25000-34000m和52000-105000m三个区间内，数据按标签分布区分比较明显。
图7示意性示出了根据本发明实施例的方位角在标签下的分布图。
在本发明的一些实施例中，方位角在标签下的分布图如图7所示，与距离的分布不同，方位角在标签下的分布没有明显的区分：在标签为0时，方位角主要分布在0.45-3.14rad之间，在标签为1时，方位角主要分布在0.93-3.0rad之间。从图中可以看出，方位角在标签为1时的取值范围包含在标签为0时的取值范围之内，在这种情况下，若是再来一个样本方位角特征值，就难以具体判断其属于标签0还是标签1。由此引出了分类数据存在的问题：数据分布特征不明显。在做基于贝叶斯网络的飞行器攻击行为预测时，其基本原理是根据每一个分类数据在两个标签下出现的频率，获得对应的条件概率，当再出现待测试分类数据时，根据待测试分类数据对应的条件概率和先验概率，计算得到每个标签的后验概率。由于某些特征(如方位角)在两个标签上并没有很好的区分，且由于标签为0的数据是比标签为1的数据多，就导致在出现新的测试分类数据时，即便是处在了实际结果为1的取值范围之内，由于计算出的标签为0的频率大于标签为1的频率，使得最终的后验概率所属标签一直为0。因此在实际处理过程中，选择了两种方法：一是按照标签为1的特征分布，将各个特征量进行模糊分类，把连续的特征量离散化；二是对分类数据细分，按照分类数据的最大最小值，将每个分类数据均分为10类，并以0-9分别作为每一类的取值，以此解决数据模糊问题。
在本发明的一些实施例中，分类数据有N组，N为大于等于1的正整数，带有0和1两种取值的标签，生成分类数据的先验概率包括：
标签取值为0时的先验概率公式如下：
其中，Num(标签＝0)表示N组分类数据在标签取值为0时的先验概率，P(标签＝0)表示单组分类数据在标签取值为0时的先验概率；
标签取值为1时的先验概率公式如下：
其中，Num(标签＝1)表示N组分类数据在标签取值为1时的先验概率，P(标签＝1)表示单组分类数据在标签取值为1时的先验概率。
在本发明的一些实施例中，分类数据在取值为x，x为实数，生成分类数据的条件概率包括：
标签取值为0时的条件概率公式如下：
其中，Num(分类数据＝x∩标签＝0)表示N组分类数据在取值为x标签取值为0时的条件概率，P(分类数据＝x|标签＝0)表示单组分类数据在取值为x标签取值为0时的条件概率；
标签取值为1时的条件概率公式如下：
其中，Num(分类数据＝x∩标签＝1)表示N组分类数据在取值为x标签取值为1时的条件概率，P(分类数据＝x|标签＝1)表示单组分类数据在取值为x标签取值为1时的条件概率。
在本发明的一些实施例中，根据分类数据的先验概率和条件概率生成第二分析数据的条件概率，包括：
通过应用贝叶斯网络算法，根据分类数据的先验概率和条件概率生成第二分析数据的条件概率。
在本发明的一些实施例中，选取样本统计法进行参数学习，当分类数据有10000组时，即所有类型的分类数据的数量为10000×8，标签取值为0时的先验概率公式如下：
标签取值为1时的先验概率公式如下：
针对距离这一个分类数据来说，标签取值为0时的条件概率公式如下：
标签取值为1时的条件概率公式如下：
在获取了每一类的分类数据的每一个取值的先验概率和条件概率之后，根据贝叶斯定理，对第二分析数据进行预测。
在本发明的一些实施例中，利用搭建好的贝叶斯网络模型，输入第二分析数据，进行飞行器攻击行为预测，假设八个类型的数据分别定义为x1,x2,x3,x4,x5,x6,x7,x8，在某一时刻，飞行器不发生攻击行为的概率为：
发生攻击行为的概率为：
全概率函数∑的公式为：
在计算出每个类型的数据的取值概率之后，对每个类型的数据赋予一个权重系数，权重系数的确定规则为：
假设第一分析数据为D，分类结果为Ci,i＝0,1，分类数据xm,m＝1...8在Ci条件下取值为j,j＝0...9的数据集合为
则数据xm在取条件概率P(xm|Ci)时赋予一个权重系数K，公式表示为：
第二分析数据的后验概率最终可以表示为：
其中∑是全概率函数：
在本发明的一些实施例中，在实际进行飞行器攻击行为预测时，采用如下的方法进行：每组分类数据包含60000个数据组，为了检测数据量对最终预测结果的影响，分别采用200组和600组数据作为第一分析数据，随机再取10组作为第二分析数据，最终结果如表3所示：200组预测准确率为98.67％，600组预测准确率为99.01％，由此可知提高第一分析数据的数据量，增加模型学习数据，有助于提高贝叶斯网络模型的预测准确率；为了验证模型的容错能力，选定中制导信号，人为加入1-3s的随机干扰信号，再分别对200组和600组样本数据进行学习，最终发现预测准确率为89.13％和97.89％，由此表明虽然加入了干扰信号，但是模型预测准确率并没有大幅降低，表明该模型对于外界干扰信号有着较强的容错能力。
表3飞行器攻击行为预测结果
在本发明的一些实施例中，飞行器原始状态信息的类型包括：距离、距离变化率、方位角、俯仰角、方位角速度、俯仰角速度、速度、加速度、水平进入角、高度、径向速度、经度、纬度、高度、航向角、俯仰角、滚转角、真空速、马赫数、雷达信号、中制导信号。
根据本发明另一个方面的实施例，提供一种电子设备，包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，
其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。
至此，已经结合附图对本发明实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各零部件的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
