[发明专利]基于目标数据特征训练学习的目标识别方法

说明书

本发明公开了一种基于目标数据特征训练学习的识别方法，利用本发明可以提升对空中移动目标的认知能力，本发明通过下述技术方案予以实现：按照数据层、分析层和应用层构成的分析架构进行目标识别分析，数据层提供数据汇聚和特征模型定义；分析层对多元的目标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，并对目标特征数据集进行组合，形成目标特征模型要素，再进行分类/聚类/关联挖掘、模型训练反馈、特征深度学习；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目标特征模型要素，抽取已标注的样本数据作为训练数据，利用训练后的特征模型进行目标识别，完成目标类型识别、目标属性识别和目标状态识别。

技术领域

本发明涉及情报处理与分析领域，具体涉及一种基于特征学习的空中移动识别分析的方法。

背景技术

雷达信号侦测系统、短波/超短波信号侦测系统、卫星通信信号侦测系统、敌我识别信号侦测系统等手段获取的情报信息，情报分析是为应对不确定性服务的，所以关键是分析不确定性的性质和来源，并考虑相应的办法来应对。不确定性有四个层次：前景清晰明确、有几种可能的前景、有一定变化范围的前景、前景不明。通常，调整分析策略以适应不确定性的层次。情报分析是横跨各个层次的思维活动,目的是高效收集信息,科学分析海量信息并批量产出情报，为侦查、防控等各个方面和层次的决策提供情报依据,提高决策的精确性。在目标分析过程中，总存在着多种因素影响目标识别的实现，其中若干个因素是关键的和主要的(即成功变量)。通过对关键成功因素的识别，找出实现目标所需的关键信息集合，从而确定系统开发的优先次序。当前，目标分析主要建立在高价值、小数据的分析基础上，数据掌握的不够充分，无法保障分析的全面性和准确性。目标识别分析依赖于用户的经验总结，主要通过业务规则来实现。对多元目标数据的挖掘分析，深度利用层次比较低，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，目前虽然大部分情报处理系统已初步实现“态势一幅图”，但仍处于“有态无势”的局面，且对当前状态缺乏解读，仅仅是当前态势的简单展示，数据决策支持能力严重不足。因此，需要以目标画像为需求牵引，针对大数据背景下目标行为分析与识别问题，开展深度学习框架中的模型训练、自主学习、知识维护、信息反馈等内容的研究工作，针对已掌握行为意图的目标数据，利用数据智能挖掘分析算法，提取隐含在数据中的、事先未知的、而又潜在有用的目标信息。然而，在工业控制、机器人、空中交通管制、海洋监视、综合导航和管理等领域正朝着多源的方向发展。随着各种面向复杂背景的多源信息系统的大量出现，可靠的识别是复杂而难度较大的任务，所涉及的信息和因素较多，数据通信容量大、处理代价高、处理时间长、处理过程实时差，既与观测信息有关又与专家的经验有关。由于包含了不确定性，知识融合也具有更大的难度。精细处理包括了评估、规划和控制，信息融合系统的工作性能评估、性能质量度量、有效性度量；位置/身份要求、态势估计要求等，不精确推理方式处理数据的海量性和不确定性是一个对多源信息进行综合处理的过程，每个处理级别都反映了对原始信息不同程度的抽象。多源信息的复杂性大大增加，由此会产生一些不利因素:成本提高，设备量增加，设备的尺寸、重量、功耗等增大，交联关系复杂，对通信的要求提高等。

目标行为学习与发现技术就是利用人工智能、深度学习等领先技术，通过数据驱动的方式，以期从海量目标历史数据中发现目标活动行为的规律和模式，提取出新知识，辅助目标识别决策。

发明内容

本发明的发明目的是针对现有技术存在的不足之处，提供一种基于特征学习的目标识别分析的目标识别方法，以提升对空间目标的认知能力和目标识别准确率。