类脑智能驱动的飞行器多源耦合建模方法、装置及设备
本技术涉及认知智能与飞行器态势感知,特别是涉及一种类脑智能驱动的飞行器多源耦合建模方法、装置及设备。
背景技术:
1、在飞行器协同伴飞等任务场景中,执行作业的飞行器常需应对复杂多变的高动态环境挑战。例如,高速移动的空中目标或其他动态对象可能引发瞬时变化的环境风险,对多机协同体系的安全稳定构成显著考验。与此同时,承担伴飞任务的主飞行器及协同飞行器,其搭载的各类感知设备与数据交互系统会产生多源异构信息,涵盖目标探测感知数据、协同飞行器间数据共享信息、电磁环境监测信号等类型。这些信息在时间维度、信号频段及数据语义层面存在明显差异,如何实现多源信息的高效关联整合,实时构建对环境风险态势的精准认知模型,已成为当前智能飞行器决策技术领域亟待解决的核心问题。
2、传统的信息整合方法(如集中式或分布式的多传感设备数据融合方案)通常依赖固定规则或滤波算法对各类感知数据进行处理。这类方法在高动态环境场景中存在明显局限性:一方面,由于动态目标的运动状态具有较强不可预测性,且各类信息存在不确定性,基于固定模型的融合方法难以快速、全面地捕捉环境态势的剧烈变化;另一方面,现有方案往往对不同感知设备的数据流各自独立处理,仅在最终环节进行简单整合,缺乏对异构信息的深度关联建模,无法充分发挥不同信息源的互补优势,导致对环境态势的感知响应速度和判断准确度难以满足实际需求。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种类脑智能驱动的飞行器多源耦合建模方法、装置及设备,通过仿生的类脑智能机制,对雷达探测信息、数据链共享信息、目标信号等多源异构数据进行耦合建模,以支持飞行器在高动态环境中的态势感知和决策支持。
2、一种类脑智能驱动的飞行器多源耦合建模方法,所述方法包括:
3、对飞行器协同伴飞场景中采集的多源异构数据进行预处理,提取预处理后的多源异构数据的特征,并根据类脑选择性注意力机制进行特征融合,得到多源融合特征;
4、通过对多源融合特征进行实体识别和关系抽取,构建得到时空耦合的态势认知模型,态势认知模型基于认知图谱结构来表征飞行器所处环境的态势特征,并在每个时间步基于最新的多源融合特征进行模型结构动态更新;
5、针对飞行器所在的高动态环境,采用类脑逐级抽象机制对每一时间步更新后的态势认知模型中的节点进行从低至高的逐级抽象,并引入基于循环神经网络的历史记忆单元,将逐级抽象后的态势认知模型当前表征的态势特征与历史记忆单元存储的历史态势特征进行融合,以预测未来时间步的态势特征;
6、根据逐级抽象后的态势认知模型当前表征的态势特征以及态势特征预测结果进行飞行环境风险评估,并根据评估结果指导飞行器行动决策,辅助飞行器在高动态环境下的安全协同伴飞。
7、在其中一个实施例中,对飞行器协同伴飞场景中采集的多源异构数据进行预处理,包括:
8、根据飞行器协同伴飞场景中主飞行器及协同飞行器上部署的多种传感器和数据链路接口,采集飞行器所处环境中的多源异构数据并进行预处理;其中,多源异构数据包括雷达传感器探测的目标信息、协同飞行器数据链共享的目标信息与各飞行器状态信息、以及电子监测设备截获的目标信号;预处理包括时间同步、坐标变换对准和数据去噪。
9、在其中一个实施例中,提取预处理后的多源异构数据的特征,包括:
10、将预处理后的雷达传感器探测的目标信息输入卷积神经网络,提取目标的轮廓特征;将预处理后的协同飞行器数据链共享的目标信息与各飞行器状态信息输入图神经网络,提取飞行器编队态势特征;将预处理后的电子监测设备截获的目标信号输入时频分析网络,提取目标的辐射源特征。
