CN115130523A - 基于隐马尔可夫模型的飞行目标行为意图预测方法 - Google Patents

基于隐马尔可夫模型的飞行目标行为意图预测方法 Download PDF

Info

Publication number
CN115130523A
CN115130523A CN202210847139.4A CN202210847139A CN115130523A CN 115130523 A CN115130523 A CN 115130523A CN 202210847139 A CN202210847139 A CN 202210847139A CN 115130523 A CN115130523 A CN 115130523A
Authority
CN
China
Prior art keywords
observation
value
markov model
hidden markov
behavior intention
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
Application number
CN202210847139.4A
Other languages
English (en)
Inventor
柴慧敏
唐轲
方敏
刘毅涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202210847139.4A priority Critical patent/CN115130523A/zh
Publication of CN115130523A publication Critical patent/CN115130523A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于隐马尔可夫模型的飞行目标行为意图预测方法，解决在飞行目标行为意图预测时，时序状态信息使用不充分的问题，本发明的实现步骤是：构建飞行目标行为意图预测的隐马尔可夫模型，将隐马尔可夫模型中的每个观测节点值离散化，利用观测节点值离散化的方式生成训练集，使用训练集对隐马尔可夫模型的参数进行训练，使用训练好的隐马尔可夫模型计算飞行目标状态观测序列的行为意图的概率评估值，根据概率评估值预测飞行目标的行为意图。本发明使用飞行目标的多个连续时刻的多种态势要素数据，解决了行为意图预测过程中飞行目标连续特征描述不足的问题，有效提高了飞行目标行为意图识别的精度。