还需要说明的是，在本发明的具体实施例中，除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本发明的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的尺寸、范围条件等等的数字，应理解为在所有情况中是受到“约”的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种飞行器攻击行为预测方法，包括：
对从机载传感器获取到的飞行器原始状态信息进行筛选，获得选取数据，其中，所述选取数据带有标签；
对所述选取数据进行预处理，得到待分析数据，其中，所述待分析数据包括第一分析数据和第二分析数据；
对所述第一分析数据进行分类处理得到分类数据；
生成所述分类数据的先验概率和条件概率；
根据所述分类数据的先验概率和条件概率生成所述第二分析数据的条件概率；
根据所述第二分析数据的条件概率生成所述第二分析数据的后验概率，确定所述后验概率为飞行器攻击行为预测结果。
2.根据权利要求1所述的飞行器攻击行为预测方法，其中，对从机载传感器获取到的飞行器原始状态信息进行筛选，包括：
根据所述飞行器原始状态信息筛选出以下类型的数据，包括：
距离、方位角、速度、高度、径速、加速度、雷达信号、中制导信号。
3.根据权利要求2所述的飞行器攻击行为预测方法，对所述选取数据进行预处理包括：
将所述选取数据分成两组，一组设置为第一分析数据，另一组设置为第二分析数据；
对所述第一分析数据和第二分析数据进行滤波处理；
根据所述标签对所述第一分析数据和第二分析数据进行模糊处理，将所述第一分析数据和第二分析数据离散化，再根据取值范围将所述第一分析数据和第二分析数据都均分成预设份数。
4.根据权利要求2所述的飞行器攻击行为预测方法，其中，对所述第一分析数据进行分类处理得到分类数据包括：将所述距离、方位角、速度、高度数据分为直接态势信息，将所述径速、加速度数据分为变化态势信息，将所述直接态势信息和变化态势信息分为运动态势信息，将所述雷达信号、中制导信号数据分为电磁态势信息。
5.根据权利要求2所述的飞行器攻击行为预测方法，其中，根据所述第二分析数据的条件概率生成所述第二分析数据的后验概率包括：
根据所述先验概率计算得出所述第二分析数据的条件概率的权重系数；
根据所述权重系数和所述第二分析数据的条件概率计算得出所述第二分析数据的后验概率。
6.根据权利要求2所述的飞行器攻击行为预测方法，其中，所述分类数据有N组，N为大于等于1的正整数，带有0和1两种取值的标签，生成所述分类数据的先验概率包括：
标签取值为0时的先验概率公式如下：
其中，Num(标签＝0)表示N组所述分类数据在标签取值为0时的先验概率，P(标签＝0)表示单组所述分类数据在标签取值为0时的先验概率；
标签取值为1时的先验概率公式如下：
其中，Num(标签＝1)表示N组所述分类数据在标签取值为1时的先验概率，P(标签＝1)表示单组所述分类数据在标签取值为1时的先验概率。
7.根据权利要求6所述的飞行器攻击行为预测方法，其中，所述分类数据在取值为x，x为实数，生成所述分类数据的条件概率包括：
标签取值为0时的条件概率公式如下：
其中，Num(分类数据＝x∩标签＝0)表示N组所述分类数据在取值为x标签取值为0时的条件概率，P(分类数据＝x|标签＝0)表示单组所述分类数据在取值为x标签取值为0时的条件概率；
标签取值为1时的条件概率公式如下：
其中，Num(分类数据＝x∩标签＝1)表示N组所述分类数据在取值为x标签取值为1时的条件概率，P(分类数据＝x|标签＝1)表示单组所述分类数据在取值为x标签取值为1时的条件概率。
8.根据权利要求4所述的飞行器攻击行为预测方法，根据所述分类数据的先验概率和条件概率生成所述第二分析数据的条件概率，包括：
通过应用贝叶斯网络算法，根据所述分类数据的先验概率和条件概率生成所述第二分析数据的条件概率。
9.根据权利要求1所述的飞行器攻击行为预测方法，其中，所述飞行器原始状态信息的类型包括：距离、距离变化率、方位角、俯仰角、方位角速度、俯仰角速度、速度、加速度、水平进入角、高度、径向速度、经度、纬度、高度、航向角、俯仰角、滚转角、真空速、马赫数、雷达信号、中制导信号。
10.一种电子设备，包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210255018.0A CN114638298B (zh) | 2022-03-15 | 2022-03-15 | 飞行器攻击行为预测方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210255018.0A CN114638298B (zh) | 2022-03-15 | 2022-03-15 | 飞行器攻击行为预测方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638298A true CN114638298A (zh) | 2022-06-17 |
| CN114638298B CN114638298B (zh) | 2023-06-09 |
Family
