[发明专利]度量损失函数、扇区复杂度评估方法及系统

权利要求书

1.一种度量损失函数，其特征在于，包括：

从每个类别的空中交通图像数据中选择一个代理作为锚点样本p；

将批量中所有的正样本拉到边界α-m以内，将所有的负样本推到边界α以外，使正负样本集之间保持间隔m；

排序代理锚损失的公式为：

L_m(x,p)＝(1-y)[α-d_(x,p)]₊+y[d_(x,p)-(α-m)]₊；

其中，x为对应于图像的嵌入；p为一个代理；d_(x,_p)为嵌入x与代理锚点p的余弦距离；[·]₊为铰链函数；仅当x和p的类别相同时，y＝1，否则y＝0；

排序代理锚损失即为度量损失函数。

2.一种基于动态空中交通图像和深度度量学习的扇区复杂度评估方法，其特征在于，包括：

对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；

构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；

构建度量损失函数；

根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及

根据训练后的网络模型进行扇区运行复杂度评估。

3.如权利要求2所述的扇区复杂度评估方法，其特征在于，

所述对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注的方法包括：

从目标空域扇区的原始空中交通运行数据库中获取数据，根据预设时间粒度分时段构成目标空域扇区的扇区动态交通数据集；

根据预设时间段对扇区动态交通数据集进行划分，并对各时间段对应的扇区动态交通数据进行扇区运行复杂度等级标注。

4.如权利要求3所述的扇区复杂度评估方法，其特征在于，

所述构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库的方法包括：

根据MTSI数据表示方法和扇区运行复杂度等级标注，将目标空域扇区的动态交通场景信息转化为空中交通场景多通道图像；

根据各时段扇区动态交通数据生成对应时段的高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道，并构建多通道空中交通场景图像；

将各时段内生成的多通道空中交通场景图像与对应的扇区运行复杂度等级标注相关联，获取扇区动态交通图像数据库，并将扇区动态交通图像数据库划分为训练数据集和测试数据集。

5.如权利要求4所述的扇区复杂度评估方法，其特征在于，

所述构建度量损失函数的方法包括：

从每个类别的空中交通图像中选择一个代理作为锚点样本p；

将批量中所有的正样本拉到边界α-m以内，将所有的负样本推到边界α以外，使正负样本集之间保持间隔m；

排序代理锚损失的公式为：

L_m(x,p)＝(1-y)[α-d_(x,p)]₊+y[d_(x,p)-(α-m)]₊；

其中，x为对应于图像的嵌入；p为一个代理；d_(x,p)为嵌入x与代理锚点p的余弦距离；[·]₊为铰链函数；仅当x和p的类别相同时，y＝1，否则y＝0；

排序代理锚损失的总损失为：

其中，P为所有代理的集合；P⁺为该批中数据的正代理集合；对于每个代理p，嵌入向量X被分成两组，为p的正嵌入向量集合，为p的负嵌入向量集合，并且

对于每一个代理锚点p，根据w_xp＝exp(T(α-d_(x,p))),对负样本进行加权；

其中，T为控制负样本加权程度的参数；

将排序代理锚损失作为损失函数，在网络模型训练过程中指导网络模型的迭代优化。