CN117077003A - 一种分布式目标意图识别方法及系统 - Google Patents
一种分布式目标意图识别方法及系统 Download PDFInfo
- Publication number
- CN117077003A CN117077003A CN202311037826.0A CN202311037826A CN117077003A CN 117077003 A CN117077003 A CN 117077003A CN 202311037826 A CN202311037826 A CN 202311037826A CN 117077003 A CN117077003 A CN 117077003A
- Authority
- CN
- China
- Prior art keywords
- target
- intention recognition
- recognition result
- current wheel
- intention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 52
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种分布式目标意图识别方法及系统，其中方法应用于参与分布式协同作业的任一平台，包括：获取目标当前轮的航迹数据；从区块链上获取目标上一轮的意图识别结果；调用该平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；利用共识机制，将目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；若确认有效，则将目标当前轮的意图识别结果写入区块链，从而能在通信中断和带宽受限的情况下，保证各平台意图识别结果的一致性，另外，能排除非法注入或篡改的结果，提高分布式目标意图识别结果的可信度。
Description
技术领域
本发明属于指挥控制技术领域，更具体地，涉及一种分布式目标意图识别方法及系统。
背景技术
目标意图识别是对态势进行分析研判，对每个目标或每群目标执行的任务、表现出的企图进行识别。当前，有人无人混合群体在应急响应等多种场景中均展现出巨大的潜力。例如，混合群体可以由有人驾驶的飞机、无人驾驶的无人机和陆地作业机器人组成，从而执行更加复杂和多样化的作业任务；在抢险救灾中，混合群体可以由有人驾驶的救援车、无人驾驶的无人机和地面救援机器人组成，执行恶劣环境下的救援任务。无人机可以快速侦察灾区情况，地面机器人可以在有人驾驶的救援车的指挥下执行救援任务，如搜救被困人员、运送物资等。这种混合群体能更快、更准确地响应紧急情况，大幅提升救援效率，减少灾害损失。
多平台、分布式意图识别的一致性成为影响混合群效能发挥的重要因素。常规方法通常需要两两平台之间进行反复通信，由于跨域通信带宽的有限性、通信中断的频繁发生以及数据传输的时延，各平台的目标意图识别结果可能存在一致性问题。此外，随着网络攻击手段的不断演进，非法注入或篡改的目标意图识别结果已经成为一个重要的安全威胁。如果恶意攻击者成功篡改了任何一个平台的目标意图识别结果，那么整个混合群体的协同作业可能会受到严重的干扰。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种分布式目标意图识别方法及系统，旨在解决现有协同作业场景中各平台的目标意图识别结果的一致性和可信度难以保证的问题。
为实现上述目的，第一方面，本发明提供了一种分布式目标意图识别方法，所述方法应用于参与分布式协同作业的任一平台，所述方法包括：
步骤S101，获取目标当前轮的航迹数据；
步骤S102，从区块链上获取所述目标上一轮的意图识别结果；
步骤S103，调用所述任一平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；所述智能合约中包含意图识别模型，所述意图识别模型基于样本目标的样本航迹数据及其对应的样本意图识别结果训练得到；
步骤S104，利用共识机制，将所述目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；
步骤S105，若确认目标当前轮的意图识别结果有效，则输出所述目标当前轮的意图识别结果，并将所述目标当前轮的意图识别结果写入区块链。
在一个可选的示例中，步骤S103之前还包括：
基于样本目标的样本航迹数据及其对应的样本意图识别结果，对初始模型进行训练，获得训练完成的意图识别模型；
对训练完成的意图识别模型进行量化，获得最终的意图识别模型；
将最终的意图识别模型的模型参数和结构以哈希值的形式写入所述任一平台的智能合约中。
在一个可选的示例中，所述初始模型具体采用长短期记忆网络。
