CN114898222A - 一种舰船目标航迹识别方法及装置 - Google Patents

Abstract

本发明公开了一种舰船目标航迹识别方法及装置，该方法包括：建立舰船目标航迹识别模型，该模型包括构建舰船目标航迹识别训练数据集，提取舰船目标航迹识别训练数据集的目标特征参数，构建循环神经网络模型；实时获取待识别的舰船目标航迹数据，提取待识别的舰船目标航迹数据的目标特征参数；将待识别的舰船目标航迹数据的目标特征参数输入循环神经网络模型，确定所述待识别的舰船目标航迹数据对应的识别结果。本发明方法适用于岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达、船舶自动识别系统等预警探测装备的目标航迹识别方法，具有识别距离远、识别速度快、识别准确度高等优点。

Description

一种舰船目标航迹识别方法及装置

技术领域

本发明涉及目标分类识别技术领域，尤其是涉及一种舰船目标航迹识别方法及装置。

背景技术

舰船目标识别是综合利用雷达、电子侦察、光学、红外、船舶自动识别系统、甚至目力查证等各种预警探测装备和方式，结合历史经验，对目标的军民、国家地区、类型、型号、机舰名等身份信息进行逐步确认的过程，是威胁评估和作战决策的重要依据。在海战场情报保障流程中，目标识别位于目标搜索发现之后、目标跟踪监视之前，作为海战场情报保障的核心环节，具有承上启下的作用，是推动海上作战阶段从面向全部目标搜索发现，快速转向聚焦重点目标跟踪监视的关键，对海上作战任务的顺利执行具有重要影响。可见，构建高效的海战场情报保障服务亟需快速、准确的海上目标识别能力。

不同的预警探测装备，所具有的目标识别潜能是不同的，在整个海战场情报保障体系当中所发挥的作用也是不同的：光学、红外和高分辨雷达预警探测装备，利用获取的目标光学图像、红外图像、SAR图像或者一维距离像信息，通过情报人员判读，或采用训练好的机器学习、深度学习目标自动识别方法，可实现目标类型、型号、甚至机舰名等身份属性信息的精细识别，但存在目标识别距离近的问题，常常需要抵近侦察；电子侦察装备利用目标辐射的电磁信号，通过模板匹配或采用训练好的机器学习、深度学习电磁信号识别方法，可实现中远距离目标类型、甚至型号的识别，但受限于目标电磁装备的开关状态，对于电磁静默目标则无法进行识别；船舶自动识别系统通过目标自动发送的身份信息，来实现目标各类属性信息的获取，但同样受限于目标船舶自动识别系统的工作状况，仅能作为一种参考信息；预警雷达探测距离远，但分辨力差，无法获取精细的目标轮廓信息，目前主要根据目标回波强度信息，利用情报人员分析或训练好的机器学习、深度学习目标回波识别方法，实现目标大小的判别。综合上述分析可知，光学、红外和高分辨雷达识别能力强，但识别距离近，电子侦察、船舶自动识别系统是被动识别，受限于目标状态，无法主动识别，而预警机雷达由于分辨率低，主要用于目标大小识别，尚未涉及更进一步的目标身份信息。因此为实现目标远距离快速识别，亟需增强预警雷达目标识别能力，利用预警雷达获取的各种信息来实现目标身份识别。

除了利用预警雷达回波进行目标大小识别外，实际中也可以利用预警雷达获取的目标航迹信息，结合各类舰船历史规律知识，来对海面目标军民属性进行识别，即识别出该目标是军船、商船，还是渔船。然而目前目标航迹识别，主要通过情报人员自主分析研判来实现，识别结果受个人能力水平影响大，难以做到一致识别，并且识别耗时较长，工作效率低，占据了情报人员的大量精力。因此，亟需构建快速、准确的航迹自动识别方法及装置，以实现人机结合和人机互验，从而最终提升情报人员工作效率和目标识别准确度。

