一种无人机系统自主能力评价方法、系统及可读存储介质技术方案

本发明专利技术提供的一种无人机系统自主能力评价方法、系统、设备及可读存储介质，其级联森林中的每层均由若干个随机森林组成，多个随机森林可以共同学习影响无人机自主能力等级的各因素间的耦合关系，充分发挥随机森林所擅长的非线性、不规则数据处理能力，通过输入已经定级的无人机内外部因素样本，训练评价模型，可以更加准确地表征多种影响因素与无人机自主能力等级的复杂的非线性映射关系，获得更加可靠的评价结果。

【技术实现步骤摘要】
一种无人机系统自主能力评价方法、系统及可读存储介质
本专利技术属于无人机自主能力评价领域，特别涉及一种无人机系统自主能力评价方法、系统、设备及可读存储介质。
技术介绍
随着计算机技术、自动驾驶技术、遥控遥测技术、人工智能与模式识别技术的发展及其在无人机中的应用，以及对无人机战术研究的深入，无人机在民用和军用方面的应用日益广泛，可以完成空运、巡检、情报侦察、空中预警、反空袭、目标打击等任务，被誉为“空中多面手”、“空中骄子”。且随着任务越来越复杂，无人机自主性要求也越来越高，美军在无人系统路线图中指出无人机自主性发展路线为远程遥控、实时故障诊断、对故障或飞行条件的适应、航线动态规划、集群配合、集群战术再计划、集群战术目标、分布式控制、集群战略目标、完全自主集群。其他军事强国如以色列、俄罗斯、中国、英国、德国也把无人机自主能力的研发置于优先地位。目前全球军事无人机已发展成一支规模庞大的队伍，种类超过120种，总数超过一万架，如美军的“捕食者”，“全球鹰”，“RQ-11渡鸦”、“黄蜂”、“美洲狮”，以色列的“苍鹭”、“赫尔墨斯”、“云雀”，英国的“雷神”、“不死鸟”、“大乌鸦”，其中一些型号的无人机已经具备一定自主性。最近，美国、澳大利亚、欧洲的一些国家已经开始开展关于如何生成替代定性分析的无人机系统自主性评估框架的研究，北约已经发起了一项具体的倡议，目的是建立一个一致的自主能力等级定义。顺应国际发展趋势，目前我国的无人机在完成侦查、打击等任务时与国外并无太大差距，但美国已开始研究自主能力更高的无人机，而国内的自主能力发展由于没有自主能力评估框架作为支撑，导致无人机的发展方向存在不少争议，因此国内应加快制定无人机自主能力评价准则的进度。2005年在北京召开的中俄无人机学术研讨会上，对于无人机自主能力等级划分首次展开讨论。研究人员针对无人机自主能力评估开展了研究，北京航空航天大学提出了对无人机系统的自主控制进行九级评估，从自主功能，自主性类型，智能属性，信息共享能力等方面丰富了自主控制评价水平的内容。沈阳飞机设计研究所提出一种四指标模型用于判断无人平台的自主能力水平，包括人和平台交互能力、态势感知能力、环境适应能力和规划决策能力。由于现有评价体系仅使用各指标加权量化的方式得到自主等级，忽略了不同因素之间的耦合关系及其与自主等级之间的严重非线性关系，数学模型方面很难使用某个固定函数形式进行表达，因此，迫切需要发展一种能够描述这种非线性关系的方法，以更加准确的划分无人机自主能力等级。
技术实现思路
针对现有技术中存在的问题现有评价体系仅使用各指标加权量化的方式得到自主等级，导致划分无人机自主能力等级不准确的问题，本专利技术提供一种无人机系统自主能力评价方法、系统、设备及可读存储介质，可以将无人机内部和外部因素与自主能力等级之间的非线性关系通过深度随机森林来精确描述，该方法相比于指标加权量化处理方法能够更加准确的划分无人机自主能力等级。本专利技术是通过以下技术方案来实现：一种无人机系统自主能力评价方法，其包括以下步骤：步骤1：将无人机飞行科目测试中的性能数据，作为自主能力评价的因素样本；步骤2：提取因数样本的特征；步骤3：构建深度随机深林并进行训练；步骤4：将取因数样本的特征输入至训练后的深度随机深林中，深度随机深林输出无人机系统的评价结果。优选的，步骤1中所述性能数据包括无人机在静态测试、个体性能测试和群体测试中的性能数据。优选的，步骤1中并对无人机的性能数据进行行量化和归一化处理。优选的，步骤2中对因素样本进行多粒度扫描，提取因素样本的特征，将因素样本的特征输入至深度随机深林。优选的，步骤3中所述深度随机深林包括N层级联森林，每层级联森林有M个随机森林，每个随机森林由多个决策树组成，每一层级联森林的输出合并原始输入后作为下一层级联森林的输入；对多粒度扫描后的样本采用有放回无权重的抽样方式，为每个决策树产生各自的训练集，然后采用分类回归树算法对训练集进行计算，同时计算训练集影响无人机自主能力的各因素样本的基尼系数，并以基尼系数最小为原则进行构建决策树。优选的，当获得无人机新的因数样本时，计算因数样本对基尼系数的影响，当样本对基尼系数产生影响时，对决策树进行更新。优选的，步骤4中深度随机深林输出无人机系统评价结果的具体过程如下：将步骤2得到的因数样本的特征输入至中训练后的深度随机森林，每棵决策树输出无人机自主能力等级的后验概率，然后将所有的后验概率进行加权平均，得到每个随机森林的分类结果，再通过各层级联森林对分类结果进行投票决策，最终输出无人机自主能力等级的后验概率，然后对后验概率进行最大化统计值，选择后验概率最大的类别作为最终的等级划分结果。本专利技术还提供了一种终端系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术提供的基于深度随机森林的无人机系统自主能力评价方法，其级联森林中的每层均由若干个随机森林组成，多个随机森林可以共同学习影响无人机自主能力等级的各因素间的耦合关系，充分发挥随机森林所擅长的非线性、不规则数据处理能力，通过输入已经定级的无人机内外部因素样本，训练评价模型，可以更加准确地表征多种影响因素与无人机自主能力等级的复杂的非线性映射关系，获得更加可靠的评价结果。本专利技术采用有放回无权重的抽样方式，为每个决策树产生各自的训练集，既能保证抽样的随机性，同时无权重的抽样有利于模型的并行处理，加快了模型的训练速度。通过多粒度扫描，模型将发现评价因素中的重要特征因素，并为其分配更大的权重，从而得到更为准确的无人机自主能力等级划分。引入增量学习的方式后，模型不仅能够进行无人机自主能力等级的准确划分，还能够学习新来的样本，达到更好的泛化效果。附图说明图1是本专利技术中无人机系统自主能力评价方法的整体示意图；图2是包含多个决策树的随机森林；图3是包含多层随机森林的级联森林；图4是无人机系统自主能力等级划分示意图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不是限定。参照图1至图3，一种基于深度随机森林的无人机系统自主能力评价方法，包括以下步骤：步骤1：获取因素样本，并对其进行预处理。获取无人机飞行科目测试中的性能数据作为无人机系统自主能力评价的因素样本，并对该样本进行量化、归一化处理。所述性能数据包括无人机在静态测试、个体性能测试和群体测试中的性能数据。步骤2：提取因数样本的特征；对步骤1中的因素样本数据进行多粒度扫描，即利用一个滑动窗口对原始数据进行分组，充分提取每个因素本文档来自技高网...

