CN115952428B - 基于gru的群体任务识别方法 - Google Patents
基于gru的群体任务识别方法 Download PDFInfo
- Publication number
- CN115952428B CN115952428B CN202211738054.9A CN202211738054A CN115952428B CN 115952428 B CN115952428 B CN 115952428B CN 202211738054 A CN202211738054 A CN 202211738054A CN 115952428 B CN115952428 B CN 115952428B
- Authority
- CN
- China
- Prior art keywords
- group
- threat
- target
- gru
- formation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 73
- 238000005755 formation reaction Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 229910003460 diamond Inorganic materials 0.000 claims description 3
- 239000010432 diamond Substances 0.000 claims description 3
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 239000000178 monomer Substances 0.000 description 17
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于GRU的群体任务识别方法,属于作战意图预测技术领域。本发明的方法包括:获取多个目标的原始数据;根据原始数据对多个目标进行分群,得到每个群体的类型;根据群体的类型生成群体意图与群体队形;根据原始数据中的目标占比与目标威胁计算出不同群体队形下的群体的威胁值与威胁半径,以及根据群体意图生成群体方向;将不同群体类型中的目标数目、意图数目、群体队形、群体方向、离散化后的群体的威胁值和威胁半径输入至GRU模型中,得到不同群体的战术任务意图。本发明利用GRU技术解决了长期记忆和反向传播中的梯度问题,网络参数更少,更易训练,能在很大程度上提高训练效率。
Description
技术领域
本发明属于作战意图预测技术领域,具体涉及一种基于GRU的群体任务识别方法。
背景技术
现代军事环境往往随着大量信息战的投入而变得愈发复杂、多变以及充满对抗性,而现代军事行动几乎都是以作战集群为单位进行展开,若仅依靠人工经验和认知能力进行数据梳理与分析,则难免存在准确性、客观性和时效性上不足的极大缺点。
在这种背景下,如何利用计算机实现基于目标状态、目标威胁以及群体目标编成编组等输入要素完成群体作战任务识别就显得尤为重要。现有基于长短期记忆(Longshort-term memory,LSTM)技术在引入了很多内容后导致参数变多,训练难度加大,耗费时间较长。
因此,针对现有LSTM技术存在的不足,本发明提出一种基于GRU的群体任务识别方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于GRU的群体任务识别方法。
本发明提供一种基于GRU的群体任务识别方法,所述方法包括:
获取多个目标的原始数据;
根据原始数据对所述多个目标进行分群,得到每个群体的类型;
根据群体的类型生成群体意图与群体队形;
根据原始数据中的目标占比与目标威胁计算出不同群体队形下群体的威胁值与威胁半径,以及根据所述群体意图生成群体方向;
将不同群体类型中的目标数目、意图数目、群体队形、群体方向、离散化后的群体的威胁值和威胁半径输入至GRU模型中,得到不同群体的战术任务意图。
可选的,所述根据群体的类型生成群体队形,包括:
采集每个群体中各目标的轨迹数据,对所述轨迹数据清洗和变换处理,并提取群体的初始特征数据,生成群体队形特征训练数据;
基于预设的队形识别类型,对群体队形特征训练数据进行训练得到队形识别模型;
基于所述队形识别模型输出每个群体的队形识别结果。
可选的,所述预设的队形识别类型包括梯形队形、楔形队形、纵队队形、横行队形、菱形队形和蛇形队形。
可选的,所述根据原始数据中的目标占比与目标威胁计算出不同群体队形下的群体的威胁值,包括:
获取每个群体内各目标的威胁度矩阵F=(f1,f2,…,fn)T;