发明内容

本发明所要解决的技术问题在于，提供一种舰船目标航迹识别方法及装置，为舰船目标航迹识别问题提供快速、准确的识别方法。

本发明实施例第一方面公开了一种舰船目标航迹识别方法，所述方法包括：

建立舰船目标航迹识别模型，包括以下步骤：

S11、构建舰船目标航迹识别训练数据集；

S12、提取所述舰船目标航迹识别训练数据集的目标特征参数；

S13、构建循环神经网络模型；

实时获取待识别的舰船目标航迹数据，提取所述待识别的舰船目标航迹数据的目标特征参数；

将所述待识别的舰船目标航迹数据的目标特征参数输入所述循环神经网络模型，确定所述待识别的舰船目标航迹数据对应的识别结果。

作为一种可选的实施方式，在本发明实施例第一方面中，所述构建舰船目标航迹识别训练数据集通过如下方式实现：

S211、利用预警探测装备获取舰船目标航迹训练数据，所述舰船目标航迹训练数据包含若干个训练样本；所述预警探测装备包括岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达和船舶自动识别系统；

S212、提取所述舰船目标航迹训练数据的目标特征参数；

S213、根据舰船目标的真实身份，采用one-hot编码，得到所述舰船目标航迹训练数据的样本标签；

S214、所述舰船目标航迹训练数据的目标特征参数和所述舰船目标航迹训练数据的样本标签构成舰船目标航迹识别训练数据集。

作为一种可选的实施方式，在本发明实施例第一方面中，所述提取所述舰船目标航迹识别训练数据集的目标特征参数，包括：

将舰船目标航迹训练数据进行分帧处理，每一帧的长度为T，共有M帧；

分帧处理后的每一帧舰船目标航迹训练数据包括N个航迹点，每个所述航迹点包括时间信息，空间位置信息，航速信息和航向信息；

对分帧处理后的每一帧舰船目标航迹训练数据进行特征提取，得到帧特征参数；所述帧特征参数包括目标最大速度，最小速度，中位速度，平均速度，速度标准差，最大转弯率，最小转弯率，中位转弯率，平均转弯率和转弯率标准差；

M帧的帧特征参数构成舰船目标航迹识别训练数据集的目标特征参数，所述舰船目标航迹识别训练数据集的目标特征参数的大小为M×10。

作为一种可选的实施方式，在本发明实施例第一方面中，所述循环神经网络模型，包括：

以门控循环单元为核心，构建循环神经网络模型；

所述循环神经网络模型的输入与舰船目标识别时序特征维度一致，网络的输出为3元素向量，分别表示目标属于军船、商船和渔船的概率，网络的最后一层采用全连接层，激活函数为Softmax函数。

作为一种可选的实施方式，在本发明实施例第一方面中，所述训练循环神经网络模型，包括：

利用构建的舰船目标航迹识别训练数据集，采用梯度反向传播算法，通过最小化预设的损失函数，对构建的目标航迹识别循环神经网络模型进行训练，优化循环神经网络模型的参数，确定出所述循环神经网络模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述预设的损失函数为交叉熵损失函数，所述交叉熵损失函数包括基本损失函数和合理损失函数；