【技术保护点】
1.一种无人机系统自主能力评价方法，其特征在于，包括以下步骤：/n步骤1：将无人机飞行科目测试中的性能数据，作为自主能力评价的因素样本；/n步骤2：提取因数样本的特征；/n步骤3：构建深度随机深林并进行训练；/n步骤4：将取因数样本的特征输入至训练后的深度随机深林中，深度随机深林输出无人机系统的评价结果。/n

【技术特征摘要】
1.一种无人机系统自主能力评价方法，其特征在于，包括以下步骤：
步骤1：将无人机飞行科目测试中的性能数据，作为自主能力评价的因素样本；
步骤2：提取因数样本的特征；
步骤3：构建深度随机深林并进行训练；
步骤4：将取因数样本的特征输入至训练后的深度随机深林中，深度随机深林输出无人机系统的评价结果。


2.根据权利要求1所述的一种无人机系统自主能力评价方法，其特征在于，步骤1中所述性能数据包括无人机在静态测试、个体性能测试和群体测试中的性能数据。


3.根据权利要求1所述的一种无人机系统自主能力评价方法，其特征在于，步骤1中并对无人机的性能数据进行行量化和归一化处理。


4.根据权利要求1所述的一种无人机系统自主能力评价方法，其特征在于，步骤2中对因素样本进行多粒度扫描，提取因素样本的特征，将因素样本的特征输入至深度随机深林。


5.根据权利要求1所述的一种无人机系统自主能力评价方法，其特征在于，步骤3中所述深度随机深林包括N层级联森林，每层级联森林有M个随机森林，每个随机森林由多个决策树组成，每一层级联森林的输出合并原始输入后作为下一层级联森林的输入；
对多粒度扫描后的样本采用有放回无权重的抽样方式，为每个决策树产生各自的训练集，然后采用分类回...

【专利技术属性】
技术研发人员：刘贞报，院金彪，严月浩，江飞鸿，张红军，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61