CN115659229A - 一种低小慢目标威胁程度评估方法及装置 - Google Patents

一种低小慢目标威胁程度评估方法及装置 Download PDF

Info

Publication number
CN115659229A
CN115659229A CN202211680968.4A CN202211680968A CN115659229A CN 115659229 A CN115659229 A CN 115659229A CN 202211680968 A CN202211680968 A CN 202211680968A CN 115659229 A CN115659229 A CN 115659229A
Authority
CN
China
Prior art keywords
target
parameter
matrix
value
threat level
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
Application number
CN202211680968.4A
Other languages
English (en)
Other versions
CN115659229B (zh
Inventor
冉欢欢
赵瑞欣
李非桃
黎仁威
刘益安
胡绍刚
王丹
李毅捷
李和伦
陈益
褚俊波
陈春
莫桥波
李东晨
董平凯
陈未东
杨伟
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.)
Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology
Sichuan Desheng Xinda Brain Intelligence Technology Co ltd
Original Assignee
Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology
Sichuan Desheng Xinda Brain Intelligence Technology Co ltd
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 Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology, Sichuan Desheng Xinda Brain Intelligence Technology Co ltd filed Critical Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology
Priority to CN202211680968.4A priority Critical patent/CN115659229B/zh
Publication of CN115659229A publication Critical patent/CN115659229A/zh
Application granted granted Critical
Publication of CN115659229B publication Critical patent/CN115659229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种低小慢目标威胁程度评估方法及装置，所述方法包括：构建循环神经网络模型；构建特征矩阵，并将特征矩阵作为循环神经网络模型的输入，特征矩阵根据在时间序列内采集到的目标飞行信息生成；获取连续多个历史时间序列内采集到的目标飞行信息，根据各个目标飞行信息一一对应生成各个特征矩阵，并由所有特征矩阵组合为训练样本；对循环神经网络模型进行训练和参数优化；获取连续多个实时时间序列内采集到的目标飞行信息，根据各个目标飞行信息一一对应生成各个特征矩阵，将所有特征矩阵输入训练完成后的循环神经网络模型，时刻值最靠后的实时时间序列的最大时刻为当前时刻；循环神经网络模型确定出目标在当前时刻的威胁等级。

Description

一种低小慢目标威胁程度评估方法及装置
技术领域
本发明属于航空器探测监视技术领域，具体涉及一种低小慢目标威胁程度评估方法及装置。
背景技术
随着社会科技的蓬勃发展，轻型飞机、直升机、滑翔伞、热气球、飞艇和无人机等“低小慢”（低空小型慢速）航空器逐渐出现在了人们的视野和生活中。这类航空器的应用比较广泛，例如在民用生活中，可以进行空中运输、空中测绘和空中摄像等方面的工作；在紧急情况下，可以作为情报传递和灾害救援的有效手段。以无人机为代表，“低小慢”航空器在各个领域的应用已逐步趋于多源化，国内外都在对其进行不断的探索、开发和应用。
目前，针对于空中“低小慢”航空器目标的监管手段不完备，处在比较被动的位置上，对不同种类目标威胁意图的判别方法主要为：采用人员值班方式，通过观察雷达、频谱检测等目标探测手段获取的信息，然后根据经验进行判断，以提供处置决策。此种判别方法带来的人工判别工作量大，并且存在个体差异和诸多不确定因素，及时、准确、稳定、有效处置十分困难。此外，在进行人工判别时，只基于当前时刻进行目标威胁程度的预测，没有考虑目标的连续性、动态的历史特征信息对威胁程度的预测影响，判断结果存在片面性，并且误判的可能性较大。
有鉴于此，准确高效的预测低小慢目标的威胁程度方案亟待提出。
发明内容
本发明的目的在于克服现有技术的一项或多项不足，提供一种低小慢目标威胁程度评估方法及装置。
本发明的目的是通过以下技术方案来实现的：
第一方面
本发明的第一方面提供了一种低小慢目标威胁程度评估方法，所述方法用于确定出所述目标对保护区的威胁等级，所述方法包括如下步骤：
S1.构建循环神经网络模型；
S2.确定特征矩阵构建规则，构建好的所述特征矩阵将作为循环神经网络模型的输入，所述构建规则为：特征矩阵根据在时间序列内采集到的目标飞行信息生成，其中，时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各列，或时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各行，各个时刻的目标飞行信息均包括基础特征信息和衍生特征信息，所述衍生特征信息基于多个所述基础特征信息生成；
S3.获取连续多个历史时间序列内采集到的目标飞行信息，根据所述多个历史时间序列内采集到的目标飞行信息一一对应生成多个特征矩阵，并由该多个特征矩阵组合为训练样本；
S4.将所述训练样本输入循环神经网络模型，对循环神经网络模型进行训练和参数优化；
S5.获取连续多个实时时间序列内采集到的目标飞行信息，根据所述多个实时时间序列内采集到的目标飞行信息一一对应生成多个特征矩阵，并将该多个特征矩阵输入训练完成后的循环神经网络模型，其中，时刻值最靠后的实时时间序列的最大时刻为当前时刻；
S6.循环神经网络模型确定出目标在当前时刻的威胁等级。
优选地，所述基础特征信息包括距离参数、高度参数、速度参数、速度方向参数、到达时间参数和轨迹参数，距离参数为目标到保护区中心的直线距离值，高度参数为目标的飞行高度值，速度参数为目标的速度值，速度方向参数为目标速度方向与目标保护区中心连线方向之间的夹角值，到达时间参数为目标到达保护区中心的预估时间，轨迹参数为根据同一时间序列内采集到的目标飞行信息中的多个距离参数生成的目标轨迹影响值。
优选地，所述衍生特征信息的生成过程具体如下：
对时间序列内各个时刻的目标飞行信息中所包含的基础特征信息进行归一化预处理；
求取归一化预处理后的距离参数与归一化预处理后的高度参数之间的比值，并将该比值
作为衍生特征信息中的第一衍生特征信息，其中该距离参数与该高度参数在同一时刻的目标飞行信息中；
求取归一化预处理后的速度方向参数与归一化预处理后的轨迹参数的乘积，并将该乘积作为衍生特征信息中的第二衍生特征信息，其中该速度方向参数与该轨迹参数在同一时刻的目标飞行信息中；
求取归一化预处理后的速度参数与归一化预处理后的轨迹参数的乘积，并将该乘积作为
衍生特征信息中的第三衍生特征信息，其中该速度参数与该轨迹参数在同一时刻的目标飞行信息中。