所述基本损失函数适用于目标航迹数据均衡的场景，所述基本损失函数的定义为：

式中：y为样本标签，为3元素向量，y_i(c)表示第i个样本标签的第c个元素，

为第i个样本对应的目标航迹识别循环神经网络输出，

表示第i个样本相应网络输出的第c个元素，N为每次训练输入的样本数量；

所述合理损失函数适用于目标航迹数据不均衡的场景，所述合理损失函数的定义为：

式中：w_c满足

w₁,w₂,w₃分别为军船、商船和渔船的样本不平衡加权系数。

作为一种可选的实施方式，在本发明实施例第一方面中，所述确定所述待识别的目标航迹数据对应的识别结果，包括：

实时获取待识别的舰船目标航迹数据，提取所述待识别的舰船目标航迹数据的目标特征参数；

将所述待识别的目标航迹数据的目标特征参数输入循环神经网络模型；

所述循环神经网络模型的输出为目标类别的概率向量；

所述概率向量为3元素向量，如果第1个元素值最大，则判定该目标为军船，如果第2个元素值最大，则判定该目标为商船，如果第3个元素值最大，则判定该目标为渔船。

本发明实施例第二方面公开了一种舰船目标航迹识别装置，所述装置包括：

第一处理模块，用于建立舰船目标航迹识别模型；

第二处理模块，用于实时获取待识别的目标航迹数据，提取所述待识别的目标航迹数据的目标特征参数；

第三处理模块，用于将所述待识别的目标航迹数据的目标特征参数输入所述循环神经网络模型，确定所述待识别的目标航迹数据对应的识别结果。

作为一种可选的实施方式，在本发明实施例第二方面中，所述构建舰船目标航迹识别训练数据集通过如下方式实现：

S211、利用预警探测装备获取舰船目标航迹训练数据，所述舰船目标航迹训练数据包含若干个训练样本；所述预警探测装备包括岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达和船舶自动识别系统；

S212、提取所述舰船目标航迹训练数据的目标特征参数；

S213、根据舰船目标的真实身份，采用one-hot编码，得到所述舰船目标航迹训练数据的样本标签；

S214、所述舰船目标航迹训练数据的目标特征参数和所述舰船目标航迹训练数据的样本标签构成舰船目标航迹识别训练数据集。

作为一种可选的实施方式，在本发明实施例第二方面中，所述提取所述舰船目标航迹识别训练数据集的目标特征参数，包括：

将舰船目标航迹训练数据进行分帧处理，每一帧的长度为T，共有M帧；

分帧处理后的每一帧舰船目标航迹训练数据包括N个航迹点，每个所述航迹点包括时间信息，空间位置信息，航速信息和航向信息；

对分帧处理后的每一帧舰船目标航迹训练数据进行特征提取，得到帧特征参数；所述帧特征参数包括目标最大速度，最小速度，中位速度，平均速度，速度标准差，最大转弯率，最小转弯率，中位转弯率，平均转弯率和转弯率标准差；

M帧的帧特征参数构成舰船目标航迹识别训练数据集的目标特征参数，所述舰船目标航迹识别训练数据集的目标特征参数的大小为M×10。

作为一种可选的实施方式，在本发明实施例第二方面中，所述循环神经网络模型，包括：

以门控循环单元为核心，构建循环神经网络模型；

所述循环神经网络模型的输入与舰船目标识别时序特征维度一致，网络的输出为3元素向量，分别表示目标属于军船、商船和渔船的概率，网络的最后一层采用全连接层，激活函数为Softmax函数。

作为一种可选的实施方式，在本发明实施例第二方面中，所述训练循环神经网络模型，包括：

利用构建的舰船目标航迹识别训练数据集，采用梯度反向传播算法，通过最小化预设的损失函数，对构建的目标航迹识别循环神经网络模型进行训练，优化循环神经网络模型的参数，确定出所述循环神经网络模型。

作为一种可选的实施方式，在本发明实施例第二方面中，所述预设的损失函数为交叉熵损失函数，所述交叉熵损失函数包括基本损失函数和合理损失函数；

所述基本损失函数适用于目标航迹数据均衡的场景，所述基本损失函数的定义为：

式中：y为样本标签，为3元素向量，y_i(c)表示第i个样本标签的第c个元素，

为第i个样本对应的目标航迹识别循环神经网络输出，

表示第i个样本相应网络输出的第c个元素，N为每次训练输入的样本数量；

所述合理损失函数适用于目标航迹数据不均衡的场景，所述合理损失函数的定义为：

式中：w_c满足

w₁,w₂,w₃分别为军船、商船和渔船的样本不平衡加权系数。

作为一种可选的实施方式，在本发明实施例第二方面中，所述确定所述待识别的目标航迹数据对应的识别结果，包括：

实时获取待识别的舰船目标航迹数据，提取所述待识别的舰船目标航迹数据的目标特征参数；

将所述待识别的目标航迹数据的目标特征参数输入循环神经网络模型；

所述循环神经网络模型的输出为目标类别的概率向量；

所述概率向量为3元素向量，如果第1个元素值最大，则判定该目标为军船，如果第2个元素值最大，则判定该目标为商船，如果第3个元素值最大，则判定该目标为渔船。

本发明第三方面公开了另一种舰船目标航迹识别装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的舰船目标航迹识别方法中的部分或全部步骤。