将群体内各目标按照目标类型划分为目标类型权值矩阵ωtype,各目标类型下目标数目威胁量化矩阵ωcount和目标类型数目威胁量化指数ωNum;
将同类型的目标威胁度相加,得到同类型目标基础威胁度Ftypei;
根据所述同类型目标基础威胁度,采用线性加权方法得到群态势威胁评估模型;
根据所述群态势威胁评估模型得到每个群体的威胁值。
可选的,所述目标类型权值矩阵ωtype的关系式如下:
ωtype=(ωtype1,ωtype2,...,ωtype1N)T;
所述各目标类型下目标数目威胁量化矩阵ωcount关系式如下:
ωcount=(ωcount1,ωcount2,...,ωcountN)T;
所述目标类型数目威胁量化指数ωNum为调整系数,无需调整时取1;
所述群态势威胁评估模型的关系式如下:
式中,Q为最终群态势威胁评估结果,N为假设目标类型数,ωtypei(i=1,2,…,N)为矩阵ωtype内成员;
ωcounti(i=1,2,…,N)为矩阵ωcount的矩阵内成员,经过下述关系式量化计算得到:
式中,numtypei表示各目标类型下的目标数量,ai与bi为常数。
可选的,采用最小球覆盖算法获取所述群体的威胁半径,包括:
获取任意的初始两点P1、P2,以初始两点P1、P2为直径得到初始圆C2;
按顺序依次加点,获取当前圆Ci-1;
若点Pi在当前圆Ci-1内,则包含前i个点的最小圆Ci=Ci-1;
若点Pi不在当前圆Ci-1内,则重新构造新圆,将新插入的Pi包含在第一更新圆的边界上,以过P1Pi为直径得到第一更新圆Ci;
获取不在第一更新圆Ci中的点Pj(j<i),将点Pj包含在第二更新圆的边界上,以点Pi为直径得到第二更新圆Cj;
获取不在第二更新圆Cj上的点Pk(k<j<i),将点Pi,点Pj,点Pk包含在第三更新圆的半径上,以点Pi,点Pj,点Pk为半径得到第三更新圆,所述第三更新圆的半径为群体的威胁半径。
可选的,所述GRU模型的训练过程如下:
将不同群体类型中的目标数目、意图数目、群体队形、群体方向、离散化后的群体威胁值和威胁半径生成训练集数据;
设置GRU模型的输入层数、隐含层数、输出层数;
基于所述训练集数据训练所述GRU模型,并判断输出信息是否达到预设的准确度;
响应于输出信息达到预设的准确数时,则训练结束,否则进一步判断输出信息是否达到预设的循环次数,若达到则训练结束,否则进行迭代训练;
对训练得到的所述GRU模型进行测试,输出测试结果。
可选的,所述GRU模型的网络状态与输出计算式如下:
zt=σ(Uzxt+Wzht-1)
rt=σ(Urxt+Wrht-1)
其中,zt是更新门,rt是重置门,U、W是两个门的权重系数,xt是当前时刻的输入,ht-1是前一时刻的隐藏层状态,ht是当前时刻的隐藏层状态。
可选的,所述原始数据包括目标状态、目标威胁、经度、维度、高度、方向、目标类型。
可选的,所述战术任务意图包括指挥任务、攻击任务、撤退任务、巡逻任务、侦察任务。
本发明提出一种基于GRU的群体任务识别方法,通过GRU神经网络实现基于目标状态、目标威胁以及群体目标组成要素的作战群体任务识别的能力,对敌方作战群体目标战术任务进行判断,为战场威胁态势演化的自主认知提供支撑。本发明利用GRU技术解决了长期记忆和反向传播中的梯度问题,网络参数更少,更易训练,能在很大程度上提高训练效率。
附图说明
图1为本发明的基于GRU的群体任务识别方法的流程框图;
图2为本发明的作战群体任务识别流程图;
图3为本发明的最小圆半径算法示意图;
图4为本发明的GRU模型结构图;
图5为本发明的训练数据生成流程图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护范围。
除非另外具体说明,本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“包括”或者“包含”等既不限定所提及的形状、数字、步骤、动作、操作、构件、原件和/或它们的组,也不排除出现或加入一个或多个其他不同的形状、数字、步骤、动作、操作、构件、原件和/或它们的组。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示技术特征的数量与顺序。
如图1和图2所示,本发明提出一种基于GRU的群体任务识别方法S100,包括步骤S110~S110:
S110、获取多个目标的原始数据。
本发明原始数据包括单目标的目标状态、目标威胁、经度、维度、高度、方向、目标类型等8个属性。
S120、根据原始数据对多个目标进行分群,得到每个群体的类型。
