CN115494865B - 基于时空图卷积网络的无人机集群态势分析方法及介质 - Google Patents

基于时空图卷积网络的无人机集群态势分析方法及介质 Download PDF

Info

Publication number
CN115494865B
CN115494865B CN202211157260.0A CN202211157260A CN115494865B CN 115494865 B CN115494865 B CN 115494865B CN 202211157260 A CN202211157260 A CN 202211157260A CN 115494865 B CN115494865 B CN 115494865B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
situation
cluster
space
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.)
Active
Application number
CN202211157260.0A
Other languages
English (en)
Other versions
CN115494865A (zh
Inventor
曹洋
罗红晨
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202211157260.0A priority Critical patent/CN115494865B/zh
Publication of CN115494865A publication Critical patent/CN115494865A/zh
Application granted granted Critical
Publication of CN115494865B publication Critical patent/CN115494865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的一种基于时空图卷积网络的无人机集群态势分析方法及介质，本发明采用解耦的时空图卷积网络显式地建模无人机集群的时空关系以及相互作用关系，动态适应复杂的无人机集群场景。将无人机集群态势信息建模为动态时序，将无人机集群运动通过空间连通关系建模为图，通过集群动态态势的时序聚类，设计双向自监督约束，向后监督集群动态态势的时序聚类，同时向前监督集群态势的时空聚类过程。采用三种聚类内部指标综合评估无人机集群态势分析结果，并进行典型协同方式分析。综合考虑环境因素影响及无人机集群间的相互作用，实现更高精度及鲁棒性的无人机集群态势分析。