在一个可选的示例中，所述目标当前轮的航迹数据的特征向量具体基于如下步骤获得：
对目标当前轮的航迹数据中各个航迹点数据分别进行文本表示，获得各个航迹点数据对应的向量；各个航迹点数据包含各个航迹点对应的时间、位置、目标身份编码以及目标类型编码；
将各个航迹点数据对应的向量按时间顺序进行拼接，获得所述目标当前轮的航迹数据的特征向量。
在一个可选的示例中，所述共识机制具体采用实用拜占庭容错共识机制。
第二方面，本发明提供了一种分布式目标意图识别系统，所述系统应用于参与分布式协同作业的任一平台，所述系统包括：
目标航迹探测模块，用于获取目标当前轮的航迹数据；
历史意图获取模块，用于从区块链上获取所述目标上一轮的意图识别结果；
目标意图识别模块，用于调用所述任一平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；所述智能合约中包含意图识别模型，所述意图识别模型基于样本目标的样本航迹数据及其对应的样本意图识别结果训练得到；
结果共识处理模块，用于利用共识机制，将所述目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；
意图结果输出模块，用于若确认目标当前轮的意图识别结果有效，则输出所述目标当前轮的意图识别结果，并将所述目标当前轮的意图识别结果写入区块链。
在一个可选的示例中，所述系统还包括智能合约生成模块，用于：
基于样本目标的样本航迹数据及其对应的样本意图识别结果，对初始模型进行训练，获得训练完成的意图识别模型；
对训练完成的意图识别模型进行量化，获得最终的意图识别模型；
将最终的意图识别模型的模型参数和结构以哈希值的形式写入所述任一平台的智能合约中。
在一个可选的示例中，所述智能合约生成模块中初始模型具体采用长短期记忆网络。
在一个可选的示例中，所述目标意图识别模块中目标当前轮的航迹数据的特征向量具体基于如下步骤获得：
对目标当前轮的航迹数据中各个航迹点数据分别进行文本表示，获得各个航迹点数据对应的向量；各个航迹点数据包含各个航迹点对应的时间、位置、目标身份编码以及目标类型编码；
将各个航迹点数据对应的向量按时间顺序进行拼接，获得所述目标当前轮的航迹数据的特征向量。
在一个可选的示例中，所述共识机制具体采用实用拜占庭容错共识机制。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供一种分布式目标意图识别方法及系统，通过运用区块链技术，并将包含意图识别模型的智能合约以及共识机制部署到区块链上，能够在通信中断和带宽受限的情况下，保证各平台的意图识别结果的一致性和及时性，进而提升分布式协同作业的效率，并且结合目标的航迹数据以及目标上一轮的意图识别结果进行意图识别，提升了意图识别的准确率，另外，通过共识机制排除非法注入或篡改的结果，进一步提高分布式目标意图识别结果的可信度和一致性。
附图说明
图1是本发明实施例提供的分布式目标意图识别方法的流程示意图之一；
图2是本发明实施例提供的分布式目标意图识别方法的流程示意图之二；
图3是本发明实施例提供的分布式目标意图识别方法的流程示意图之三；
图4为本发明实施例提供的制定目标意图规则的流程图；
图5是本发明实施例提供的分布式目标意图识别系统的架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
对于多个平台协同执行同一个任务时，每个平台通过探测到的信息去判断同一个目标的意图，由于每个平台与目标距离不同，探测精度也可能不同，每个平台判断的目标意图识别结果会不一致。并且，即使平台判断目标意图之后在虚拟机共享，但由于网络或者共享开关没打开等导致信息共享不完整，或者没有共识机制识别结果不一样，也会导致多个平台的目标意图识别结果不一致的情况，进而极大影响多个平台协同作业的效能发挥。
分布式目标意图识别是指在混合群体中确保各平台目标意图识别结果的一致性和可信度的技术。它是为了解决混合群体协同作业中出现的目标意图不一致性和安全威胁而提出的。通过优化通信和数据传输、分布式算法、信息共享与融合以及安全性保障等手段，可以提高目标意图识别结果的准确性和一致性，并确保混合群体的协同作业效果。
对此，本发明提供一种分布式目标意图识别方法。图1是本发明实施例提供的分布式目标意图识别方法的流程示意图之一，如图1所示，该方法应用于参与分布式协同作业的任一平台，该方法包括：
步骤S101，获取目标当前轮的航迹数据；
步骤S102，从区块链上获取目标上一轮的意图识别结果；
步骤S103，调用该平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；智能合约中包含意图识别模型，意图识别模型基于样本目标的样本航迹数据及其对应的样本意图识别结果训练得到；