需要说明的是,对于下文中群体意图的判别,最重要的是先判断出每个单体属于哪个群体,即目标群体的划分。而目标分群算法主要是基于聚类分析方法,聚类分析是一类无监督模式的机器学习方法,它能够将没有类别标记的数据集按照某种准则划分成多个类或簇,使簇内样本相似性较大,簇间样本差异性较大。
具体地,本发明利用基于层次的聚类方法对所有目标进行分群,而目标群体划分的实现主要可以运用聚类分析中的密度法,即本发明可采用密度聚类方法对多个目标进行分群,得到每个群体的类型,也就是说,可根据群体内不同目标单体的占比数量确定群体的类型。
S130、根据群体的类型生成群体意图与群体队形。
在该步骤中,本发明采用了场景仿真模块产生的数据来进行评估,在目标分群算法中,总共包括多个目标不同时刻的数据集,随着时间的推移,目标群体状态在不断发生变化,通过对原始数据集进行预处理后,对目标进行分群。
具体地,采集群体中各单体的轨迹数据,并对轨迹数据清洗和变换处理,之后,再提取群体的初始特征数据,并基于此生成队形特征训练数据。进一步地,基于预设的队形识别类型,使用聚类和Lightgbm模型对群体训练得到群体队形识别模型,从而进一步基于得到的队形识别模型实现目标群体的队形识别数据,并生成每一个目标集群的待识别特征数据,再输入队形识别模型,基于其输出得到当前目标集群的队形识别结果。
需要说明的是,本发明中预设的队形识别类型包括梯形队形、楔形队形、纵队队形、横行队形、菱形队形和蛇形队形等6种队形,也就是说,基于该队形识别模型识别出的群体队形为上述6种队形。
进一步地,根据群体的类型生成可能的意图,例如,如果群体内占比最多的目标单体是预警机,则根据该类型可判断出输出意图可能为巡逻或者指挥,对应的队形可能为梯形队列或者纵行队列。
S140、根据原始数据中目标的占比数量生成群体的威胁值,以及根据队形识别结果生成群体的威胁半径,根据意图识别结果生成群体方向。
需要说明的是,每个群体内各类型的目标数量可以比较直观的反映某类型的规模情况,也可以直观反映威胁情况,例如,一个单体的威胁往往小于三个同类型单体的威胁,因此,可以根据目标数量划分威胁度等级从而量化得到威胁度属性值。但是,单纯的靠数量划分不是很准确,例如,两个威胁度更高的目标单体与三个威胁度较低的目标单体的威胁度相同,基于此,这就需要更好的群体威胁值计算方法来衡量群体威胁值。
具体地,生成群体的威胁值,包括:在划分目标类型后,通过将群体内目标划分到其相应目标类型后,假设目标类型数为N,经过相关计算可以得到三种属性值,分别为目标类型权值矩阵ωtype,各类型下目标数目威胁量化矩阵ωcount和目标类型数目威胁量化指数ωNum,ωNum为调整系数,无需调整时取1,前两种的关系式(1)(2)分别如下所示:
ωtype=(ωtype1,ωtype2,...,ωtype1N)T(1)
ωcount=(ωcount1,ωcount2,...,ωcountN)T(2)
其中,对于矩阵ωtype,其矩阵内成员ωtypei,i=1,2,…,N取值为专家评议后根据目标类型的重要程度所构建的类型权重表所对应类型的值,类型权重表中所有类型的权重的和为1,例如ωtype=[0.275,0.25,0.325,0.15]。
另外,各类型下目标数量用numtypei表示,则对应矩阵ωcount,其矩阵内成员ωcounti,i=1,2,…,N经过下述关系式(3)量化计算得到ai与bi为常数,对应于对各类型的数目进行威胁度等级划分时的划分条件。
进一步地,对于群态势威胁评估模型,本发明首先获取每个群体内目标单体的威胁度矩阵为F=(f1,f2,…,fn)T,然后将每个群体内的目标按照目标类型按上述过程进行划分,对于同类型的目标,将其单个目标威胁度相加,得到同类型目标基础威胁度Ftypei。之后,利用线性加权方法得到群态势威胁评估模型,如下述关系式(4)所示,根据群态势威胁评估模型得到每个群体的总威胁值。
式中,Q为最终群态势威胁评估结果,即群体威胁值,N为假设目标类型数。
进一步需要说明的是,若在实际中需要对群体探测范围叠加后的具体值进行计算,可引入计算几何中最小球覆盖算法进行计算。但是,针对最小球覆盖算法,由于其使用退火等算法,复杂度较高,并且,在实际应用中,同一群体内一般处于同一高度,仅经纬度不同,因此,本发明将最小球覆盖问题可退化为最小圆覆盖问题,即用一个最小的圆把同一群体的所有单体点全部覆盖,求这个圆的圆心半径,即为群体威胁半径。
具体地,本发明采用最小球覆盖算法获取多个群体的威胁半径,对于最小圆半径算法利用增量法找到最小圆半径,具体流程如下:
①初始随意找到两点,设两点为P1,P2,以P1 P2为直径得到初始圆,设为C2(Ci表示包含前i个点的最小圆),如图3中的(a)所示。