本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的舰船目标航迹识别方法中的部分或全部步骤。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例中，提出的一种舰船目标航迹识别方法及装置，建立舰船目标航迹识别模型，该模型包括构建舰船目标航迹识别训练数据集，提取舰船目标航迹识别训练数据集的目标特征参数，构建循环神经网络模型；实时获取待识别的舰船目标航迹数据，提取待识别的舰船目标航迹数据的目标特征参数；将待识别的舰船目标航迹数据的目标特征参数输入循环神经网络模型，确定所述待识别的舰船目标航迹数据对应的识别结果。本发明提供了一种适用于岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达、船舶自动识别系统等预警探测装备的目标航迹识别方法，具有识别距离远、识别速度快、识别准确度高等优点。

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他的附图。

图1是本发明实施例公开的一种舰船目标航迹识别方法的流程示意图；

图2是本发明实施例公开的一种舰船目标航迹识别装置的示意图；

图3是本发明实施例公开的另一种舰船目标航迹识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

实施例一

请参阅图1，图1是本发明实施例公开的一种舰船目标航迹识别方法的流程示意图。如图1所示，该舰船目标航迹识别方法可以包括以下操作：

S1、建立舰船目标航迹识别模型，包括以下步骤：

S11、构建舰船目标航迹识别训练数据集；

S12、提取所述舰船目标航迹识别训练数据集的目标特征参数；

S13、构建循环神经网络模型；

S2、实时获取待识别的舰船目标航迹数据，提取所述待识别的舰船目标航迹数据的目标特征参数；

S3、将所述待识别的舰船目标航迹数据的目标特征参数输入所述循环神经网络模型，确定所述待识别的舰船目标航迹数据对应的识别结果。

可选的，提取舰船目标航迹数据的目标特征信息可以通过以下步骤实现：从舰船目标航迹中提取出设定时间段内的目标识别特征，把全部时间段的目标识别特征联合一起构建目标识别时序特征，作为目标航迹识别循环神经网络的输入；具体步骤为：

(1)提取设定时间段T内目标航迹段数据Θ＝{z₁,z₂,...,z_n}，z为时间段T内每个时刻的航迹点信息，n表示时间段T内目标航迹点个数，是变化的，时间段T具体大小由人工设定，是固定值，合理的取值范围为1min≤T≤3min，航迹点 z＝[t,x,y,v,c]至少包含时间t、空间位置(x,y)、航速v和航向c信息，其中航向定义为与正北方向的夹角，顺时针为正，取值范围为[0,360]，如果每个航迹点仅有时间和位置信息，可进一步通过计算相邻航迹点位置变化，计算航速和航向信息；

(2)利用时间段T内目标航迹段数据Θ，统计计算舰船目标航迹特征x，至少包括时间段T内舰船目标最大速度v_max、最小速度v_min、中位速度v_med、平均速度v_mea、速度标准差v_std、最大转弯率

最小转弯率

中位转弯率

平均转弯率

和转弯率标准差

等10个特征量，即

其中转弯率

定义为航向变化率，由相邻航迹点航向变化值与时间差的比值得到，即

上述各个特征量的具体计算公式为：

v_max＝max(v₁,v₂,...,v_n)

v_min＝min(v₁,v₂,...,v_n)

v_med＝median(v₁,v₂,...,v_n)

(3)以时长T为间隔，把目标全部航迹划分为m个航迹段，对每个航迹段按照步骤(2)计算对应的目标航迹特征x，然后把目标航迹特征x作为第二维度，根据航迹段时间先后顺序，依次把m个目标航迹特征x拼接起来，得到目标识别时序特征X，作为目标航迹识别循环神经网络的输入；

如果目标航迹特征x为10维向量，则步骤(3)得到的目标识别时序特征X为 m×10矩阵，需要说明的是，由于实际目标航迹长度是不一致的，并且目标航迹内的航迹点也不是时间均匀分布的，因此对于设定的时长T，不同的目标航迹，得到的航迹段数量是不同的，即由不同目标航迹计算得到的X，其第一维大小m 可能是不同的，同时在航迹段划分过程中，应保证每个航迹段内的航迹点大于4，如果某一航迹段内的航迹点过少，譬如只有2或3个航迹点，无法有效计算目标航迹特征x，则应把该航迹段与上一个或下一个航迹段进行合并，作为一个航迹段，计算目标航迹特征x。