Description

基于隐马尔可夫模型的飞行目标行为意图预测方法
技术领域
本发明属于计算机技术领域，更进一步涉及态势感知技术领域中的一种基于隐马尔可夫模型的飞行目标行为意图预测方法。本发明可用于对飞行目标的行为意图进行判断。
背景技术
目标行为意图预测是目标态势感知的主要问题之一。目前，在这方面，主要采用模糊理论、贝叶斯网络等方法，通过提取传感器探测得到的目标状态信息，进行模糊推理或概率推理等，得到目标行为意图的预测结果。但这些方法都局限于对当前时刻的目标状态信息进行推理，而不能处理连续多个时刻的目标状态信息。对于运动目标来说，仅仅依据目标的当前状态信息，是不能有效地预测其行为意图的。隐马尔可夫模型是关于时序的概率模型，具有较强的时序数据处理能力，且模型结构简单和训练速度快，可以提高目标行为意图预测的正确性。
樊皓在其发表的论文“面向机载态势感知系统的空中目标意图估计”(兵工自动化，Vol.41,No.4,2022)中提出一种针对空中目标的意图估计的方法。该方法的实现步骤是，建立基于模糊贝叶斯网络的空中目标意图估计模型。该模型采用贝叶斯网络的有向无环图表示目标事件的逻辑关系，利用模糊隶属度函数描述网络节点的不同状态，在机载环境下实时评估空中目标的意图。该方法存在的不足之处在于：在通过所建模型估计空中目标意图时，只是在目标相关事件的基础上进行推理，而目标事件均为当前时刻的信息，用于推理的目标事件只包含航迹信息且无时序信息，导致对机动灵活的空中目标的连续特征描述不足，从而对行为意图估计产生偏差。
中国人民解放军国防科技大学在其申请的专利文献“基于单元分布热力网格的目标任务意图识别方法和装置”(专利申请号CN202010697759.5，授权公告号CN 111783231B)中公开了一种目标任务意图识别方法。该方法实现的具体步骤是，首先根据任务空间经纬度将其转化为经纬度网格,后根据飞行目标的位置和任务半径在任务空间中构建空中单元分布热力网格,再根据网格的热力值及其关联的飞行目标确定任务空间中的目标编队,最后根据得到的目标编队中飞行目标的平台类型和任务区域中任务目标的任务目标类型确定目标编队的任务意图。该方法存在的不足之处在于：由于飞行目标行为意图预测存在动态性、序列性问题，虽然利用飞行目标的位置，任务半径对飞行目标的任务意图进行识别，但这些状态信息仅仅反映当前时刻的飞行目标的状态相关信息，不能反映连续时刻的飞行目标行为变化，因此，该方法使用的状态信息时序特征不足会影响飞行目标行为意图预测性。
发明内容
本发明的目的在于针对上述已有技术的不足，提出了一种基于隐马尔可夫模型的目标行为意图预测方法，旨在解决飞行目标行为意图预测时使用状态信息的动态性和时序性不足描述动态和时序特征不充分的问题。
实现本发明目的的思路是，为不同的飞行目标行为意图分别构建关于时序的隐马尔可夫概率模型，可以利用飞行目标静态距离和动态速度、水平进入角等状态信息提取出飞行目标行为的静态特征和动态特征，增强模型动态性特征描述能力，完成对飞行目标的行为意图预测。为了克服飞行目标状态信息时序特征不足的问题，建立多时刻状态的隐马尔可夫模型，收集飞行目标连续时刻的状态样本数据输入到飞行目标行为意图预测的模型中，进行模型参数的学习。将飞行目标的多个连续时刻的多种态势要素数据的离散化结果，作为飞行目标观测值输入到飞行目标行为意图预测的隐马尔可夫模型中进行预测，综合考虑多个时刻的飞行目标距离、水平进入角、速度等多个状态信息，有效提高飞行目标行为意图识别的精度。
实现本发明目的的技术方案包括如下步骤：
步骤1，构建飞行目标行为意图预测的隐马尔可夫模型：
分别建立与N种类型行为意图对应的N'个隐马尔可夫模型，每个隐马尔可夫模型中含有M个隐状态的马尔可夫链，每个隐状态包含飞行目标的距离观测节点，速度观测节点，水平进入角观测节点，每个隐状态与其对应状态观测节点之间为高斯分布概率关系；其中，2≤N≤10，N＝N'，M≥4；
步骤2，将每个隐马尔可夫模型中每个观测节点的观测值离散化：
将每种行为意图中的每个隐状态中飞行目标的距离观测节点，速度观测节点，水平进入角观测节点所得到的距离观测值，速度观测值，水平进入角观测值进行观测值离散化，得到每种行为意图的距离观测值等级，速度观测值等级，水平进入角观测值等级；
步骤3，生成训练集：
步骤3.1，将每种行为意图的距离观测值，速度观测值，水平进入角观测值离散化后的等级范围作为待生成训练集的距离观测值，速度观测值，水平进入角观测值抽样的等级范围，将每个等级范围中等级总数的倒数作为每个等级的抽样概率；
