[发明专利]基于改进Glasius仿生神经网络的静态目标搜索方法与装置

权利要求书

1.基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述方法具体包括：

S1、获取预先采集的先验信息；

S2、利用帕森窗理论，根据所述先验信息，建立一个尺寸为Map_x×Map_y的栅格地图，作为基础先验目标概率图；

S3、根据所述先验信息，获得基于贝叶斯高斯混合矩阵的先验目标概率图；所述基于贝叶斯高斯混合矩阵的先验目标概率图的尺寸为Map_x×Map_y；将所述基于贝叶斯高斯混合矩阵的先验目标概率图作为初始结合概率图MAP₀；

S4、采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP₀，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。

2.根据权利要求1所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述步骤S4具体包括：

S4.1、对上一次迭代计算对应的结合概率图MAP_Dd-1进行预处理操作，获得预处理后的上一次迭代计算对应的结合概率图MAP_Dd-1^*，其中，Dd为大于等于1的正整数，表示迭代次数；所述预处理操作包括最大池化、多次卷积以及上采样；

S4.2、将所述预处理后的上一次迭代计算对应的结合概率图MAP_Dd-1^*，与所述基础先验目标概率图结合，获得本次迭代计算对应的结合概率图MAP_Dd；

S4.3、根据所述先验信息、本次迭代计算对应的结合概率图MAP_Dd以及过去每一次迭代计算获得的所有对应航点，通过时域滚动优化过程，获得本次迭代计算对应的航点，同时更新所述基础先验目标概率图；

S4.4、根据过去每一次迭代计算获得的所有对应航点，计算累计检测奖励；

S4.5、根据所述累计检测奖励以及迭代次数Dd，判断是否结束所述静态目标搜索任务；

如果所述累计检测奖励未达到0.95且迭代次数Dd未达到预设值，则返回执行S4.1；

如果所述累计检测奖励达到0.95或迭代次数Dd达到预设值，则所述静态目标搜索任务结束。

3.根据权利要求2所述的基于改进Glasius仿生神经网络的静态目标搜索方法，其特征在于，所述先验信息具体如下：

所述先验信息包含N个数据点；其中，第i个数据点S_i表示为：

S_i＝{s_i，β_i，λ_i}，i∈[1，N]，N为大于1的正整数；

其中，s_i为位置信息、β_i为事件置信度、λ_i为分布范围；

每个所述数据点都与一个二维高斯分布函数相关联；其中，与第i个数据点S_i相关联的二维高斯分布函数G(s_i，λ_i)表示为：

其中，

β_i∈[0，1]；

式中、x表示二维空间的横坐标、y表示二维空间的纵坐标；

根据每个所述数据点以及与其对应的二维高斯分布函数提取样本，具体地：

针对第i个数据点S_i，从与其对应的所述二维高斯分布函数G(s_i，λ_i)中，提取H_i个样本；所述H_i表示为：

H_i＝β_iH_max；

其中，H_max是β_i＝1时所提取样本的数量；

则根据所述样本信息提取的样本总数为H，所述样本总数H表示为：