优选地，所述时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各列，具体包括如下子步骤：
由第一衍生特征信息、第二衍生特征信息、第三衍生特征信息、归一化预处理后的距离参数、归一化预处理后的高度参数、归一化预处理后的速度参数、归一化预处理后的速度方向参数、归一化预处理后的到达时间参数和归一化预处理后的轨迹参数组成特征矩阵中一列，其中，第一衍生特征信息、第二衍生特征信息、第三衍生特征信息、归一化预处理后的距离参数、归一化预处理后的高度参数、归一化预处理后的速度参数、归一化预处理后的速度方向参数、归一化预处理后的到达时间参数和归一化预处理后的轨迹参数在同一时刻的目标飞行信息中，特征矩阵的列数与时间序列内的时刻数量相同，且各个时刻的目标飞行信息与特征矩阵中的各列一一对应。
优选地，归一化预处理后的距离参数
Figure 484209DEST_PATH_IMAGE001
，
Figure 914053DEST_PATH_IMAGE002
，其中，
Figure 749154DEST_PATH_IMAGE003
表示
Figure 758698DEST_PATH_IMAGE004
时刻目标到保护区中心的直线距离值，
Figure 480798DEST_PATH_IMAGE005
表示保护区所在多边形空间区域的最小外切半球的半径；
归一化预处理后的高度参数
Figure 550385DEST_PATH_IMAGE006
，其中，
Figure 341624DEST_PATH_IMAGE007
表示
Figure 154859DEST_PATH_IMAGE008
时刻目标的飞行高度值；
归一化预处理后的速度参数
Figure 997044DEST_PATH_IMAGE009
，
其中，
Figure 768691DEST_PATH_IMAGE010
表示
Figure 453750DEST_PATH_IMAGE008
时刻目标的速度值，
Figure DEST_PATH_IMAGE011
表示指数函数；
归一化预处理后的速度方向参数
Figure 398572DEST_PATH_IMAGE012
，其中，
Figure 95264DEST_PATH_IMAGE013
表示
Figure 975495DEST_PATH_IMAGE008
时刻目标速度方向与目标保护区中心连线方向之间的夹角值；
归一化预处理后的到达时间参数
Figure 6905DEST_PATH_IMAGE014
，其中，
Figure 161943DEST_PATH_IMAGE015
表示
Figure 713141DEST_PATH_IMAGE008
时刻目标到达保护区中心的预估时间，
Figure 295432DEST_PATH_IMAGE016
，
Figure 486242DEST_PATH_IMAGE017
表示点乘符号；
归一化预处理后的轨迹参数
Figure DEST_PATH_IMAGE018
，其中，n表示该轨迹参数所处的目标飞行信息对应的时间序列的时刻数量，该时间序列
Figure 772867DEST_PATH_IMAGE019
，
Figure 444151DEST_PATH_IMAGE020
表示该时间序列中的最大时刻值的标号；
第一衍生特征信息
Figure 931764DEST_PATH_IMAGE021
；
第二衍生特征信息
Figure 672187DEST_PATH_IMAGE022
；
第三衍生特征信息
Figure 169028DEST_PATH_IMAGE023
；
特征矩阵
Figure 694818DEST_PATH_IMAGE024
。
优选地，对循环神经网络模型进行训练和参数优化前，循环神经网络模型中隐藏层和输出层内的各个权重矩阵均使用正态分布初始化。
优选地，所述威胁等级从威胁程度最高到威胁程度最低依序为第一威胁等级、第二威胁等级、第三威胁等级和第四威胁等级。
优选地，所述循环神经网络模型的前向传播定义如下：
循环神经网络模型中隐藏层输出值
Figure 618912DEST_PATH_IMAGE025
，其中，
Figure 112210DEST_PATH_IMAGE026
表示循环神经网络模型中第一个隐藏状态，
Figure 943900DEST_PATH_IMAGE027
，
Figure 448830DEST_PATH_IMAGE028
表示第一中间参数，
Figure 419191DEST_PATH_IMAGE029
表示第一权重矩阵，
Figure 9573DEST_PATH_IMAGE030
表示第二权重矩阵，
Figure 972850DEST_PATH_IMAGE031
表示训练样本中第m个特征矩阵，
Figure 597866DEST_PATH_IMAGE032
表示训练样本中第m-1个特征矩阵输入隐藏层后的隐藏层输出值，b表示第一偏置值，
Figure 739128DEST_PATH_IMAGE033
表示激活函数；
循环神经网络模型中输出层输出值
Figure 816806DEST_PATH_IMAGE034
，其中，
Figure 52615DEST_PATH_IMAGE035
表示第三权重矩阵，
Figure 532138DEST_PATH_IMAGE036
表示第二偏置值；
概率矩阵
Figure 844302DEST_PATH_IMAGE037
，其中
Figure 409275DEST_PATH_IMAGE038
表示目标所处的威胁等级为第一威胁等级的概率值，
Figure 386459DEST_PATH_IMAGE039
表示目标所处的威胁等级为第二威胁等级的概率值，
Figure 110701DEST_PATH_IMAGE040
表示目标所处的威胁等级为第三威胁等级的概率值，
Figure 718400DEST_PATH_IMAGE041
表示目标所处的威胁等级为第四威胁等级的概率值，
Figure 368738DEST_PATH_IMAGE042
；
威胁等级预测输出值
Figure 352874DEST_PATH_IMAGE043
，其中
Figure 931623DEST_PATH_IMAGE044
表示归一化指数函数，
Figure 444644DEST_PATH_IMAGE045
表示第一分量，所述第一分量与第一威胁等级对应，
Figure 593997DEST_PATH_IMAGE046
表示第二分量，所述第二分量与第二威胁等级对应，
Figure 116245DEST_PATH_IMAGE047
表示第三分量，所述第三分量与第三威胁等级对应，
Figure 549500DEST_PATH_IMAGE048
表示第四分量，所述第四分量与第四威胁等级对应。
优选地，对循环神经网络模型进行训练和参数优化时，损失反向传播和网络更新定义如下：
定义第一随机优化矩阵
Figure 295740DEST_PATH_IMAGE049
，所述第一随机优化矩阵
Figure 401230DEST_PATH_IMAGE049
中每个元素值均为0-1
之间的随机数，第一随机优化矩阵
Figure 258327DEST_PATH_IMAGE049
的大小为概率矩阵
Figure 687035DEST_PATH_IMAGE050
的大小；
损失对所述输出层的梯度
Figure 932071DEST_PATH_IMAGE051
，其中，
Figure 915071DEST_PATH_IMAGE052
表示梯度方向，
Figure 654488DEST_PATH_IMAGE053
，
Figure 937702DEST_PATH_IMAGE054
表示符号函数，损失值
Figure 353639DEST_PATH_IMAGE055
，
Figure 89514DEST_PATH_IMAGE056
表示威胁等级预测输出值集合的分量，
Figure 553994DEST_PATH_IMAGE057
表示
Figure 567080DEST_PATH_IMAGE056
对应的真实值，
Figure 29286DEST_PATH_IMAGE058
表示概率矩阵
Figure 377090DEST_PATH_IMAGE050
的模；
输出层梯度下降结果
Figure 848523DEST_PATH_IMAGE059
；
