一种基于多维模型融合的水下目标识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115659253A(43)申请公布日2023.01.31(21)申请号202211105354.3G06F18/22(2023.01)(22)申请日2022.09.09G06N3/0455(2023.01)G06N3/0442(2023.01)(71)申请人电信科学技术第五研究所有限公司G06N3/0895(2023.01)地址610000四川省成都市锦江区大慈寺G06N7/01(2023.01)路22号G06F16/29(2019.01)(72)发明人王鹏珍翟大海战永盛胡艳代业(74)专利代理机构成都立新致创知识产权代理事务所(特殊普通合伙)51277专利代理师刘俊(51)Int.Cl.G06F18/2415(2023.01)G06F18/2431(2023.01)G06F18/214(2023.01)权利要求书2页说明书8页附图5页(54)发明名称一种基于多维模型融合的水下目标识别方法(57)摘要本发明公开了一种基于多维模型融合的水下目标识别方法，包括：采用深度神经网络、随机森林、Xgboost、adaboost模型的集成对待识别的水下目标数据进行大类初筛，得到该待识别的水下目标数据的目标大类；根据目标大类和所述目标大类中的任一目标机型建立模型；基于地理位置、航行轨迹、区域事件和时间分布结合标注的样本数据集进行深度学习与目标函数概率分布计算，求得模型输出的任一目标大类的概率分布；根据概率分布选取概率较大的N个目标机型。通过上述方案，本发明具有逻辑简单、识别准确可靠等优点，在水下目标识别技术领域具有很高的实用价值和推广价值。CN115659253ACN115659253A权利要求书1/2页1.一种基于多维模型融合的水下目标识别方法，其特征在于，包括以下步骤：采集待识别的水下目标数据，并采用深度神经网络、随机森林、Xgboost、adaboost模型的集成对待识别的水下目标数据进行大类初筛，得到该待识别的水下目标数据的目标大类；根据目标大类和所述目标大类中的任一目标机型建立模型；基于地理位置、航行轨迹、区域事件和时间分布结合标注的样本数据集进行深度学习与目标函数概率分布计算，求得模型输出的任一目标大类的概率分布；根据概率分布选取概率较大的N个目标机型；所述N为正整数。2.根据权利要求1所述的一种基于多维模型融合的水下目标识别方法，其特征在于，采用航迹相似度衡量算法获得航行轨迹，包括以下步骤：选取任意两条初始航行轨迹，并标记为第一初始航行轨迹和第二初始航行轨迹；将第一初始航行轨迹的航迹点映射到第二初始航行轨迹上，形成一对多的映射序列；将第二初始航行轨迹的航迹点映射到第一初始航行轨迹上，形成多对多的映射序列；根据航迹点的方向和速度，采用动态规划算法求得最优映射路径的点序列；求得最优映射路径的点序列与第一初始航行轨迹和第二初始航行轨迹的距离平均值、方差和映射点个数占比，并作为相似度计算参数；调换第一初始航行轨迹和第二初始航行轨迹，将第一初始航行轨迹或第二初始航行轨迹进行逆序，求得相似度较大的值；遍历任一初始航行轨迹，对相似度较大的值对应的航迹点进行连接，得到得航行轨迹。3.根据权利要求2所述的一种基于多维模型融合的水下目标识别方法，其特征在于，还包括对地理位置建模；具体如下：搭建基于狄利克雷过程的变分贝叶斯高斯混合模型；将航行轨迹中的航迹点和该航迹点对应的时间加入至变分贝叶斯高斯混合模型，并进行高斯混合模型拟合，得到地理位置模型。4.根据权利要求3所述的一种基于多维模型融合的水下目标识别方法，其特征在于，还包括：当航行轨迹中出现新的航迹点时，并采用深度神经网络、随机森林、Xgboost、adaboost模型的集成进行大类初筛；采用贝叶斯公式进行判断，其表达式为：P(MBn|点位)∝P(点位|MBn)×P(MBn)其中，P(MBn|点位)表示给定点位信息时未知目标为目标n的概率；P(点位|MBn)表示高斯混合模型输出，P(MBn)表示目标自身出现概率；采用不定长序列的LSTM神经网络对航行轨迹进行精细建模，并对任一航行轨迹的经纬度信息进行去偏，训练后得到综合分类器；结合综合分类器和变分贝叶斯高斯混合模型输出目标自身出现概率。5.根据权利要求2所述的一种基于多维模型融合的水下目标识别方法，其特征在于，还包括对区域事件与时间分布建模，求得目标自身出现概率；若待识别的目标为单个点位，则其估计表达式为：P(MBn|出现区域)∝P(出现区域|MBn)×P(MBn)2CN115659253A权利要求书2/2页其中，P(MBn|出现区域)表示识别为对象N的概率，P(出现区域|MBn)表示出现区域分布概率；P(MBn)表示目标自身出现概率；若待识别目标为轨迹，则其估计表达式为：P(MB