Description

基于时空图卷积网络的无人机集群态势分析方法及介质
技术领域
本发明涉及无人机技术领域，具体涉及一种基于时空图卷积网络的无人机集群态势分析方法及介质。
背景技术
近年来，无人机集群在飞行表演、城市交通、快递物流、精准农业等领域应用越来越多，在世界范围引起广泛的研究关注。
集群概率最早源于生物学研究，自然界中的生物通过个体自主决策和个体间的信息交互，使得群体具有自组织性、协作性、环境适应性和稳定性。受此启发，无人机研究尝试模拟自然界中的鸽群避障、雁群编队等生物群体智能行为。自主化、智能化和集群化是无人机的重要发展趋势，也是近年来的研究热点。无人机集群包含大量的无人机个体，可能同时执行不同的任务，由此带来的态势要素激增，同时复杂的环境进一步加大无人机集群态势分析难度。
现有的无人机态势分析方法主要分为两类，人工分析及机器分析。以人工为主的态势分析存在处理速度慢、效率低等限制，无法应对较大规模的无人机集群，难以准确、实时地进行态势分析。机器为主的态势分析中，由计算机完成数据分析，人工只需完成结果评判、系统维护的工作。机器为主的态势分析主要分为基于模型的方法和基于深度神经网络的机器学习的方法。基于模型的方法通过理论研究、数值分析等方法，以微分方程、随机函数等数学形式定量地刻画要素之间的时空关系、相互作用关系，在具有物理意义的动态模型基础上进行预测。但这主要是针对己知的单一环境进行建模，难以适应未知的复杂的飞行场景及急剧增大的飞行态势数据量。基于深度神经网络的机器学习方法主要通过深度神经网络完成系统状态变量在时序上的演化关系映射，其网络结构及参数都服务于数据层面映射关系的建立，没有明确的物理含义。
发明内容
本发明提出的一种基于时空图卷积网络的无人机集群态势分析方法，利用图卷积神经网络显式地建模无人机集群的时空关系以及相互作用关系，动态适应复杂的无人机集群场景，以解决上述背景技术中提出的问题。
为实现上述目的，本发明采用了以下技术方案：
一种基于时空图卷积网络的无人机集群态势分析方法，包括以下步骤，
S1、利用无人机集群的态势信息的时空变化特点，显式得建模无人机集群的动态时空关系，将无人机集群的态势信息建模为时间序列，无人机的集群运动通过空间连通关系建模为图，空间连通关系指通信连通关系或者距离相近关系或者功能相近关系；
S2、基于步骤S1建模的无人机集群态势变化的时空关系，利用无人机集群的态势变化的时间依赖性，采用基于卷积神经网络和双向门控循环神经网络的时序自编码器提取无人机集群态势的时序特征，进而在时序嵌入空间度量态势变化的相似性，滤除无人机集群的态势数据在复杂环境中的噪声干扰，动态适应复杂的集群态势变化；
S3、提出一种与时序自编码器层数相同的正则化自编码器提取复杂环境因素的影响Y＝{F，W，J}，并利用后续聚类任务的损失函数向自编码器中加入正则化项，提升态势分析的准确度和稳定性，其中风向温度/>降水/>
S4、考虑到无人机集群运动的时空耦合影响，基于步骤S2、步骤S3提取的无人机集群多源信息，采用逐层加性融合将多源信息融合进基于图卷积神经网络的空间模块，进一步通过无人机集群态势预测模型STGCN初始化集群态势时空特征的聚类中心，并通过学生t分布度量相似度初始化时空概率分配，避免孤立考虑时间和空间信息的局限性，同时提升聚类优化效率；
S5、基于步骤S2获得无人机集群动态态势的时序聚类概率分配，基于步骤S4获得无人机集群态势的时空聚类概率分配，考虑到无人机态势变化的时空耦合，采用分而治之的方式，通过基于步骤S2的无人机集群动态态势的时序聚类概率分配设计无人机集群态势的时空聚类概率分配的高纯度聚类约束，该高纯度聚类约束进一步向后监督动态态势的时序聚类过程，向前监督集群态势的时空聚类过程，即双向自监督动态态势的时序聚类及集群态势的时空聚类过程，获取可靠无人机集群态势的时空聚类结果；
S6、基于步骤S5获得的无人机集群态势时空聚类结果，在缺乏无人机集群中无人机所采用的协同方式信息时，采用聚类内部指标DBI指数、轮廓系数Sil，CH分数评估无人机集群态势时空聚类效果，其中DBI指数越小，聚类效果越好，而轮廓系数Sil和CH分数相反，三种内部聚类内部指标综合评估无人机集群态势分析结果。
进一步的，步骤S1具体包括，
S11、获取无人机集群的态势信息U＝(u1，u2，…，uN)，其中ui＝(θ，L，H，v)表示无人机i的态势信息，N表示无人机集群中无人机数量，态势信息包含角度θ＝(θ1，θ2，…，θT)、距离L＝(L1，L2，…，LT)、高度H＝(H1，H2，…，HT)、速度V＝(V1，V2，…，VT)，其中T表示已知态势信息总时刻数；
S12、将无人机集群的动态态势建模为动态时间序列将无人机集群的空间结构建模为图/>空间相似性表明无人机集群中的个体是相关的，其中中的每一个点均代表一架无人机，/>表示无人机集群中的所有无人机的集合，/>表示边集，表示为系统中能够进行信息交互的信道的集合，(i，j)∈ε表示无人机i能够向无人机j发送信息，/>表示图/>的邻接矩阵，若无人机i能向无人机j发送信息，则aij＞0，否则aij＝0；在未知通信状态时，根据距离构建连通关系，通过距离计算无人机集群的空间图的邻近矩阵，即
dist(i，j)表示无人机i和无人机j之间的欧式距离，θ2为高斯核宽，用于控制邻接矩阵尺度和稀疏性，δ为阈值，设置为常用协同态势控制半径；
未知通信状态时，通过Pearson相关性构建连通关系，即无人机间相关性大于设定阈值即视为连通，视为无人机i与无人机j存在空间相似性，即空间连通关系：
其中T表示已知态势信息总时刻数，ui表示无人机i的态势信息，uj表示无人机j的态势信息，∑·为求和运算，为开方运算。
进一步的，所述步骤S2具体步骤包括：
S21、时序自编码器的编码网络第一层网络采用卷积神经网络CNN，提取无人机集群态势的局部变化，得到局部特征其中HT表示时序自编码器提取特征；编码网络的第二层网络采用双向门控循环神经网络BiGRU，提取无人机集群态势的跨时间尺度波形之间的关系，即时间依赖性，得到时序特征/>
S22、时序自编码器的解码网络由一层反卷积网络Deconv构成，将编码网络得到的时序特征解码为重构序列U’，预训练时间模块，使得重构态势序列与输入态势序列之间的均方差MSE最小：
其中||·||F表示F范数，N表示集群中无人机总架数，ui表示无人机i的态势数据，U表示无人机集群的态势信息；
S23、对预训练得到的态势时序特征采用常用聚类方法K-means度量特征空间中动态态势相似性，得到初始化聚类中心μ，其中设置聚类簇数为K，即无人机集群协同方式的类别数量。
进一步的，所述步骤S3具体步骤包括：