定义第二随机优化矩阵
Figure 716116DEST_PATH_IMAGE060
，所述第二随机优化矩阵
Figure 83643DEST_PATH_IMAGE060
中每个元素值均为0-1之间的随机数，第二随机优化矩阵
Figure 918744DEST_PATH_IMAGE060
的大小为第三权重矩阵
Figure 928288DEST_PATH_IMAGE035
的大小；
损失对第三权重矩阵
Figure 650388DEST_PATH_IMAGE035
的梯度
Figure 719975DEST_PATH_IMAGE061
，其中，
Figure 448897DEST_PATH_IMAGE062
表示第三权重矩阵
Figure 386766DEST_PATH_IMAGE035
的模；
第三权重矩阵
Figure 88005DEST_PATH_IMAGE035
的梯度下降结果
Figure 938281DEST_PATH_IMAGE063
；
损失对第二偏置值
Figure 623340DEST_PATH_IMAGE036
的梯度
Figure 99321DEST_PATH_IMAGE064
，其中，
Figure 655067DEST_PATH_IMAGE065
为0至1之间的随机数；
第二偏置值
Figure 207402DEST_PATH_IMAGE036
的梯度下降结果
Figure 114178DEST_PATH_IMAGE066
；
损失对所述隐藏层的梯度
Figure 128271DEST_PATH_IMAGE067
，其中，
Figure 804103DEST_PATH_IMAGE068
为0至1之间的随机数；
隐藏层梯度下降结果
Figure 261760DEST_PATH_IMAGE069
；
定义第三随机优化矩阵
Figure 655832DEST_PATH_IMAGE070
，所述第三随机优化矩阵
Figure 473616DEST_PATH_IMAGE070
中每个元素值均为0至1之间的随机数，第三随机优化矩阵
Figure 66271DEST_PATH_IMAGE070
的大小为第二权重矩阵
Figure 553884DEST_PATH_IMAGE030
的大小；
损失对第二权重矩阵
Figure 310619DEST_PATH_IMAGE030
的梯度
Figure 541880DEST_PATH_IMAGE071
，其中，
Figure 316938DEST_PATH_IMAGE072
表示第二权重矩阵
Figure 241032DEST_PATH_IMAGE030
的模；
第二权重矩阵
Figure 219483DEST_PATH_IMAGE030
的梯度下降结果
Figure 254435DEST_PATH_IMAGE073
；
定义第四随机优化矩阵
Figure 821683DEST_PATH_IMAGE074
，所述第四随机优化矩阵
Figure 41311DEST_PATH_IMAGE074
中每个元素值均为0至1之间的随机数，第四随机优化矩阵
Figure 631693DEST_PATH_IMAGE074
的大小为第一权重矩阵
Figure 345702DEST_PATH_IMAGE029
的大小；
损失对第一权重矩阵
Figure 970718DEST_PATH_IMAGE029
的梯度
Figure 361248DEST_PATH_IMAGE075
，其中，
Figure 173347DEST_PATH_IMAGE076
表示第一权重矩阵
Figure 425467DEST_PATH_IMAGE029
的模；
第一权重矩阵
Figure 904990DEST_PATH_IMAGE029
的梯度下降结果
Figure 466422DEST_PATH_IMAGE077
；
损失对第一偏置值b的梯度
Figure 31395DEST_PATH_IMAGE078
，其中，
Figure 8579DEST_PATH_IMAGE079
为0至1之间的随机数；
第一偏置值b的梯度下降结果
Figure 217974DEST_PATH_IMAGE080
。
本发明第一方面带来的有益效果为：
（1）、通过构建循环神经网络模型，并且作为循环神经网络模型输入的特征矩阵基于连续多个时间序列内采集到的低小慢目标飞行信息生成，因此考征了低小慢目标随时间变化的三维空间动态特征信息，并利用低小慢目标的历史飞行数据和专家经验进行模型训练，然后获得低小慢目标威胁等级与特征矩阵之间的近似函数表达式，利用循环神经网络的序列输出特性对低小慢目标的威胁等级进行预测输出，从而建立了低小慢目标威胁程度的评估方法，且可兼具全时和动态的评估特性。
（2）、由于低小慢飞行目标为人为控制，具有很高的多变性，所以考虑目标飞行信息中的时域变化特征时更多维度的考量可以提高威胁程度评估结果的准确度，因此本发明除了考虑基础特征信息之外，还基于基础特征信息之间的融合，生成衍生特征信息，其中衍生特征信息包括距离高度比特征（第一衍生特征信息）、方向轨迹组合特征（第二衍生特征信息）以及速度轨迹组合特征（第三衍生特征信息），从而增强了特征之间的关联，提高了特征效用，使得对低小慢目标的威胁程度评估结果更为准确。
（3）、通过将现有技术中损失反向传播和网络更新时的微分计算过程变换为随机优化矩阵计算过程，极大地减少了因为微分运算所带来的计算量，提高了循环神经网络模型训练和推理的效率。
第二方面
本发明的第二方面提供了一种低小慢目标威胁程度评估装置，包括存储器和处理器，所述存储器内保存有本发明第一方面提供的一种低小慢目标威胁程度评估方法，所述处理器用于调用所述存储器中保存的低小慢目标威胁程度评估方法来判断目标在当前时刻的威胁等级。
本发明的第二方面带来与第一方面相同的有益效果，在此不再赘述。
附图说明
图1为基础特征信息中部分参数的示例图；
图2为低小慢目标威胁程度评估方法的一种流程图；
图3为低小慢目标威胁程度评估方法的一种逻辑框图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，本领域技术人员在没有付出创造性劳动的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。
实施例一
参阅图1-图3，本实施例提供了一种低小慢目标威胁程度评估方法，用于确定出低小慢目标对保护区的威胁等级。
具体地，一种低小慢目标威胁程度评估方法包括如下步骤：
S1、构建循环神经网络模型。
S2、确定特征矩阵构建规则，构建好的特征矩阵将作为S1中构建的循环神经网络模型的输入。其中，特征矩阵构建规则为：特征矩阵根据在时间序列内由探测设备采集到的目标飞行信息生成，且时间序列内采集到的目标飞行信息的组数与时间序列内所涵盖的时刻值数量相同，时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各列，或时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各行，各个时刻的目标飞行信息均包括基础特征信息和衍生特征信息，衍生特征信息基于多个基础特征信息生成。
作为一种优选，本实施例考征低小慢目标飞行信息数据中的如下基础特征信息：距离参数、高度参数、速度参数、速度方向参数、到达时间参数和轨迹参数。距离参数为目标到保护区中心的直线距离值，高度参数为目标的飞行高度值，速度参数为目标的速度值，速度方向参数为目标速度方向与目标保护区中心连线方向之间的夹角值，到达时间参数为目标到达保护区中心的预估时间，轨迹参数为根据同一时间序列内采集到的目标飞行信息中的多个距离参数生成的目标轨迹影响值。
S3、获取连续多个历史时间序列内由探测设备采集到的多个目标飞行信息，其中，各个目标飞行信息与各个历史时间序列一一对应，然后根据各个目标飞行信息一一对应生成各个特征矩阵，并由所有特征矩阵组合为训练样本。此外，在另一个实施例中，训练样本所基于的历史目标飞行信息也可替换为通过实验仿真得到的低小慢目标的模拟飞行数据。
S4、将训练样本输入循环神经网络模型，对循环神经网络模型进行训练和参数优化。在训练完成后，确定出循环神经网络模型内的各个网络参数，并根据确定出的各个网络参数对循环神经网络模型进行更新。
