[发明专利]一种基于迁移学习的空域运行态势计算方法

权利要求书

1.一种基于迁移学习的空域运行态势计算方法，其特征在于，包括如下步骤：

步骤1，获取目标扇区的空域运行态势样本集，其中的每条目标样本包含目标扇区在某一单位时间片内的m个空域运行态势因子的值，并且每条样本被标定有一个态势等级；m为正整数；

步骤2，基于目标扇区的样本集学习态势计算知识，包括：(1)对目标样本集进行降维：对m个空域运行态势因子进行关键性和独立性分析，生成T个因子子集；根据T个因子子集将目标样本集降维，获得T个目标样本子集；(2)利用各样本子集训练基分类器；

步骤3，收集可用的s个非目标扇区的空域运行态势样本，简称非目标样本，非目标样本所包含的因子和态势等级的种类与目标样本相同，以扇区为单位组成非目标样本集，对各非目标样本集进行降维，对降维得到的各个样本子集分别使用核转换技术进行样本转换，再分别基于转换后的各样本子集训练基分类器，设基于非目标样本共得到sT个基分类器；使用核转换技术进行样本转换，使得转换后的非目标样本子集在保留态势计算知识的前提下，最小化与对应目标样本子集的样本分布差异；

对各非目标样本集进行降维的方法与对目标样本集进行降维的方法相同；

对非目标样本子集使用核转换的方法，具体是：

首先，依据非目标样本子集中因子对目标样本集D^(tar)进行降维；设非目标样本子集为D^(ntdr)＝{X^(ntdr),Y^(nt)}；X^(ntdr)为k×n_nt矩阵，包含n_nt条k维的非目标样本，k为因子数目，Y^(nt)为n_nt维行向量，包含X^(ntdr)中各条样本对应的态势等级；根据X^(ntdr)的降维方式对D^(tar)降维，得到目标样本子集D^(tardr)＝{X^(tardr),Y^(tar)}，矩阵X^(tardr)为k×n_tar矩阵，包含n_tar条k维的目标样本，Y^(tar)为n_tar维行向量，包含X^(tardr)中各条样本对应的态势等级；令X＝[X^(tardr),X^(ntdr)]，Y＝[Y^(tar),Y^(nt)]，则X为k×n矩阵，n＝n_tar+n_nt；

其次，将X中各元素x_i，1≤i≤n，基于核函数g映射至一个再生核希尔伯特空间中，得到被映射的元素g(x_i,·)，于是X转换为g(X,·)＝[g(x₁,·),g(x₂,·),…,g(x_n,·)]；

接着，再对g(X,·)基于转换矩阵V＝g(X,·)W再进行一次样本转换，得到新的转换样本子集V^Tg(X,·)＝W^TK；其中，K＝g(X,·)^Tg(X,·)为X的核矩阵，该矩阵取值仅与X的取值和选用的核函数g相关；设W为m_W×n矩阵，其中m_W＜＜n，用来控制转换后样本子集的维度；为求出合适的转换样本集W^TK，仅需求出优化的W即可；

最后，设定W的优化问题，如下：

其中，tr(.)表示求取矩阵的迹；中间参数向量为态势等级的集合，如下：

分别为D^(tardr)和D^(ntdr)中属于第c类的样本条数，y_i为Y中第i个元素；μ为需要在应用中调节的比例参数；

I_n为n阶单位方阵，矩阵L为Y基于核函数l的核矩阵，γ为需要在应用中调节的比例参数；

W的最优解为矩阵中对应最大m_W个特征值的特征向量所组成的矩阵；

步骤4，对目标扇区待分类的测试样本，基于其最近邻目标样本计算由步骤2和3得到的各基分类器对其分类的置信度，基于分类置信度加权集成所有基分类器对于测试样本的分类输出，得到最终分类结果。