S31、正则化自编码器的编码网络通过两层全连接层来提取环境信息，得到环境特征其中HD表示正则化自编码器提取特征，l表示第l层网络，输入为原始环境信息Y＝{F，W，J}，解码器也通过两层全连接层来重构外部因素的影响；
S32、正则化自编码器提取的特征较为简单，无需预训练，目标函数如下：
其中||·||F表示F范数，yi表示无人机i的环境信息，Y表示无人机集群的环境信息，N表示无人机集群的无人机总数量。
进一步的，所述步骤S4具体步骤包括：
S41、采用图卷积神经网络GCN来提取无人机集群的拓扑图结构，第一层GCN的输入为原始态势序列，第一层图卷积神经网络的输出为：
其中表示自连接的结构矩阵，/>表示度矩阵，W(1)为可学习的权重矩阵，U为无人机集群的态势信息，/>为激活函数；
S42、避免分离考虑连续时空特征的限制，采用加性融合将第一层图卷积神经网络GCN提取的拓扑特征与短时局部特征进行融合，得到第二层图卷积神经网络GCN的输入：
其中η＞0为平衡系数；
S43、将第二层图卷积神经网络GCN的输出与长时依赖特征进行加性融合，得到第三层图卷积神经网络GCN的输入；
S44、同时序特征融合方式，逐层将环境因素特征融合进空间模块，得到第l层图卷积神经网络的输入：
其中η＞0，τ＞0为平衡系数，Z(l-1)第l层图卷积神经网络的输出，为第l层图卷积神经网络的输入；
S45、采用STGCN无人机集群态势预测模型来初始化集群态势时空聚类中心，在时空预测任务中，存在下一时刻的态势状态标签，由此，通过训练STGCN模型，得到时空特征空间，并采用Kmeans聚类算法，获得集群态势时空特征的初始化聚类中心ω，提升聚类优化效率；采用学生t分布来度量集群态势的时空特征与初始化时空聚类中心的相似度以获得初始时空聚类概率分配：
其中α是学生t分布的自由度，取值设为1，K为聚类簇数，ωj表示通过STGCN无人机集群态势预测模型初始化后的第j簇聚类中心，zi表示时空特征Z(3)的第i行，即无人机i的时空特征，zij表示无人机i属于簇j的时空概率，即无人机i属于协同方式类别j的时空概率，Z＝[zij]为无人机集群态势的时空概率分配。
进一步的，所述步骤S5具体步骤包括：
S51、通过动态态势相似度度量，初始化态势时序聚类概率分配；通过学生t分布度量时序特征与初始时序聚类中心μ的相似度以获得初始时序聚类概率分配；
其中α是学生t分布的自由度，取值设为1，K为聚类簇数，μj表示初始化后的第j簇聚类中心，表示时序特征/>的第i行，即无人机i的时序特征，qij表示无人机i属于簇j的概率，即无人机i属于协同方式类别j的概率，Q＝[qij]为无人机集群的动态态势的概率分配；
S52、通过无人机集群态势时序聚类的概率分布，设计高置信度的目标分布P来监督动态态势时序聚类，目标分布P设为delta分布：
其中K为聚类簇数，N为无人机集群中的无人机总数量，qij表示无人机i属于簇j的概率，即无人机i属于协同方式类别j的概率，pij表示无人机i属于簇j的目标概率，即无人机i属于协同方式类别j的目标概率；
S53、通过无人机集群动态态势聚类的目标分布P来监督动态态势时序聚类的概率分布Q更新，定义动态态势时序聚类损失：
其中K为聚类簇数，N为无人机集群中的无人机总数量，pij∈P表示无人机i属于协同方式类别j的目标概率，qij∈Q表示无人机i属于协同方式类别j的时序概率，KL(·)表示求KL散度的运算；
S54、集群态势的时空聚类损失：
其中K为聚类簇数，N为无人机集群中的无人机总数量，KL(·)表示求KL散度的运算，pij∈P表示无人机i属于协同方式类别j的目标概率，zij∈Z表示无人机i属于协同方式类别j的时空概率；
S55、时序特征表示和时序聚类学习过程联合优化，获得时序聚类的整体损失函数：
其中ρ＞0，γ＞0是控制平衡的系数；
S56、无人机集群态势时空聚类缺乏特征表达监督信号，将环境因素的正则化自编码器和动态态势的时序表达损失函数引入集群态势时空聚类，为集群态势时空聚类提供特征表达监督，同时时空聚类为环境因素及动态态势的表达引入正则化项防止特征表达过拟合，得到总体损失函数：
其中ρ＞0，γ＞0，β＞0为平衡系数，/>为动态态势的时序特征表达损失函数，/>为环境因素的正则化自编码器的损失函数，/>为动态态势的时序聚类损失函数，/>为集群态势的时空聚类损失函数。
S57、网络训练完成后，直接从集群态势时空聚类概率分配Z中获得协同方式类别：
其中si表示无人机i的协同方式类别。
进一步的，所述步骤S6具体步骤包括：
S61、计算DBI指数，DBI指数越小，无人机集群态势分析结果越准确：
其中K为聚类簇数，
其中Mi表示簇i中无人机数量，即采用协同方式i的无人机数量，Xj表示簇i中的第j个无人机态势时序特征；
S62、计算轮廓系数Sil，轮廓系数越大，无人机集群态势分析结果越准确，轮廓系数的值在-1到1之间，越接近1，结果越好：
其中Mi表示簇i中无人机数量，无人机i与同一协同方式的其它无人机的平均距离a(i)为：
不同簇之间的不相似度定义如下：
其中Si表示第i种态势协同方式，i∈Si表示簇Si中第i架无人机态势；
S63、CH分数越大，无人机集群态势分析结果越准确，
其中Tr(BK)表示类间偏离矩阵的迹，Tr(WK)表示类内偏离矩阵的迹，N表示无人机集群中无人机总数量，K表示聚类簇数，即无人机集群协同方式的类别数量。
再一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
由上述技术方案可知，本发明的基于时空图卷积网络的无人机集群态势分析方法，不同于现有的无人机态势分析方法较难适应复杂环境变化，且忽略无人机集群态势变化的时空耦合影响，本发明采用解耦的时空图卷积网络显式地建模无人机集群的时空关系以及相互作用关系，动态适应复杂的无人机集群场景。将无人机集群态势信息建模为动态时序，将无人机集群运动通过空间连通关系建模为图，通过集群动态态势的时序聚类，设计双向自监督约束，向后监督集群动态态势的时序聚类，同时向前监督集群态势的时空聚类过程。采用三种聚类内部指标综合评估无人机集群态势分析结果，并进行典型协同方式分析。综合考虑环境因素影响及无人机集群间的相互作用，实现更高精度及鲁棒性的无人机集群态势分析。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例无人机集群态势变化时空特征可视化结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的基于时空图卷积网络的无人机集群态势分析方法，包括：
