人工智能海上伏击模型生成方法、计算机程序及存储介质技术

本发明专利技术公开了人工智能海上伏击模型生成方法、计算机程序及存储介质，涉及人工智能技术领域，该方法包括对巡视海域进行实时监视，实时获取巡视海域的第一图像；对第一图像中是否出现了伏击目标物进行识别，当识别到伏击目标物时获取伏击目标物的参数信息；利用预设学习推理模型根据参数信息进行计算，获得可能的集结区域；根据所有的可能的集结区域，获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率，得到海上伏击模型。本发明专利技术通过人工智能手段创新性地获得了海上伏击模型的最佳设计。的最佳设计。的最佳设计。

【技术实现步骤摘要】
人工智能海上伏击模型生成方法、计算机程序及存储介质


[0001]本专利技术涉及人工智能
，具体涉及一种人工智能海上伏击模型生成方法、计算机程序及存储介质。

技术介绍

[0002]海上战略布放在目前日益复杂的国际环境下显得尤为重要，为了在敌方舰船编队海上航行时，能对敌方的航行实施干扰，通常在敌方舰船编队可能航行经过的海域布伏潜艇等水下力量，设立若干伏击拦截区来实现区域拒止战略。
[0003]目前伏击方案中，通常从敌方舰船编队航行路线与我方伏击潜艇等的距离等条件出发予以定性分析。但是，由于敌方的情报搜索能力可能在我方之上，可能具有智能逃跑性，在我方定性分析获得的预计冲突发生前夕，敌方舰船编队就已经改变航行路线，驶离预计冲突位置。因此，这种定性分析已然无法适应现代化智能作战的需求。
[0004]随着计算机仿真能力的增强，通过人工智能分析，获得的结果将会更加准确、可靠，利用海上伏击模型计算获得在不同区域实施伏击的效果，从而得到伏击设计的最优化结果，才能够为伏击方案的选择提供更为准确、可靠的参考。