可选的，预设的神经网络模型可以是循环神经网络，其中网络的输入大小与目标识别时序特征维度一致，网络的输出大小为3元素向量，分别表示目标属于军船、商船和渔船的概率，网络的最后一层采用全连接层，激活函数为 Softmax函数；循环神经网络的构建方式为：

(1)目标航迹识别循环神经网络的输入为目标识别时序特征X，输出为3元素向量

其每个元素的值大于0，小于1，分别表示目标属于军船、商船和渔船的概率；

(2)目标航迹识别循环神经网络由循环网络部分和全连接网络部分组成，循环网络部分的基本构成单元为门控循环单元，全连接网络部分的基本构成单元为全连接网络层，一个简单的目标航迹识别循环神经网络由1个门控循环单元和1个全连接网络层构成；

(3)在目标航迹识别循环神经网络内部，目标识别时序特征X以时序形式依次输入到循环网络部分中，即由m个目标航迹特征x拼接起来的目标识别时序特征X，分m次输入到循环网络部分，每次输入到循环网络部分的向量为目标航迹特征x_i，相应循环网络部分的隐藏状态输出为H_i；

(4)在目标航迹识别循环神经网络内部，把目标识别时序特征X全部输入到循环网络部分后，循环网络部分的隐藏状态输出H作为全连接网络部分的输入，即循环网络部分最后一个目标航迹特征x_m对应的隐藏状态输出H_m，作为全连接网络部分的输入；

(5)全连接网络部分最后一层神经网络的激活函数采用Softmax函数，输出为3元素向量

可选的，循环神经网络模型可以通过以下方法进行训练：

(1)利用目标航迹识别训练数据集D，采用梯度反向传播算法，通过最小化设定的损失函数，对构建的目标航迹识别循环神经网络进行训练；

(2)目标航迹识别训练数据集时，可采用留样检验方法、留一交叉检验法和 k-折叠交叉检验法，把训练数据集D划分为训练集和测试集，确保最终训练好的目标航迹识别训练数据集具有良好的泛化能力；

(3)目标航迹识别循环神经网络训练寻优时，可采用的优化方法有梯度下降法、随机梯度下降法、Momentum、RMSProp、Adam，但不限于此。

可选的，目标航迹识别循环神经网络的损失函数为交叉熵损失函数，其输入分别为样本标签和目标航迹识别循环神经网络的输出，输出为目标航迹识别循环神经网络判决准确性的度量数值；

(1)设定目标航迹识别循环神经网络的损失函数为交叉熵损失函数，输入分别为样本标签和目标航迹识别循环神经网络的输出，输出为目标航迹识别循环神经网络判决准确性的度量数值；

(2)一种简单的目标航迹识别循环神经网络损失函数为

其中y为样本标签，为3元素向量，y_i(c)表示第i个样本标签的第c个元素，

为第i个样本对应的目标航迹识别循环神经网络输出，

表示第i个样本相应网络输出的第c个元素，N为每次训练输入的样本数量；

(3)如果军船、商船和渔船样本严重不平衡，一种合理的目标航迹识别循环神经网络损失函数为

其中w_c满足

w₁,w₂,w₃分别为军船、商船和渔船的样本不平衡加权系数。

可选的，对于预警探测装备获取的舰船目标单条航迹数据，按照确定的目标识别时序特征提取方法，计算得到样本数据，根据目标真实身份，采用one-hot 编码，得到样本标签，联合一起得到一个训练样本，搜集各类预警探测装备获取的海量目标航迹数据，建立目标航迹识别训练数据集；具体步骤为：

(1)对于预警探测装备获取的舰船目标单条航迹数据，按照已确定的目标识别时序特征提取方法，计算得到单个样本数据X；

(2)对于计算得到单个样本数据X，根据目标真实身份，采用one-hot编码，得到样本标签y，联合一起得到一个训练样本Z＝(X,y)，具体军船目标标签为 y＝[1,0,0]，舰船目标标签为y＝[0,1,0]，渔船目标标签为y＝[0,0,1]；