步骤S104，利用共识机制，将目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；
步骤S105，若确认目标当前轮的意图识别结果有效，则输出目标当前轮的意图识别结果，并将目标当前轮的意图识别结果写入区块链。
此处，平台可以是指有人驾驶的移动平台或固定阵位，也可以是无人驾驶的移动或固定阵位，本发明实施例对此不作具体限定。另外，分布式协同作业的场景不同，目标的意图识别结果的具体类型也会随之不同，本发明实施例对此也不作具体限定。例如，对于协同对抗场景，目标的意图识别结果可以是判断敌方的行动意图是攻击、侦察、防御或撤退等，又例如，对于水上协同救援场景，目标的意图识别结果可以是判断目标船只的意图是巡逻或救援等。
进一步地，当任一平台部署的设备探测到目标的新航迹点数据后，可以取出该目标的全部历史航迹点数据，从而可以按时间顺序组成目标当前轮的航迹数据。再从区块链上获取同一目标上一轮的意图识别结果，此处的同一目标上一轮的意图识别结果即同一目标在上一轮通过共识机制确认并存入区块链的意图识别结果。在此基础上即可对这两类数据分别进行预处理，由于后面采用深度学习的方式去计算目标的意图识别，因此需要将收集到的数据处理为深度学习可以接受的向量形式。
获得目标的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量之后，即可调用该平台的智能合约结合两类向量进行意图识别，获得目标当前轮的意图识别结果。利用共识机制，将目标当前轮的意图识别结果广播至参与分布式协同作业的其他平台进行共识处理，区块链上的各个节点即各个平台之间会进行多轮的通信和投票，以达成共识并确认目标当前轮的意图识别结果的有效性性，一旦节点达成共识，智能合约的执行结果将被确认，此时即可输出目标当前轮的意图识别结果，并将目标当前轮的意图识别结果写入区块链。
需要说明的是，意图识别模型会以智能合约的形式部署到区块链上的各个节点即各个平台中，由于智能合约在区块链上执行，所有的意图识别过程都是透明和可验证的，不会泄漏目标的隐私信息，并且可以保证意图识别结果的安全性。
本发明实施例提供的方法，通过运用区块链技术，并将包含意图识别模型的智能合约以及共识机制部署到区块链上，能够在通信中断和带宽受限的情况下，保证各平台的意图识别结果的一致性和及时性，进而提升分布式协同作业的效率，并且结合目标的航迹数据以及目标上一轮的意图识别结果进行意图识别，提升了意图识别的准确率，另外，通过共识机制排除非法注入或篡改的结果，进一步提高分布式目标意图识别结果的可信度和一致性。
基于上述实施例，步骤S103之前还包括：
基于样本目标的样本航迹数据及其对应的样本意图识别结果，对初始模型进行训练，获得训练完成的意图识别模型；
对训练完成的意图识别模型进行量化，获得最终的意图识别模型；
将最终的意图识别模型的模型参数和结构以哈希值的形式写入该平台的智能合约中。
需要说明的是，使用量化技术对训练完成的意图识别模型进模型压缩，可以减小模型的存储空间和计算复杂度，确保模型在区块链上的存储和执行效率。合约部署过程中，将模型参数和结构以哈希值的形式记录在区块链各平台的智能合约中，可以确保模型的完整性和安全性。此外，智能合约提供一个函数接口，用于接收新的输入，并输出意图识别结果。
进一步地，在模型训练阶段，使用反向传播算法结合优化器来最小化损失函数，使模型能够准确预测意图类别。为了防止过拟合，采用正则化技术，如L2正则化。同时，使用训练集和验证集监控模型的训练进度，如果发现模型在验证集上的性能不再提升，可以采用早停法停止训练，以防止过拟合问题。
基于上述任一实施例，为了进一步提升意图识别的准确性，初始模型具体采用长短期记忆网络LSTM。
进一步地，在构建LSTM模型时，采用多层堆叠的LSTM结构，这样可以提高模型的表示能力，使其能够更好地捕捉长期依赖关系。此外，结合其他类型的神经网络层，全连接层或卷积层，进一步提取文本特征。
基于上述任一实施例，目标当前轮的航迹数据的特征向量具体基于如下步骤获得：
对目标当前轮的航迹数据中各个航迹点数据分别进行文本表示，获得各个航迹点数据对应的向量；各个航迹点数据包含各个航迹点对应的时间、位置、目标身份编码以及目标类型编码；
将各个航迹点数据对应的向量按时间顺序进行拼接，获得目标当前轮的航迹数据的特征向量。
进一步地，位置可以包含经度、纬度和高度，目标身份编码可以包含目标的国籍编码和敌我编码，目标类型编码可以包含按照航行区域、用途等不同方式划分的多种类型编码，例如，目标为船，目标类型编码可以包含水面船只、水下船只等类型编码，也可以包含渔船、运输船等种类编码。目标身份编码以及目标类型编码分别是对目标身份以及目标类型进行编码得到的，所以也属于文本类型。敌我编码可以是对敌我识别器得到的敌我类型信息进行编码得到的，例如，目标是渔船或者海上漂浮物等，敌我类型信息为中立方。