步骤3.2，在每个观测节点中，从其观测值抽样的等级范围中，按照每个等级的抽样概率随机抽样生成1个样本观测值等级，将一个隐状态下所有观测节点生成的样本观测值等级作为1条样本，每个隐状态生成K条样本，K≥500；
步骤3.3，将每个隐马尔可夫模型中所有隐状态生成的样本组成该隐马尔可夫模型的行为意图训练集；
步骤4，训练隐马尔可夫模型：
将每个行为意图训练集的样本数据输入到与其对应隐马尔可夫模型中；通过参数估计的方法，计算每个隐状态与其每个观测节点的高斯概率分布的期望和协方差，得到每个训练好的行为意图预测的隐马尔可夫模型；
步骤5，计算飞行目标观测序列的行为意图的概率评估值：
采用与步骤2相同的方式，将连续4个时刻的状态观测序列进行离散化，将离散化后的状态观测序列分别输入到每个训练好的行为意图预测的隐马尔可夫模型中，采用前向推理算法，分别计算每个隐马尔可夫模型对应的行为意图的概率评估值λx，x＝1,2,...,N'；
步骤6，根据概率评估值预测飞行目标的行为意图：
将所有概率评估值中最大的行为意图概率评估值，作为飞行目标行为意图的预测值λ；若λ＝λx，将第x种飞行目标行为意图作为飞行目标行为意图预测的结果。
本发明与现有技术相比，具有以下优点：
第一，本发明通过建立隐马尔可夫模型进行飞行目标行为意图的预测，模型中包括了飞行目标的距离、水平进入角、目标速度等主要的飞行目标状态信息，并利用隐马尔可夫模型的前向推理算法对飞行目标的水平进入角、速度等多个动态状态信息进行处理，克服现有技术预测时使用的飞行目标状态信息动态性不足描述动态特征不充分的问题，使得本发明可以结合多个静态和动态状态信息完成对飞行目标行为意图的预测。
第二，本发明所建立的飞行目标行为意图预测模型，包括了多个时刻的飞行目标状态信息，并利用隐马尔可夫模型推理算法对连续多个时刻的飞行目标状态数据进行集中处理，克服了现有技术中预测模型对于飞行目标时序性特征的描述能力不足的问题，使得本发明进一步提高了飞行目标行为意图的种类识别的准确性。
附图说明
图1是本发明的流程图；
图2为本发明具体实施使用的隐状态马尔可夫链结构；
图3是本发明具体实施使用的隐马尔可夫模型结构图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细描述。
参照图1和实施例，对本发明的实施步骤做进一步描述。
步骤1,构建每个飞行目标行为意图预测的隐马尔可夫模型。
步骤1.1，为每个行为意图建立飞行目标行为意图预测的隐马尔可夫模型。
本发明的实施例中确定预测的飞行目标行为意图包括：攻击、规避、逃逸3种行为意图，为每个行为意图建立用于飞行目标行为意图预测的隐马尔可夫模型结构。
步骤1.2，为了保证模型提取特征的时序性和计算的时效性，本发明的实施例中分别用四个隐状态代表攻击行为意图预测的隐马尔可夫模型中行为意图过程的不同阶段：S1代表行为意图过程的开始阶段，S2代表中间阶段，S3代表进阶阶段，S4代表结束阶段。
步骤1.3，在常用的隐马尔可夫模型中，由于行为意图过程的开始阶段，中间阶段，进阶阶段，结束阶段之间存在相互影响，故将S1，S2，S3，S4四种隐状态前后进行相互转换，并且每个状态都可进行自转换。而本发明的实施例中，由于受到时序特征的影响，在S1，S2，S3隐状态转换关系不变的基础上，仅考虑从S3的状态转换至S4的状态后再构建攻击行为意图预测的隐马尔可夫模型的隐状态马尔可夫链，如图2所示。图2中的S表示隐状态，箭头表示隐状态之间转换的方向。在计算状态转换过程中的概率值时，为了减少参数的个数，每个状态的转换将按照等概率进行转换。
步骤1.4，根据步骤1.2中四个阶段所探测到的飞行目标状态信息，确定攻击行为意图预测的隐马尔可夫模型的各个阶段隐状态观测节点分别包括其阶段的飞行目标速度、飞行目标水平进入角和飞行目标距离三个观测节点，如图3所示。图3中S表示隐状态，隐状态下方的各个节点表示不同阶段隐状态的观测节点，图3中的速度是指飞行目标运动的实际速度；距离是指飞行目标与探测方之间的距离，具体计算为飞行目标和探测方在XYZ三维坐标下的欧式距离；水平进入角是指飞行目标速度方向与探测方连线的夹角。
按照下式，计算每个被测飞行目标与探测方的水平进入角：
Figure BDA0003735374140000051
其中，θi表示第i个被测飞行目标与探测方位置的水平进入角，arccos表示取反余弦值操作，AB表示在三维坐标系下被测飞行目标到探测方的矢量连线，Aspeed表示被测飞行目标A的速度矢量，·表示矢量内积操作，||||表示取矢量模操作。