ID=81947487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210255018.0A Active CN114638298B (zh) | 2022-03-15 | 2022-03-15 | 飞行器攻击行为预测方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638298B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10036233A1 (de) * | 2000-07-26 | 2002-09-05 | Lfk Gmbh | Verfahren zur Klassifikation von mehrdimensionalen Datensätzen |
| US20090094076A1 (en) * | 2007-10-05 | 2009-04-09 | Reddy Sudhakar Y | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
| CN102724199A (zh) * | 2012-06-26 | 2012-10-10 | 北京航空航天大学 | 基于贝叶斯网络推理的攻击意图识别方法 |
| 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 |
| CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
| CN108229826A (zh) * | 2018-01-04 | 2018-06-29 | 中国计量大学 | 一种基于改进贝叶斯算法的网购风险等级评估方法 |
| CN108319132A (zh) * | 2018-01-11 | 2018-07-24 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
| CN108711005A (zh) * | 2018-05-14 | 2018-10-26 | 重庆大学 | 基于qar数据与贝叶斯网络的飞行风险分析方法 |
| CN110414061A (zh) * | 2019-06-29 | 2019-11-05 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 建立飞机平台系统对地攻击生存能力概率模型的方法 |
| CN110889170A (zh) * | 2019-11-29 | 2020-03-17 | 中国人民解放军海军工程大学 | 飞行器大角度攻击目标的落角与攻角的估计方法 |
| CN111680882A (zh) * | 2020-05-15 | 2020-09-18 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
| US10783288B1 (en) * | 2017-08-08 | 2020-09-22 | Architecture Technology Corporation | System and method for predicting aircraft runway capacity |
| CN112129292A (zh) * | 2020-09-02 | 2020-12-25 | 北京航空航天大学 | 考虑攻击时间和攻击角度约束的异构飞行器协同制导方法 |
| 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 |
| CN112232568A (zh) * | 2020-10-16 | 2021-01-15 | 南京智慧航空研究院有限公司 | 不明意图飞行轨迹的航向预测方法 |
| CN112598046A (zh) * | 2020-12-17 | 2021-04-02 | 沈阳航空航天大学 | 一种多机协同空战中的目标战术意图识别方法 |
| US11032022B1 (en) * | 2017-10-11 | 2021-06-08 | Genghiscomm Holdings, LLC | Detection, analysis, and countermeasures for automated and remote-controlled devices |
| CN113139331A (zh) * | 2021-03-29 | 2021-07-20 | 西北工业大学 | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 |
| CN113505686A (zh) * | 2021-07-07 | 2021-10-15 | 中国人民解放军空军预警学院 | 一种无人机目标威胁评估方法及装置 |
| CN113657182A (zh) * | 2021-07-26 | 2021-11-16 | 西北工业大学 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
| CN114048889A (zh) * | 2021-10-08 | 2022-02-15 | 天津大学 | 基于长短期记忆网络的飞行器轨迹预测的方法 |
-
2022
- 2022-03-15 CN CN202210255018.0A patent/CN114638298B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10036233A1 (de) * | 2000-07-26 | 2002-09-05 | Lfk Gmbh | Verfahren zur Klassifikation von mehrdimensionalen Datensätzen |
| US20090094076A1 (en) * | 2007-10-05 | 2009-04-09 | Reddy Sudhakar Y | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