S1、利用无人机集群的态势信息的时空变化特点，显式得建模无人机集群的动态时空关系，将无人机集群的态势信息建模为时间序列，无人机的集群运动通过空间连通关系建模为图，空间连通关系指通信连通关系或者距离相近关系或者功能相近关系；
S2、基于步骤S1建模的无人机集群态势变化的时空关系，利用无人机集群的态势变化的时间依赖性，采用基于卷积神经网络和双向门控循环神经网络的时序自编码器提取无人机集群态势的时序特征，进而在时序嵌入空间度量态势变化的相似性，滤除无人机集群的态势数据在复杂环境中的噪声干扰，动态适应复杂的集群态势变化；
S3、提出一种与时序自编码器层数相同的正则化自编码器提取复杂环境因素的影响Y＝{F，W，J}，并利用后续聚类任务的损失函数向自编码器中加入正则化项，提升态势分析的准确度和稳定性，其中风向温度/>降水/>
S4、考虑到无人机集群运动的时空耦合影响，基于步骤S2、步骤S3提取的无人机集群多源信息，采用逐层加性融合将多源信息融合进基于图卷积神经网络的空间模块，进一步通过无人机集群态势预测模型STGCN初始化集群态势时空特征的聚类中心，并通过学生t分布度量相似度初始化时空概率分配，避免孤立考虑时间和空间信息的局限性，同时提升聚类优化效率；
S5、基于步骤S2获得无人机集群动态态势的时序聚类概率分配，基于步骤S4获得无人机集群态势的时空聚类概率分配，考虑到无人机态势变化的时空耦合，采用分而治之的方式，通过基于步骤S2的无人机集群动态态势的时序聚类概率分配设计无人机集群态势的时空聚类概率分配的高纯度聚类约束，该高纯度聚类约束进一步向后监督动态态势的时序聚类过程，向前监督集群态势的时空聚类过程，即双向自监督动态态势的时序聚类及集群态势的时空聚类过程，获取可靠无人机集群态势的时空聚类结果；
S6、基于步骤S5获得的无人机集群态势时空聚类结果，在缺乏无人机集群中无人机所采用的协同方式信息时，采用聚类内部指标DBI指数、轮廓系数Sil，CH分数评估无人机集群态势时空聚类效果，其中DBI指数越小，聚类效果越好，而轮廓系数Sil和CH分数相反，三种内部聚类内部指标综合评估无人机集群态势分析结果。
以下分别说明：
S1、利用无人机集群的态势信息的时空变化特点，显式得建模无人机集群的动态时空关系，将无人机集群的态势信息建模为时间序列，无人机的集群运动通过空间连通关系建模为图，空间连通关系指通信连通关系或者距离相近关系或者功能相近关系；具体步骤为：
S11、获取无人机集群的态势信息U＝(u1，u2，…，uN)，其中ui＝(θ，L，H，v)表示无人机i的态势信息，N表示无人机集群中无人机数量，态势信息包含角度θ＝(θ1，θ2，…，θT)、距离L＝(L1，L2，…，LT)、高度H＝(H1，H2，…，HT)、速度V＝(V1，V2，…，VT)，其中T表示已知态势信息总时刻数。
S12、将无人机集群的动态态势建模为动态时间序列将无人机集群的空间结构建模为图/>空间相似性表明无人机集群中的个体是相关的，其中中的每一个点均代表一架无人机，/>表示无人机集群中的所有无人机的集合，/>表示边集，可以表示为系统中能够进行信息交互的信道的集合，如(i，j)∈ε表示无人机i能够向无人机j发送信息，/>表示图/>的邻接矩阵，若无人机i能向无人机j发送信息，则aij＞0，否则aij＝0。在未知通信状态时，可以根据距离构建连通关系，通过距离计算无人机集群的空间图的邻近矩阵，即
dist(i，j)表示无人机i和无人机j之间的欧式距离，θ2为高斯核宽，用于控制邻接矩阵尺度和稀疏性，δ为阈值，可设置为常用协同态势控制半径。
未知通信状态时，也可以通过Pearson相关性构建连通关系，即无人机间相关性大于设定阈值即视为连通，如rij≥0.6，视为无人机i与无人机j存在空间相似性，即空间连通关系。
其中T表示已知态势信息总时刻数，ui表示无人机i的态势信息，uj表示无人机j的态势信息，∑·为求和运算，为开方运算。
S2、基于步骤S1建模的无人机集群态势变化的时空关系，利用无人机集群的态势变化的时间依赖性，采用基于卷积神经网络和双向门控循环神经网络的时序自编码器提取无人机集群态势的时序特征，进而在时序嵌入空间度量态势变化的相似性，滤除无人机集群的态势数据在复杂环境中的噪声干扰，动态适应复杂的集群态势变化；具体步骤为：
S21、时序自编码器的编码网络第一层网络采用卷积神经网络CNN，提取无人机集群态势的局部变化，得到局部特征其中HT表示时序自编码器提取特征。编码网络的第二层网络采用双向门控循环神经网络BiGRU，提取无人机集群态势的跨时间尺度波形之间的关系，即时间依赖性，得到时序特征/>
S22、时序自编码器的解码网络由一层反卷积网络Deconv构成，将编码网络得到的时序特征解码为重构序列U’。预训练时间模块，使得重构态势序列与输入态势序列之间的均方差MSE最小：
其中||·||F表示F范数，N表示集群中无人机总架数，ui表示无人机i的态势数据，U表示无人机集群的态势信息。
S23、对预训练得到的态势时序特征采用常用聚类方法K-means度量特征空间中动态态势相似性，得到初始化聚类中心μ，其中设置聚类簇数为K，即无人机集群协同方式的类别数量。
S3、提出一种与时序自编码器层数相同的正则化自编码器提取复杂环境因素的影响Y＝{F，W，J}，并利用后续聚类任务的损失函数向自编码器中加入正则化项，提升态势分析的准确度和稳定性，其中风向温度/>降水/>具体步骤为：
S31、正则化自编码器的编码网络通过两层全连接层来提取环境信息，得到环境特征其中HD表示正则化自编码器提取特征，l表示第l层网络，输入为原始环境信息Y＝{F，W，J}，解码器也通过两层全连接层来重构外部因素的影响。
S32、正则化自编码器提取的特征较为简单，无需预训练，目标函数如下：
其中||·||F表示F范数，yi表示无人机i的环境信息，Y表示无人机集群的环境信息，N表示无人机集群的无人机总数量。
S4、考虑到无人机集群运动的时空耦合影响，基于步骤S2、步骤S3提取的无人机集群多源信息，采用逐层加性融合将多源信息融合进基于图卷积神经网络的空间模块，进一步通过无人机集群态势预测模型STGCN初始化集群态势时空特征的聚类中心，并通过学生t分布度量相似度初始化时空概率分配，避免孤立考虑时间和空间信息的局限性，同时提升聚类优化效率；具体步骤为：
S41、采用图卷积神经网络GCN来提取无人机集群的拓扑图结构，第一层GCN的输入为原始态势序列，第一层图卷积神经网络的输出为：
其中表示自连接的结构矩阵，/>表示度矩阵，W(1)为可学习的权重矩阵，U为无人机集群的态势信息，/>为激活函数。
S42、避免分离考虑连续时空特征的限制，采用加性融合将第一层图卷积神经网络GCN提取的拓扑特征与短时局部特征进行融合，得到第二层图卷积神经网络GCN的输入：
其中η＞0为平衡系数。
