CN116484954B - 人工智能海上伏击模型生成方法及存储介质 - Google Patents
人工智能海上伏击模型生成方法及存储介质 Download PDFInfo
- Publication number
- CN116484954B CN116484954B CN202310275678.XA CN202310275678A CN116484954B CN 116484954 B CN116484954 B CN 116484954B CN 202310275678 A CN202310275678 A CN 202310275678A CN 116484954 B CN116484954 B CN 116484954B
- Authority
- CN
- China
- Prior art keywords
- voltaic
- area
- sea
- target object
- model
- 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 27
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004832 voltammetry Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000013522 vodka Nutrition 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了人工智能海上伏击模型生成方法、计算机程序及存储介质,涉及人工智能技术领域,该方法包括对巡视海域进行实时监视,实时获取巡视海域的第一图像;对第一图像中是否出现了伏击目标物进行识别,当识别到伏击目标物时获取伏击目标物的参数信息;利用预设学习推理模型根据参数信息进行计算,获得可能的集结区域;根据所有的可能的集结区域,获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型。本发明通过人工智能手段创新性地获得了海上伏击模型的最佳设计。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种人工智能海上伏击模型生成方法及存储介质。
背景技术
海上战略布放在目前日益复杂的国际环境下显得尤为重要,为了在敌方舰船编队海上航行时,能对敌方的航行实施干扰,通常在敌方舰船编队可能航行经过的海域布伏潜艇等水下力量,设立若干伏击拦截区来实现区域拒止战略。
目前伏击方案中,通常从敌方舰船编队航行路线与我方伏击潜艇等的距离等条件出发予以定性分析。但是,由于敌方的情报搜索能力可能在我方之上,可能具有智能逃跑性,在我方定性分析获得的预计冲突发生前夕,敌方舰船编队就已经改变航行路线,驶离预计冲突位置。因此,这种定性分析已然无法适应现代化智能作战的需求。
随着计算机仿真能力的增强,通过人工智能分析,获得的结果将会更加准确、可靠,利用海上伏击模型计算获得在不同区域实施伏击的效果,从而得到伏击设计的最优化结果,才能够为伏击方案的选择提供更为准确、可靠的参考。
发明内容
因此,为了克服上述缺陷,本发明实施例提供一种人工智能海上伏击模型生成方法及存储介质,通过人工智能手段创新性地获得了海上伏击模型的最佳设计。
为此,本发明实施例的一种人工智能海上伏击模型生成方法,包括以下步骤:
S1、对巡视海域进行实时监视,实时获取所述巡视海域的第一图像;
S2、对所述第一图像中是否出现了伏击目标物进行识别,当识别到所述伏击目标物时获取所述伏击目标物的参数信息;
S3、将所述伏击目标物的参数信息输入第二预设学习推理模型进行计算,获得模型输出的集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸;
S4、获取所述巡视海域的预设外部范围的第二图像,所述预设外部范围完全覆盖所述巡视海域;
S5、根据所述集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸,从所述第二图像中提取获得所述伏击目标物的可能的集结区域;
S6、根据所有的可能的集结区域,获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型。
优选地,采用模板匹配模型或原型匹配模型对所述第一图像中是否出现了伏击目标物进行识别。
优选地,所述S2的当识别到所述伏击目标物时获取所述伏击目标物的参数信息的步骤包括:
S21、当识别到所述伏击目标物时,将所述伏击目标物所在的第一图像输入第一预设学习推理模型进行计算,获得模型输出的所述伏击目标物的参数信息。
优选地,所述S5的步骤包括:
S51、将所述第二图像的灰度级划分为L级,灰度级为第i级的像素有ni个,i=1,2,…,L;以每个灰度级为灰度门限求类间方差σ2(t)作为评价函数;
S52、通过最大化类间方差,确定灰度门限阈值t*,t*=argmax1≤t≤L{σ2(t)};
S53、按灰度级将所述第二图像的像素划分成第一像素和第二像素,所述第一像素为灰度值在区间[1,t*]内的所有像素,所述第二像素为灰度值在区间(t*+1,L]内的所有像素,获得海陆边界线;
S54、筛选所述海陆边界线,获得符合所述集结所述伏击目标物所需的海陆边界线形状和尺寸的所有的候选海陆边界线;
