[发明专利]基于人工智能的无人机意图辨识方法

说明书

本发明公开了一种基于人工智能的无人机意图辨识方法包括：建立无人机意图辨识模型；采用训练样本库对辨识模型进行训练；将无人机信息输入训练好的辨识模型中，由辨识模型输出无人机的意图。本发明公开的基于人工智能的无人机意图辨识方法，辨识速度快、辨识准确率高，适用范围广。

技术领域

本发明涉及一种无人机意图辨识方法，具体涉及一种基于人工智能的无人机意图辨识方法，属于人工智能技术领域。

背景技术

无人机的意图是无人机最终要实现的目的，无人机集群中每一个无人机都会通过一定的规则采用一定的行动实现其意图，对无人机的意图识别有助于快速确定无人机的目标，从而为态势评估和指挥决策提供参考。

现有的无人机意图辨识方法，主要面向完备数据，且大多数模型存在知识表达困难、网络训练速度慢且容易陷入局部最优等问题，实用性差。

因此，有必要提出一种基于人工智能的无人机意图辨识方法，快速准确地辨识出无人机的意图。

发明内容

为了克服上述问题，本发明人进行了深入研究，提出了一种基于人工智能的无人机意图辨识方法，该方法包括以下步骤，

S1、建立无人机意图辨识模型；

S2、采用训练样本库对辨识模型进行训练；

S3、将无人机信息输入训练好的辨识模型中，由辨识模型输出无人机的意图。

在一个优选的实施方式中，所述辨识模型为神经网络模型，所述辨识模型的输入为一段时间的无人机及雷达信息，所述辨识模型的输出为无人机意图；

所述无人机及雷达信息包括无人机飞行高度h、速度大小V、速度倾角θ、速度偏角ψ、无人机相对雷达方位角q_z、雷达反射面积S、无人机距离雷达距离R、雷达状态f_g和雷达电磁辐射强度f_e。

在一个优选的实施方式中，所述辨识模型包括输入层、隐含层和输出层；

所述隐含层包括门循环单元和反向传播单元，所述门循环单元和反向传播单元并联设置，分别接收输入层的部分输出数据，

所述门循环单元包括多层,每层包含多个GRU神经元；所述反向传播单元包括一个或多个BP神经网络；

所述输出层用于将门循环单元、反向传播单元的输出结果与意图标签相映射。

在一个优选的实施方式中，所述输入层用于对辨识模型的步长进行设置，将输入辨识模型的数据按步长输出至隐含层。

在一个优选的实施方式中，所述输入层将无人机飞行高度h、速度大小V、速度倾角θ、速度偏角ψ和无人机相对雷达方位角q_z数据输出至门循环单元；

所述输入层将雷达反射面积S、无人机距离雷达距离R、雷达状态f_g和雷达电磁辐射强度f_e数据输出至反向传播单元。

在一个优选的实施方式中，在输入层中还对输入的数据进行归一化处理。

在一个优选的实施方式中，在S2中，所述训练样本库通过无人机模拟器模拟获得，将地面雷达设置为静止目标，并设置雷达参数，预先设置无人机的意图，使得无人机进行侦查打击、搜索、直接攻击、引诱、电子干扰、运输中的一种任务；

进行仿真模拟，记录仿真中无人机轨迹信息；

进行多次模拟，获得多个不同雷达参数、不同意图下的无人机轨迹信息，将雷达参数、意图、无人机轨迹信息记录为数据集，以辨识模型预设输入步长K为样本长度，将数据集拆分成多个样本，从而形成样本库。