S43、相似地，将第二层图卷积神经网络GCN的输出与长时依赖特征进行加性融合，得到第三层图卷积神经网络GCN的输入。
S44、同时序特征融合方式，逐层将环境因素特征融合进空间模块，得到第l层图卷积神经网络的输入：
其中η＞0，τ＞0为平衡系数，Z(l-1)为第l-1层图卷积神经网络的输出，为第l层图卷积神经网络的输入。
S45、然而使用空间模块的输出结果初始化时空特征聚类中心，存在准确性较差，使得后续聚类过程迭代优化效率较低的问题，进一步，考虑提升初始化时空特征的聚类中心准确性，如下步骤所示。采用STGCN无人机集群态势预测模型来初始化集群态势时空聚类中心，在时空预测任务中，存在下一时刻的态势状态标签，由此，通过训练STGCN模型，得到时空特征空间，并采用Kmeans聚类算法，获得集群态势时空特征的初始化聚类中心ω，提升聚类优化效率。采用学生t分布来度量集群态势的时空特征与初始化时空聚类中心的相似度以获得初始时空聚类概率分配：
其中α是学生t分布的自由度，取值设为1，K为聚类簇数，ωj表示通过STGCN无人机集群态势预测模型初始化后的第j簇聚类中心，zi表示时空特征Z(3)的第i行，即无人机i的时空特征，zij表示无人机i属于簇j的时空概率，即无人机i属于协同方式类别j的时空概率，Z＝[zij]为无人机集群态势的时空概率分配。
S5、基于步骤S2获得无人机集群动态态势的时序聚类概率分配，基于步骤S4获得无人机集群态势的时空聚类概率分配，考虑到无人机态势变化的时空耦合，采用分而治之的方式，通过基于步骤S2的无人机集群动态态势的时序聚类概率分配设计无人机集群态势的时空聚类概率分配的高纯度聚类约束，该高纯度聚类约束进一步向后监督动态态势的时序聚类过程，向前监督集群态势的时空聚类过程，即双向自监督动态态势的时序聚类及集群态势的时空聚类过程，获取可靠无人机集群态势的时空聚类结果；具体步骤为：
S51、通过动态态势相似度度量，初始化态势时序聚类概率分配。通过学生t分布度量时序特征与初始时序聚类中心μ的相似度以获得初始时序聚类概率分配。
其中α是学生t分布的自由度，取值设为1，K为聚类簇数，μj表示步骤2中初始化后的第j簇聚类中心，表示时序特征/>的第i行，即无人机i的时序特征，qij表示无人机i属于簇j的概率，即无人机i属于协同方式类别j的概率，Q＝[qij]为无人机集群的动态态势的概率分配。
S52、通过无人机集群态势时序聚类的概率分布，设计高置信度的目标分布P来监督动态态势时序聚类，目标分布P设为delta分布：其中K为聚类簇数，N为无人机集群中的无人机总数量，qij表示无人机i属于簇j的概率，即无人机i属于协同方式类别j的概率，pij表示无人机i属于簇j的目标概率，即无人机i属于协同方式类别j的目标概率。
S53、通过无人机集群动态态势聚类的目标分布P来监督动态态势时序聚类的概率分布Q更新，定义动态态势时序聚类损失：
其中K为聚类簇数，N为无人机集群中的无人机总数量，pij∈P表示无人机i属于协同方式类别j的目标概率，qij∈Q表示无人机i属于协同方式类别j的时序概率，KL(·)表示求KL散度的运算。
S54、考虑到无人机集群协同方式在时间域和空间域的表现趋于一致，且图神经网络训练难度大，较难度量集群图拓扑相似性，采用容易训练的动态态势时序聚类来设计无人机集群时空聚类约束P，由此，相同的高纯度聚类约束P双向自监督动态态势的时序聚类及集群态势的时空聚类过程。集群态势的时空聚类损失：
其中K为聚类簇数，N为无人机集群中的无人机总数量，KL(·)表示求KL散度的运算，pij∈P表示无人机i属于协同方式类别j的目标概率，zij∈Z表示无人机i属于协同方式类别j的时空概率。
S55、时序特征表示和时序聚类学习过程联合优化，获得时序聚类的整体损失函数：
其中ρ＞0，γ＞0是控制平衡的系数。
S56、无人机集群态势时空聚类缺乏特征表达监督信号，将环境因素的正则化自编码器和动态态势的时序表达损失函数引入集群态势时空聚类，为集群态势时空聚类提供特征表达监督，同时时空聚类为环境因素及动态态势的表达引入正则化项防止特征表达过拟合，得到总体损失函数：
其中ρ＞0，γ＞0，β＞0为平衡系数，/>为动态态势的时序特征表达损失函数，/>为环境因素的正则化自编码器的损失函数，/>为动态态势的时序聚类损失函数，为集群态势的时空聚类损失函数。
S57、网络训练完成后，直接从集群态势时空聚类概率分配Z中获得协同方式类别：
其中si表示无人机i的协同方式类别。
S6、基于步骤S5获得的无人机集群态势时空聚类结果，在缺乏无人机集群中无人机所采用的协同方式信息时，采用聚类内部指标DBI指数、轮廓系数Sil，CH分数评估无人机集群态势时空聚类效果，其中DBI指数越小，聚类效果越好，而轮廓系数Sil和CH分数相反，三种内部聚类内部指标综合评估无人机集群态势分析结果。具体步骤为：
S61、计算DBI指数，DBI指数越小，无人机集群态势分析结果越准确：
其中K为聚类簇数，
其中Mi表示簇i中无人机数量，即采用协同方式i的无人机数量，Xj表示簇i中的第j个无人机态势时序特征。
S62、计算轮廓系数Sil，轮廓系数越大，无人机集群态势分析结果越准确，轮廓系数的值在-1到1之间，越接近1，结果越好：
其中Mi表示簇i中无人机数量，无人机i与同一协同方式的其它无人机的平均距离a(i)为：
不同簇之间的不相似度定义如下：
其中Si表示第i种态势协同方式，i∈Si表示簇Si中第i架无人机态势。
S63、CH分数越大，无人机集群态势分析结果越准确，
其中Tr(BK)表示类间偏离矩阵的迹，Tr(WK)表示类内偏离矩阵的迹，N表示无人机集群中无人机总数量，K表示聚类簇数，即无人机集群协同方式的类别数量。
最后，进一步详细分析不同簇无人机的协同方式特点，为决策提供科学建议，无人机集群态势时空聚类过程中，不断优化更新聚类中心，聚类中心可以滤除边缘数据的干扰，最能代表该簇数据的特点，故对无人机集群时空特征与聚类中心的距离进行排序，进而选择离各聚类中心最近的前n架无人机进行态势具体分析。此处距离排序，采用欧式距离度量。
设置K为4时，无人机集群时空特征空间可视化如图2所示，簇间距离较远，簇内较为紧促，聚类效果好，即无人机集群中，不同协同方式的时空特征显著区分，也即无人机集群态势分析结果较好。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述任一方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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。