S5、获取连续多个实时时间序列内采集到的目标飞行信息，其中，各个目标飞行信息与各个实时时间序列一一对应，然后根据各个目标飞行信息一一对应生成各个特征矩阵，并将生成的各个特征矩阵均输入训练完成后的循环神经网络模型，并且时刻值最靠后的实时时间序列的最大时刻为当前时刻。此处，对时刻值最靠后的实时时间序列的最大时刻为当前时刻进行举例说明。例如，当前时刻
Figure 825673DEST_PATH_IMAGE081
，那么在确定低小慢目标在当前时刻
Figure 2576DEST_PATH_IMAGE081
的威胁等级时，需通过设定的窗口序列对探测设备在当前时刻
Figure 986713DEST_PATH_IMAGE081
以及当前时刻
Figure 50615DEST_PATH_IMAGE081
之前的历史时刻所采集到的目标飞行信息进行截取，从而获取到连续多个窗口序列内的目标飞行信息，该窗口序列即为实时时间序列，时刻值最靠后的实时时间序列表示为
Figure 563636DEST_PATH_IMAGE082
，n表示实时时间序列内的时刻数量，且n也为历史时间序列内的时刻数量。
S6、循环神经网络模型确定出目标在当前时刻的威胁等级。本实施例中，威胁等级从威胁程度最高到威胁程度最低依序为第一威胁等级、第二威胁等级、第三威胁等级和第四威胁等级。在判断出低小慢目标在当前时刻的威胁等级后，保护区值班人员可根据具体的威胁等级采取对应的处置方案。
本实施例中，衍生特征信息的生成过程具体如下：
S01、对时间序列内各个时刻的目标飞行信息中所包含的基础特征信息进行归一化预处理。
其中，距离参数归一化后的结果定义为距离威胁值，距离威胁值的取值在0-1之间，归一化计算过程如下：距离威胁值
Figure 227835DEST_PATH_IMAGE001
，
Figure 750084DEST_PATH_IMAGE002
，
Figure 258290DEST_PATH_IMAGE003
表示
Figure 207792DEST_PATH_IMAGE004
时刻目标到保护区中心的直线距离值（即
Figure 31391DEST_PATH_IMAGE004
时刻的距离参数），
Figure 216385DEST_PATH_IMAGE005
表示保护区所在多边形空间区域的最小外切半球的半径。
高度参数归一化后的结果定义为高度威胁值，高度威胁值的取值在0-1之间，归一化计算过程如下：高度威胁值
Figure 379513DEST_PATH_IMAGE006
，其中，
Figure 640861DEST_PATH_IMAGE007
表示
Figure 889440DEST_PATH_IMAGE004
时刻目标的飞行高度值（
Figure 878124DEST_PATH_IMAGE004
时刻的高度参数）。
速度参数归一化后的结果定义为速度威胁值，速度威胁值的取值在0-1之间，归一化计算过程如下：速度威胁值
Figure 895759DEST_PATH_IMAGE009
，其中，
Figure 62429DEST_PATH_IMAGE010
表示
Figure 798304DEST_PATH_IMAGE008
时刻目标的速度值（
Figure 590680DEST_PATH_IMAGE008
时刻的速度参数）。
速度方向参数归一化后的结果定义为速度方向威胁值，速度方向威胁值的取值在0-1之间，归一化计算过程如下：速度方向威胁值
Figure 728400DEST_PATH_IMAGE012
，其中，
Figure 987343DEST_PATH_IMAGE013
表示
Figure 85880DEST_PATH_IMAGE008
时刻目标速度方向与目标保护区中心连线方向之间的夹角值（
Figure 291734DEST_PATH_IMAGE008
时刻的速度方向参数）。
到达时间参数归一化后的结果定义为到达时间威胁值，到达时间威胁值的取值在0-1之间，归一化计算过程如下：到达时间威胁值
Figure 408594DEST_PATH_IMAGE014
，
Figure 41701DEST_PATH_IMAGE015
表示
Figure 627534DEST_PATH_IMAGE008
时刻目标到达保护区中心的预估时间（
Figure 371499DEST_PATH_IMAGE008
时刻的到达时间参数），且
Figure 608445DEST_PATH_IMAGE016
。
轨迹参数归一化后的结果定义为目标轨迹威胁值，目标轨迹威胁值的取值在0-1之间，归一化计算过程如下：目标轨迹威胁值
Figure 412453DEST_PATH_IMAGE018
，n表示该轨迹参数所处的目标飞行信息对应的时间序列的时刻数量，该时间序列
Figure 485583DEST_PATH_IMAGE019
，
Figure 829976DEST_PATH_IMAGE020
表示该时间序列中的最大时刻值的标号。
S02、求取归一化预处理后的距离参数与归一化预处理后的高度参数之间的比值，并将该比值作为衍生特征信息中的第一衍生特征信息，即为：第一衍生特征信息
Figure 796795DEST_PATH_IMAGE021
，第一衍生特征信息也称为距离高度比特征，其中该距离参数与该高度参数在同一时刻的目标飞行信息中。
S03、求取归一化预处理后的速度方向参数与归一化预处理后的轨迹参数的乘积，并将该乘积作为衍生特征信息中的第二衍生特征信息，即为：第二衍生特征信息
Figure 161918DEST_PATH_IMAGE022
，第二衍生特征信息也称为方向轨迹组合特征，其中该速度方向参数与该轨迹参数在同一时刻的目标飞行信息中。
S04、求取归一化预处理后的速度参数与归一化预处理后的轨迹参数的乘积，并将该乘积作为衍生特征信息中的第三衍生特征信息，即为：第三衍生特征信息
Figure 581398DEST_PATH_IMAGE023
，第三衍生特征信息也称为速度轨迹组合特征，其中该速度参数与该轨迹参数在同一时刻的目标飞行信息中。
作为一种优选，在步骤S2中，构建特征矩阵时，时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各列，具体包括如下子步骤：
由第一衍生特征信息、第二衍生特征信息、第三衍生特征信息、归一化预处理后的距离参数、归一化预处理后的高度参数、归一化预处理后的速度参数、归一化预处理后的速度方向参数、归一化预处理后的到达时间参数和归一化预处理后的轨迹参数组成特征矩阵中一列，其中，第一衍生特征信息、第二衍生特征信息、第三衍生特征信息、归一化预处理后的距离参数、归一化预处理后的高度参数、归一化预处理后的速度参数、归一化预处理后的速度方向参数、归一化预处理后的到达时间参数和归一化预处理后的轨迹参数在同一时刻的目标飞行信息中，特征矩阵的列数与历史时间序列内的时刻数量相同，且各个时刻的目标飞行信息与特征矩阵中的各列一一对应。特征矩阵表示为：
Figure 808111DEST_PATH_IMAGE083
。
上述S01中，也可采用其他归一化函数进行各个归一化计算过程。
可选的，S4中，对循环神经网络模型进行训练和参数优化前，对循环神经网络模型中隐藏层和输出层内的各个权重矩阵均使用正态分布初始化。
可选的，循环神经网络模型的前向传播定义如下：
隐藏层输出定义：循环神经网络模型中隐藏层输出值
Figure 629436DEST_PATH_IMAGE025
，其中，
Figure 899881DEST_PATH_IMAGE026
表示循环神经网络模型中第一个隐藏状态，
Figure 806657DEST_PATH_IMAGE027
，
Figure 571481DEST_PATH_IMAGE028
表示第一中间参数，
Figure 512893DEST_PATH_IMAGE029
表示第一权重矩阵，
Figure 219818DEST_PATH_IMAGE030
表示第二权重矩阵，
Figure 410627DEST_PATH_IMAGE031
表示训练样本中第m个特征矩阵，
Figure 103777DEST_PATH_IMAGE032
表示训练样本中第m-1个特征矩阵输入隐藏层后的隐藏层输出值，b表示第一偏置值，
Figure 509482DEST_PATH_IMAGE033