S55、以每一候选海陆边界线为一边,按照集结所述伏击目标物所需的海洋区域的形状和尺寸,向海洋区域扩大,获得所有的可能的集结区域。
优选地,所述S6的步骤包括:
S61、分别针对每一可能的集结区域,以区域的海陆边界线所在一边的中点为原点,海陆边界线为y轴,x轴正方向指向海洋,建立直角坐标系,伏击目标物从x轴右侧任意方向驶向集结区域内的集结点B(u,v),获得在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率pj(x,y,u,v),j=1,2,…,m,m为可能的集结区域的个数;
S62、根据在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率pj(x,y,u,v)和该集结区域的面积,获得在第j个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率pj(x,y);
S63、综合每个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型。
优选地,pj(x,y,u,v)的计算公式为:
其中,(x,y)为伏击圈的中心点A的坐标,r为伏击圈的半径。
优选地,pj(x,y)的计算公式为:
其中,rxy={(u,v)|(x-u)2+(y-v)2<r2},Dj为第j个可能的集结区域,f(u,v)为第j个可能的集结区域Dj内的概率密度, 为第j个可能的集结区域的面积。
本发明实施例的一种计算机程序,其存储在计算机可读存储介质上,并且适合于在计算机上执行,所述计算机程序包括适于当其在所述计算机上运行时执行上述的人工智能海上伏击模型生成方法的步骤的指令。
本发明实施例的一种计算机可读存储介质,所述存储介质上存储有指令,所述指令被处理器执行时实现上述的人工智能海上伏击模型生成方法。
本发明实施例的人工智能海上伏击模型生成方法、计算机程序及存储介质,具有如下优点:
通过监视巡视海域,能够获得实时的第一图像,并通过对第一图像的人工智能识别,能够及时发现伏击目标物,提高了实时性。通过采用学习推理的方法,智能化地分析获得了伏击目标物的参数信息和所需集结区域的特征信息,对可能集结的海岸线进行了有效、准确的筛选,提高了估计得到的可能的集结区域的准确性,从而提高了利用伏击概率建立的海上伏击模型的精度,进而通过人工智能手段创新性地获得了海上伏击模型的最佳设计。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中人工智能海上伏击模型生成方法的一个具体示例的流程图;
图2为本发明实施例1中人工智能海上伏击模型生成方法的另一个具体示例的流程图;
图3为本发明实施例1中人工智能海上伏击模型生成方法的又一个具体示例的流程图;
图4(a)为本发明实施例1中u≤x-r时的模拟图;
图4(b)为本发明实施例1中x-r≤u<x时的模拟图;
图4(c)为本发明实施例1中u=x时的模拟图;
图4(d)为本发明实施例1中x<u<x+r时的模拟图;
图4(e)为本发明实施例1中u≥x+r时的模拟图;
图5为本发明实施例1中集结区域的一个具体示例的模拟图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。
此外,本说明书中的某些图式是用于例示方法的流程图。应了解,这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器,以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中,所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作,以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上,以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程,从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地,各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解,所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种人工智能海上伏击模型生成方法,如图1所示,包括以下步骤:
S1、对巡视海域进行实时监视,实时获取所述巡视海域的第一图像,所述巡视海域为预设布防海域,可以是本次海上伏击所要重点关注的海域;
S2、对所述第一图像中是否出现了伏击目标物进行识别,当识别到所述伏击目标物时获取所述伏击目标物的参数信息;所述伏击目标物包括舰船、航母等;所述参数信息包括但不限于类别、外形尺寸、吃水深度、重量吨位、最快行驶速度、行驶方向、承载容量等;
优选地,采用模板匹配模型或原型匹配模型对所述第一图像中是否出现了伏击目标物进行识别。
优选地,S2的当识别到所述伏击目标物时获取所述伏击目标物的参数信息的步骤包括:
S21、当识别到所述伏击目标物时,将所述伏击目标物所在的第一图像输入第一预设学习推理模型进行计算,获得模型输出的所述伏击目标物的参数信息。优选地,所述第一预设学习推理模型为表示实现AE(自编码器)、CNN(卷积神经网络)、LSTM(长短期记忆模型)、RNN(循环神经网络)、DNN(深度神经网络)、SVM(支持向量机)、决策树学习等用于进行学习、推理的功能的算法。