Claims (8)

1.一种基于时空图卷积网络的无人机集群态势分析方法，其特征在于，包括以下步骤，
S1、利用无人机集群的态势信息的时空变化特点，显式得建模无人机集群的动态时空关系，将无人机集群的态势信息建模为时间序列，无人机的集群运动通过空间连通关系建模为图，空间连通关系指通信连通关系或者距离相近关系或者功能相近关系；
S2、基于步骤S1建模的无人机集群态势变化的时空关系，利用无人机集群的态势变化的时间依赖性，采用基于卷积神经网络和双向门控循环神经网络的时序自编码器提取无人机集群态势的时序特征，进而在时序嵌入空间度量态势变化的相似性，滤除无人机集群的态势数据在复杂环境中的噪声干扰，动态适应复杂的集群态势变化；
S3、提出一种与时序自编码器层数相同的正则化自编码器提取复杂环境因素的影响Y＝{F，W，J}，并利用后续聚类任务的损失函数向自编码器中加入正则化项，提升态势分析的准确度和稳定性，其中风向温度/>降水/>
S4、考虑到无人机集群运动的时空耦合影响，基于步骤S2、步骤S3提取的无人机集群多源信息，采用逐层加性融合将多源信息融合进基于图卷积神经网络的空间模块，进一步通过无人机集群态势预测模型STGCN初始化集群态势时空特征的聚类中心，并通过学生t分布度量相似度初始化时空概率分配，避免孤立考虑时间和空间信息的局限性，同时提升聚类优化效率；
S5、基于步骤S2获得无人机集群动态态势的时序聚类概率分配，基于步骤S4获得无人机集群态势的时空聚类概率分配，考虑到无人机态势变化的时空耦合，采用分而治之的方式，通过基于步骤S2的无人机集群动态态势的时序聚类概率分配设计无人机集群态势的时空聚类概率分配的高纯度聚类约束，该高纯度聚类约束进一步向后监督动态态势的时序聚类过程，向前监督集群态势的时空聚类过程，即双向自监督动态态势的时序聚类及集群态势的时空聚类过程，获取可靠无人机集群态势的时空聚类结果；
S6、基于步骤S5获得的无人机集群态势时空聚类结果，在缺乏无人机集群中无人机所采用的协同方式信息时，采用聚类内部指标DBI指数、轮廓系数Sil，CH分数评估无人机集群态势时空聚类效果，其中DBI指数越小，聚类效果越好，而轮廓系数Sil和CH分数相反，三种内部聚类内部指标综合评估无人机集群态势分析结果。
2.根据权利要求1所述的基于时空图卷积网络的无人机集群态势分析方法，其特征在于：步骤S1具体包括，
S11、获取无人机集群的态势信息U＝(u1，u2，…，uN)，其中ui＝(θ，L，H，v)表示无人机i的态势信息，N表示无人机集群中无人机数量，态势信息包含角度θ＝(θ1，θ2，…，θT)、距离L＝(L1，L2，…，LT)、高度H＝(H1，H2，…，HT)、速度V＝(V1，V2，…，VT)，其中T表示已知态势信息总时刻数；
S12、将无人机集群的动态态势建模为动态时间序列将无人机集群的空间结构建模为图/>空间相似性表明无人机集群中的个体是相关的，其中中的每一个点均代表一架无人机，/>表示无人机集群中的所有无人机的集合，/>表示边集，表示为系统中能够进行信息交互的信道的集合，(i，j)∈ε表示无人机i能够向无人机j发送信息，/>表示图/>的邻接矩阵，若无人机i能向无人机j发送信息，则aij＞0，否则aij＝0；在未知通信状态时，根据距离构建连通关系，通过距离计算无人机集群的空间图的邻近矩阵，即
dist(i，j)表示无人机i和无人机j之间的欧式距离，θ2为高斯核宽，用于控制邻接矩阵尺度和稀疏性，δ为阈值，设置为常用协同态势控制半径；
未知通信状态时，通过Pearson相关性构建连通关系，即无人机间相关性大于设定阈值即视为连通，视为无人机i与无人机j存在空间相似性，即空间连通关系：
其中T表示已知态势信息总时刻数，ui表示无人机i的态势信息，uj表示无人机j的态势信息，∑·为求和运算，为开方运算。
3.根据权利要求1所述的基于时空图卷积网络的无人机集群态势分析方法，其特征在于：所述步骤S2具体步骤包括：
S21、时序自编码器的编码网络第一层网络采用卷积神经网络CNN，提取无人机集群态势的局部变化，得到局部特征其中HT表示时序自编码器提取特征；编码网络的第二层网络采用双向门控循环神经网络BiGRU，提取无人机集群态势的跨时间尺度波形之间的关系，即时间依赖性，得到时序特征/>
S22、时序自编码器的解码网络由一层反卷积网络Deconv构成，将编码网络得到的时序特征解码为重构序列U’，预训练时间模块，使得重构态势序列与输入态势序列之间的均方差MSE最小：
其中||·||F表示F范数，N表示集群中无人机总架数，ui表示无人机i的态势数据，U表示无人机集群的态势信息；
S23、对预训练得到的态势时序特征采用常用聚类方法K-means度量特征空间中动态态势相似性，得到初始化聚类中心μ，其中设置聚类簇数为K，即无人机集群协同方式的类别数量。
4.根据权利要求1所述的基于时空图卷积网络的无人机集群态势分析方法，其特征在于：所述步骤S3具体步骤包括：
S31、正则化自编码器的编码网络通过两层全连接层来提取环境信息，得到环境特征其中HD表示正则化自编码器提取特征，l表示第l层网络，输入为原始环境信息Y＝{F，W，J}，解码器也通过两层全连接层来重构外部因素的影响；
S32、正则化自编码器提取的特征较为简单，无需预训练，目标函数如下：
其中||·||F表示F范数，yi表示无人机i的环境信息，Y表示无人机集群的环境信息，N表示无人机集群的无人机总数量。
5.根据权利要求1所述的基于时空图卷积网络的无人机集群态势分析方法，其特征在于：所述步骤S4具体步骤包括：
S41、采用图卷积神经网络GCN来提取无人机集群的拓扑图结构，第一层GCN的输入为原始态势序列，第一层图卷积神经网络的输出为：
