一种空中编队预测方法及系统技术方案

本发明专利技术提供了一种空中编队预测方法及系统，属于态势感知领域，包括：以当前时刻编队中各目标坐标经纬度的极值为边，以编队中长机的运动方向为编队运动方向，选取编队区域的左上角顶点及右下角顶点坐标，构建编队区域坐标，完成编队区域的构建；将编队区域划分网格，并按照各网格是否存在目标对网格进行编码，形成编队栅格码；将连续多个时刻的编队栅格码分别串接成特征向量输入至训练完毕的LSTM模型中，预测下一时刻编队栅格码对应的特征向量；将下一时刻编队栅格码对应的特征向量输入至SVM模型中，预测下一时刻的编队队形；本发明专利技术解决了编队预测算法特征提取难，且模板构建难的问题。题。题。

【技术实现步骤摘要】
一种空中编队预测方法及系统


[0001]本专利技术属于态势感知领域，更具体地，涉及一种空中编队预测方法及系统。

技术介绍

[0002]空中编队预测也称空中编队队形预测。空中编队队形往往与对方空中行为目的和任务等相关，对编队的预测可以提前一步获取空中作战态势，掌握空战主动。但由于编队变化实时性强，人工凭借经验很难及时、准确地对其预测。
[0003]编队预测的基础是编队识别，传统计算机辅助的编队识别方法是基于模板的方法。基于模板的方法中，编队特征提取是识别的关键，现有基于霍夫变换等方法的特征提取方法复杂，参数调整困难，严重影响编队识别效果。同时，构建模板存在主观性强，考虑较多因素等问题。这都限制了传统基于模板的识别方法的应用。
[0004]编队预测方面，编队中各飞机的轨迹预测是关键。传统的轨迹预测方法主要是基于物理建模，一般有两种方法，一种是数值法，另一种是解析法。数值法需要耗费巨大的计算成本，解析法需要建立复杂的模型，二者均难以满足编队轨迹预测的需求。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种空中编队预测方法及系统，旨在解决现有的编队预测算法特征提取难，且模板构建难的问题。
[0006]为实现上述目的，一方面，本专利技术提供了一种空中编队预测方法，包括以下步骤：
[0007]S1：以当前时刻编队中各目标坐标经纬度的极值为边，以编队中长机的运动方向为编队运动方向，选取编队区域的左上角顶点及右下角顶点坐标，构建编队区域坐标，完成编队区域的构建；
[0008]S2：将所述编队区域进行网格划分，并按照各网格是否存在目标对网格进行编码，形成编队栅格码；其中，划分后的网格最多存在一个目标；
[0009]S3：将连续多个时刻的编队栅格码分别串接成特征向量输入至训练完毕的LSTM模型中，预测下一时刻编队栅格码对应的特征向量；
[0010]S4：将下一时刻编队栅格码对应的特征向量输入至SVM模型中，预测下一时刻的编队队形；
[0011]S5：将下一时刻的编队栅格码以及编队队形分别作为当前时刻的编队栅格码以及编队队形，再将连续多个时刻的编队栅格码对应的特征向量输入至LSTM模型，以长度为N且步幅为1的滑窗向前滑动，获取下一时刻的编队栅格码对应的特征向量；
[0012]S6：将下一时刻编队栅格码对应的特征向量输入至SVM模型中，获取下一时刻的编队队形；转至S5，直至无编队识别停止。
[0013]进一步优选地，编队栅格码R
a
×
b
中用1表示目标落入网格，0表示无目标落入网格；编队栅格码中的元素为：
[0014][0015]其中，a为编队运动方向的矩阵维度；b为与编队运行方向垂直的矩阵维度。
[0016]进一步优选地，编队队形包括：楔形编队、纵队、梯队、横队或蛇形。
[0017]进一步优选地，基于实测的编队栅格码，利用迁移学习方法训练LSTM和SVM模型，输出预测的编队队形；其中，SVM模型的核函数及其参数采用网络搜索及交叉验证方式获取。
[0018]另一方面，本专利技术提供了一种空中编队预测系统，包括：
[0019]编队区域的构建模块，用于以当前时刻编队中各目标坐标经纬度的极值为边，以编队中长机的运动方向为编队运动方向，选取编队区域的左上角顶点及右下角顶点坐标，构建编队区域坐标，完成编队区域的构建；
[0020]编码模块，用于将所述编队区域进行网格划分，并按照各网格是否存在目标对网格进行编码，形成编队栅格码；其中，划分后的网格最多存在一个目标；
[0021]LSTM驱动模块，用于将连续多个时刻的编队栅格码分别串接成特征向量输入至训练完毕的LSTM模型中，以长度为N且步幅为1的滑窗向前滑动，预测下一时刻编队栅格码对应的特征向量；
[0022]SVM驱动模块，用于将下一时刻编队栅格码对应的特征向量输入至SVM模型中，预测下一时刻的编队队形；