基于上述任一实施例，由于意图识别结果为文本类型，可以采用词袋模型(Bag-of-words，BoW)，或采用词嵌入Word2Vec复杂的BERT模型等文本表示模型对目标上一轮的意图识别结果进行预处理，从而获得目标上一轮的意图识别结果的特征向量，能够更好地表达文本的语义信息，进而提升意图识别的准确率。
基于上述任一实施例，共识机制具体采用实用拜占庭容错共识机制。
进一步地，在处理意图信息的过程中，如果网络中存在部分节点出现故障或者试图篡改数据，拜占庭容错能力使得区块链能够正确判定并排除恶意节点的干扰，从而确保意图信息的正确性和一致性。
进一步地，在共识机制中，各个节点即各个平台投票所占的权重可以根据该平台与意图识别结果的相容性和/或该平台自身的可靠性进行确定，可靠性可以根据例如本平台的探测能力、计算能力、本平台在分布式协同作业系统中所属的角色是指挥的还是执行的等信息进行评估。
基于上述任一实施例，本发明中平台是指有人驾驶的移动平台或固定阵位，也可以是无人驾驶的移动或固定阵位。系统是指部署在各平台的指挥控制系统、态势信息处理系统等。
图2是本发明实施例提供的分布式目标意图识别方法的流程示意图之二，如图2所示，分布式可信目标意图识别方法依次包括如下步骤：
S1、系统从区块链上获取同一个目标上一轮的意图识别结果，并进行数据预处理；
进一步地，具体实现方式为：
可以通过信息融合判断同一目标的意图识别结果，例如，搜救场景，可以通过船舶的MMSI号进行融合，如果没有MMSI号，也可以通过位置、速度的相似性判断；
预处理过程通常是清洗数据、处理缺失值、识别并处理异常值、数据标准化等，由于后面采用深度学习的方式去计算目标的意图识别，因此需要将收集到的不同平台的意图识别结果处理为深度学习可以接受的向量形式。
S2、制定意图规则，并将规则以智能合约的形式部署到区块链上；
进一步地，制定意图规则的详细步骤：利用长期短记忆网络LSTM进行训练，并通过模型压缩和优化，以智能合约的形式部署到区块链上。在构建LSTM模型时，采用多层堆叠的LSTM结构，这样可以提高模型的表示能力，使其能够更好地捕捉长期依赖关系。此外，结合其他类型的神经网络层，全连接层或卷积层，进一步提取文本特征。调整LSTM模型的超参数也是优化模型性能的关键，合理设置隐藏层的单元数，选择合适的学习率和批处理大小等，都会对模型的训练和性能产生影响。
S3、利用意图识别规则融合本平台目标航迹与其他平台的意图识别结果：各个平台的系统通过调用智能合约处理本平台和同一个目标上一轮的意图识别结果，智能合约会根据内部的意图规则对同一个目标上一轮的意图识别结果进行解析和推导，并结合本平台的目标航迹，确定出融合后的目标意图识别结果；
可以理解的是，目标上一轮的意图识别结果也同样结合了上一轮的目标航迹以及历史的意图识别结果，每一轮的意图识别结果可能来自于不同平台，通过融合本平台目标航迹与其他平台的意图识别结果可以进一步提升意图识别结果的准确性。
S4、系统输出对该目标的意图识别融合结果，并将结果写入区块链。
基于上述任一实施例，图3是本发明实施例提供的分布式目标意图识别方法的流程示意图之三，如图3所示，详细流程包括如下步骤：
第1步 目标意图识别数据收集和预处理：本发明使用深度学习模型去实现目标意图识别，因此需要对收集而来的目标意图识别数据进行处理，以满足深度学习模型处理的需要。收集到的原始数据往往不能直接用于分析，需要进行一定的预处理。预处理的目标通常是清洗数据、处理缺失值、识别并处理异常值、数据标准化等，由于后面采用深度学习的方式去计算目标的意图识别，因此需要将收集到的数据处理为深度学习可以接受的向量形式。下面是数据处理方法：(1)目标航迹数据：目标航迹数据是航迹点组成的序列，每个航迹点一般包含时刻、经度、纬度、高度、国籍编码、敌我编码、类型编码、种类编码，经预处理之后拼接为一个向量。收到一个目标的新融合航迹点后，取出该目标的全部历史航迹点，与新融合航迹点组成序列，将每个航迹点转为向量，按顺序拼接为一个目标航迹大向量。(2)意图识别结果数据：该数据是文本类型，一般是攻击、侦察、防御、巡逻、救援，采用词袋模型(Bag-of-words，BoW)，或采用词嵌入Word2Vec复杂的BERT模型。从区块链中获取(1)中该目标的上一轮的意图识别结果，将该意图识别结果转为向量，拼接在目标航迹大向量后，组成下一步输入深度网络的向量数据。