表示激活函数。其中，激活函数
Figure 262674DEST_PATH_IMAGE033
优选为tanh(x)，
Figure 268676DEST_PATH_IMAGE084
。
输出层输出值定义：循环神经网络模型中输出层输出值
Figure 499937DEST_PATH_IMAGE034
，其中，
Figure 25728DEST_PATH_IMAGE035
表示第三权重矩阵，
Figure 684242DEST_PATH_IMAGE036
表示第二偏置值。
概率矩阵定义：概率矩阵
Figure 177540DEST_PATH_IMAGE037
，其中
Figure 212492DEST_PATH_IMAGE038
表示目标所处的威胁等级为第一威胁等级的概率值，
Figure 858369DEST_PATH_IMAGE039
表示目标所处的威胁等级为第二威胁等级的概率值，
Figure 484522DEST_PATH_IMAGE040
表示目标所处的威胁等级为第三威胁等级的概率值，
Figure 340483DEST_PATH_IMAGE041
表示目标所处的威胁等级为第四威胁等级的概率值，
Figure 303759DEST_PATH_IMAGE042
。
预测输出定义：威胁等级预测输出值
Figure 663197DEST_PATH_IMAGE043
，其中
Figure 804459DEST_PATH_IMAGE044
表示归一化指数函数，
Figure 616557DEST_PATH_IMAGE045
表示第一分量，第一分量与第一威胁等级对应，
Figure 383525DEST_PATH_IMAGE046
表示第二分量，第二分量与第二威胁等级对应，
Figure 863048DEST_PATH_IMAGE047
表示第三分量，第三分量与第三威胁等级对应，
Figure 96583DEST_PATH_IMAGE048
表示第四分量，第四分量与第四威胁等级对应。
此外，四种威胁等级的分类结果均转换为one-hot标签。具体地，第一威胁等级的one-hot标签为[1，0，0，0]，第二威胁等级的one-hot标签为[0，1，0，0]，第三威胁等级的one-hot标签为[0，0，1，0]，第四威胁等级的one-hot标签为[0，0，0，1]。
可选的，S4中，对循环神经网络模型进行训练和参数优化时，损失反向传播和网络更新定义如下：
定义第一随机优化矩阵
Figure 536923DEST_PATH_IMAGE049
，第一随机优化矩阵
Figure 717368DEST_PATH_IMAGE049
中每个元素值均为0-1之间的随机数，第一随机优化矩阵
Figure 176032DEST_PATH_IMAGE049
的大小为概率矩阵
Figure 518151DEST_PATH_IMAGE050
的大小。
损失对输出层的梯度
Figure 445787DEST_PATH_IMAGE051
，其中，
Figure 164344DEST_PATH_IMAGE052
表示梯度方向，
Figure 743093DEST_PATH_IMAGE053
，
Figure 521693DEST_PATH_IMAGE054
表示符号函数，损失值
Figure 857997DEST_PATH_IMAGE055
，
Figure 255611DEST_PATH_IMAGE056
表示威胁等级预测输出值集合的分量，
Figure 564233DEST_PATH_IMAGE057
表示
Figure 638368DEST_PATH_IMAGE056
对应的真实值，
Figure 399651DEST_PATH_IMAGE058
表示概率矩阵
Figure 335377DEST_PATH_IMAGE050
的模。
输出层梯度下降结果
Figure 498505DEST_PATH_IMAGE059
。
定义第二随机优化矩阵
Figure 743541DEST_PATH_IMAGE060
，第二随机优化矩阵
Figure 257699DEST_PATH_IMAGE060
中每个元素值均为0-1之间的随机数，第二随机优化矩阵
Figure 985398DEST_PATH_IMAGE060
的大小为第三权重矩阵
Figure 3032DEST_PATH_IMAGE035
的大小。
损失对第三权重矩阵
Figure 356653DEST_PATH_IMAGE035
的梯度
Figure 217162DEST_PATH_IMAGE061
，其中，
Figure 884903DEST_PATH_IMAGE062
表示第三权重矩阵
Figure 632411DEST_PATH_IMAGE035
的模。
第三权重矩阵
Figure 94616DEST_PATH_IMAGE035
的梯度下降结果
Figure 442421DEST_PATH_IMAGE063
。
损失对第二偏置值
Figure 648274DEST_PATH_IMAGE036
的梯度
Figure 515867DEST_PATH_IMAGE064
，其中，
Figure 414553DEST_PATH_IMAGE065
为0至1之间的随机数。
第二偏置值
Figure 656179DEST_PATH_IMAGE036
的梯度下降结果
Figure 790357DEST_PATH_IMAGE066
。
损失对隐藏层的梯度
Figure 902669DEST_PATH_IMAGE067
，其中，
Figure 582043DEST_PATH_IMAGE068
为0至1之间的随机数。
隐藏层梯度下降结果
Figure 779806DEST_PATH_IMAGE069
。
定义第三随机优化矩阵
Figure 452096DEST_PATH_IMAGE070
，第三随机优化矩阵
Figure 153336DEST_PATH_IMAGE070
中每个元素值均为0至1之间的随机数，第三随机优化矩阵
Figure 3611DEST_PATH_IMAGE070
的大小为第二权重矩阵
Figure 688671DEST_PATH_IMAGE030
的大小。
损失对第二权重矩阵
Figure 164651DEST_PATH_IMAGE030
的梯度
Figure 985977DEST_PATH_IMAGE071
，其中，
Figure 272733DEST_PATH_IMAGE072
表示第二权重矩阵
Figure 976247DEST_PATH_IMAGE030
的模；
第二权重矩阵
Figure 193601DEST_PATH_IMAGE030
的梯度下降结果
Figure 931750DEST_PATH_IMAGE073
。
定义第四随机优化矩阵
Figure 248462DEST_PATH_IMAGE074
，第四随机优化矩阵
Figure 517901DEST_PATH_IMAGE074
中每个元素值均为0至1之间的随机数，第四随机优化矩阵
Figure 211050DEST_PATH_IMAGE074
的大小为第一权重矩阵
Figure 866022DEST_PATH_IMAGE029
的大小。
损失对第一权重矩阵
Figure 884794DEST_PATH_IMAGE029
的梯度
Figure 375949DEST_PATH_IMAGE075
，其中，
Figure 607210DEST_PATH_IMAGE076
表示第一权重矩阵
Figure 382268DEST_PATH_IMAGE029
的模。
第一权重矩阵
Figure 103100DEST_PATH_IMAGE029
的梯度下降结果
Figure 550393DEST_PATH_IMAGE077
。
损失对第一偏置值b的梯度
Figure 585345DEST_PATH_IMAGE078
，其中，
Figure 214909DEST_PATH_IMAGE079
为0至1之间的随机数。
第一偏置值b的梯度下降结果
Figure 106642DEST_PATH_IMAGE080
。
实施例二
