System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人机,更具体地说,特别涉及一种基于行为轨迹的无人机集群个体重要性评估方法及系统。
技术介绍
1、单架无人机具有体积小、成本低和机动性强等特点,但是同时具有灵活性差、执行任务效率低等问题。随着无人机自主智能的不断提升,蜂群无人机作战被认为是未来无人作战体系的重要发展趋势。蜂群无人机作战具有相互协作和优势互补的优点,可以显著提升执行任务的成功率,但同时也给传统的防空系统带来了巨大的挑战。
2、现有的反无人机集群技术主要源于针对单架无人机的技术,但由于蜂群无人机数量众多,在反制时间有限的情况下,传统方法往往无法对每一架无人机进行攻击。蜂群无人机之所以能够实现灵活地飞行,实现智能化的关键在于个体之间的信息交互和通信网络的建立。因此,一种可行的方法是通过对蜂群的观测数据进行分析和识别,确定集群内部通讯结构的关键个体,从而实现对蜂群无人机的精准打击。在这种打击过程中,蜂群的通信网络连通性遭到破坏,进而导致集群失去了协同能力。
3、有关集群中关键个体辨识的研究,目前主要集中在自然集群方面。例如,通过长期跟踪灰狼和狒狒等群体,分析它们的个体领导行为,并利用统计物理的定量方法对鸽子、鱼群等大规模集群的领导结构和关键个体进行推断。虽然这些工作讨论了不同自然集群中领导者个体对整个群体的影响,但对于只知道运动状态信息的未知集群,目前仍缺乏明确的方法来识别关键个体。随着复杂网络科学的发展,复杂系统中关键节点辨识的研究相继问世,如基于邻居和路径的节点重要性排序方法等。但是这些方法都是基于系统网络拓扑已知的情况下,仅从
技术实现思路
1、本专利技术的目的在于提供一种基于行为轨迹的无人机集群个体重要性评估方法及系统,以克服现有技术所存在的缺陷。
2、为了达到上述目的,本专利技术采用的技术方案如下:
3、一种基于行为轨迹的无人机集群个体重要性评估方法,包括以下步骤:
4、s1、根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;
5、s2、通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;
6、s3、结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
7、进一步地,所述步骤s1具体包括:
8、s11、采集无人机集群的运动轨迹数据,对运动轨迹数据进行预处理,得到带有时间戳的轨迹行为数据,将轨迹行为数据切分为长度为l片段式中,t(t=1,2,...,l)表示时间切片的索引;
9、s12、根据t时刻n个无人机个体的观测值建立基于运动状态的距离矩阵式中,n表示每个时间切片中无人机个体的数量,表示在时刻t观测到的无人机个体i的多维运动状态;
10、s13、取阈值ò,使用heaviside函数和kronecker符号将上述t时刻的距离矩阵dt转化为具体的网络的邻接矩阵gt,ò,其中,
11、s14、计算在阈值ò下,t时刻的时序网络中个体i周围的连接个体数
12、s15、取距离矩阵dt的最大值和最小值分别作为阈值ò的上下界,对个体i周围连接个体数中的ò和t分别进行积分,得到个体i的被环绕性程度ci:
13、
14、其中,对ò的上下界和均进行了归一化处理;
15、s16、得到体现无人机集群个体环绕性的向量c={c1,c2,...,cn}t,并将该向量记为每个个体周围被环绕程度,ci值越大表明个体在无人机集群中越重要。
16、进一步地,所述步骤s2具体包括:
17、s21、将轨迹行为数据表示为其中,是集群中第i个个体随时间变化的l个观测值,表示在时刻t观测到的无人机个体i的多维运动状态;
18、s22、通过差分法计算相邻时刻运动状态的变化量
19、
20、s23、将各个时刻的运动状态变化量进行合并,得到个体i运动状态的波动性值ri:
21、
22、s24、将波动性向量r={r1,r2,...,rn}正向化得到波动性指标fi:
23、
24、式中,max{r}和min{r}分别是波动性向量元素中的最大值和最小值。
25、本专利技术还提供一种根据上述的基于行为轨迹的无人机集群个体重要性评估方法的系统,包括:
26、环绕程度计算模块,用于根据无人机集群的轨迹行为数据构建多个阈值下的时序网络,并计算无人机集群中每个个体周围被环绕程度;
27、波动程度计算模块,用于通过无人机集群中个体运动状态的差分,计算该个体在这一段时间内的波动程度;
28、贝叶斯网络模型,用于结合无人机集群中每个个体周围被环绕程度和无人机集群中个体的波动程度作为特征构建贝叶斯网络模型,并利用该模型推断该个体是否为无人机集群中的关键个体。
29、与现有技术相比,本专利技术的优点在于:本专利技术基于集群运动状态的环绕性和波动性,对自组织集群中的关键个体进行推断,这个过程只需要集群的观测数据,不依赖于特定集群类型也无需有任何的先验信息,适用范围较广,随着集群数据量的增多,将利用运动状态计算的环绕性和波动性指标分别看作行为轨迹特征,通过构建贝叶斯推断网络将两种不同的运动状态特征结合进行综合推断,并且在集群时间序列的时间切片构建距离矩阵,该距离矩阵用于表示个体之间的运动状态距离。然后通过对距离矩阵进行阈值化,可以得到该时刻具体的网络结构。在时间切片上构建网络的操作不仅可以充分利用采集到的信息,还可以减轻时间序列中异常值对推断结果的影响。
本文档来自技高网...【技术保护点】
1.一种基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,所述步骤S1具体包括:
3.根据权利要求1所述的基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,所述步骤S2具体包括:
4.根据权利要求1-3任意一项所述的基于行为轨迹的无人机集群个体重要性评估方法的系统,其特征在于,包括:
【技术特征摘要】
1.一种基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于行为轨迹的无人机集群个体重要性评估方法,其特征在于,所述步骤s1具体包括:
3.根...
【专利技术属性】
技术研发人员:祁明泽,梁靖婕,段晓君,晏良,周东鑫,池艺妍,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。