(3)搜集各类预警探测装备获取的舰船目标航迹数据，对其中的每个目标航迹，计算得到训练样本，联合所有训练样本，建立目标航迹识别训练数据集D，其中预警探测装备包括但不限于岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达、船舶自动识别系统。

可选的，部署已经训练好的目标航迹识别循环神经网络，利用实时获取的目标航迹信息，计算目标识别时序特征，输入到目标航迹识别循环神经网络中，网络最后输出目标类别概率向量，根据其中最大值位置，判别目标属于军船、商船，还是渔船；具体步骤为：

(1)利用实时获取的目标航迹信息，计算目标识别时序特征X，输入到目标航迹识别循环神经网络中，网络输出目标类别概率

(2)判断网络输出的3元素向量

第几个元素值最大，如果第1个元素值最大，则判定该目标为军船，如果第2个元素值最大，则判定该目标为商船，如果第3个元素值最大，则判定该目标为渔船；

(3)除了完全得到目标识别时序特征X后，再输入目标航迹识别循环神经网络中外，另一种高效的目标航迹识别循环神经网络使用方法是一边计算目标识别特征x，一边把计算得到的目标识别特征x输入到航迹识别循环神经网络的循环网络部分中，待最后一个目标识别特征x计算完毕，并输入到网络后，网络即可得到目标类别概率

可见，实施本发明实施例所描述的舰船目标航迹识别方法，能够建立舰船目标航迹识别模型，该模型包括构建舰船目标航迹识别训练数据集，提取舰船目标航迹识别训练数据集的目标特征参数，构建循环神经网络模型；实时获取待识别的舰船目标航迹数据，提取待识别的舰船目标航迹数据的目标特征参数；将待识别的舰船目标航迹数据的目标特征参数输入循环神经网络模型，确定所述待识别的舰船目标航迹数据对应的识别结果。本发明提供了一种适用于岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达、船舶自动识别系统等预警探测装备的目标航迹识别方法，具有识别距离远、识别速度快、识别准确度高等优点。

实施例二

请参阅图2，图2是本发明实施例公开的一种舰船目标航迹识别装置的示意图。如图2所示，该舰船目标航迹识别装置可以包括以下操作：

S301、第一处理模块，用于建立舰船目标航迹识别模型；

S302、第二处理模块，用于实时获取待识别的目标航迹数据，提取所述待识别的目标航迹数据的目标特征参数；

S303、第三处理模块，用于将所述待识别的目标航迹数据的目标特征参数输入所述循环神经网络模型，确定所述待识别的目标航迹数据对应的识别结果。

实施例三

请参阅图3，图3是本发明实施例公开的另一种舰船目标航迹识别装置的结构示意图。如图3所示，该装置可以包括：

存储有可执行程序代码的存储器S501；

与存储器S501耦合的处理器S502；

处理器S502调用存储器S501中存储的可执行程序代码，用于执行实施例一～实施例二所描述的舰船目标航迹识别方法中的步骤。

实施例四

本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一～实施例三所描述的舰船目标航迹识别方法中的步骤。

实施例五

本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一～实施例三所描述的舰船目标航迹识别方法中的步骤。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器 (Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种舰船目标航迹识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种舰船目标航迹识别方法，其特征在于，所述方法包括：

建立舰船目标航迹识别模型，包括以下步骤：

S11、构建舰船目标航迹识别训练数据集；

S12、提取所述舰船目标航迹识别训练数据集的目标特征参数；

S13、构建循环神经网络模型；

实时获取待识别的舰船目标航迹数据，提取所述待识别的舰船目标航迹数据的目标特征参数；

将所述待识别的舰船目标航迹数据的目标特征参数输入所述循环神经网络模型，确定所述待识别的舰船目标航迹数据对应的识别结果。

2.根据权利要求1所述的舰船目标航迹识别方法，其特征在于，所述构建舰船目标航迹识别训练数据集通过如下方式实现：

S211、利用预警探测装备获取舰船目标航迹训练数据，所述舰船目标航迹训练数据包含若干个训练样本；所述预警探测装备包括岸基对海雷达、船舶导航雷达、军用舰载雷达、空基对海雷达和船舶自动识别系统；