本实施例提供了一种低小慢目标威胁程度评估装置，包括存储器和处理器，存储器内保存有实施例一中提供的一种低小慢目标威胁程度评估方法，处理器用于调用存储器中保存的低小慢目标威胁程度评估方法来判断目标在当前时刻的威胁等级。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种低小慢目标威胁程度评估方法，所述方法用于确定出所述目标对保护区的威胁等级，其特征在于，所述方法包括如下步骤：
S1.构建循环神经网络模型；
S2.确定特征矩阵构建规则，构建好的所述特征矩阵将作为循环神经网络模型的输入，所述构建规则为：特征矩阵根据在时间序列内采集到的目标飞行信息生成，其中，时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各列，或时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各行，各个时刻的目标飞行信息均包括基础特征信息和衍生特征信息，所述衍生特征信息基于多个所述基础特征信息生成；
S3.获取连续多个历史时间序列内采集到的目标飞行信息，根据所述多个历史时间序列内采集到的目标飞行信息一一对应生成多个特征矩阵，并由该多个特征矩阵组合为训练样本；
S4.将所述训练样本输入循环神经网络模型，对循环神经网络模型进行训练和参数优化；
S5.获取连续多个实时时间序列内采集到的目标飞行信息，根据所述多个实时时间序列内采集到的目标飞行信息一一对应生成多个特征矩阵，并将该多个特征矩阵输入训练完成后的循环神经网络模型，其中，时刻值最靠后的实时时间序列的最大时刻为当前时刻；
S6.循环神经网络模型确定出目标在当前时刻的威胁等级。
2.根据权利要求1所述的一种低小慢目标威胁程度评估方法，其特征在于，所述基础特征信息包括距离参数、高度参数、速度参数、速度方向参数、到达时间参数和轨迹参数，距离参数为目标到保护区中心的直线距离值，高度参数为目标的飞行高度值，速度参数为目标的速度值，速度方向参数为目标速度方向与目标保护区中心连线方向之间的夹角值，到达时间参数为目标到达保护区中心的预估时间，轨迹参数为根据同一时间序列内采集到的目标飞行信息中的多个距离参数生成的目标轨迹影响值。
3.根据权利要求2所述的一种低小慢目标威胁程度评估方法，其特征在于，所述衍生特征信息的生成过程具体如下：
对时间序列内各个时刻的目标飞行信息中所包含的基础特征信息进行归一化预处理；
求取归一化预处理后的距离参数与归一化预处理后的高度参数之间的比值，并将该比值作为衍生特征信息中的第一衍生特征信息，其中该距离参数与该高度参数在同一时刻的目标飞行信息中；
求取归一化预处理后的速度方向参数与归一化预处理后的轨迹参数的乘积，并将该乘积作为衍生特征信息中的第二衍生特征信息，其中该速度方向参数与该轨迹参数在同一时刻的目标飞行信息中；
求取归一化预处理后的速度参数与归一化预处理后的轨迹参数的乘积，并将该乘积作为衍生特征信息中的第三衍生特征信息，其中该速度参数与该轨迹参数在同一时刻的目标飞行信息中。
4.根据权利要求3所述的一种低小慢目标威胁程度评估方法，其特征在于，所述时间序列内各个时刻的目标飞行信息一一对应生成特征矩阵中的各列，具体包括如下子步骤：
由第一衍生特征信息、第二衍生特征信息、第三衍生特征信息、归一化预处理后的距离参数、归一化预处理后的高度参数、归一化预处理后的速度参数、归一化预处理后的速度方向参数、归一化预处理后的到达时间参数和归一化预处理后的轨迹参数组成特征矩阵中一列，其中，第一衍生特征信息、第二衍生特征信息、第三衍生特征信息、归一化预处理后的距离参数、归一化预处理后的高度参数、归一化预处理后的速度参数、归一化预处理后的速度方向参数、归一化预处理后的到达时间参数和归一化预处理后的轨迹参数在同一时刻的目标飞行信息中，特征矩阵的列数与时间序列内的时刻数量相同，且各个时刻的目标飞行信息与特征矩阵中的各列一一对应。
5.根据权利要求4所述的一种低小慢目标威胁程度评估方法，其特征在于，
归一化预处理后的距离参数
Figure DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE002
，
其中，
Figure DEST_PATH_IMAGE003
表示
Figure DEST_PATH_IMAGE004
时刻目标到保护区中心的直线距离值，
Figure DEST_PATH_IMAGE005
表示保护区所在多边形空 间区域的最小外切半球的半径；
归一化预处理后的高度参数
Figure DEST_PATH_IMAGE006
，其中，
Figure DEST_PATH_IMAGE007
表示
Figure DEST_PATH_IMAGE008
时刻目标的飞行高度值；
归一化预处理后的速度参数
Figure DEST_PATH_IMAGE009
，
其中，
Figure DEST_PATH_IMAGE010
表示
Figure 740185DEST_PATH_IMAGE008
时刻目标的速度值，
Figure 47538DEST_PATH_IMAGE011
表示指数函数；
归一化预处理后的速度方向参数
Figure DEST_PATH_IMAGE012
，其中，
Figure DEST_PATH_IMAGE013
表示
Figure 953176DEST_PATH_IMAGE008
时刻目标速度方向与目标保护区中心连线方向之间的夹角值；
归一化预处理后的到达时间参数
Figure DEST_PATH_IMAGE014
，其中，
Figure DEST_PATH_IMAGE015
表示
Figure 925549DEST_PATH_IMAGE008
时刻目标到达保护区 中心的预估时间，
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
表示点乘符号；
归一化预处理后的轨迹参数
Figure 119682DEST_PATH_IMAGE018
，其中，n表示该轨迹参数所处的目标飞行 信息对应的时间序列的时刻数量，该时间序列
Figure DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE020
表示该时间序列中的最大时 刻值的标号；
第一衍生特征信息
Figure DEST_PATH_IMAGE021
；
第二衍生特征信息
Figure DEST_PATH_IMAGE022
；
第三衍生特征信息
Figure DEST_PATH_IMAGE023
；
特征矩阵
Figure DEST_PATH_IMAGE024
。
6.根据权利要求1所述的一种低小慢目标威胁程度评估方法，其特征在于，对循环神经网络模型进行训练和参数优化前，循环神经网络模型中隐藏层和输出层内的各个权重矩阵均使用正态分布初始化。
7.根据权利要求1所述的一种低小慢目标威胁程度评估方法，其特征在于，所述威胁等级从威胁程度最高到威胁程度最低依序为第一威胁等级、第二威胁等级、第三威胁等级和第四威胁等级。
8.根据权利要求7所述的一种低小慢目标威胁程度评估方法，其特征在于，所述循环神经网络模型的前向传播定义如下：
循环神经网络模型中隐藏层输出值
Figure DEST_PATH_IMAGE025
，其中，
Figure DEST_PATH_IMAGE026
表示循环神经网络模 型中第一个隐藏状态，
Figure DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE028
表示第一中间参数，
Figure DEST_PATH_IMAGE029
表示第一权重矩阵，
Figure DEST_PATH_IMAGE030
表示第二权重矩阵，
Figure DEST_PATH_IMAGE031
表示训练样本中第m个特征矩阵，
Figure DEST_PATH_IMAGE032
表示训练样本中第m-1个特 征矩阵输入隐藏层后的隐藏层输出值，b表示第一偏置值，
Figure DEST_PATH_IMAGE033
表示激活函数；
循环神经网络模型中输出层输出值
Figure DEST_PATH_IMAGE034
，其中，
Figure DEST_PATH_IMAGE035
表示第三权重矩阵，
Figure DEST_PATH_IMAGE036
表示 第二偏置值；
概率矩阵
Figure DEST_PATH_IMAGE037
，其中
Figure DEST_PATH_IMAGE038