第2步 若判断这个平台的系统没有部署智能合约，则需要首先制定意图规则：本发明使用长期短记忆网络LSTM进行意图识别，这在自然语言处理领域被广泛用于解决意图识别问题，图4为本发明实施例提供的制定目标意图规则的流程图。(1)确定训练数据集，数据集应该包含各种用户输入，涵盖不同场景和意图，以确保模型在各种情况下都能有效地进行意图分类。数据预处理也是关键步骤之一，将原始文本转换成计算机可以处理的数字表示形式。这可以通过词嵌入技术将单词映射为密集向量，保留了单词之间的语义关系，从而更好地表达句子的语义信息，在第1步中已经处理好了数据。(2)在构建LSTM模型时，采用多层堆叠的LSTM结构，这样可以提高模型的表示能力，使其能够更好地捕捉长期依赖关系。此外，结合其他类型的神经网络层，全连接层或卷积层，进一步提取文本特征。调整LSTM模型的超参数也是优化模型性能的关键，合理设置隐藏层的单元数，选择合适的学习率和批处理大小等，都会对模型的训练和性能产生影响。(3)在模型训练阶段，通常使用反向传播算法结合优化器来最小化损失函数，使模型能够准确预测意图类别。为了防止过拟合，采用正则化技术，如L2正则化。同时，使用训练集和验证集监控模型的训练进度，如果发现模型在验证集上的性能不再提升，可以采用早停法停止训练，以防止过拟合问题。(4)为了增加模型的泛化能力，使用数据增强技术。通过随机替换、添加噪声或重新组合句子，来生成新的训练样本，从而使模型在更广泛的输入情况下更具鲁棒性。
第3步 编写和部署智能合约：本发明采用Solidity语言将LSTM模型写入智能合约，首先需要将LSTM模型转换为可部署于区块链上的形式。这通常涉及模型压缩和优化，以确保模型在区块链上的存储和执行效率。可以使用量化技术，将浮点参数转换为固定点参数，从而减小模型的存储空间和计算复杂度。随后，需要使用智能合约编程语言Solidity来实现智能合约。智能合约将包含LSTM模型的权重和结构定义，并提供一个函数接口，用于输入新的用户文本并输出意图分类结果。合约部署过程中，将模型参数和结构以哈希值的形式记录在区块链上，以确保模型的完整性和安全性。
第4步 利用意图识别规则融合本平台与其他平台的意图识别结果：系统可以通过调用智能合约，将本平台的目标融合航迹和该目标上一轮的意图识别结果转化为向量，输入到智能合约(LSTM网络)中，并获得意图识别的融合结果。由于智能合约在区块链上执行，所有的意图识别过程都是透明和可验证的，不会泄漏用户的隐私信息。在处理意图信息的过程中，如果网络中存在部分节点出现故障或者试图篡改数据，拜占庭容错能力使得区块链能够正确判定并排除恶意节点的干扰，从而确保意图信息的正确性和一致性。
第5步 系统输出对该目标的意图识别融合结果，并将结果写入区块链：系统将智能合约融合的意图识别结果广播给参与PBFT共识的节点，PBFT算法会让节点之间进行多轮的通信和投票，以达成共识并确认信息的有效性，一旦节点达成共识，智能合约的执行结果将被确认。在输出目标意图识别融合结果的同时，并将该结果写入不可篡改的区块中。
基于上述任一实施例，本发明提供了一种分布式目标意图识别系统。图5是本发明实施例提供的分布式目标意图识别系统的架构图，如图5所示，该系统应用于参与分布式协同作业的任一平台，该系统包括：
目标航迹探测模块510，用于获取目标当前轮的航迹数据；
历史意图获取模块520，用于从区块链上获取目标上一轮的意图识别结果；
目标意图识别模块530，用于调用该平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；智能合约中包含意图识别模型，意图识别模型基于样本目标的样本航迹数据及其对应的样本意图识别结果训练得到；
结果共识处理模块540，用于利用共识机制，将目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；
意图结果输出模块550，用于若确认目标当前轮的意图识别结果有效，则输出目标当前轮的意图识别结果，并将目标当前轮的意图识别结果写入区块链。
可以理解的是，上述各个模块的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。
另外，本发明实施例提供了另一种分布式目标意图识别装置，其包括：存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现上述实施例中的方法。
此外，本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述实施例中的方法。
基于上述实施例中的方法，本发明实施例提供了一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行上述实施例中的方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式目标意图识别方法，其特征在于，所述方法应用于参与分布式协同作业的任一平台，所述方法包括：
步骤S101，获取目标当前轮的航迹数据；
步骤S102，从区块链上获取所述目标上一轮的意图识别结果；
步骤S103，调用所述任一平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；所述智能合约中包含意图识别模型，所述意图识别模型基于样本目标的样本航迹数据及其对应的样本意图识别结果训练得到；
