[发明专利]一种基于DS证据理论的多目标群威胁度预测装置及方法

说明书

本发明提供一种基于DS证据理论的多目标群威胁度预测装置及方法，传感器装置获取目标及目标所在区域信息，卷积神经网络提取目标特征并分类；按照多目标特征聚类，保留共有特征及满足预设要求的非共有特征，根据特征威胁性权值为多目标赋值；关联前后帧目标，标记同一目标，连续关联多帧，获取标记目标的轨迹段；判断成功关联目标的轨迹段；建立威胁度预测空间，为目标特征、异常轨迹、有效轨迹、是否进入受保护区域赋予威胁度权值，DS证据理论预测目标集群的威胁度，获取威胁度值。本发明改进卷积神经网络结构，弥补了原图像经过卷积池化处理后分辨率损失，同时利用DS证据理论提高了多目标集群的威胁度的预测效果，以快速采取应对措施。

技术领域

本发明涉及目标探测与识别领域，尤其是涉及了一种基于DS证据理论的多目标群威胁度预测装置及方法。

背景技术

在现代防空武器系统作战过程中，目标威胁评估成为作战指挥控制系统辅助决策中的重要过程，其评估结果将直接影响到战术决策和目标火力分配。随着现代战争的发展，战场态势变化较快导致不确定性态势信息不断增加，从而使空中目标威胁评估成为涉及多领域、多层次的不确定性知识推理问题，针对这个问题，当前采用的主要方法有层次分析法和主成分分析法，贝叶斯网络和模糊推理，动态贝叶斯网络，多属性决策等。其中，由于多属性决策易于实现，同时具有较好的效果，应用较为广泛。

在多属性决策理论中，确定综合评价指标函数的方法很多，但目标威胁评估的各指标权重设定为固定不变。然而在各种组态下，权向量都保持固定不变，会造成实际问题中出现不合理的综合结果，即出现“状态失衡”问题，导致综合后的目标威胁值不能反应真实情况。

针对此问题，本发明提供一种基于DS证据理论的多目标群威胁度预测装置及方法，利用多传感器采集目标信息，获取目标及目标所在区域信息，预设目标类别、特征类别，利用卷积神经网络提取目标特征并分类；按照多目标特征聚类，划分为共有特征和非共有特征，保留共有特征及满足预设要求的非共有特征，根据特征威胁性权值为多目标赋值；关联前后帧目标，标记同一目标，连续关联多帧，获取标记目标的轨迹段；对成功关联目标的轨迹段，进行轨迹判断；建立威胁度预测空间，为目标特征、异常轨迹、有效轨迹、是否进入受保护区域赋予威胁度权值，DS证据理论预测目标集群的威胁度，获取威胁度值。

本发明改进卷积神经网络结构，引入残差结构，弥补原图像经过卷积池化处理后分辨率的损失，同时通过对有效轨迹、异常轨迹、下一时刻有趋势进入设定范围、目标特征赋予威胁度权值，提高多目标集群的威胁度的预测效果，快速采取应对措施。本发明建立威胁度预测空间，包括：目标轨迹、目标特征、位置信息，基于DS证据理论对目标集群的威胁度进行预测，得到威胁度预测结果。所述方法能得到有效、合理的威胁判断结果，能满足对目标的威胁判断，可广泛用于目标探测与识别、遥感测绘、无人控制等领域。

发明内容

本发明提供一种基于DS证据理论的多目标群威胁度预测装置及方法，利用多传感器采集目标信息，获取目标及目标所在区域信息，预设目标类别、特征类别，利用卷积神经网络提取目标特征并分类；按照多目标特征聚类，划分为共有特征和非共有特征，保留共有特征及满足预设要求的非共有特征，根据特征威胁性权值为多目标赋值；关联前后帧目标，标记同一目标，连续关联多帧，获取标记目标的轨迹段；对成功关联目标的轨迹段，进行轨迹判断；建立威胁度预测空间，为目标特征、异常轨迹、有效轨迹、是否进入受保护区域赋予威胁度权值，DS证据理论预测目标集群的威胁度，获取威胁度值。

本发明改进卷积神经网络结构，引入残差结构，弥补原图像经过卷积池化处理后分辨率的损失，同时通过对有效轨迹、异常轨迹、下一时刻有趋势进入设定范围、目标特征赋予威胁度权值，提高多目标集群的威胁度的预测效果，快速采取应对措施。本发明建立威胁度预测空间，包括：目标轨迹、目标特征、位置信息，基于DS证据理论对目标集群的威胁度进行预测，得到威胁度预测结果。所述方法能得到有效、合理的威胁判断结果，能满足对目标的威胁判断，可广泛用于目标探测与识别、遥感测绘、无人控制等领域。

本发明提供一种基于DS证据理论的多目标群威胁度预测方法，包括：