其中表示自连接的结构矩阵，/>表示度矩阵，W(1)为可学习的权重矩阵，U为无人机集群的态势信息，/>为激活函数；
S42、避免分离考虑连续时空特征的限制，采用加性融合将第一层图卷积神经网络GCN提取的拓扑特征与短时局部特征进行融合，得到第二层图卷积神经网络GCN的输入：
其中η＞0为平衡系数；
S43、将第二层图卷积神经网络GCN的输出与长时依赖特征进行加性融合，得到第三层图卷积神经网络GCN的输入；
S44、同时序特征融合方式，逐层将环境因素特征融合进空间模块，得到第l层图卷积神经网络的输入：
其中η＞0，τ＞0为平衡系数，Z(l-1)为第l-1层图卷积神经网络的输出，为第l层图卷积神经网络的输入；
S45、采用STGCN无人机集群态势预测模型来初始化集群态势时空聚类中心，在时空预测任务中，存在下一时刻的态势状态标签，由此，通过训练STGCN模型，得到时空特征空间，并采用Kmeans聚类算法，获得集群态势时空特征的初始化聚类中心ω，提升聚类优化效率；采用学生t分布来度量集群态势的时空特征与初始化时空聚类中心的相似度以获得初始时空聚类概率分配：
其中α是学生t分布的自由度，取值设为1，K为聚类簇数，ωj表示通过STGCN无人机集群态势预测模型初始化后的第j簇聚类中心，zi表示时空特征Z(3)的第i行，即无人机i的时空特征，zij表示无人机i属于簇j的时空概率，即无人机i属于协同方式类别j的时空概率，Z＝[zij]为无人机集群态势的时空概率分配。
6.根据权利要求1所述的基于时空图卷积网络的无人机集群态势分析方法，其特征在于：所述步骤S5具体步骤包括：
S51、通过动态态势相似度度量，初始化态势时序聚类概率分配；通过学生t分布度量时序特征与初始时序聚类中心μ的相似度以获得初始时序聚类概率分配；
其中α是学生t分布的自由度，取值设为1，K为聚类簇数，μj表示初始化后的第j簇聚类中心，表示时序特征/>的第i行，即无人机i的时序特征，qij表示无人机i属于簇j的概率，即无人机i属于协同方式类别j的概率，Q＝[qij]为无人机集群的动态态势的概率分配；
S52、通过无人机集群态势时序聚类的概率分布，设计高置信度的目标分布P来监督动态态势时序聚类，目标分布P设为delta分布：
其中K为聚类簇数，N为无人机集群中的无人机总数量，qij表示无人机i属于簇j的概率，即无人机i属于协同方式类别j的概率，Pij表示无人机i属于簇j的目标概率，即无人机i属于协同方式类别j的目标概率；
S53、通过无人机集群动态态势聚类的目标分布P来监督动态态势时序聚类的概率分布Q更新，定义动态态势时序聚类损失：
其中K为聚类簇数，N为无人机集群中的无人机总数量，pij∈P表示无人机i属于协同方式类别j的目标概率，qij∈Q表示无人机i属于协同方式类别j的时序概率，KL(·)表示求KL散度的运算；
S54、集群态势的时空聚类损失：
其中K为聚类簇数，N为无人机集群中的无人机总数量，KL(·)表示求KL散度的运算，pij∈P表示无人机i属于协同方式类别j的目标概率，zij∈Z表示无人机i属于协同方式类别j的时空概率；
S55、时序特征表示和时序聚类学习过程联合优化，获得时序聚类的整体损失函数：
其中ρ＞0，γ＞0是控制平衡的系数；
S56、无人机集群态势时空聚类缺乏特征表达监督信号，将环境因素的正则化自编码器和动态态势的时序表达损失函数引入集群态势时空聚类，为集群态势时空聚类提供特征表达监督，同时时空聚类为环境因素及动态态势的表达引入正则化项防止特征表达过拟合，得到总体损失函数：
其中ρ＞0，θ＞0，γ＞0，β＞0为平衡系数，为动态态势的时序特征表达损失函数，为环境因素的正则化自编码器的损失函数，/>为动态态势的时序聚类损失函数，/>为集群态势的时空聚类损失函数；
S57、网络训练完成后，直接从集群态势时空聚类概率分配Z中获得协同方式类别：
其中si表示无人机i的协同方式类别。
7.根据权利要求1所述的基于时空图卷积网络的无人机集群态势分析方法，其特征在于：所述步骤S6具体步骤包括：
S61、计算DBI指数，DBI指数越小，无人机集群态势分析结果越准确：
其中K为聚类簇数，
其中Mi表示簇i中无人机数量，即采用协同方式i的无人机数量，Xj表示簇i中的第j个无人机态势时序特征；
S62、计算轮廓系数Sil，轮廓系数越大，无人机集群态势分析结果越准确，轮廓系数的值在-1到1之间，越接近1，结果越好：
其中Mi表示簇i中无人机数量，无人机i与同一协同方式的其它无人机的平均距离a(i)为：
不同簇之间的不相似度定义如下：
其中Si表示第i种态势协同方式，i∈Si表示簇Si中第i架无人机态势；
S63、CH分数越大，无人机集群态势分析结果越准确，
其中Tr(BK)表示类间偏离矩阵的迹，Tr(WK)表示类内偏离矩阵的迹，N表示无人机集群中无人机总数量，K表示聚类簇数，即无人机集群协同方式的类别数量。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202211157260.0A 2022-09-22 2022-09-22 基于时空图卷积网络的无人机集群态势分析方法及介质 Active CN115494865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211157260.0A CN115494865B (zh) 2022-09-22 2022-09-22 基于时空图卷积网络的无人机集群态势分析方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211157260.0A CN115494865B (zh) 2022-09-22 2022-09-22 基于时空图卷积网络的无人机集群态势分析方法及介质