技术实现思路

[0005]因此，为了克服上述缺陷，本专利技术实施例提供一种人工智能海上伏击模型生成方法、计算机程序及存储介质，通过人工智能手段创新性地获得了海上伏击模型的最佳设计。
[0006]为此，本专利技术实施例的一种人工智能海上伏击模型生成方法，包括以下步骤：
[0007]S1、对巡视海域进行实时监视，实时获取所述巡视海域的第一图像；
[0008]S2、对所述第一图像中是否出现了伏击目标物进行识别，当识别到所述伏击目标物时获取所述伏击目标物的参数信息；
[0009]S3、将所述伏击目标物的参数信息输入第二预设学习推理模型进行计算，获得模型输出的集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸；
[0010]S4、获取所述巡视海域的预设外部范围的第二图像，所述预设外部范围完全覆盖所述巡视海域；
[0011]S5、根据所述集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸，从所述第二图像中提取获得所述伏击目标物的可能的集结区域；
[0012]S6、根据所有的可能的集结区域，获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率，得到海上伏击模型。
[0013]优选地，采用模板匹配模型或原型匹配模型对所述第一图像中是否出现了伏击目标物进行识别。
[0014]优选地，所述S2的当识别到所述伏击目标物时获取所述伏击目标物的参数信息的步骤包括：
[0015]S21、当识别到所述伏击目标物时，将所述伏击目标物所在的第一图像输入第一预设学习推理模型进行计算，获得模型输出的所述伏击目标物的参数信息。
[0016]优选地，所述S5的步骤包括：
[0017]S51、将所述第二图像的灰度级划分为L级，灰度级为第i级的像素有n
i
个，i＝1,2,
…
,L；以每个灰度级为灰度门限求类间方差σ2(t)作为评价函数；
[0018]S52、通过最大化类间方差，确定灰度门限阈值t
*
，t
*
＝arg max
1≤t≤L
{σ2(t)}；
[0019]S53、按灰度级将所述第二图像的像素划分成第一像素和第二像素，所述第一像素为灰度值在区间[1,t
*
]内的所有像素，所述第二像素为灰度值在区间(t
*
+1,L]内的所有像素，获得海陆边界线；
[0020]S54、筛选所述海陆边界线，获得符合所述集结所述伏击目标物所需的海陆边界线形状和尺寸的所有的候选海陆边界线；
[0021]S55、以每一候选海陆边界线为一边，按照集结所述伏击目标物所需的海洋区域的形状和尺寸，向海洋区域扩大，获得所有的可能的集结区域。
[0022]优选地，所述S6的步骤包括：
[0023]S61、分别针对每一可能的集结区域，以区域的海陆边界线所在一边的中点为原点，海陆边界线为y轴，x轴正方向指向海洋，建立直角坐标系，伏击目标物从x轴右侧任意方向驶向集结区域内的集结点B(u,v)，获得在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率p
j
(x,y,u,v)，j＝1,2,
…
,m，m为可能的集结区域的个数；
[0024]S62、根据在第j个可能的集结区域外的伏击圈内对驶向集结点B(u,v)的伏击目标物实施伏击的伏击概率p
j
(x,y,u,v)和该集结区域的面积，获得在第j个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率p
j
(x,y)；
[0025]S63、综合每个可能的集结区域外的伏击圈内对驶向该集结区域内的任一集结点的伏击目标物实施伏击的伏击概率，得到海上伏击模型。
[0026]优选地，p
j
(x,y,u,v)的计算公式为：
[0027][0028]其中，(x,y)为伏击圈的中心点A的坐标，r为伏击圈的半径。
[0029]优选地，p
j
(x,y)的计算公式为：
[0030][0031]其中，r
xy
＝{(u,v)|(x
‑
u)2+(y
‑
v)2<r2}，D
j
为第j个可能的集结区域，f(u,v)为第j个可能的集结区域D
j
内的概率密度，内的概率密度，为第j个可能的集结区域的面积。
[0032]本专利技术实施例的一种计算机程序，其存储在计算机可读存储介质上，并且适合于在计算机上执行，所述计算机程序包括适于当其在所述计算机上运行时执行上述的人工智能海上伏击模型生成方法的步骤的指令。
[0033]本专利技术实施例的一种计算机可读存储介质，所述存储介质上存储有指令，所述指令被处理器执行时实现上述的人工智能海上伏击模型生成方法。
[0034]本专利技术实施例的人工智能海上伏击模型生成方法、计算机程序及存储介质，具有如下优点：
[0035]通过监视巡视海域，能够获得实时的第一图像，并通过对第一图像的人工智能识别，能够及时发现伏击目标物，提高了实时性。通过采用学习推理的方法，智能化地分析获得了伏击目标物的参数信息和所需集结区域的特征信息，对可能集结的海岸线进行了有效、准确的筛选，提高了估计得到的可能的集结区域的准确性，从而提高了利用伏击概率建立的海上伏击模型的精度，进而通过人工智能手段创新性地获得了海上伏击模型的最佳设计。
附图说明
[0036]为了更清楚地说明本专利技术具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能海上伏击模型生成方法，其特征在于，包括以下步骤：S1、对巡视海域进行实时监视，实时获取所述巡视海域的第一图像；S2、对所述第一图像中是否出现了伏击目标物进行识别，当识别到所述伏击目标物时获取所述伏击目标物的参数信息；S3、将所述伏击目标物的参数信息输入第二预设学习推理模型进行计算，获得模型输出的集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸；S4、获取所述巡视海域的预设外部范围的第二图像，所述预设外部范围完全覆盖所述巡视海域；S5、根据所述集结所述伏击目标物所需的海陆边界线形状和尺寸、以及以所述所需的海陆边界线为一边的海洋区域的形状和尺寸，从所述第二图像中提取获得所述伏击目标物的可能的集结区域；S6、根据所有的可能的集结区域，获得所有在可能的集结区域外的伏击圈内对驶向可能的集结区域内的任一集结点的伏击目标物实施伏击的伏击概率，得到海上伏击模型。2.根据权利要求1所述的方法，其特征在于，采用模板匹配模型或原型匹配模型对所述第一图像中是否出现了伏击目标物进行识别。3.根据权利要求1所述的方法，其特征在于，所述S2的当识别到所述伏击目标物时获取所述伏击目标物的参数信息的步骤包括：S21、当识别到所述伏击目标物时，将所述伏击目标物所在的第一图像输入第一预设学习推理模型进行计算，获得模型输出的所述伏击目标物的参数信息。4.根据权利要求1所述的方法，其特征在于，所述S5的步骤包括：S51、将所述第二图像的灰度级划分为L级，灰度级为第i级的像素有n
i
个，i＝1,2,
…
,L；以每个灰度级为灰度门限求类间方差σ2(t)作为评价函数；S52、通过最大化类间方差，确定灰度门限阈值t
*
，t
*
＝arg max
1≤t≤L
{σ2(t)}；S53、按灰度级将所述第二图像的像素划分成第一像素和第二像素，所述第一像素为灰度值在区间[1,t
*
]内的所有像素，所述第二像素为灰度值在区间(t
*
+1,L]内的所有像素，获得海陆边界线；S54、筛选所述海陆边界线，获得符合所述集结所述伏击目标物所需的海陆边界线形状和尺寸的所有的候选海陆边界线；S55、以每一候选海陆边界线为一边，按照集结所述伏击目标物...

【专利技术属性】
技术研发人员：胡汭，李兵，张艳霞，
申请(专利权)人：中国人民解放军军事科学院战略评估咨询中心，
类型：发明
国别省市：