一种基于循环神经网络的无人机威胁评估方法及系统技术方案

本发明专利技术涉及一种适用于防空作战领域，在空地协同架构下的基于循环神经网络的无人机威胁评估方法及系统，其中方法包括以下步骤：考虑无人机目标慢、小、低的特性，构建无人机威胁评估指标并定量分析；将无人机飞行过程离散化，划分多个时间片，获取以时间序列为基础的飞行状态数据；基于循环神经网络构建无人机威胁评估模型，以当前时刻及其前预配置个数时间片的飞行状态数据作为输入，威胁评估值作为输出，综合评估敌方无人机威胁。与现有技术相比，本发明专利技术能够有效地提升对敌方无人机的威胁评估精准度，避免与飞鸟等目标混淆，提高置信度。提高置信度。提高置信度。

【技术实现步骤摘要】
一种基于循环神经网络的无人机威胁评估方法及系统


[0001]本专利技术涉及无人机威胁评估领域，尤其是涉及一种基于循环神经网络的无人机威胁评估方法及系统。

技术介绍

[0002]在过去的十几年间，随着无人机(UAV)技术快速发展，无人机作为一种新型作战装备越来越多地出现在现代战场中。与之相对应，反无人机作战概念也随之产生。与传统的防空作战相比，无人机本身的特性决定反无人机作战有其特殊性，但在作战流程上，反无人机作战与传统防空作战基本保持一致。其中，目标威胁评估作为决策指挥的重要环节，能够评估反无人机战场态势，为目标分配提供参考依据。能否在作战中合理评估无人机威胁，对规划目标分配策略，执行反无人机作战任务具有直接影响。
[0003]无人机的威胁评估是指在战场环境中，评估侦测到的无人机目标对我方保卫目标或保卫区域所构成的威胁程度。无人机威胁评估的目标是通过评估当前环境中敌方无人机的威胁态势，优化配置己方反无人机武器的分配策略，对目标实施反制措施，保证己方保卫点或保卫区域的安全。现代防控体系下，系统能够通过多种手段获取目标信息，并将其转换为信息优势，强化系统的分析与拦截能力。在这种情况下，威胁评估指标体系建立所涉及的信息种类多、范围广，所以对无人机进行威胁评估指标提取时要综合考虑。
[0004]无人机威胁评估问题近年来一直是学术界和工业界的研究难点。目前防空领域相关威胁评估文献的研究对象多集中在飞机、巡航导弹等传统防空目标上，对以无人机为代表的低、慢、小目标威胁评估的研究较少。同时，针对以威胁评估为目标的多属性决策问题，多基于专家打分法来确定威胁评估权重。专家打分法较多依靠主观认知决策，其所衍生的不确定性与模糊性较难控制。目前急需一个准确客观的威胁评估模型。陈侠等人发表在2018年《火力与指挥控制》期刊上的文章“基于小波神经网络的无人机目标威胁评估”提出了使用神经网络进行无人机威胁评估。在实际的战场环境中，仅凭单个时刻进行无人机威胁评估受置信度影响较大，可能会影响战场态势。

