【技术实现步骤摘要】
本专利技术涉及编队识别领域，具体是一种基于深度学习的编队识别目标选择方法。
技术介绍
1、制导无人飞行器的水面目标选择通常有特征识别和编队识别两类技术。特征识别依赖指定目标区别于编队内其它成员的单一特征、或者多特征加权的综合特征，但随着飞行器射程增长带来的自控时间的增长，末端编队态势的变化已不符合发射前确定的特征，从而超出飞行器特征识别的能力，在面对编队内存在同类型成员时容易出现误命中现象，原有特征识别满足不了多目标识别的要求。编队识别是将飞行器末制导传感器搜捕得到的编队态势，与存在飞行器上的编队态势(目标指示阶段实时探测或者情报数据库预先存储)进行比对，通过匹配两个态势的编队特征相似程度，并排序识别出编队预定目标进行精确打击的过程。
2、编队识别目标选择技术首先在于编队队形识别。编队队形识别属于集群识别的一种，是末制导技术的一个重要发展方向，是目标态势认知能力提升的基础和关键。编队队形识别技术是通过一定的方法，对传感器所探测到的目标编队队形进行识别和分析，以了解目标的状态和可能的行动意图，并根据这些信息进行火力分配和打击预定目标。为了保证行动的需要和航行的安全，水面编队队形具有稳定性和规律性，这为队形识别提供了主要依据。
3、目前对编队队形识别的方法主要有模板匹配、数学分析、基于领域知识的模式识别、神经网络等，随着人工智能技术的发展，利用深度学习进行编队识别的方法受到重视，这些方法存在以下缺陷：1)在编队队形发生错位和紊乱时，无法准确识别队形。2)当v形队和环形队噪声较大时，区分度不高，而且在进行目标选
4、现有的编队识别技术往往侧重于队形识别而非目标选择，且存在未充分考虑编队末端态势变化和实时性较差等缺陷。除此之外，制导无人飞行器对水面编队目标的选择多根据红外或者电磁特性，面对同类型目标容易出现误命中现象，难以达到毁伤既定目标的效果。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的编队识别目标选择方法，包括以下步骤：
2、1)获取水面目标编队信息，并生成编队队形图；
3、2)构建基于改进lenet卷积神经网络的编队队形识别模型；
4、3)将编队队形图输入至编队队形识别模型中，得到队形识别结果；
5、4)根据队形识别结果对目标指示阶段编队目标进行排序编号；
6、5)选定待跟踪目标，并将待跟踪目标编号传输至飞行器；
7、6)飞行器在末制导阶段，通过末制导传感器获取水面目标编队态势，并对目标编队进行排序编号，然后匹配待跟踪目标，并跟踪所述待跟踪目标。
8、进一步，所述编队队形识别模型包括输入层、多个卷积层、多个批量归一化层、多个relu层、多个最大池化层、多个全连接层、softmax层和分类层；
9、编队队形识别模型采用的激活函数如下所示：
10、
11、式中，f(x)表示激活函数；x为输入；
12、编队队形识别模型中参数的优化过程如下所示：
13、
14、式中：β1是一阶矩衰减系数，0<β1<1；β2是二阶矩衰减系数，0<β2<1；gt是目标函数求导梯度；mt为t时刻，梯度在动量形式下的一阶矩估计；vt为t时刻，梯度在动量形式下的二阶矩估计；为偏差纠正后的一阶矩估计；为偏差纠正后的二阶矩估计；是β1的t次方；是β2的t次方；θt+1为更新后的参数值；η是学习率，ε是常数。θt为更新前的参数值。
15、进一步，所述队形识别结果包括队列线条数和编队轮廓；
16、所述队列线条数包括队列线一条和队列线两条；
17、队列线为一条时，编队轮廓包括单横队、单纵队和方位队；
18、队列线为两条时，编队轮廓包括双横队、双纵队、v形队和环形队。
19、进一步，当编队轮廓为单横队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
20、
21、式中，i＝1,2,3,…,t；t为成员数量；dx、dz为横向间距、纵向间距；n(0,σ12)、n(0,σ22)表示分布；σ12、σ22表示位置均方差、航向均方差；γ表示编队航向角度；
22、当编队轮廓为双横队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
23、
24、当编队轮廓为单纵队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
25、
26、当编队轮廓为双纵队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
27、
28、当编队轮廓为方位队形时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
29、