②按顺序依次加点,设当前点为Ci-1,如果点Pi在当前圆Ci-1内,则Ci=Ci-1。
③如果点Pi不在圆Ci-1内,则需要重新构造新圆。例如,将新插入的点Pi在新圆的边界上,此时以过P1Pi为直径得到第一更新圆Ci,如图3中的(b)所示。
④新得到的第一更新圆Ci不一定包含1到i内的所有点,不在第一更新圆Ci中的点Pj(j<i),那么PiPj一定在第二更新圆的边界上,因此可以确定两个点(PiPj)在第二更新圆的边界上,此时以Pi为直径得到第二更新圆Cj,如图3中的(c)所示。
⑤同样的,新得到的第二更新圆Cj不一定包含1到j的所有点,同样找到不在第二更新圆Cj中的点Pk(k<j<i),那么点Pi,点Pj,点Pk一定在第三更新圆的半径上,此时三点均在第三更新圆的边界上,由于三点确定一个圆,点Pi,点Pj,点Pk构成的第三更新圆,一定能覆盖前i个点,即得到最终的新圆,如图3中的(d)所示,基于最终的新圆得到威胁半径,再根据威胁半径可获得攻击面积。
更进一步地,根据群体意图可生成群体的方向,例如,意图为返航,则群体的方向与其他意图不同,在识别过程中具有区分度。
S150、将不同群体类型中的目标数目、意图数目、群体队形、群体方向、离散化后的群体威胁值和威胁半径输入至GRU模型中,经GRU模型识别后输出结果为群体目标的战术任务意图。
需要说明的是,本发明采用的GRU模型是循环神经网络(RNN)的一种,GRU模型是对LSTM的三个门进行整合,分为重置门和更新门。重置门负责控制前一时刻隐藏层状态信息被忽略的程度,更新门负责控制前一时刻的隐藏层状态信息被带入到当前隐藏层状态中的程度。GRU模型的网络结构图如图4所示,GRU模型的网络状态与输出计算式如下:
zt=σ(Uzxt+Wzht-1)
rt=σ(Urxt+Wrht-1)
其中,zt是更新门,rt是重置门,U、W是两个门的权重系数,xt是当前时刻的输入,ht-1是前一时刻的隐藏层状态,ht是当前时刻的隐藏层状态。
进一步需要说明的是,本发明的战术任务意图包括指挥、攻击、撤退、巡逻、侦察,也就是说,根据战术任务意图生成具体的任务,例如,指挥任务对应指挥,攻击任务对应轰炸、佯攻、电子对抗、攻击任务,返航任务对应撤退、佯攻、电子对抗,巡逻任务对应巡逻,侦察任务对应侦查、电子对抗等。
具体地,基于GRU模型的识别过程包括以下步骤:
第一、准备GRU模型的输入数据集
本发明的算法输入特征维度包括目标数目、意图数目、群体队形、群体方向、群体威胁值和威胁半径,即输入数据集包括群体中目标单体类型A占比、单体类型B占比、单体类型C占比、单体类型D占比、意图A占比、意图B占比、意图C占比、意图D占比、意图占E比、意图F占比、意图G占比、意图H占比、群体队形、群体方向、群体威胁值、群体威胁半径在内的16维特征值,基于上述不同输入特征维度,最终实现对群体作战任务的分类。
其中,对于不同目标占比与意图占比的离散区间为{0,1,2,3,4,5},计算公式为公式如下:
其中,tari为每类目标的数目,N为目标的类别的总数,Tari为每类目标占比的离散值;inei为每类意图的数目,N为意图的类别的总数,Inei为每类目标占比的离散值。
进一步地,对于群体队形标签分为6个,与队形分别对应,其中对应结果为下表1:
表1群体队形划分结果
更进一步地,对于群体方向标签分为8个,根据相对我方目标的角度进行划分,其中对应结果为下表2,方向为弧度制。
表2群体方向划分结果
更进一步地,对于群体威胁值,根据不同威胁值,离散化为6个标签,对应结果为下表3所示。
表3群体威胁值划分结果
更进一步地,对于群体威胁半径,根据不同半径,离散化为6个标签,对应结果为下表4,半径单位为m。
表4群体威胁半径划分结果
更进一步地,对于输出的群体战术意图有5种标签,分别为指挥、攻击、撤退、巡逻、侦察,其对应结果为下表5。
表5群体战术意图划分结果
第二、基于上述输入数据集,生成训练数据
本发明的训练数据生成规则如图5所示,包括:根据群体内目标单体数量的占比,判断出目标作战群体的主要类型,并根据群体的主要类型生成可能的意图与可能队形,由于群体中各目标单体采用的机型不同,通过判断群体主要机型可得到群体的类型,其中生成规则根据下表6生成不同队形情况下的输出意图,例如,如果群体内占比最多的为预警机,输出意图可能为巡逻或者指挥,编队类型可能为梯形队列或者纵行队列。之后,根据意图生成群体方向,例如,意图为返航,则该群体方向与其他意图的群体方向不同,基于群体方向在识别过程中具有很好的区分度。同时根据群体内不同的目标单体占比,生成所对应的群体威胁值,并根据队形等数据生成威胁半径生成训练集数据。
表6任务生成规则
第三、设置GRU模型的输入层数、隐含层数、输出层数,输入层数表示特征维度,输出层数表示群体作战任务类别数;