优选地,获得所述第一预设学习推理模型的步骤包括:
S211、获取含有各种不同的伏击目标物的图像及所含伏击目标物对应的参数信息,作为第一样本集;
S212、采用所述第一样本集对第一深度神经网络模型进行训练,获得训练好的第一深度神经网络模型作为所述第一预设学习推理模型。使用时将获取到的含有伏击目标物的图像输入该第一预设学习推理模型,即可得到模型输出的伏击目标物的参数信息。
S3、将所述伏击目标物的参数信息输入第二预设学习推理模型进行计算,获得模型输出的集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸;优选地,所述第二预设学习推理模型为表示实现AE(自编码器)、CNN(卷积神经网络)、LSTM(长短期记忆模型)、RNN(循环神经网络)、DNN(深度神经网络)、SVM(支持向量机)、决策树学习等用于进行学习、推理的功能的算法。
优选地,获得所述第二预设学习推理模型的步骤包括:
S31、获取各种不同的伏击目标物的参数信息及其对应的集结所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸,作为第二样本集;优选地,海洋区域可以为矩形,该矩形的一边为海陆边界线,该矩形所围区域能够满足伏击目标物的外形尺寸等,即能够满足伏击目标物集结停靠的各项要求;
S32、采用所述第二样本集对第二深度神经网络模型进行训练,获得训练好的第二深度神经网络模型作为所述第二预设学习推理模型。使用时将获取到的伏击目标物的参数信息输入该第二预设学习推理模型,即可得到模型输出的集结伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸。
S4、获取所述巡视海域的预设外部范围的第二图像,所述预设外部范围完全覆盖所述巡视海域;所述预设外部范围可依据实际需求进行设置,例如,视伏击目标物为质心,以伏击目标物为圆心,以预设半径做圆,圆的范围全部覆盖巡视海域,即巡视海域全部包含的圆内,该圆的范围即为预设外部范围;
S5、根据所述集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸,从所述第二图像中提取获得所述伏击目标物的可能的集结区域;
优选地,如图2所示,S5的步骤包括:
S51、将所述第二图像的灰度级划分为L级,灰度级为第i级的像素有ni个,i=1,2,…,L;以每个灰度级为灰度门限求类间方差σ2(t)作为评价函数;
S52、通过最大化类间方差,确定灰度门限阈值t*,t*=argmax1≤t≤L{σ2(t)};
S53、按灰度级将所述第二图像的像素划分成第一像素和第二像素,所述第一像素为灰度值在区间[1,t*]内的所有像素,所述第二像素为灰度值在区间(t*+1,L]内的所有像素,获得海陆边界线;
S54、筛选所述海陆边界线,获得符合所述集结所述伏击目标物所需的海陆边界线形状和尺寸(例如,行驶方向上一定长度的平直的海陆边界线)的所有的候选海陆边界线;
S55、以每一候选海陆边界线为一边,按照集结所述伏击目标物所需的海洋区域的形状和尺寸,向海洋区域扩大,获得所有的可能的集结区域。通过最大化类间方差的分析,提高了所获可能的集结区域的准确度和精度。
S6、根据所有的可能的集结区域,获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型。根据海上伏击模型,可计算获得满足伏击概率的所有伏击圈内的埋伏位置。
优选地,如图3所示,S6的步骤包括:
S61、分别针对每一可能的集结区域,以区域的海陆边界线所在一边的中点为原点,海陆边界线为y轴,x轴正方向指向海洋,建立直角坐标系,伏击目标物从x轴右侧任意方向驶向集结区域内的集结点B(u,v),获得在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率pj(x,y,u,v),j=1,2,…,m,m为可能的集结区域的个数,计算公式为:
其中,(x,y)为伏击圈的中心点A的坐标,r为伏击圈的半径;
如图4(a)所示为u≤x-r时的情形,如图4(b)所示为x-r≤u<x时的情形,如图4(c)所示为u=x时的情形,如图4(d)所示为x<u<x+r时的情形,图4(b)、(c)、(d)可统一为x-r<u<x+r时的情形,集结点B不在伏击圈Z内。若u≥x+r,如图4(e)所示,则表示此时伏击目标物的行驶路径没有经过伏击圈,故伏击概率为0。当恰好集结点B在伏击圈Z内的时候,则伏击概率为1。
S62、根据在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率pj(x,y,u,v)和该集结区域的面积,获得在第j个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率pj(x,y),计算公式为:
其中,rxy={(u,v)|(x-u)2+(y-v)2<r2},Dj为第j个可能的集结区域,f(u,v)为第j个可能的集结区域Dj内的概率密度, 为第j个可能的集结区域的面积。
S63、综合每个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型。