步骤S104，利用共识机制，将所述目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；
步骤S105，若确认目标当前轮的意图识别结果有效，则输出所述目标当前轮的意图识别结果，并将所述目标当前轮的意图识别结果写入区块链。
2.根据权利要求1所述的方法，其特征在于，步骤S103之前还包括：
基于样本目标的样本航迹数据及其对应的样本意图识别结果，对初始模型进行训练，获得训练完成的意图识别模型；
对训练完成的意图识别模型进行量化，获得最终的意图识别模型；
将最终的意图识别模型的模型参数和结构以哈希值的形式写入所述任一平台的智能合约中。
3.根据权利要求2所述的方法，其特征在于，所述初始模型具体采用长短期记忆网络。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述目标当前轮的航迹数据的特征向量具体基于如下步骤获得：
对目标当前轮的航迹数据中各个航迹点数据分别进行文本表示，获得各个航迹点数据对应的向量；各个航迹点数据包含各个航迹点对应的时间、位置、目标身份编码以及目标类型编码；
将各个航迹点数据对应的向量按时间顺序进行拼接，获得所述目标当前轮的航迹数据的特征向量。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述共识机制具体采用实用拜占庭容错共识机制。
6.一种分布式目标意图识别系统，其特征在于，所述系统应用于参与分布式协同作业的任一平台，所述系统包括：
目标航迹探测模块，用于获取目标当前轮的航迹数据；
历史意图获取模块，用于从区块链上获取所述目标上一轮的意图识别结果；
目标意图识别模块，用于调用所述任一平台的智能合约，根据目标当前轮的航迹数据的特征向量，以及目标上一轮的意图识别结果的特征向量进行意图识别，获得目标当前轮的意图识别结果；所述智能合约中包含意图识别模型，所述意图识别模型基于样本目标的样本航迹数据及其对应的样本意图识别结果训练得到；
结果共识处理模块，用于利用共识机制，将所述目标当前轮的意图识别结果广播至其他平台进行共识处理，以确认目标当前轮的意图识别结果的有效性；
意图结果输出模块，用于若确认目标当前轮的意图识别结果有效，则输出所述目标当前轮的意图识别结果，并将所述目标当前轮的意图识别结果写入区块链。
7.根据权利要求6所述的系统，其特征在于，还包括智能合约生成模块，用于：
基于样本目标的样本航迹数据及其对应的样本意图识别结果，对初始模型进行训练，获得训练完成的意图识别模型；
对训练完成的意图识别模型进行量化，获得最终的意图识别模型；
将最终的意图识别模型的模型参数和结构以哈希值的形式写入所述任一平台的智能合约中。
8.根据权利要求7所述的系统，其特征在于，所述智能合约生成模块中初始模型具体采用长短期记忆网络。
9.根据权利要求6至8任一项所述的系统，其特征在于，所述目标意图识别模块中目标当前轮的航迹数据的特征向量具体基于如下步骤获得：
对目标当前轮的航迹数据中各个航迹点数据分别进行文本表示，获得各个航迹点数据对应的向量；各个航迹点数据包含各个航迹点对应的时间、位置、目标身份编码以及目标类型编码；
将各个航迹点数据对应的向量按时间顺序进行拼接，获得所述目标当前轮的航迹数据的特征向量。
10.根据权利要求6至8任一项所述的系统，其特征在于，所述共识机制具体采用实用拜占庭容错共识机制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037826.0A CN117077003B (zh) | 2023-08-16 | 2023-08-16 | 一种分布式目标意图识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037826.0A CN117077003B (zh) | 2023-08-16 | 2023-08-16 | 一种分布式目标意图识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077003A true CN117077003A (zh) | 2023-11-17 |
| CN117077003B CN117077003B (zh) | 2024-04-23 |
Family