第四、训练GRU模型,判断输出信息是否达到预设的准确度、若是则训练结束;否则继续判断是否达到所设定的循环次数,若是则训练结束,否则继续进行迭代训练;
第五、对训练得到的模型进行测试;
第六、输出测试结果。
本发明利用上述各步骤的数据预处理与数据准备过程,可实现基于GRU模型的群体作战任务识别,通过GRU神经网络实现基于目标状态、目标威胁以及群体目标组成要素的作战群体任务识别的能力,对敌方作战群体目标战术任务进行判断,为战场威胁态势演化的自主认知提供支撑,并且,还对其算法输入特征维度进行了定义。
另外,本发明采用的GRU技术可以解决长期记忆和反向传播中的梯度问题,且网络参数更少,更易训练,能在很大程度上提高训练效率,同时能够取得与LSTM相当的效果,所以本发明利用GRU技术进行群体作战任务识别更加简易可行。
本发明提出一种基于GRU的群体任务识别方法,具有以下有益效果:
第一、本发明采用的GRU技术在进行分类任务时,能够保留有效信息,例如对群体实体进行特征提取,相较LSTM技术而言,减少了网络参数量,并且模型性能不受影响,可以应用于群体作战任务识别方法。
第二、本发明的方法实现了对群体作战任务的特征维度进行定义并产生符合算法输入规则的数据集。
第三、本发明利用GRU训练模型,通过迭代循环以提高模型决策准确度,构建了一种新的群体作战任务识别模型。
第四、本发明的方法能够有效对群体作战任务进行识别,并且能够保证较高的识别准确度。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种基于GRU的群体任务识别方法,其特征在于,所述方法包括:
获取多个目标的原始数据;
根据原始数据对所述多个目标进行分群,得到每个群体的类型;
根据群体的类型生成群体意图与群体队形;
根据原始数据中的目标占比与目标威胁计算出不同群体队形下群体的威胁值与威胁半径,以及根据所述群体意图生成群体方向;其中,
所述根据原始数据中的目标占比与目标威胁计算出不同群体队形下的群体的威胁值,包括:
获取每个群体内各目标的威胁度矩阵F=(f1,f2,…,fn)T;
将群体内各目标按照目标类型划分为目标类型权值矩阵ωtype,各目标类型下目标数目威胁量化矩阵ωcount和目标类型数目威胁量化指数ωNum;
将同类型的目标威胁度相加,得到同类型目标基础威胁度Ftypei;
根据所述同类型目标基础威胁度,采用线性加权方法得到群态势威胁评估模型;
根据所述群态势威胁评估模型得到每个群体的威胁值;
采用最小球覆盖算法获取所述群体的威胁半径,包括:
获取任意的初始两点P1、P2,以初始两点P1、P2为直径得到初始圆C2;
按顺序依次加点,获取当前圆Ci-1;
若点Pi在当前圆Ci-1内,则包含前i个点的最小圆Ci=Ci-1;
若点Pi不在当前圆Ci-1内,则重新构造新圆,将新插入的Pi包含在第一更新圆的边界上,以过P1Pi为直径得到第一更新圆Ci;
获取不在第一更新圆Ci中的点Pj,j<i,将点Pj包含在第二更新圆的边界上,以点Pi为直径得到第二更新圆Cj;
获取不在第二更新圆Cj上的点Pk,k<j<i,将点Pi,点Pj,点Pk包含在第三更新圆的半径上,以点Pi,点Pj,点Pk为半径得到第三更新圆,所述第三更新圆的半径为群体的威胁半径;
将不同群体类型中的目标数目、意图数目、群体队形、群体方向、离散化后的群体的威胁值和威胁半径输入至GRU模型中,得到不同群体的战术任务意图。
2.根据权利要求1所述的基于GRU的群体任务识别方法,其特征在于,所述根据群体的类型生成群体队形,包括:
采集每个群体中各目标的轨迹数据,对所述轨迹数据清洗和变换处理,并提取群体的初始特征数据,生成群体队形特征训练数据;
基于预设的队形识别类型,对群体队形特征训练数据进行训练得到队形识别模型;
基于所述队形识别模型输出每个群体的队形识别结果。
3.根据权利要求2所述的基于GRU的群体任务识别方法,其特征在于,所述预设的队形识别类型包括梯形队形、楔形队形、纵队队形、横行队形、菱形队形和蛇形队形。
4.根据权利要求1所述的基于GRU的群体任务识别方法,其特征在于,所述目标类型权值矩阵ωtype的关系式如下:
ωtype=(ωtype1,ωtype2,...,ωtype1N)T;
所述各目标类型下目标数目威胁量化矩阵ωcount关系式如下:
ωcount=(ωcount1,ωcount2,...,ωcountN)T;
所述目标类型数目威胁量化指数ωNum为调整系数,无需调整时取1;
所述群态势威胁评估模型的关系式如下:
式中,Q为最终群态势威胁评估结果,N为假设目标类型数,ωtypei,i=1,2,…,N为矩阵ωtype内成员;