表示目标所处的威胁等级为第一威胁等级的概 率值，
Figure DEST_PATH_IMAGE039
表示目标所处的威胁等级为第二威胁等级的概率值，
Figure DEST_PATH_IMAGE040
表示目标所处的威胁等级 为第三威胁等级的概率值，
Figure DEST_PATH_IMAGE041
表示目标所处的威胁等级为第四威胁等级的概率值，
Figure DEST_PATH_IMAGE042
；
威胁等级预测输出值
Figure DEST_PATH_IMAGE043
，其中
Figure DEST_PATH_IMAGE044
表示归一化指数 函数，
Figure DEST_PATH_IMAGE045
表示第一分量，所述第一分量与第一威胁等级对应，
Figure DEST_PATH_IMAGE046
表示第二分量，所述第二分 量与第二威胁等级对应，
Figure DEST_PATH_IMAGE047
表示第三分量，所述第三分量与第三威胁等级对应，
Figure DEST_PATH_IMAGE048
表示第 四分量，所述第四分量与第四威胁等级对应。
9.根据权利要求8所述的一种低小慢目标威胁程度评估方法，其特征在于，对循环神经网络模型进行训练和参数优化时，损失反向传播和网络更新定义如下：
定义第一随机优化矩阵
Figure DEST_PATH_IMAGE049
，所述第一随机优化矩阵
Figure 671972DEST_PATH_IMAGE049
中每个元素值均为0-1之间 的随机数，第一随机优化矩阵
Figure 985011DEST_PATH_IMAGE049
的大小为概率矩阵
Figure DEST_PATH_IMAGE050
的大小；
损失对所述输出层的梯度
Figure DEST_PATH_IMAGE051
，其中，
Figure DEST_PATH_IMAGE052
表示梯度方向，
Figure DEST_PATH_IMAGE053
，
Figure DEST_PATH_IMAGE054
表示符号函数，损失值
Figure DEST_PATH_IMAGE055
，
Figure DEST_PATH_IMAGE056
表示威胁等级预测输出值集合的分量，
Figure DEST_PATH_IMAGE057
表示
Figure 34176DEST_PATH_IMAGE056
对应的真实值，
Figure DEST_PATH_IMAGE058
表示概率矩阵
Figure 217902DEST_PATH_IMAGE050
的模；
输出层梯度下降结果
Figure DEST_PATH_IMAGE059
；
定义第二随机优化矩阵
Figure DEST_PATH_IMAGE060
，所述第二随机优化矩阵
Figure 591026DEST_PATH_IMAGE060
中每个元素值均为0-1之间 的随机数，第二随机优化矩阵
Figure 735569DEST_PATH_IMAGE060
的大小为第三权重矩阵
Figure 721848DEST_PATH_IMAGE035
的大小；
损失对第三权重矩阵
Figure 369867DEST_PATH_IMAGE035
的梯度
Figure DEST_PATH_IMAGE061
，其中，
Figure DEST_PATH_IMAGE062
表示第三权重矩阵
Figure 722350DEST_PATH_IMAGE035
的 模；
第三权重矩阵
Figure 291871DEST_PATH_IMAGE035
的梯度下降结果
Figure DEST_PATH_IMAGE063
；
损失对第二偏置值
Figure 816262DEST_PATH_IMAGE036
的梯度
Figure DEST_PATH_IMAGE064
，其中，
Figure DEST_PATH_IMAGE065
为0至1之间的随机数；
第二偏置值
Figure 177842DEST_PATH_IMAGE036
的梯度下降结果
Figure DEST_PATH_IMAGE066
；
损失对所述隐藏层的梯度
Figure DEST_PATH_IMAGE067
，其中，
Figure DEST_PATH_IMAGE068
为0至1之间的随机数；
隐藏层梯度下降结果
Figure DEST_PATH_IMAGE069
；
定义第三随机优化矩阵
Figure DEST_PATH_IMAGE070
，所述第三随机优化矩阵
Figure 469933DEST_PATH_IMAGE070
中每个元素值均为0至1之间 的随机数，第三随机优化矩阵
Figure 57909DEST_PATH_IMAGE070
的大小为第二权重矩阵
Figure 464620DEST_PATH_IMAGE030
的大小；
损失对第二权重矩阵
Figure 618390DEST_PATH_IMAGE030
的梯度
Figure DEST_PATH_IMAGE071
，其中，
Figure DEST_PATH_IMAGE072
表示第二权重矩阵
Figure 164603DEST_PATH_IMAGE030
的 模；
第二权重矩阵
Figure 787345DEST_PATH_IMAGE030
的梯度下降结果
Figure DEST_PATH_IMAGE073
；
定义第四随机优化矩阵
Figure DEST_PATH_IMAGE074
，所述第四随机优化矩阵
Figure 450277DEST_PATH_IMAGE074
中每个元素值均为0至1之间 的随机数，第四随机优化矩阵
Figure 724132DEST_PATH_IMAGE074
的大小为第一权重矩阵
Figure 338784DEST_PATH_IMAGE029
的大小；
损失对第一权重矩阵
Figure 698090DEST_PATH_IMAGE029
的梯度
Figure DEST_PATH_IMAGE075
，其中，
Figure DEST_PATH_IMAGE076
表示第一权重矩阵
Figure 102396DEST_PATH_IMAGE029
的 模；
第一权重矩阵
Figure 230758DEST_PATH_IMAGE029
的梯度下降结果
Figure DEST_PATH_IMAGE077
；
损失对第一偏置值b的梯度
Figure DEST_PATH_IMAGE078
，其中，
Figure DEST_PATH_IMAGE079
为0至1之间的随机数；
第一偏置值b的梯度下降结果
Figure DEST_PATH_IMAGE080
。
10.一种低小慢目标威胁程度评估装置，其特征在于，包括存储器和处理器，所述存储器内保存有权利要求1至9任一项所述的一种低小慢目标威胁程度评估方法，所述处理器用于调用所述存储器中保存的低小慢目标威胁程度评估方法来判断目标在当前时刻的威胁等级。
CN202211680968.4A 2022-12-27 2022-12-27 一种低小慢目标威胁程度评估方法及装置 Active CN115659229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211680968.4A CN115659229B (zh) 2022-12-27 2022-12-27 一种低小慢目标威胁程度评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211680968.4A CN115659229B (zh) 2022-12-27 2022-12-27 一种低小慢目标威胁程度评估方法及装置

Publications (2)

Publication Number Publication Date
CN115659229A true CN115659229A (zh) 2023-01-31
CN115659229B CN115659229B (zh) 2023-03-28

Family

ID=85023674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211680968.4A Active CN115659229B (zh) 2022-12-27 2022-12-27 一种低小慢目标威胁程度评估方法及装置