步骤1.5，隐状态S与观测节点之间的箭头表示隐状态与观测值之间的存在概率数值关系，如图3所示。在本发明的实施例中，使用高斯分布表示攻击行为意图预测的隐马尔可夫模型中的隐状态和观测节点之间的概率关系，隐状态个数、观测节点个数和高斯函数参数共同组成高斯分布的概率矩阵。
步骤1.6，采用与步骤1.2至步骤1.5相同的方法，分别建立规避行为意图预测的隐马尔可夫模型和逃逸行为意图预测的隐马尔可夫模型。
步骤2,将每个行为意图预测的隐马尔可夫模型中的每个观测节点值离散化。
第一步，将飞行目标的速度观测值的最小值和最大值作为速度观测值的范围，将速度观测值的范围平均分成6个区间，每个区间对应1个等级，共6个等级，等级越高代表的速度越大。
第二步，将飞行目标的距离观测值的最小值和最大值作为距离观测值的范围，将距离观测值的范围分成8个区间，每个区间对应1个等级，共8个等级，等级越高代表的距离越大。
第三步，将[0°,360°]的角度范围平均分成6个区间，飞行目标的水平进入角按照每个区间范围对应1个等级，共6个等级，等级越高代表的水平进入角越大。
为了减小状态空间使模型收敛性更好，在本发明的实施例中，将各观测节点所有的取值离散化，具体实施步骤如下：
步骤2.1，按照下式，将飞行目标速度节点设定为如下6种离散状态：
将飞行目标速度处于(0,Vmax/6)时的速度离散值设定1级；
将飞行目标速度处于[Vmax/6,2*Vmax/6)时的速度离散值设定2级；
将飞行目标速度处于[2*Vmax/6,3*Vmax/6)时的速度离散值设定3级；
将飞行目标速度处于[3*Vmax/6,4*Vmax/6)时的速度离散值设定4级；
将飞行目标速度处于[4*Vmax/6,5*Vmax/6)时的速度离散值设定5级；
将飞行目标速度处于[5*Vmax/6,Vmax)时的速度离散值设定6级。
其中，Vmax表示飞行目标速度的最大值，速度单位为：公里/小时。飞行目标速度离散化后的等级为：1、2、3、4、5、6，等级越高代表的速度越大。
步骤2.2，按照下式，对于同时具有攻击能力以及探测能力的飞行目标，将飞行目标距离节点设定为如下8种离散状态：
将飞行目标距离处于(0,20)时的距离离散值设定1级；
将飞行目标距离处于[20,gjR/2)时的距离离散值设定2级；
将飞行目标距离处于[gjR/2,gjR)时的距离离散值设定3级；
将飞行目标距离处于[gjR,tcR)时的距离离散值设定4级；
将飞行目标距离处于[tcR,tcR+20)时的距离离散值设定5级；
将飞行目标距离处于[tcR+20,tcR+40)时的距离离散值设定6级；
将飞行目标距离处于[tcR+40,tcR+60)时的距离离散值设定7级；
将飞行目标距离大于tcR+60时的距离离散值设定8级。
按照下式，对于只有探测能力的飞行目标，将飞行目标距离节点设定为如下8种离散状态：
将飞行目标距离处于[0,tcR/4)时的距离离散值设定1级；
将飞行目标距离处于[tcR/4,tcR/2)时的距离离散值设定2级；
将飞行目标距离处于[tcR/2,3*tcR/4)时的距离离散值设定3级；
将飞行目标距离处于[3*tcR/4,tcR)时的距离离散值设定4级；
将飞行目标距离处于[tcR,tcR+20)时的距离离散值设定5级；
将飞行目标距离处于[tcR+20,tcR+40)时的距离离散值设定6级；
将飞行目标距离处于[tcR+40,tcR+60)时的距离离散值设定7级；
将飞行目标距离大于tcR+60时的距离离散值设定8级。
其中，tcR表示被测飞行目标的探测距离，gjR表示被测飞行目标的攻击距离，距离单位均为：公里。飞行目标距离离散化后的等级为：1、2、3、4、5、6、7、8，等级越高表示距离越远。
步骤2.3，按照下式，将飞行目标水平进入角节点设定为如下6种离散状态：
将飞行目标水平进入角处于[0°,30°)时的水平进入角离散值设定为1级；
将飞行目标水平进入角处于[30°,60°)时的水平进入角离散值设定2级；
将飞行目标水平进入角处于[60°,90°)时的水平进入角离散值设定3级；
将飞行目标水平进入角处于[90°,120°)时的水平进入角离散值设定4级；
将飞行目标水平进入角处于[120°,150°)时的水平进入角离散值设定5级；
将飞行目标水平进入角处于[150°,180°]时的水平进入角离散值设定6级。
飞行目标水平进入角离散化后的等级为：1、2、3、4、5、6，等级越高表示水平进入的角度越大。
步骤3,利用观测节点值离散化的方式生成训练集。
步骤3.1，根据飞行目标在不同行为意图下的飞行目标速度，距离和水平进入角等级分布规律，确定每个隐状态对应的观测节点产生样本观测值的取值范围。
