[发明专利]一种通信辐射源异常运动轨迹检测方法

说明书

本发明属于通信和移动感知领域，涉及一种通信辐射源异常运动轨迹的检测方法。该方法包括步骤：获取通信辐射源轨迹数据集，基于长短时记忆预测网络建模得到若干个正常轨迹模型；将正常轨迹模型记为查询轨迹；获取待检测轨迹群；分别提取查询轨迹和待检测轨迹的语义标签；利用高效K近邻相似搜索方法，找出与查询轨迹语义标签最相似的N个待检测轨迹；提取所有语义相似轨迹的时空信息，计算查询轨迹与待检测轨迹的hausdorff距离；将hausdorff距离与设定的距离阈值相比较，若大于等于阈值，则判定待检测轨迹为异常轨迹。本发明结合通信辐射源主体语义信息和运动轨迹时空信息，基于时空和语义相似度概念完成检测，提高了异常轨迹检测的准确率，鲁棒性强。

技术领域

本发明属于通信和移动感知领域，特别是涉及对于通信辐射源异常运动轨迹的检测方法。

背景技术

随着通信设备的发展和普及，通信领域的互联互通愈发便捷，在不断的通信交互中产生了大量的通信辐射源数据，这些数据中就包含了辐射源位置信息。当辐射源轨迹受到其主体或外界因素的影响，与查询轨迹模型产生足够大的偏差时，即可判定该辐射源的运动发生了异常。所以，对其异常轨迹的有效挖掘、分析能够获得辐射源及其载体运动轨迹等相关信息，检测出通信辐射源的异常运动轨迹，可以为安防、旅游、导航、军事等领域提供高效的服务，具有重要的理论意义及实用价值。

现有的异常轨迹检测存在两个方面问题：一是更加偏向于将手动提取的轨迹特征作为检测要素，整个异常检测效率的提高都受限于大量的特征提取工作，使得异常轨迹的实时处理难以实现；二是更加关注轨迹的时空信息，如轨迹数据携带的经纬度、高度等，忽略了能够连接应用和情景的轨迹语义信息，如轨迹主体信息、轨迹所经过的地区等。

深度学习算法已在理论和实践上展现了其直接在数据中学习数据特征的能力，循环神经网络更是在序列数据的处理如机器翻译、字幕生成上取得了很好的效果。这就表明了深度学习能够成为解决序列数据预测、分类等问题的一个选择。随着各项技术的发展，信息的获取变得更加容易，扩展面向的数据类别，充分利用轨迹所携带的各种信息，能够辅助轨迹的异常检测、行为认知，增加轨迹数据分析的可靠性和准确性。

发明内容

为解决上述技术问题，本发明提供了一种通信辐射源异常轨迹检测方法，利用长短时记忆预测网络对已知的正常轨迹群建立轨迹群模型，再结合时空和语义信息检测通信辐射源运动轨迹中的异常轨迹。具体技术方案如下：

一种通信辐射源异常运动轨迹检测方法，包括以下步骤：

获取通信辐射源轨迹数据集，基于长短时记忆预测网络建模得到若干个正常轨迹模型；将正常轨迹模型记为查询轨迹；

获取待检测轨迹群，假定所述待检测轨迹群包含M条待检测轨迹；

分别提取查询轨迹和待检测轨迹的语义标签，所述语义标签包括调制样式、工作频率、工作带宽和工作电压；利用高效K近邻相似搜索方法，找出与查询轨迹语义标签最相似的N个待检测轨迹，作为查询轨迹的语义相似轨迹，N、M均为正整数，且NM；

提取所有语义相似轨迹的时空信息，计算查询轨迹与待检测轨迹的hausdorff距离；所述时空信息包括经度、纬度和采样时间；

将所述hausdorff距离与设定的距离阈值相比较，若大于等于阈值，则判定待检测轨迹为异常轨迹。

进一步地，所述基于长短时记忆预测网络建模得到若干个正常轨迹模型，包括以下步骤：

步骤1，通过轨迹之间的相似比较、分类或聚类和轨迹运动模式识别，将轨迹数据集分为若干类正常轨迹群；

步骤2，将每一类正常轨迹群分别输入长短时记忆预测网络训练；

步骤3，长短时记忆预测网络为每一类正常轨迹群对应生成一个正常轨迹模型。