| 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 |
| CN102724199A (zh) * | 2012-06-26 | 2012-10-10 | 北京航空航天大学 | 基于贝叶斯网络推理的攻击意图识别方法 |
| CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
| US10783288B1 (en) * | 2017-08-08 | 2020-09-22 | Architecture Technology Corporation | System and method for predicting aircraft runway capacity |
| US11032022B1 (en) * | 2017-10-11 | 2021-06-08 | Genghiscomm Holdings, LLC | Detection, analysis, and countermeasures for automated and remote-controlled devices |
| CN108229826A (zh) * | 2018-01-04 | 2018-06-29 | 中国计量大学 | 一种基于改进贝叶斯算法的网购风险等级评估方法 |
| CN108319132A (zh) * | 2018-01-11 | 2018-07-24 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
| CN108711005A (zh) * | 2018-05-14 | 2018-10-26 | 重庆大学 | 基于qar数据与贝叶斯网络的飞行风险分析方法 |
| CN110414061A (zh) * | 2019-06-29 | 2019-11-05 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 建立飞机平台系统对地攻击生存能力概率模型的方法 |
| CN110889170A (zh) * | 2019-11-29 | 2020-03-17 | 中国人民解放军海军工程大学 | 飞行器大角度攻击目标的落角与攻角的估计方法 |
| CN111680882A (zh) * | 2020-05-15 | 2020-09-18 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
| 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 |
| CN112129292A (zh) * | 2020-09-02 | 2020-12-25 | 北京航空航天大学 | 考虑攻击时间和攻击角度约束的异构飞行器协同制导方法 |
| CN112232568A (zh) * | 2020-10-16 | 2021-01-15 | 南京智慧航空研究院有限公司 | 不明意图飞行轨迹的航向预测方法 |
| CN112598046A (zh) * | 2020-12-17 | 2021-04-02 | 沈阳航空航天大学 | 一种多机协同空战中的目标战术意图识别方法 |
| CN113139331A (zh) * | 2021-03-29 | 2021-07-20 | 西北工业大学 | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 |
| CN113505686A (zh) * | 2021-07-07 | 2021-10-15 | 中国人民解放军空军预警学院 | 一种无人机目标威胁评估方法及装置 |
| CN113657182A (zh) * | 2021-07-26 | 2021-11-16 | 西北工业大学 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
| CN114048889A (zh) * | 2021-10-08 | 2022-02-15 | 天津大学 | 基于长短期记忆网络的飞行器轨迹预测的方法 |
Non-Patent Citations (6)
| Title |
|---|
| PATRICK MOOSBRUGGER, ET AL.: "R2U2: monitoring and diagnosis of security threats for unmanned aerial systems", 《SPRINGER》 * |
| PATRICK MOOSBRUGGER, ET AL.: "R2U2: monitoring and diagnosis of security threats for unmanned aerial systems", 《SPRINGER》, 12 April 2017 (2017-04-12) * |
| 侯夷;任小平;王长城;王伟;: "基于动态贝叶斯网络的空袭目标威胁评估", 兵工自动化, no. 12 * |
| 罗元墙: "基于动态贝叶斯网络的空战决策方法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
| 罗元墙: "基于动态贝叶斯网络的空战决策方法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》, 15 May 2018 (2018-05-15) * |