Country Status (1)

Country Link
CN (1) CN115659229B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180231985A1 (en) * 2016-12-22 2018-08-16 TCL Research America Inc. System and method for vision-based flight self-stabilization by deep gated recurrent q-networks
CN109613530A (zh) * 2018-12-21 2019-04-12 成都航天科工微电子系统研究院有限公司 一种低小慢空中目标多源信息融合的管控方法
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
CN112434643A (zh) * 2020-12-06 2021-03-02 零八一电子集团有限公司 低慢小目标的分类识别方法
WO2021073528A1 (zh) * 2019-10-18 2021-04-22 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） 一种无人艇智能决策方法及系统
CN114266355A (zh) * 2021-03-29 2022-04-01 中国人民解放军空军工程大学 一种基于BiLSTM-Attention的战术意图识别方法
CN114676743A (zh) * 2021-12-09 2022-06-28 上海无线电设备研究所 基于隐马尔可夫模型的低慢小目标航迹威胁识别方法
CN115471061A (zh) * 2022-09-05 2022-12-13 中国电子科技集团公司第十五研究所 一种面向低慢小无人机集群的威胁评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180231985A1 (en) * 2016-12-22 2018-08-16 TCL Research America Inc. System and method for vision-based flight self-stabilization by deep gated recurrent q-networks
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
CN109613530A (zh) * 2018-12-21 2019-04-12 成都航天科工微电子系统研究院有限公司 一种低小慢空中目标多源信息融合的管控方法
WO2021073528A1 (zh) * 2019-10-18 2021-04-22 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） 一种无人艇智能决策方法及系统
CN112434643A (zh) * 2020-12-06 2021-03-02 零八一电子集团有限公司 低慢小目标的分类识别方法
CN114266355A (zh) * 2021-03-29 2022-04-01 中国人民解放军空军工程大学 一种基于BiLSTM-Attention的战术意图识别方法
CN114676743A (zh) * 2021-12-09 2022-06-28 上海无线电设备研究所 基于隐马尔可夫模型的低慢小目标航迹威胁识别方法
CN115471061A (zh) * 2022-09-05 2022-12-13 中国电子科技集团公司第十五研究所 一种面向低慢小无人机集群的威胁评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张发强;由大德;蒋敏;: "基于RBF神经网络的空袭目标威胁评估模型研究" *
罗艳春;郭立红;王凤仙;吕雪燕;: "基于神经网络的光电系统空中目标威胁估计" *
辛振芳;黄魁华;何晶晶;贾彦翔;邱旭阳;: "基于贝叶斯网络的"低慢小"目标威胁评估方法" *

Also Published As

Publication number Publication date
CN115659229B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN109034632B (zh) 一种基于对抗样本的深度学习模型安全风险评估方法
CN111461292B (zh) 一种无人机实时轨迹预测方法
CN108196314B (zh) 一种西北太平洋环状台风自动识别系统
EP2137481B1 (en) A method and a system for estimating the impact area of a military load launched from an aircraft
US11790767B2 (en) Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution
CN110221620B (zh) 一种基于mas的多无人系统监督控制站
CN111399541A (zh) 无监督学习型神经网络的无人机全区域侦察路径规划方法
Liu et al. Chaotic oscillatory-based neural network for wind shear and turbulence forecast with LiDAR data
CN115064009B (zh) 一种终端区无人机与有人机冲突风险等级划分方法
CN114842208A (zh) 一种基于深度学习的电网危害鸟种目标检测方法
CN112270445B (zh) 基于统计分析和分类预测的航班延误波及综合评估方法
CN112749761A (zh) 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统
Yang et al. LSTM-based deep learning model for civil aircraft position and attitude prediction approach
CN115480582A (zh) 基于lstm的目标的机动预测方法、电子设备和存储介质
Small et al. A UAV case study with set‐based design
CN114118361A (zh) 一种基于深度学习参数锚定的态势评估方法
Deng et al. Trajectory pattern identification and classification for real-time air traffic applications in Area Navigation terminal airspace
CN115659229B (zh) 一种低小慢目标威胁程度评估方法及装置
CN114494861B (zh) 一种基于多参数优化yolov4网络的飞机目标检测方法
CN115456090A (zh) 一种基于知识推理机的战斗机多层次复合意图预测方法
CN115796017A (zh) 一种基于模糊理论的可解释交通认知方法
CN115392714A (zh) 一种基于fassa-svm的输电线路故障评估方法
Pan et al. Identification of aircraft wake vortex based on VGGNet
Klaproth et al. Investigation of Mission Performance Sensitivities for Unmanned Aerial Vehicles Based on Parametric Similarity Assessment of Mission Requirements
Yang et al. Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network

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