本发明实施例中，由于确定预测的飞行目标行为意图为攻击、规避、逃逸3种行为意图。根据飞行目标运动过程中的距离、进入角和速度实际观测值。
由于具有攻击行为意图的飞行目标通常其速度范围为[3*Vmax/6,Vmax]，根据步骤2.1所述将飞行目标速度节点设定的6种离散状态，则将具有攻击行为意图的飞行目标的速度范围对应的速度等级确定为：4,5,6级。由于具有攻击行为意图的飞行目标通常其飞行目标距离是大于被测飞行目标的探测距离tcR，根据步骤2.2所述的将飞行目标距离节点设定为8种离散状态，则将具有攻击行为意图的飞行目标距离对应的距离等级确定为：5,6,7,8级。由于具有攻击行为意图的飞行目标通常其水平进入角范围为[90°,180°)，根据步骤2.3所述将飞行目标水平进入角节点设定为6种离散状态，则将飞行目标水平进入角范围对应的水平进入角等级确定为：4,5,6级。
步骤3.2，在每个观测节点样本观测值的取值范围内，将该观测节点的样本观测值抽样概率设定为所有等级总数的倒数，使得样本分布均匀。
本发明实施例中，根据步骤3.1所述的具有攻击行为意图的飞行目标的速度等级为：4,5,6级，则所有等级的总数为3，其倒数为0.33。具有攻击行为意图的飞行目标距离等级为：5,6,7,8级，则所有等级总数为4，其倒数为0.25。具有攻击行为意图的飞行目标的速度等级为4,5,6级，则所有等级的总数为3，其倒数为0.33。
步骤3.3，根据步骤3.2所述的飞行目标行为意图中每个观测节点生观测值的抽样概率，为每个隐状态对应的观测节点，采用随机抽样算法生成观测样本值。
本发明实施例中，根据步骤3.2所述的具有攻击行为意图的飞行目标的速度观测节点样本值等级范围为：4,5,6级，各等级抽样概率为0.33，按照每个速度等级的抽样概率0.33从对应的等级范围内随机抽样一个等级，将所抽取的等级作为速度观测样本值。
具有攻击行为意图的飞行目标的距离观测节点样本值等级为：5,6,7,8级，各等级抽样概率为0.25，按照每个距离等级的抽样概率0.25从对应的等级范围随机抽样一个等级，将所抽取的等级作为距离观测样本值。
具有攻击行为意图的飞行目标的水平进入角观测节点样本值等级范围为：4,5,6级，各等级抽样概率分别为0.33，按照每个水平进入角等级的抽样概率0.33从对应的等级范围内随机抽样一个等级，将所抽取的等级作为水平进入角观测样本值。
步骤3.4，将速度观测样本值、距离观测样本值和水平进入角观测样本值组成一条样本数据。
步骤3.5，采用与步骤3.3与3.4相同的方法，为攻击、规避、逃逸行为意图预测模型中每个隐状态分别生成1000条观测样本数据，共12000条，该训练样本数据集的行数为样本数据总量，列数为观测节点总数。
步骤3.6，将步骤3.5所得到的12000条观测样本数据，按照攻击、规避、逃逸行为意图种类分成三类训练集，分别为攻击行为意图预测训练集，规避行为意图预测训练集，逃逸行为意图预测训练集，每类训练集为4000条样本数据。
在攻击、规避、逃逸行为意图预测训练集中，训练集编号0～999为对应行为意图模型中隐状态S1观测节点的样本数据，训练集编号1000～1999为对应行为意图模型中隐状态S2观测节点的样本数据，训练集编号2000～2999为对应行为意图模型中隐状态S3观测节点的样本数据，训练集编号3000～3999为对应行为意图模型中隐状态S4观测节点的样本值。
步骤4,利用训练集对每个行为意图预测的隐马尔可夫模型进行参数估计。
将每个行为意图训练集的样本数据输入到与其对应隐马尔可夫模型中；通过参数估计的方法，计算每个隐状态与其每个观测节点的高斯概率分布的期望和协方差，得到每个训练好的行为意图预测的隐马尔可夫模型；
参数估计采用的方法为极大似然估计，贝叶斯估计，极大后验估计中的任意一种。
本发明的实施例中采用极大似然估计方法，分别对攻击、规避、逃逸的三种行为意图的隐马尔可夫模型中的参数进行估计的步骤如下：
步骤4.1，将步骤3.6所得到的攻击、规避、逃逸的三种训练集，分别输入到攻击、规避、逃逸三种行为意图对应的隐马尔可夫模型中。
步骤4.2，将训练集中的样本观测值输入每种隐马尔可夫模型结构中的每个对应的观测节点中；
步骤4.3，按照下式，在攻击行为意图预测的隐马尔可夫模型中，分别计算每个隐状态的样本中的距离观测样本值的均值，水平进入角观测样本值的均值和速度观测均值：
Figure BDA0003735374140000091
Figure BDA0003735374140000092