ID=88710962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311037826.0A Active CN117077003B (zh) | 2023-08-16 | 2023-08-16 | 一种分布式目标意图识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077003B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3005560A1 (en) * | 2018-05-22 | 2019-11-22 | Damir Olejar | Method and system for smart-contract controlled and event-driven financial planning on a blockchain |
| CN110493727A (zh) * | 2019-08-12 | 2019-11-22 | 苏州市江海通讯发展实业有限公司 | 一种基于区块链的多人室内定位方法 |
| US20190392536A1 (en) * | 2018-06-26 | 2019-12-26 | bootstrap legal Inc. | Method and System for Creating and Managing a Smart Contract on a Distributed Ledger |
| CN113139063A (zh) * | 2021-06-21 | 2021-07-20 | 平安科技（深圳）有限公司 | 意图识别方法、装置、设备及存储介质 |
| CN113850838A (zh) * | 2021-09-18 | 2021-12-28 | 深圳市唯特视科技有限公司 | 船舶航行意图获取方法、装置、计算机设备及存储介质 |
| CN114021664A (zh) * | 2021-11-16 | 2022-02-08 | 上海卓繁信息技术股份有限公司 | 一种基于区块链的意图识别方法、装置及电子设备 |
-
2023
- 2023-08-16 CN CN202311037826.0A patent/CN117077003B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3005560A1 (en) * | 2018-05-22 | 2019-11-22 | Damir Olejar | Method and system for smart-contract controlled and event-driven financial planning on a blockchain |
| US20190392536A1 (en) * | 2018-06-26 | 2019-12-26 | bootstrap legal Inc. | Method and System for Creating and Managing a Smart Contract on a Distributed Ledger |
| CN110493727A (zh) * | 2019-08-12 | 2019-11-22 | 苏州市江海通讯发展实业有限公司 | 一种基于区块链的多人室内定位方法 |
| CN113139063A (zh) * | 2021-06-21 | 2021-07-20 | 平安科技（深圳）有限公司 | 意图识别方法、装置、设备及存储介质 |
| CN113850838A (zh) * | 2021-09-18 | 2021-12-28 | 深圳市唯特视科技有限公司 | 船舶航行意图获取方法、装置、计算机设备及存储介质 |
| CN114021664A (zh) * | 2021-11-16 | 2022-02-08 | 上海卓繁信息技术股份有限公司 | 一种基于区块链的意图识别方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| KEPING YU ET.AL: "Deep Learning-Based Traffic Safety Solution for a Mixture of Autonomous and Manual Vehicles in a 5G-Enabled Intelligent Transportation System", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 31 December 2020 (2020-12-31), pages 1 - 11 * |
| 宋晓程 等: "基于 PACA 的复杂空中目标战术意图识别方法", 现代防御技术, 27 April 2023 (2023-04-27), pages 1 - 8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077003B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | DeepRoad: GAN-based metamorphic testing and input validation framework for autonomous driving systems | |