S212、提取所述舰船目标航迹训练数据的目标特征参数；

S213、根据舰船目标的真实身份，采用one-hot编码，得到所述舰船目标航迹训练数据的样本标签；

S214、所述舰船目标航迹训练数据的目标特征参数和所述舰船目标航迹训练数据的样本标签构成舰船目标航迹识别训练数据集。

3.根据权利要求1所述的舰船目标航迹识别方法，其特征在于，所述提取所述舰船目标航迹识别训练数据集的目标特征参数，包括：

将舰船目标航迹训练数据进行分帧处理，每一帧的长度为T，共有M帧；

分帧处理后的每一帧舰船目标航迹训练数据包括N个航迹点，每个所述航迹点包括时间信息，空间位置信息，航速信息和航向信息；

对分帧处理后的每一帧舰船目标航迹训练数据进行特征提取，得到帧特征参数；所述帧特征参数包括目标最大速度，最小速度，中位速度，平均速度，速度标准差，最大转弯率，最小转弯率，中位转弯率，平均转弯率和转弯率标准差；

M帧的帧特征参数构成舰船目标航迹识别训练数据集的目标特征参数，所述舰船目标航迹识别训练数据集的目标特征参数的大小为M×10。

4.根据权利要求1所述的舰船目标航迹识别方法，其特征在于，所述循环神经网络模型，包括：

以门控循环单元为核心，构建循环神经网络模型；

所述循环神经网络模型的输入与舰船目标识别时序特征维度一致，网络的输出为3元素向量，分别表示目标属于军船、商船和渔船的概率，网络的最后一层采用全连接层，激活函数为Softmax函数。

5.根据权利要求1所述的舰船目标航迹识别方法，其特征在于，所述训练循环神经网络模型，包括：

利用构建的舰船目标航迹识别训练数据集，采用梯度反向传播算法，通过最小化预设的损失函数，对构建的目标航迹识别循环神经网络模型进行训练，优化循环神经网络模型的参数，确定出所述循环神经网络模型。

6.根据权利要求5所述的舰船目标航迹识别方法，其特征在于，所述预设的损失函数为交叉熵损失函数，所述交叉熵损失函数包括基本损失函数和合理损失函数；

所述基本损失函数适用于目标航迹数据均衡的场景，所述基本损失函数的定义为：

式中：y为样本标签，为3元素向量，y_i(c)表示第i个样本标签的第c个元素，

为第i个样本对应的目标航迹识别循环神经网络输出，

表示第i个样本相应网络输出的第c个元素，N为每次训练输入的样本数量；

所述合理损失函数适用于目标航迹数据不均衡的场景，所述合理损失函数的定义为：

式中：w_c满足

w₁,w₂,w₃分别为军船、商船和渔船的样本不平衡加权系数。

7.根据权利要求1所述的舰船目标航迹识别方法，其特征在于，所述确定所述待识别的目标航迹数据对应的识别结果，包括：

实时获取待识别的舰船目标航迹数据，提取所述待识别的舰船目标航迹数据的目标特征参数；

将所述待识别的目标航迹数据的目标特征参数输入循环神经网络模型；

所述循环神经网络模型的输出为目标类别的概率向量；

所述概率向量为3元素向量，如果第1个元素值最大，则判定该目标为军船，如果第2个元素值最大，则判定该目标为商船，如果第3个元素值最大，则判定该目标为渔船。

8.一种舰船目标航迹识别装置，其特征在于，所述装置包括：

第一处理模块，用于建立舰船目标航迹识别模型；

第二处理模块，用于实时获取待识别的目标航迹数据，提取所述待识别的目标航迹数据的目标特征参数；

第三处理模块，用于将所述待识别的目标航迹数据的目标特征参数输入所述循环神经网络模型，确定所述待识别的目标航迹数据对应的识别结果。

9.一种舰船目标航迹识别装置，其特征在于，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行如权利要求1-7任一项所述的舰船目标航迹识别方法。

10.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的舰船目标航迹识别方法。

Images