ωcounti,i=1,2,…,N为矩阵ωcount的矩阵内成员,经过下述关系式量化计算得到:
式中,numtypei表示各目标类型下的目标数量,ai与bi为常数。
5.根据权利要求1所述的基于GRU的群体任务识别方法,其特征在于,所述GRU模型的训练过程如下:
将不同群体类型中的目标数目、意图数目、群体队形、群体方向、离散化后的群体威胁值和威胁半径生成训练集数据;
设置GRU模型的输入层数、隐含层数、输出层数;
基于所述训练集数据训练所述GRU模型,并判断输出信息是否达到预设的准确度;
响应于输出信息达到预设的准确数时,则训练结束,否则进一步判断输出信息是否达到预设的循环次数,若达到则训练结束,否则进行迭代训练;
对训练得到的所述GRU模型进行测试,输出测试结果。
6.根据权利要求5所述的基于GRU的群体任务识别方法,其特征在于,所述GRU模型的网络状态与输出计算式如下:
zt=σ(Uzxt+Wzht-1)
rt=σ(Urxt+Wrht-1)
其中,zt是更新门,rt是重置门,U、W是两个门的权重系数,xt是当前时刻的输入,ht-1是前一时刻的隐藏层状态,ht是当前时刻的隐藏层状态。
7.根据权利要求1至6任一项所述的基于GRU的群体任务识别方法,其特征在于,所述原始数据包括目标状态、目标威胁、经度、维度、高度、方向和目标类型。
8.根据权利要求1至6任一项所述的基于GRU的群体任务识别方法,其特征在于,所述战术任务意图包括指挥任务、攻击任务、撤退任务、巡逻任务或侦察任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738054.9A CN115952428B (zh) | 2022-12-31 | 2022-12-31 | 基于gru的群体任务识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738054.9A CN115952428B (zh) | 2022-12-31 | 2022-12-31 | 基于gru的群体任务识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115952428A CN115952428A (zh) | 2023-04-11 |
CN115952428B true CN115952428B (zh) | 2023-11-14 |
Family
ID=87289201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211738054.9A Active CN115952428B (zh) | 2022-12-31 | 2022-12-31 | 基于gru的群体任务识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952428B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060135258A (ko) * | 2005-06-24 | 2006-12-29 | 삼성탈레스 주식회사 | 수상표적에 대한 위협 평가 방법 |
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 |
CN108460425A (zh) * | 2018-03-27 | 2018-08-28 | 中国航空无线电电子研究所 | 基于特定网络结构的空地态势评估方法 |
CN109063819A (zh) * | 2018-08-02 | 2018-12-21 | 中国人民解放军32153部队 | 基于贝叶斯网络的任务共同体的识别方法 |
CN109409200A (zh) * | 2018-09-01 | 2019-03-01 | 哈尔滨工程大学 | 一种基于sgru神经网络的uuv集群行为识别技术 |
CN109740876A (zh) * | 2018-12-20 | 2019-05-10 | 北京冠群桦成信息技术有限公司 | 目标威胁判断方法 |
CN114240169A (zh) * | 2021-12-17 | 2022-03-25 | 中国航空研究院 | 一种基于杀伤链的智能战术决策方法 |
-
2022
- 2022-12-31 CN CN202211738054.9A patent/CN115952428B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060135258A (ko) * | 2005-06-24 | 2006-12-29 | 삼성탈레스 주식회사 | 수상표적에 대한 위협 평가 방법 |