| CN111709408A (zh) | 图像真伪检测方法和装置 | |
| CN112052761A (zh) | 一种对抗人脸图像的生成方法和装置 | |
| CN109145743A (zh) | 一种基于深度学习的图像识别方法及装置 | |
| CN115758337A (zh) | 基于时序图卷积网络的后门实时监测方法、电子设备、介质 | |
| Nordmo et al. | Dutkat: A multimedia system for catching illegal catchers in a privacy-preserving manner | |
| CN113704372B (zh) | 基于深度对抗网络的遥感影像转换地图迁移方法和装置 | |
| Wu et al. | A highly interpretable framework for generic low-cost UAV attack detection | |
| Kaur et al. | A review on natural disaster detection in social media and satellite imagery using machine learning and deep learning | |
| CN117077003B (zh) | 一种分布式目标意图识别方法及系统 | |
| CN118018260A (zh) | 网络攻击的检测方法、系统、设备及介质 | |
| Chang et al. | Deep learning for predictive analytics in reversible steganography | |
| Nguyen et al. | Multi-task learning for maritime traffic surveillance from AIS data streams | |
| Lee et al. | Damage detection and safety diagnosis for immovable cultural assets using deep learning framework | |
| CN115147720A (zh) | 基于坐标注意力和长短距上下文的sar舰船检测方法 | |
| Duan et al. | AISChain: Blockchain-Based AIS Data Platform With Dynamic Bloom Filter Tree | |
| CN116152542A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
| Jiang et al. | SEEK: Detecting GPS Spoofing via a Sequential Dashcam-Based Vehicle Localization Framework | |
| Li et al. | Privacy-preserving object detection with poisoning recognition for autonomous vehicles | |
| Tamilselvi et al. | A Real-time Fire recognition technique using a Improved Convolutional Neural Network Method | |
| de Magalhães et al. | Improving Maritime Domain Awareness in Brazil through Computer Vision Technology | |
| CN113518062B (zh) | 攻击检测方法、装置及计算机设备 | |
| US12032688B2 (en) | Method of training a module and method of preventing capture of an AI module | |
| Horvath | Manipulation Detection and Localization for Satellite Imagery | |
| CN115331122A (zh) | 基于图像分割的海上溢油检测方法、无人机、存储介质 |
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 |