[0023]更新模块，用于将下一时刻的编队栅格码以及编队队形分别作为当前时刻的编队栅格码以及编队队形。
[0024]进一步优选地，编队栅格码R
a
×
b
中用1表示目标落入网格，0表示无目标落入网格；编队栅格码中的元素为：
[0025][0026]其中，a为编队运动方向的矩阵维度；b为与编队运行方向垂直的矩阵维度。
[0027]进一步优选地，编队队形包括：楔形编队、纵队、梯队、横队或蛇形。
[0028]进一步优选地，基于实测的编队栅格码，利用迁移学习方法训练LSTM和SVM模型，输出预测的编队队形；其中，SVM模型的核函数及其参数采用网络搜索及交叉验证方式获取。
[0029]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0030]本专利技术提出了一种空中编队预测方法及系统。本专利技术提供了空中编队栅格编码方法，提取空中编队的物理空间特征。将连续多个时刻的编队栅格码分别串接成特征向量输入至训练完毕的LSTM模型中，预测下一时刻编队栅格码对应的特征向量；将下一时刻编队栅格码对应的特征向量输入至SVM模型中，预测下一时刻的编队队形；其中，利用迁移学习方法训练LSTM和SVM模型，输出预测的编队队形。通过具体实例实验，验证了本专利技术提供的空中编队预测方法的有效性。实现了空中编队智能预测，可直接得出下一时刻的编队队形，
为空战场态势智能感知提供了有益借鉴。
附图说明
[0031]图1(a)是本专利技术实施例提供的空中编队态势图；
[0032]图1(b)是本专利技术实施例提供的编队栅格码的示意图；
[0033]图2是本专利技术实施例提供的编队预测模型(LSTM模型结合SVM模型)示意图；
[0034]图3是本专利技术实施例提供的基于网络的深度迁移学习方法示意图；
[0035]图4(a)是本专利技术实施例提供的楔形队形示意图；
[0036]图4(b)是本专利技术实施例提供的纵队队形示意图；
[0037]图4(c)是本专利技术实施例提供的梯队队形示意图；
[0038]图4(d)是本专利技术实施例提供的横队队形示意图；
[0039]图5是本专利技术实施例提供的编队区域坐标示意图；
[0040]图6是本专利技术实施例提供的编队栅格码示意图；
[0041]图7(a)是本专利技术实施例提供的编队飞行轨迹示意图；
[0042]图7(b)是本专利技术实施例提供的编队预测效果图。
[0043]图8(a)是本专利技术实施例提供的每类样本数为50时SVM模型识别准确率示意图；
[0044]图8(b)是本专利技术实施例提供的每类样本数为1000时SVM模型识别准确率示意图。
具体实施方式
[0045]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空中编队预测方法，其特征在于，包括以下步骤：S1：以当前时刻编队中各目标坐标经纬度的极值为边，以编队中长机的运动方向为编队运动方向，选取编队区域的左上角顶点及右下角顶点坐标，构建编队区域坐标，完成编队区域的构建；S2：将所述编队区域进行网格划分，并按照各网格是否存在目标对网格进行编码，形成编队栅格码；其中，划分后的网格最多存在一个目标；S3：将连续多个时刻的编队栅格码分别串接成特征向量输入至训练完毕的LSTM模型中，预测下一时刻编队栅格码对应的特征向量；S4：将下一时刻编队栅格码对应的特征向量输入至SVM模型中，预测下一时刻的编队队形；S5：将下一时刻的编队栅格码以及编队队形分别作为当前时刻的编队栅格码以及编队队形，再将连续多个时刻的编队栅格码分别串接成特征向量输入至LSTM模型，以长度为N且步幅为1的滑窗向前滑动，获取下一时刻的编队栅格码对应的特征向量；S6：将下一时刻编队栅格码对应的特征向量输入至SVM模型中，获取下一时刻的编队队形；转至S5，直至无编队识别停止。2.根据权利要求1所述的空中编队预测方法，其特征在于，编队栅格码R
a
×
b
中用1表示目标落入网格，0表示无目标落入网格；编队栅格码中的元素为：其中，a为编队运动方向的矩阵维度；b为与编队运行方向垂直的矩阵维度。3.根据权利要求1或2所述的空中编队预测方法，其特征在于，编队队形包括：楔形编队、纵队、梯队、横队或蛇形。4.根据权利要求3所述的空中编队预测方法，其特征在于，基于实测的编队栅格码，利用迁移学习方法训练LSTM和SVM模型，输出预测的编队队...

【专利技术属性】
技术研发人员：梁复台，周焰，吴长飞，张晨浩，宋子豪，
申请(专利权)人：中国人民解放军空军预警学院，
类型：发明
国别省市：