技术实现思路

[0005]本专利技术的目的就是为了提供一种基于循环神经网络的无人机威胁评估方法及系统，考虑多个时间片的数据，提高威胁评估精确度与可靠性。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于循环神经网络的无人机威胁评估方法，包括以下步骤：
[0008]考虑无人机目标慢、小、低的特性，构建无人机威胁评估指标并定量分析；
[0009]将无人机飞行过程离散化，划分多个时间片，获取以时间序列为基础的飞行状态数据，所述飞行状态数据中包括无人机威胁评估指标值；
[0010]基于循环神经网络构建无人机威胁评估模型，以当前时刻及其前预配置个数时间片的飞行状态数据作为输入，威胁评估值作为输出，综合评估敌方无人机威胁。
[0011]所述无人机威胁评估指标包括无人机的挂载属性对应的威胁值、无人机置信度。
[0012]所述无人机的挂载属性对应的威胁值为：
[0013][0014]其中，N为无人机的数目。
[0015]所述无人机置信度基于探测到无人机的传感器数量和无人机类型确定：
[0016][0017]其中，所述频率信息相似表示传感器探测到的无人机的频率信息与已知的敌方频率信息相似。
[0018]所述无人机威胁评估模型的输入包括当前时刻时间片的飞行状态数据和当前时刻前m个时间片的飞行状态数据，即共m+1层输入层，每层输入表示为：
[0019]x
t
＝{μ
re,t
,μ
colony,t
,μ
dis,t
,μ
angle,t
}
[0020]其中，t为该层对应的时间片标识，μ
re,t
为t时刻的无人机置信度，μ
colony,t
为t时刻的无人机的挂载属性对应的威胁值，μ
dis,t
为t时刻无人机与保卫点的距离，μ
angle,t
为t时刻无人机飞行方向与保卫点连线的角度差；
[0021]模型的输出为一维连续变量P
t
′
，P
t
′
大于零，对应当前时间片的无人机威胁评估值；
[0022]模型的中间层中，每层的输出为中间结果，对应该层时间片下的无人机威胁评估值，每层的中间结果作为下一层的输入，为下一时间片的威胁评估提供参考，同时，考虑到单个时间片的置信度问题，根据下一层的无人机飞行状态输入纠正上一时间片的错误评估值；
[0023]模型训练过程中，以最小化预测的无人机威胁评估值与经验值的均方误差为目标：
[0024]W(θ)＝(P
t
‑
P
t
′
)2[0025]其中，P
t
为参考无人机特性及历史观测度确定的威胁经验值。
[0026]一种基于循环神经网络的无人机威胁评估系统，包括：
[0027]评估指标建立模块，用于考虑无人机目标慢、小、低的特性，构建无人机威胁评估指标并定量分析；
[0028]飞行状态数据获取模块，用于将无人机飞行过程离散化，划分多个时间片，获取以时间序列为基础的飞行状态数据，其中，飞行状态数据中包括无人机威胁评估指标值；
[0029]无人机威胁评估模块，用于基于循环神经网络构建无人机威胁评估模型，以当前时刻及其前预配置个数时间片的飞行状态数据作为输入，威胁评估值作为输出，综合评估敌方无人机威胁。
[0030]所述无人机威胁评估指标包括无人机的挂载属性对应的威胁值、无人机置信度。
[0031]所述无人机的挂载属性对应的威胁值为：
[0032][0033]其中，N为无人机的数目。
[0034]所述无人机置信度基于探测到无人机的传感器数量和无人机类型确定：
[0035][0036]其中，所述频率信息相似表示传感器探测到的无人机的频率信息与已知的敌方频率信息相似。
[0037]所述无人机威胁评估模型的输入包括当前时刻时间片的飞行状态数据和当前时刻前m个时间片的飞行状态数据，即共m+1层输入层，每层输入表示为：
[0038]x
t
＝{μ
re,t
,μ
colony,t
,μ
dis,t
,μ
angle,t
}
[0039]其中，t为该层对应的时间片标识，μ
re,t
为t时刻的无人机置信度，μ
colony,t
为t时刻的无人机的挂载属性对应的威胁值，μ
dis,t
为t时刻无人机与保卫点的距离，μ
angle,t
为t时刻无人机飞行方向与保卫点连线的角度差；
[0040]模型的输出为一维连续变量P
′
t
，P
′
t
大于零，对应当前时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的无人机威胁评估方法，其特征在于，包括以下步骤：考虑无人机目标慢、小、低的特性，构建无人机威胁评估指标并定量分析；将无人机飞行过程离散化，划分多个时间片，获取以时间序列为基础的飞行状态数据，所述飞行状态数据中包括无人机威胁评估指标值；基于循环神经网络构建无人机威胁评估模型，以当前时刻及其前预配置个数时间片的飞行状态数据作为输入，威胁评估值作为输出，综合评估敌方无人机威胁。2.根据权利要求1所述的一种基于循环神经网络的无人机威胁评估方法，其特征在于，所述无人机威胁评估指标包括无人机的挂载属性对应的威胁值、无人机置信度。3.根据权利要求2所述的一种基于循环神经网络的无人机威胁评估方法，其特征在于，所述无人机的挂载属性对应的威胁值为：其中，N为无人机的数目。4.根据权利要求2所述的一种基于循环神经网络的无人机威胁评估方法，其特征在于，所述无人机置信度基于探测到无人机的传感器数量和无人机类型确定：其中，所述频率信息相似表示传感器探测到的无人机的频率信息与已知的敌方频率信息相似。5.根据权利要求2所述的一种基于循环神经网络的无人机威胁评估方法，其特征在于，所述无人机威胁评估模型的输入包括当前时刻时间片的飞行状态数据和当前时刻前m个时间片的飞行状态数据，即共m+1层输入层，每层输入表示为：x
t
＝{μ
re,t
,μ
colony,t
,μ
dis,t
,μ
angle,t
}其中，t为该层对应的时间片标识，μ
re,t
为t时刻的无人机置信度，μ
colony,t
为t时刻的无人机的挂载属性对应的威胁值，μ
dis,t
为t时刻无人机与保卫点的距离，μ
angle,t
为t时刻无人机飞行方向与保卫点连线的角度差；模型的输出为一维连续变量P
t
′
，P
t
′
大于零，对应当前时间片的无人机威胁评估值；模型的中间层中，每层的输出为中间结果，对应该层时间片下的无人机威胁评估值，每层的中间结果作为下一层的输入，为下一时间片的威胁评估提供参考，同时，考虑到单个时间片的置信度问题，根据下一层的无人机飞行状态输入纠正上一时间片的错误评估值；模型训练过程中，以最小化预测的无人机威胁评估值与经验值的均方误差为目标：W(θ)＝(P
t
‑
P
t
′
)2其中，P
t
为参考无人机特性及历史观测度确定的威胁经验值。6.一种基于循环神经网络的无人机威胁评估系统，其...

【专利技术属性】
技术研发人员：张荣庆，侯钰凯，刘诗洋，史清江，
申请(专利权)人：同济大学，
类型：发明
国别省市：