飞行轨迹分类模型训练方法、分类方法、装置及存储介质制造方法及图纸

本申请提供了一种飞行轨迹分类模型训练方法、分类方法、装置及存储介质。该飞行轨迹分类模型训练方法包括：获取训练数据集；训练数据集包括多个样本数据；将训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；其中，初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，线性分类器用于基于三维线性特征及非线性特征对飞行轨迹进行分类处理输出预测结果。本申请能够减少对数据先验知识的依赖，实现对飞行器类型和机动模式的准确分类识别。识别。识别。

【技术实现步骤摘要】
飞行轨迹分类模型训练方法、分类方法、装置及存储介质


[0001]本申请涉及神经网络
，尤其涉及一种飞行轨迹分类模型训练方法、分类方法、装置及存储介质。

技术介绍

[0002]随着飞行技术的不断发展，飞行器的应用越来越广泛，涉及军事和民用领域，飞行器的飞行安全和飞行质量对于飞行技术的发展尤为重要，对飞行器的飞行轨迹的研究有利于提高飞行安全和飞行质量。例如可以利用飞行轨迹对飞行器的种类进行识别。
[0003]传统的识别方式是将飞行轨迹数据映射到高维空间，在高维空间利用不同轨迹之间的距离进行数据的分类。但这种方法需要有大量的飞行轨迹数据作为用于与所需识别的飞行轨迹进行比较，才能获得较好的识别度，但飞行器的种类繁多，特别是高超声速飞行器，建模难度大，先验知识少，机动方式复杂，并且速度极快，通过传统方式进行识别的准确率较低。

技术实现思路

[0004]本申请实施例提供了一种飞行轨迹分类模型训练方法、分类方法、装置、存储介质及计算机设备，能够减少对数据先验知识的依赖，实现对飞行器类型和机动模式的准确分类识别。
[0005]第一方面，本申请提供了一种飞行轨迹分类模型训练方法，所述方法包括：
[0006]获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
[0007]将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
[0008]其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
[0009]在其中一个实施例中，所述将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型，包括：
[0010]将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵；
[0011]将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵；
[0012]将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到
所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式；
[0013]将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果；
[0014]基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模型，得到所述飞行轨迹分类模型。
[0015]在其中一个实施例中，所述将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵，包括：
[0016]将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；
[0017]将所述全局空间特征输入通道注意力网络进行处理；
[0018]将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；
[0019]基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；
[0020]将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；
[0021]将所述局部空间特征输入通道注意力网络进行处理；
[0022]将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；
[0023]基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；
[0024]将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
[0025]在其中一个实施例中，所述将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果，包括：
[0026]将所述非线性特征输入第一全连接层进行处理；
[0027]将所述第一全连接层的输出与所述三维线性特征矩阵进行拼接，并进行批归一化处理，得到目标特征；
[0028]将所述目标特征输入线性分类网络进行分类处理，输出概率值；
[0029]基于所述概率值得到所述飞行轨迹的预测结果。
[0030]在其中一个实施例中，所述方法还包括：
[0031]获取验证数据集；所述验证数据集包括多个验证数据，每个验证数据包括飞行轨迹以及对应的期望结果；
[0032]将所述验证数据集分为多个验证子集；
[0033]分批次将任一验证子集输入至所述飞行轨迹分类模型进行分类验证，其中，在第一批次分类验证时，所述飞行轨迹分类模型的权重参数为预设的初始参数，在第N+1批次分类验证时，通过Adam优化算法更新上一批次分类验证时采用的权重参数，N为正整数；
[0034]计算当前批次的分类准确率；
[0035]在当前批次的分类准确率高于此前任一批次的分类准确率时，保存当前批次的权重参数，直至完成所有批次的分类验证时，将对应于分类准确率最高的分类验证批次的权重参数确定为所述飞行轨迹分类模型的目标权重参数。
[0036]第二方面，本申请提供了一种分类方法，包括：
[0037]获取飞行器的飞行轨迹；
[0038]将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
[0039]第三方面，本申请提供了一种飞行轨迹分类模型训练装置，包括：
[0040]训练数据集获取模块，用于获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
[0041]训练模块，用于将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
[0042]其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
[0043]第四方面，本申请提供了一种分类装置，包括：
[0044]飞行轨迹获取模块，用于获取飞行器的飞行轨迹；
[0045]分类模块，用于将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞行轨迹分类模型训练方法，其特征在于，所述方法包括：获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。2.根据权利要求1所述的飞行轨迹分类模型训练方法，其特征在于，所述将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型，包括：将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵；将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵；将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式；将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果；基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模型，得到所述飞行轨迹分类模型。3.根据权利要求2所述的飞行轨迹分类模型训练方法，其特征在于，所述将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵，包括：将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；将所述全局空间特征输入通道注意力网络进行处理；将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；将所述局部空间特征输入通道注意力网络进行处理；将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。4.根据权利要求1至3任一项所述的飞行轨迹分类模型训练方法，其特征在于，所述将
所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果，包括：将所述非线性特征输入第一全连接层进行处理；将所述第一全连接层的输出与所述三维线性特征矩阵进行拼...

【专利技术属性】
技术研发人员：庄学彬，曾昆，何雨昕，曾小慧，谢扬帆，
申请(专利权)人：中山大学，
类型：发明
国别省市：