例如,如图5所示,假设伏击目标物可能的集结区域为某地区东部海岸线正东的40海里长为200海里的矩形区域内,即
D1={(u,v)|0≤u≤40,-100≤v≤100}
并均匀的随机分布,此时
一般新型鱼雷的射程为20公里,那么伏击圈的半径可设置为10海里,则代入数据后得到:
上式中被积函数是常数,故积分区间的开集与其闭包等价。由于被积函数没有原函数,然而因p1(x,y)连续,故可用二元多项式逼近,通常采用拉格朗日差值法,从而得到一些伏击圈的中心点坐标和相应的伏击概率的组合值(x,y,p1(x,y)):
上述人工智能海上伏击模型生成方法,通过监视巡视海域,能够获得实时的第一图像,并通过对第一图像的人工智能识别,能够及时发现伏击目标物,提高了实时性。通过采用学习推理的方法,智能化地分析获得了伏击目标物的参数信息和所需集结区域的特征信息,对可能集结的海岸线进行了有效、准确的筛选,提高了估计得到的可能的集结区域的准确性,从而提高了利用伏击概率建立的海上伏击模型的精度,进而通过人工智能手段创新性地获得了海上伏击模型的最佳设计。
实施例2
本实施例提供一种计算机程序,其存储在计算机可读存储介质上,并且适合于在计算机上执行,所述计算机程序包括适于当其在所述计算机上运行时执行实施例1的人工智能海上伏击模型生成方法的步骤的指令。
实施例3
本实施例提供一种计算机可读存储介质,所述存储介质上存储有指令,所述指令被处理器执行时实现实施例1的人工智能海上伏击模型生成方法。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种人工智能海上伏击模型生成方法,其特征在于,包括以下步骤:
S1、对巡视海域进行实时监视,实时获取所述巡视海域的第一图像;
S2、对所述第一图像中是否出现了伏击目标物进行识别,当识别到所述伏击目标物时获取所述伏击目标物的参数信息;
S3、将所述伏击目标物的参数信息输入第二预设学习推理模型进行计算,获得模型输出的集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸;
S4、获取所述巡视海域的预设外部范围的第二图像,所述预设外部范围完全覆盖所述巡视海域;
S5、根据所述集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸,从所述第二图像中提取获得所述伏击目标物的可能的集结区域;
S6、根据所有的可能的集结区域,获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型;
其中,所述S5的步骤包括:
S51、将所述第二图像的灰度级划分为L级,灰度级为第i级的像素有ni个,i=1,2,…,L;以每个灰度级为灰度门限求类间方差σ2(t)作为评价函数;
S52、通过最大化类间方差,确定灰度门限阈值t*,t*=arg max1≤t≤L{σ2(t)};
S53、按灰度级将所述第二图像的像素划分成第一像素和第二像素,所述第一像素为灰度值在区间[1,t*]内的所有像素,所述第二像素为灰度值在区间(t*+1,L]内的所有像素,获得海陆边界线;
S54、筛选所述海陆边界线,获得符合所述集结所述伏击目标物所需的海陆边界线形状和尺寸的所有的候选海陆边界线;
S55、以每一候选海陆边界线为一边,按照集结所述伏击目标物所需的海洋区域的形状和尺寸,向海洋区域扩大,获得所有的可能的集结区域。
2.根据权利要求1所述的方法,其特征在于,采用模板匹配模型或原型匹配模型对所述第一图像中是否出现了伏击目标物进行识别。
3.根据权利要求1所述的方法,其特征在于,所述S2的当识别到所述伏击目标物时获取所述伏击目标物的参数信息的步骤包括:
S21、当识别到所述伏击目标物时,将所述伏击目标物所在的第一图像输入第一预设学习推理模型进行计算,获得模型输出的所述伏击目标物的参数信息。
4.根据权利要求1所述的方法,其特征在于,所述S6的步骤包括:
S61、分别针对每一可能的集结区域,以区域的海陆边界线所在一边的中点为原点,海陆边界线为y轴,x轴正方向指向海洋,建立直角坐标系,伏击目标物从x轴右侧任意方向驶向集结区域内的集结点B(u,v),获得在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率pj(x,y,u,v),j=1,2,…,m,m为可能的集结区域的个数;
S62、根据在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率pj(x,y,u,v)和该集结区域的面积,获得在第j个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率pj(x,y);
S63、综合每个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率,得到海上伏击模型。
5.根据权利要求4所述的方法,其特征在于,pj(x,y,u,v)的计算公式为:
其中,(x,y)为伏击圈的中心点A的坐标,r为伏击圈的半径。
6.根据权利要求4所述的方法,其特征在于,pj(x,y)的计算公式为:
其中,rxy={(u,v)|(x-u)2+(y-v)2<r2},Dj为第j个可能的集结区域,f(u,v)为第j个可能的集结区域Dj内的概率密度, 为第j个可能的集结区域的面积;(x,y)为伏击圈的中心点A的坐标,r为伏击圈的半径。
7.一种计算机可读存储介质,所述存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6任一项所述的人工智能海上伏击模型生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310275678.XA CN116484954B (zh) | 2023-03-20 | 2023-03-20 | 人工智能海上伏击模型生成方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310275678.XA CN116484954B (zh) | 2023-03-20 | 2023-03-20 | 人工智能海上伏击模型生成方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484954A CN116484954A (zh) | 2023-07-25 |
CN116484954B true CN116484954B (zh) | 2023-11-10 |
Family
ID=87225898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310275678.XA Active CN116484954B (zh) | 2023-03-20 | 2023-03-20 | 人工智能海上伏击模型生成方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484954B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN111797529A (zh) * | 2020-07-07 | 2020-10-20 | 中国人民解放军军事科学院评估论证研究中心 | 一种计算机仿真模拟延缓海上行动的方法 |
CN112711995A (zh) * | 2020-12-22 | 2021-04-27 | 中南大学 | 一种基于图像的海上目标识别方法 |
KR102311089B1 (ko) * | 2021-06-03 | 2021-10-07 | 호서대학교 산학협력단 | 스마트 해상부이를 이용한 해양을 모니터링하기 위한 장치 및 이를 위한 방법 |
CN113536528A (zh) * | 2021-05-14 | 2021-10-22 | 中国人民解放军军事科学院评估论证研究中心 | 一种无护航编队情况下预警机战术行为模拟方法及系统 |
KR20210154517A (ko) * | 2020-06-12 | 2021-12-21 | 엘아이지넥스원 주식회사 | 우선 타격 표적 선별 시스템 및 방법 |
CN115130357A (zh) * | 2021-11-22 | 2022-09-30 | 中国人民解放军空军工程大学 | 一种基于gru的空中目标作战意图预测系统及方法 |
CN115759952A (zh) * | 2022-10-13 | 2023-03-07 | 江苏省海洋经济监测评估中心(江苏省海域使用动态监视监测中心) | 一种海洋综合管控系统、方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288973B2 (en) * | 2019-08-28 | 2022-03-29 | University Of North Dakota | Unmanned aerial system automated threat assessment |
-
2023
- 2023-03-20 CN CN202310275678.XA patent/CN116484954B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
KR20210154517A (ko) * | 2020-06-12 | 2021-12-21 | 엘아이지넥스원 주식회사 | 우선 타격 표적 선별 시스템 및 방법 |
CN111797529A (zh) * | 2020-07-07 | 2020-10-20 | 中国人民解放军军事科学院评估论证研究中心 | 一种计算机仿真模拟延缓海上行动的方法 |
CN112711995A (zh) * | 2020-12-22 | 2021-04-27 | 中南大学 | 一种基于图像的海上目标识别方法 |
CN113536528A (zh) * | 2021-05-14 | 2021-10-22 | 中国人民解放军军事科学院评估论证研究中心 | 一种无护航编队情况下预警机战术行为模拟方法及系统 |
KR102311089B1 (ko) * | 2021-06-03 | 2021-10-07 | 호서대학교 산학협력단 | 스마트 해상부이를 이용한 해양을 모니터링하기 위한 장치 및 이를 위한 방법 |
CN115130357A (zh) * | 2021-11-22 | 2022-09-30 | 中国人民解放军空军工程大学 | 一种基于gru的空中目标作战意图预测系统及方法 |