30、当编队轮廓为v形队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
31、
32、式中，n(γ,σ22)表示分布；β表示队列角；
33、当编队轮廓为环形队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
34、
35、进一步，考虑航向绕回波中心扰动变化，编队成员航向量坐标如下所示：
36、
37、式中，xi″、zi″为考虑航向绕回波中心扰动变化的编队成员航向量坐标；xi0、zi0为中间参量；xi、zi为更新前的编队成员航向量坐标；(xi,zi)为各成员在量测空间中的坐标；ri为航向；γ为编队航向角度。
38、进一步，飞行器在自控飞行阶段，若编队绕某一旋转点进行转向，则飞行器末制导传感器开启后目标编队成员坐标(xi′,zi′)如下所示：
39、
40、式中，(x0,z0)为旋转中心点坐标；q为逆时针旋转角。
41、飞行器在自控飞行阶段，若目标编队间距发生变化，则飞行器末制导传感器开启后目标编队成员坐标(xn′,zn′)如下所示：
42、
43、式中，(xn+1′，zn+1′)为变化坐标；
44、飞行器在自控飞行阶段，若目标编队间距发生变化，则飞行器末制导传感器开启后目标编队间隔(dh′,zz′)如下所示：
45、
46、式中，当k1、k2∈(0,1)时，为队形间距缩小比例；k1、k2∈(1,∞)时为队形间距放大比例；(dh，dz)为间距发生变化前，目标编队间隔。
47、进一步，队列线为一条时，对目标指示阶段编队目标进行排序编号的步骤包括：
48、利用一条直线对目标指示阶段的编队成员量测空间坐标进行拟合，该直线即为队列线；
49、然后结合航向信息得到基准成员，再以基准成员为参考，根据基准成员以外的其他成员与基准成员的相对位置对编队目标进行排序编号；
50、飞行器在末制导阶段，通过末制导传感器获取水面目标编队本文档来自技高网...
【技术保护点】
1.一种基于深度学习的编队识别目标选择方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的编队识别目标选择方法，其特征在于，所述编队队形识别模型包括输入层、多个卷积层、多个批量归一化层、多个ReLU层、多个最大池化层、多个全连接层、Softmax层和分类层；
3.根据权利要求1所述的一种基于深度学习的编队识别目标选择方法，其特征在于，所述队形识别结果包括队列线条数和编队轮廓；
4.根据权利要求3所述的一种基于深度学习的编队识别目标选择方法，其特征在于，当编队轮廓为单横队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
5.根据权利要求3所述的一种基于深度学习的编队识别目标选择方法，其特征在于，考虑航向绕回波中心扰动变化，编队成员航向量坐标如下所示：
6.根据权利要求3所述的一种基于深度学习的编队识别目标选择方法，其特征在于，飞行器在自控飞行阶段，若编队绕某一旋转点进行转向，则飞行器末制导传感器开启后目标编队成员坐标(Xi′,Zi′)如下所示：
7.根据权利要求1所述的一种
8.根据权利要求1所述的一种基于深度学习的编队识别目标选择方法，其特征在于，队列线为两条时，对目标指示阶段编队目标进行排序编号的步骤包括：
9.根据权利要求8所述的一种基于深度学习的编队识别目标选择方法，其特征在于，Hough变换的步骤如下所示：
10.根据权利要求8所述的一种基深度学习的编队识别目标选择方法，其特征在于，通过ISODATA算法对坐标进行聚类的步骤包括：
...【技术特征摘要】
1.一种基于深度学习的编队识别目标选择方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的编队识别目标选择方法，其特征在于，所述编队队形识别模型包括输入层、多个卷积层、多个批量归一化层、多个relu层、多个最大池化层、多个全连接层、softmax层和分类层；
3.根据权利要求1所述的一种基于深度学习的编队识别目标选择方法，其特征在于，所述队形识别结果包括队列线条数和编队轮廓；
4.根据权利要求3所述的一种基于深度学习的编队识别目标选择方法，其特征在于，当编队轮廓为单横队时，各成员在量测空间中的坐标(xi,zi)，航向ri如下所示：
5.根据权利要求3所述的一种基于深度学习的编队识别目标选择方法，其特征在于，考虑航向绕回波中心扰动变化，编队成员航向量坐标如下所示：
6...
【专利技术属性】
技术研发人员：黄隽，傅城龙，吴鹏飞，刘方，李晓宝，张浩然，刘玥，
申请(专利权)人：中国人民解放军海军工程大学，
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。