Publications (2)

Publication Number Publication Date
CN115494865A CN115494865A (zh) 2022-12-20
CN115494865B true CN115494865B (zh) 2024-05-14

Family

ID=84471028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211157260.0A Active CN115494865B (zh) 2022-09-22 2022-09-22 基于时空图卷积网络的无人机集群态势分析方法及介质

Country Status (1)

Country Link
CN (1) CN115494865B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116132311B (zh) * 2023-02-17 2023-11-21 成都工业职业技术学院 一种基于时间序列的网络安全态势感知方法
CN116318346B (zh) * 2023-03-07 2024-04-16 中国科学院软件研究所 多无人机间数据实时汇聚路径选择方法及装置
CN116543602B (zh) * 2023-07-04 2023-09-01 中国民用航空飞行学院 面向航空器集群的态势复杂性识别方法及系统
CN116825169B (zh) * 2023-08-31 2023-11-24 悦芯科技股份有限公司 一种基于测试设备的异常存储芯片检测方法
CN117858105B (zh) * 2024-03-07 2024-05-24 中国电子科技集团公司第十研究所 复杂电磁环境下多无人机协作集划分与部署办法
CN117930872B (zh) * 2024-03-25 2024-05-28 北京飞安航空科技有限公司 基于深度强化学习的大规模无人机集群飞行系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020135187A1 (zh) * 2018-12-27 2020-07-02 赣州德业电子科技有限公司 基于rgb_d和深度卷积网络的无人机识别定位系统和方法
CN112668652A (zh) * 2020-12-31 2021-04-16 哈尔滨工业大学 无人装备对抗中集群阵型和运动趋势的识别方法及系统
CN113569766A (zh) * 2021-07-30 2021-10-29 中国电子科技集团公司第五十四研究所 一种面向无人机巡逻的行人异常行为检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11106904B2 (en) * 2019-11-20 2021-08-31 Omron Corporation Methods and systems for forecasting crowd dynamics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020135187A1 (zh) * 2018-12-27 2020-07-02 赣州德业电子科技有限公司 基于rgb_d和深度卷积网络的无人机识别定位系统和方法
CN112668652A (zh) * 2020-12-31 2021-04-16 哈尔滨工业大学 无人装备对抗中集群阵型和运动趋势的识别方法及系统
CN113569766A (zh) * 2021-07-30 2021-10-29 中国电子科技集团公司第五十四研究所 一种面向无人机巡逻的行人异常行为检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于态势感知一致性的UAV集群分布式协同性能分析;高杨;李东生;;宇航学报;20181030(第10期);全文 *
无人机分布式集群态势感知模型研究;高杨;李东生;程泽新;;电子与信息学报;20180409(第06期);全文 *

Also Published As

Publication number Publication date
CN115494865A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN115494865B (zh) 基于时空图卷积网络的无人机集群态势分析方法及介质
CN112801404B (zh) 一种基于自适应空间自注意力图卷积的交通预测方法
CN111832647A (zh) 异常流量检测系统及方法
CN111899510A (zh) 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
Yan et al. Unsupervised and semi‐supervised learning: The next frontier in machine learning for plant systems biology
CN110675632A (zh) 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
CN111858565B (zh) 一种基于线段聚类的多维度高精度航迹智能预测方法
CN110175631A (zh) 一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法
CN115905848A (zh) 基于多模型融合的化工过程故障诊断方法及系统
Rodríguez-Padial et al. An approach to integrating tactical decision-making in industrial maintenance balance scorecards using principal components analysis and machine learning
Li et al. Autonomous vehicle trajectory combined prediction model based on CC-LSTM
CN110781972A (zh) 一种增量无监督多模态相关特征学习模型
CN116206158A (zh) 基于双超图神经网络的场景图像分类方法及系统
Jiang et al. A massive multi-modal perception data classification method using deep learning based on internet of things
CN116186606A (zh) 基于预训练模型指导微调的半监督少样本时间序列异常检测与分类的系统和方法
Garcia et al. A methodology for neural network architectural tuning using activation occurrence maps
CN116580272A (zh) 一种基于模型融合推理的雷达目标分类方法及系统
CN111626376A (zh) 一种基于判别联合概率的域适配方法及系统
Ma et al. Data model of key indicators of urban architectural design based on long-and short-term convolutional memory network
Reddy et al. The Study of Supervised Classification Techniques in Machine Learning using Keras
Zeng et al. Understanding AI Cognition: A Neural Module for Inference Inspired by Human Memory Mechanisms
CN114896479B (zh) 一种在线学习方法、系统及计算机可读存储介质
Chen et al. Feature selection based on BP neural network and adaptive particle swarm algorithm
CN116538127B (zh) 轴流风机及其控制系统
CN113627366B (zh) 基于增量聚类的人脸识别方法

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