| 韩城;杨海燕;马嘉呈;: "基于贝叶斯网络的防空作战战损评估模型构建", 火力与指挥控制, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638298B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aziz | Fuzzy track-to-track association and track fusion approach in distributed multisensor–multitarget multiple-attribute environment | |
| US20070253625A1 (en) | Method for building robust algorithms that classify objects using high-resolution radar signals | |
| Gao et al. | Maneuvering target tracking with recurrent neural networks for radar application | |
| JP6773606B2 (ja) | レーダ装置及びそのレーダ信号処理方法 | |
| US11574223B2 (en) | Method and apparatus for rapid discovery of satellite behavior | |
| Liu et al. | Multitarget state extraction for the PHD filter using MCMC approach | |
| CN116794647A (zh) | 基于轨迹跟踪的导线和塔架分类 | |
| CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
| US20220026557A1 (en) | Spatial sensor system with background scene subtraction | |
| CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
| Moraffah et al. | Use of hierarchical Dirichlet processes to integrate dependent observations from multiple disparate sensors for tracking | |
| Shao et al. | Vessel track correlation and association using fuzzy logic and echo state networks | |
| CN103235315A (zh) | 一种多机动目标跟踪系统 | |
| Gao et al. | Intelligent multiframe detection aided by Doppler information and a deep neural network | |
| CN114638298A (zh) | 飞行器攻击行为预测方法及电子设备 | |
| Gal et al. | Tracking objects using PHD filter for USV autonomous capabilities | |
| Dakhlallah et al. | Type-2 Fuzzy Kalman Hybrid Application for Dynamic Security Monitoring Systems based on Multiple Sensor Fusion | |
| Chen et al. | Function recognition of multi-function radar via cnn-gru neural network | |
| Mertens et al. | GMTI tracking using signal strength information | |
| Jones et al. | Surrogate-based optimization for radar surveillance requirements to support rwc and ca for unmanned aircraft | |
| Notkin et al. | Classification of Ground Moving Radar Targets with RBF Neural Networks. | |
| Blasch et al. | Feature-Aided JBPDAF group tracking and classification using an IFFN sensor | |
| Li et al. | Directional Fuzzy Data Association Filter. | |
| Yi et al. | Research on underwater multi-clutter data association based on fuzzy clustering | |
| Muthukrishnan et al. | InvRT: Solving Radar Inverse Problems with Transformers |
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 |