Figure BDA0003735374140000093
其中，μk,dis表示训练集中第k个隐状态的样本中所有的距离观测样本值的均值，n表示的样本总数，Xk,i,dis表示第k个隐状态的第i个样本的距离观测样本值，Σ表示求和操作。
步骤4.4，在攻击行为意图预测的隐马尔可夫模型中，将每个隐状态观测样本值的均值μk,dis、μk,angle、μk,speed组成高斯概率分布的期望向量的极大似然估计如下：
Figure BDA0003735374140000094
其中，μk表示第k个隐状态的高斯概率分布的期望向量的极大似然估计，μk,dis表示第k个隐状态的样本中所有的距离观测样本值的均值。
步骤4.5，按照下式，在攻击行为意图预测的隐马尔可夫模型中，分别计算每个隐状态的样本中的距离观测样本值的方差，水平进入角观测样本值的方差和速度观测样本值的方差：
Figure BDA0003735374140000101
Figure BDA0003735374140000102
Figure BDA0003735374140000103
其中，σ2 k,dis表示训练集中第k个隐状态的样本中所有的距离观测样本值的方差，n表示训练集中样本总数，Xk,i,dis表示训练集中第k个隐状态下第i个样本中的距离观测样本值，μk,dis表示第k个隐状态的样本中所有的距离观测样本值的期望。
步骤4.6，在攻击行为意图预测的隐马尔可夫模型中，将每个隐状态的方差σ2 k,dis，σ2 k,angle，σ2 k,speed组成高斯概率分布的协方差矩阵的极大似然估计如下：
Figure BDA0003735374140000104
其中，Σk表示第k个隐状态的高斯概率分布的协方差矩阵的极大似然估计，σ2 k,dis表示第k个隐状态的所有的距离观测样本值的方差。
步骤4.7，采用与步骤4.3至4.6相同的方法，分别计算规避、逃逸行为意图预测的隐马尔可夫模型的期望向量、协方差矩阵，得到训练好的攻击行为意图预测的隐马尔可夫模型，规避行为意图预测的隐马尔可夫模型，逃逸行为意图预测的隐马尔可夫模型。
步骤5,使用训练好的隐马尔可夫模型计算飞行目标观测序列的不同行为意图的概率评估值。
采用与步骤2相同的方式，将连续4个时刻的状态观测序列进行离散化，将离散化后的状态观测序列分别输入到每个训练好的行为意图预测的隐马尔可夫模型中，采用如下前向推理算法，分别计算每个隐马尔可夫模型对应的行为意图的概率评估值λx的步骤如下，x＝1,2,3。
步骤5.1，将连续4个时刻的状态观测序列按照步骤2所述的方式离散化，得到连续4个时刻的模型预测输入数据(O1,O2,O3,O4)。
步骤5.2，将预测输入数据(O1,O2,O3,O4)分别输入步骤4.7中训练好的攻击行为意图预测的隐马尔可夫模型，采用下述前向推理算法，计算攻击行为意图预测的概率评估值的步骤如下：
第一步，按照下式，在攻击行为意图预测的隐马尔可夫模型中，分别计算第1时刻的4个隐状态的前向概率：
α1(Sk)＝πkbk(o1)
其中，α1(Sk)表示第1个时刻第k个隐状态的前向概率，πk表示第k个隐状态的初始概率，bk(o1)表示第k个隐状态的观测节点预测输入数据为第1个时刻状态观测值的高斯分布概率；
第二步，按照下式，在攻击行为意图预测的隐马尔可夫模型中，分别递推计算第2，3，4时刻每个隐状态的前向概率：
Figure BDA0003735374140000111
其中，αt+1(Si)表示第t+1个时刻第i个隐状态的前向概率值，i＝1,2,3,...,m，m表示每个隐马尔可夫模型中隐状态的个数，Σ表示求和操作，ai,j表示第i个隐状态转化为第j个隐状态的转移概率，bi(ot+1)表示第i个隐状态的观测节点输入数据为第t+1个时刻状态观测值的高斯分布概率。
第三步，按照下式，计算攻击行为意图的概率评估值：
λ1＝α4(S1)+α4(S2)+α4(S3)+α4(S4)
其中，λ1表示攻击行为意图的隐马尔可夫模型的概率评估值，α4(S1)表示第4个时刻第i个隐状态的前向概率值。
步骤5.3，采用与步骤5.2相同的方法，分别计算规避行为意图的概率评估值λ2和逃逸行为意图的概率评估值λ3。
步骤6,根据概率评估值预测飞行目标的行为意图。
步骤6.1，从概率评估值λ1，λ2，λ3中选取最大的行为意图概率评估值，作为飞行目标行为意图的预测值λ。
步骤6.2，根据飞行目标行为意图的预测值λ，若λ＝λ1，将飞行目标行为意图预测的结果判断为攻击；若λ＝λ2，将飞行目标行为意图预测的结果判断为规避；若λ＝λ3，将飞行目标行为意图预测的结果判断为逃逸。