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 |
CN108460425A (zh) * | 2018-03-27 | 2018-08-28 | 中国航空无线电电子研究所 | 基于特定网络结构的空地态势评估方法 |
CN109063819A (zh) * | 2018-08-02 | 2018-12-21 | 中国人民解放军32153部队 | 基于贝叶斯网络的任务共同体的识别方法 |
CN109409200A (zh) * | 2018-09-01 | 2019-03-01 | 哈尔滨工程大学 | 一种基于sgru神经网络的uuv集群行为识别技术 |
CN109740876A (zh) * | 2018-12-20 | 2019-05-10 | 北京冠群桦成信息技术有限公司 | 目标威胁判断方法 |
CN114240169A (zh) * | 2021-12-17 | 2022-03-25 | 中国航空研究院 | 一种基于杀伤链的智能战术决策方法 |
Non-Patent Citations (3)
Title |
---|
An Air Target Tactical Intention Recognition Model Based on Bidirectional GRU With Attention Mechanism;Fei Teng;IEEE Access;第9卷;全文 * |
一种改进DBN的空中目标威胁评估方法;师维克;李宏权;张晨浩;何文思;;空军预警学院学报(第03期);全文 * |
基于循环神经网络的集群意图识别方法研究;吴南方;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115952428A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Variational few-shot learning | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN110135502A (zh) | 一种基于强化学习策略的图像细粒度识别方法 | |
CN115131618B (zh) | 基于因果推理的半监督图像分类方法 | |
CN109150830B (zh) | 一种基于支持向量机和概率神经网络的层次入侵检测方法 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN110969121A (zh) | 一种基于深度学习的高分辨率雷达目标识别算法 | |
CN109583635A (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN114444389B (zh) | 基于组合赋权和改进vikor的空袭目标动态威胁评估方法 | |
CN115952428B (zh) | 基于gru的群体任务识别方法 | |
CN111369124A (zh) | 一种基于自生成全局特征和注意力的图像美学预测方法 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
CN107423759A (zh) | 低维逐次投影寻踪聚类模型综合评价方法、装置及应用 | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
CN114372694A (zh) | 一种高校学生行为分析系统 | |
CN112308151A (zh) | 基于加权的旋转森林高光谱图像分类方法 | |
CN117934139B (zh) | 基于Stacking融合算法的银行卡诈骗预测方法 | |
Widodo et al. | Finding the Best Performance of Bayesian and Naïve Bayes Models in Fraudulent Firms Classification through Varying Threshold | |
CN114330509B (zh) | 一种空中目标活动规律预测方法 | |
CN116956642B (zh) | 一种威胁评估算法性能动态仿真验证方法 | |
CN115100907B (zh) | 面向气象场景分类的终端区空域飞行流量预测方法 |
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 |