CN115759952A (zh) * | 2022-10-13 | 2023-03-07 | 江苏省海洋经济监测评估中心(江苏省海域使用动态监视监测中心) | 一种海洋综合管控系统、方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Water Target Recognition Method and Application for Unmanned Surface Vessels;Liang Cheng等;IEEE Access;第10卷;全文 * |
人工智能和知识图谱在无人机智能作战中的应用;石文君等;红外(第08期);全文 * |
海上作战中航拍影像虚拟生成仿真研究;王玉砚等;计算机仿真(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116484954A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327885B (zh) | 一种无人船自适应全局-局部混合路径规划的方法 | |
CN112464994B (zh) | 基于PointNet网络的船艇尾浪识别与去除方法 | |
US10943352B2 (en) | Object shape regression using wasserstein distance | |
CN109213204B (zh) | 基于数据驱动的auv海底目标搜寻航行系统及方法 | |
Haghbayan et al. | An efficient multi-sensor fusion approach for object detection in maritime environments | |
Tan et al. | Gaussian process adaptive sampling using the cross-entropy method for environmental sensing and monitoring | |
CN111861155B (zh) | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN109633631A (zh) | 一种多功能侦察雷达作战任务自动规划方法 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
Venskus et al. | Integration of a self-organizing map and a virtual pheromone for real-time abnormal movement detection in marine traffic | |
CN112817318A (zh) | 一种多无人艇协同搜索控制方法及系统 | |
Li et al. | An adaptive online co-search method with distributed samples for dynamic target tracking | |
Tan et al. | Historical data is useful for navigation planning: data driven route generation for autonomous ship | |
CN114387822B (zh) | 船舶避碰方法 | |
Yordanova et al. | Coverage path planning for mine countermeasures: Adapting track orientation | |
CN116484954B (zh) | 人工智能海上伏击模型生成方法及存储介质 | |
Masroeri et al. | IUU fishing and transhipment identification with the miss of AIS data using Neural Networks | |
Xie et al. | Random Patrol Path Planning for Unmanned Surface Vehicles in Shallow Waters | |
CN116952239A (zh) | 一种基于改进a*与dwa融合的无人艇路径规划方法 | |
CN116243717A (zh) | 考虑海流不确定性的水下机器人时间最优路径规划方法 | |
Jose et al. | Navigating the Ocean with DRL: Path following for marine vessels | |
Ou et al. | Adaptive visibility graph initialization on edge computing to accelerate hybrid path planning for mobile robots | |
CN113108799B (zh) | 基于场论的船舶路径优化方法 | |
CN115456258A (zh) | 竞争对手船舶运力预测方法、计算机可读介质 |
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 |