Claims (4)

1.一种基于隐马尔可夫模型的飞行目标行为意图预测方法，其特征在于，构建行为意图预测的隐马尔可夫模型，利用连续多个时刻的飞行目标状态信息对飞行目标行为意图进行预测；该方法的步骤包括如下：
步骤1，构建飞行目标行为意图预测的隐马尔可夫模型：
分别建立与N种类型行为意图对应的N'个隐马尔可夫模型，每个隐马尔可夫模型中含有M个隐状态的马尔可夫链，每个隐状态包含飞行目标的距离观测节点，速度观测节点，水平进入角观测节点，每个隐状态与其对应状态观测节点之间为高斯分布概率关系；其中，2≤N≤10，N＝N'，M≥4；
步骤2，将每个隐马尔可夫模型中每个观测节点的观测值离散化：
将每种行为意图中的每个隐状态中飞行目标的距离观测节点，速度观测节点，水平进入角观测节点所得到的距离观测值，速度观测值，水平进入角观测值进行观测值离散化，得到每种行为意图的距离观测值等级，速度观测值等级，水平进入角观测值等级；
步骤3，生成训练集：
步骤3.1，将每种行为意图的距离观测值，速度观测值，水平进入角观测值离散化后的等级范围作为待生成训练集的距离观测值，速度观测值，水平进入角观测值抽样的等级范围，将每个等级范围中等级总数的倒数作为每个等级的抽样概率；
步骤3.2，在每个观测节点中，从其观测值抽样的等级范围中，按照每个等级的抽样概率随机抽样生成1个样本观测值等级，将一个隐状态下所有观测节点生成的样本观测值等级作为1条样本，每个隐状态生成K条样本，K≥500；
步骤3.3，将每个隐马尔可夫模型中所有隐状态生成的样本组成该隐马尔可夫模型的行为意图训练集；
步骤4，训练隐马尔可夫模型：
将每个行为意图训练集的样本数据输入到与其对应隐马尔可夫模型中；通过参数估计的方法，计算每个隐状态与其每个观测节点的高斯概率分布的期望和协方差，得到每个训练好的行为意图预测的隐马尔可夫模型；
步骤5，计算飞行目标观测序列的行为意图的概率评估值：
采用与步骤2相同的方式，将连续4个时刻的状态观测序列进行离散化，将离散化后的状态观测序列分别输入到每个训练好的行为意图预测的隐马尔可夫模型中，采用前向推理算法，分别计算每个隐马尔可夫模型对应的行为意图的概率评估值λx，x＝1,2,...,N'；
步骤6，根据概率评估值预测飞行目标的行为意图：
将所有概率评估值中最大的行为意图概率评估值，作为飞行目标行为意图的预测值λ；若λ＝λx，将第x种飞行目标行为意图作为飞行目标行为意图预测的结果。
2.根据权利要求1所述的基于隐马尔可夫模型的飞行目标行为意图预测方法，其特征在于，步骤2中所述观测值离散化的步骤如下：
第一步，将飞行目标的速度观测值的最小值和最大值作为速度观测值的范围，将速度观测值的范围平均分成6个区间，每个区间对应1个等级，共6个等级，等级越高代表的速度越大；
第二步，将飞行目标的距离观测值的最小值和最大值作为距离观测值的范围，将距离观测值的范围分成8个区间，每个区间对应1个等级，共8个等级，等级越高代表的距离越大；
第三步，将[0°,360°]的角度范围平均分成6个区间，飞行目标的水平进入角按照每个区间范围对应1个等级，共6个等级，等级越高代表的水平进入角越大。
3.根据权利要求1所述的基于隐马尔可夫模型的飞行目标行为意图预测方法，其特征在于，步骤4中所述参数估计所采用的方法为极大似然估计，贝叶斯估计，极大后验估计中的任意一种。
4.根据权利要求1所述的基于隐马尔可夫模型的飞行目标行为意图预测方法，其特征在于，步骤5中所述采用前向推理算法，分别计算每个隐马尔可夫模型对应的行为意图的概率评估值λx的步骤如下：
第一步，按照下式，在每个行为意图预测的隐马尔可夫模型中，分别计算第1时刻的每个隐状态的前向概率：
α1(Sk)＝πkbk(o1)
其中，α1(Sk)表示第1个时刻第k个隐状态的前向概率，πk表示第k个隐状态的初始概率，bk(o1)表示第k个隐状态的观测节点预测的输入数据为第1个时刻状态观测值的概率；
第二步，按照下式，在每个行为意图预测的隐马尔可夫模型中，分别递推计算第2，3，4时刻每个隐状态的前向概率：
Figure FDA0003735374130000031
其中，αt+1(Si)表示第t+1个时刻第i个隐状态的前向概率值，i＝1,2,3,...,m，m表示每个隐马尔可夫模型中隐状态的个数，Σ表示求和操作，ai,j表示第i个隐状态转化为第j个隐状态的转移概率，bi(ot+1)表示第i个隐状态的观测节点输入数据为第t+1个时刻状态观测值的高斯分布概率；
第三步，按照下式，计算每种行为意图的概率评估值：
λx＝α4(S1)+α4(S2)+α4(S3)+α4(S4)
其中，λx表示第x种行为意图的隐马尔可夫模型的概率评估值，α4(S1)表示第4个时刻第1个隐状态的前向概率值。
CN202210847139.4A 2022-07-07 2022-07-07 基于隐马尔可夫模型的飞行目标行为意图预测方法 Pending CN115130523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210847139.4A CN115130523A (zh) 2022-07-07 2022-07-07 基于隐马尔可夫模型的飞行目标行为意图预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210847139.4A CN115130523A (zh) 2022-07-07 2022-07-07 基于隐马尔可夫模型的飞行目标行为意图预测方法

