[发明专利]基于目标数据特征训练学习的目标识别方法

权利要求书

1.一种基于目标数据特征训练学习的目标识别方法，其特征在于包括如下步骤：针对目标识别强依赖业务规则的现象，利用结构化、非结构化类型的情报数据和深度学习技术，从物理、动态、关联目标特征维度，以数据驱动，探索情报数据特征表达，按照数据层、分析层和应用层构成目标识别分析架构：数据层根据目标、区域、设施、任务、事件及空间关系、时域关系、通联关系、隶属关系形成的基本特征、动态特征和关联特征，提供数据汇聚和特征模型定义，针对多元的历史目标数据源进行数据预处理，通过对目标数据预处理、目标特征建模、特征深度学习、目标识别分析，形成目标的全维画像，通过数据清洗与标注、数据要素提取和多元数据关联，对关联特征、动态特征和基本特征进行自动标注或人工标注，生成目标特征数据集，创建目标类型识别、目标属性识别、目标状态识别及目标特征数据集的特征模型；分析层通过特征深度学习、模型训练反馈、分类/聚类/关联挖掘，对多元的目标情报数据进行属性要素提取、多元数据关联和目标特征选取，形成目标特征数据集，并在目标特征数据选择中，利用目标数据预处理形成的目标特征数据集，基于业务应用场景进行特征组合，形成业务应用的特征模型要素，将抽取对应标注的样本数据作为训练集；基于业务应用场景对目标特征数据集进行组合，形成目标特征模型要素，建立基于大量真实数据样本的目标挖掘分析，将不同来源的情报信息以目标为中心，按照时域、空域、信息域进行关联，围绕目标、事件、区域将多源情报进行高效聚合分析，从而完成对目标的准确研判、目标行为特征和关系分析、信息研判、事件发展趋势分析，拓展目标历史行为规律挖掘分析的途径，辅助目标活动的趋势判断和意图预测；通过大数据挖掘模式，构造出目标的编组、部署、活动规则、连通方式，快速形成定量的指挥决策后再进行分类/聚类/关联挖掘、模型训练反馈、特征深度学习，特征数据训练数据通过特征识别模型送入应用层；应用层基于业务应用场景对目标特征数据集进行特征组合，形成业务应用的目标特征模型要素，并抽取已标注的样本数据作为训练数据，基于目标特征数据训练后的特征识别模型，通过特征选择计算目标类型识别、目标属性识别和目标状态识别准确率和召回率，反复迭代进行学习训练；然后，基于深度学习算法，使用样本数据来训练深度学习网络，通过反复特征替换计算准确率和召回率，选取评估结果最好的深度学习算法模型进行输出；最后，基于目标特征数据训练后的特征识别模型进行目标识别和目标身份识别，形成情报数据特征表达、行为规律发现、知识积累，完成目标识别场景的目标类型识别、目标属性识别和目标状态识别。

2.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：在目标数据预处理中，数据层从数据源中自动提取实体的要素，根据目标要素和业务规则，对目标要素提取后的结构化数据、非结构化数据、基础知识信息类型的情报数据进行多元数据的关联，依据目标数据关联的信息或知识数据，对目标的基本特征，活动区域、实施时间、任务、事件运动特征，空间关系、时域关系、通联关系、隶属关系关联特征要素进行自动标注或人工标注，生成目标数据特征集。

3.如权利要求2所述的基于目标数据特征训练学习的目标识别方法，其特征在于：分析层对多元的目标情报数据进行属性要素、多元数据关联和属性要素提取，并进行目标特征选取、模型训练反馈、分类/聚类/关联挖掘。

4.如权利要求1所述的基于目标数据特征训练学习的目标识别方法，其特征在于：目标数据预处理包括数据清洗与标注、数据要素提取和目标的多元数据关联三个环节，其中，数据清洗与标注包含了数据格式转换、基础标签化和数据质量优化；数据格式转换通过关系型数据库的数据导入工具来实现对常用文本格式excel、txt半结构化的数据格式转换；基础标签化实现对数据进行时空打标，以及基于业务规则进行初级业务打标；数据质量优化包含了数据标准化、缺失值处理、数据去重和野值剔除；数据标准化是针对数据字段不一致的数据，依据元数据中的信息生成一个标准映射表，按照统一后的标准对不一致的数据字段进行转换和错缺项的处理策略、数据去重处理策略。

5.如权利要求4所述的基于目标数据特征训练学习的目标识别方法，其特征在于：目标的多元数据关联是基于各类情报数据的结构化特征选择结果，在业务知识和规则的指导下，分析层将各类情报贡献的特征要素进行叠加、关联，完成以目标为中心的多源情报的关联汇集。