[发明专利]实时发现空中动态目标识别方法

说明书

本发明公开的一种实时发现空中动态目标识别方法，能够自动提取并学习更深层次的特征。本发明通过下述技术方案实现基于分层分级分类的目标活动规律、空中目标数据特征表达、行为规律发现和知识积累，构建空中目标行为特征构系统平台；针对已掌握行为意图的目标数据和目标行为规律分析，构建数据预处理模块、航迹挖掘模块，航迹要素统计模块组成的目标行为规律模型和目标识别分析模型；数据预处理模块对目标数进行筛选，清洗目标行为数据，航迹挖掘模块对每个分类的航迹分别计算经典航迹和航迹相似性，生成经典航迹数据；航迹要素统计模块借助目标的序列影像确定目标位置和运动轨迹，纵向对比目标活动，在频域上得到图像的显著性检测目标。

技术领域

本发明涉及情报处理与分析领域，具体涉及情报大数据挖掘分析、目标特征工程、以及动态目标预测方法。

背景技术

知识发现是通过综合运用统计学、模糊学习、机器学习和专家系统等多种学习手段，从大量的结构化数据、非结构化数据中提炼出抽象的、有价值的信息，从中发现潜在的规律。当前，空间环境中的空中目标分析主要建立在高价值、小数据分析基础上，数据掌握的不够充分，无法保障分析的全面性和准确性。对多元目标数据的挖掘分析，利用层次深度比较低，潜在的内涵规律挖掘不足等问题比较突出。面对众多的情报信息，目前虽然大部分处理系统已初步实现“全域一张图”，但仍处于“有态无势”的局面，且对当前状态缺乏解读，仅仅是当前时空的简单展示，数据决策支持能力严重不足。

随着现代环境的日益复杂和各种目标特征控制技术的进一步发展，目标的可观测性越来越低，多传感器目标识别技术面临更加严竣的困难。目前虽然已有许多目标识别决策级融合的方法，但在实际应用中，最棘手的问题莫过于如何获得可靠的隶属度、基本概率赋值等。可以讲，属性函数的获取问题是目标识别决策级融合应用的瓶颈问题。输入各种数据和知识类型要求实时操作，需要很大的知识库。目标检测形成观测报告，包括：观测、识别、量测时间、量测或决策数据，确定和不确定数据，数据的不确定性表现为不精确、不完整、模糊和报告冲突等。无论是对目标的原始观测，还是对目标观测量的特征提取，以及对目标的分类识别、决策等，都存在着研究对象在不同层次上不同形态和不同性质的信息，这些信息从其表征水平的层次上看，一般可以分为数据层，特征层和决策层。在不同层次，信息的特征不同。较多情况下，信息融合是在同一个层次上一进行的。决策级融合的信息损失大，性能相对较差。信息融合要处理的信息量多，实时性较差，处理代价高。发现和追踪空中目标实际上是许多传统学科和新技术的集成和应用，它包括通信、模式识别、决策论、信号处理、人工智能和神经网络等。但是用神经网络进行模式识别时，要求有足够丰富且正交完备的训练样本集，否则，系统性能就会变差，降低了系统的识别率。目前用于模式识别的神经网络模型有很多种，主要有前馈式网络、反馈式网络、混合式网络三大类。在众多的前馈神经网络结构中，目前应用最广泛、发展最成熟的一种网络结构是多层前馈神经网络结构。如果用于分类物体或事件的观测量的概率密度函数难以得到。由于在多变量数据情况下，计算的复杂性加大，一次只能评估两个假设事件：无法直接应用先验似然函数这个有用的先验知识。贝叶斯推理法根据假设的先验概率和观测概率来确定假设的后验概率，将目标判为后验概率最大的那一类目标。对先验知识较充分的融合问题，它能够达到很好的效果。但其缺点也很明显，主要包括：定义先验概率函数困难；当多个潜在假设和多种条件独立事件存在时的复杂性；竞争假设的多种排它性要求；不能解决一般的不确定性问题。