Publications (1)

Publication Number Publication Date
CN115130523A true CN115130523A (zh) 2022-09-30

Family

ID=83383436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210847139.4A Pending CN115130523A (zh) 2022-07-07 2022-07-07 基于隐马尔可夫模型的飞行目标行为意图预测方法

Country Status (1)

Country Link
CN (1) CN115130523A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117240399A (zh) * 2023-11-13 2023-12-15 西安千将云信息科技有限公司 一种导航诱骗信号处理方法及装置、存储介质、电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117240399A (zh) * 2023-11-13 2023-12-15 西安千将云信息科技有限公司 一种导航诱骗信号处理方法及装置、存储介质、电子设备
CN117240399B (zh) * 2023-11-13 2024-02-06 西安千将云信息科技有限公司 一种导航诱骗信号处理方法及装置、存储介质、电子设备

Similar Documents

Publication Publication Date Title
Cai et al. Real-time out-of-distribution detection in learning-enabled cyber-physical systems
CN109872346B (zh) 一种支持循环神经网络对抗学习的目标跟踪方法
Hu et al. Intelligent anomaly detection of trajectories for IoT empowered maritime transportation systems
US11526755B2 (en) Training more secure neural networks by using local linearity regularization
CN110309537B (zh) 一种飞行器的智能健康预测方法及系统
US11574223B2 (en) Method and apparatus for rapid discovery of satellite behavior
CN110889862A (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN115130523A (zh) 基于隐马尔可夫模型的飞行目标行为意图预测方法
GSR et al. Hybrid optimization enabled deep learning technique for multi-level intrusion detection
CN105894014B (zh) 基于多因素不一致度量的异常行为序贯检测方法
Kang et al. A transfer learning based abnormal can bus message detection system
CN115664804B (zh) 一种基于径向基函数神经网络的LDoS攻击检测方法
Wei et al. Intrusive detection systems design based on BP neural network
Zhang et al. Learning to multi-target tracking in dense clutter environment with JPDA-recurrent neural networks
Liu et al. Dynamic states prediction in autonomous vehicles: Comparison of three different methods
Fan et al. Review of neutrosophic-set-theory-based multiple-target tracking methods in uncertain situations
Pan et al. Online detection of anomaly behaviors based on multidimensional trajectories
Pavate et al. Analyzing probabilistic adversarial samples to attack cloud vision image classifier service
Liu et al. Multiple classification algorithm based on graph convolutional neural network for intrusion detection
Sun et al. Application of fuzzy data fusion in multi-sensor environment monitor
CN114884694B (zh) 一种基于分层建模的工控网络安全风险评估方法
Notkin et al. Classification of Ground Moving Radar Targets with RBF Neural Networks.
Li et al. Angular disturbance prediction for countermeasure launcher in active protection system of moving armored vehicle based on an ensemble learning method
CN114638298B (zh) 飞行器攻击行为预测方法及电子设备
KR102590793B1 (ko) 기계 학습을 위한 온라인 데이터셋의 자가 균형화 방법 및 장치

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