11、在其中一个实施例中,根据类脑选择性注意力机制进行特征融合,得到多源融合特征,包括:
12、将提取得到的多源特征向量输入包括抑制门控模块、权重映射模块和稀疏聚焦模块的类脑选择性注意力机制,先通过抑制门控模块过滤多源特征向量中的不相关信息或冗余信息,再通过权重映射模块结合过滤后的各特征向量的不确定性和重要性计算对应的注意力权重,最后通过稀疏聚焦模块聚焦保留关键特征向量进行特征融合,得到多源融合特征,表示为:
13、;
14、其中,表示在
t时间步得到的多源融合特征;表示第
i种信息源的第
j维特征在
t时间步的取值;为对应特征的注意力权重系数,反映各个特征对当前态势的相对重要性。
15、在其中一个实施例中,通过对多源融合特征进行实体识别和关系抽取,构建得到时空耦合的态势认知模型,态势认知模型基于认知图谱结构来表征飞行器所处环境的态势特征,并在每个时间步基于最新的多源融合特征进行模型结构动态更新,包括:
16、通过对多源融合特征进行实体识别和关系抽取,构建得到时空耦合的态势认知模型,态势认知模型基于认知图谱的结构来表征飞行器所处环境的态势特征,认知图谱中的节点集合记为,代表飞行器所处环境中的各实体,包括主飞行器、协同飞行器、被保护目标、威胁目标、重要资产以及干扰源,各节点的属性中封装有从多源融合特征中提取的对应实体的状态信息;认知图谱的边集合记为,表示实体之间的关系,包括威胁关系、护卫关系、协同关系以及通信链路关系;
17、在每个时间步,基于最新的多源融合特征进行模型结构动态更新,表示为:
18、;
19、其中,表示
t时间步的认知图谱结构,为时间步的认知图谱结构,函数表示认知图谱的更新机制,包括节点和边的新增、移除及属性状态更新。
20、在其中一个实施例中,采用类脑逐级抽象机制对每一时间步更新后的态势认知模型中的节点进行从低至高的逐级抽象,并利用基于循环神经网络的历史记忆单元,将逐级抽象后的态势认知模型当前表征的态势特征与历史记忆单元存储的历史态势特征进行融合,以预测未来时间步的态势特征,包括:
21、采用类脑逐级抽象机制,首先基于图结构特征、节点语义属性和交互密度,对每一时间步更新后的态势认知模型进行底层实体节点簇识别并判断是否满足预设的中层抽象条件,若满足,触发合并底层实体节点簇的抽象处理,得到中层抽象节点;若不满足,不触发抽象处理;其中,中层抽象条件包括同类底层实体节点的数量超过预设阈值或底层实体节点簇的交互密度超过预设阈值;
22、然后,判断中层抽象节点是否满足预设的高层抽象条件,若满足,触发合并中层抽象节点的抽象处理,得到高层抽象节点;若不满足,不触发抽象处理;其中,高层抽象条件包括中层抽象节点的数量超过预设阈值或态势认知模型的整体复杂度超过预设阈值;
23、通过类脑逐级抽象机制按照不同的抽象层级对每一时间步更新后的态势认知模型中的节点进行节点合并和特征聚合,形成金字塔式的多层次图谱结构,包括底层实体节点、中层抽象节点和高层抽象节点;其中,底层实体节点表示环境中的具体实体对象,中层抽象节点表示抽象的实体群体,高层抽象节点表示整体环境的态势概况;
24、进一步地,引入基于长短期记忆神经网络的历史记忆单元,将逐级抽象后的态势认知模型当前表征的态势特征与历史记忆单元存储的历史态势特征进行融合,以预测未来时间步的态势特征;其中,历史记忆单元的状态演化表示为:
25、;
26、;
27、其中,表示
t时间步的记忆单元状态向量,为
t时间步的隐状态输出向量;、和分别为
t时间步的输入门向量、遗忘门向量和输出门向量;为
t时间步的候选记忆状态向量,表示向量按元素乘积。
28、在其中一个实施例中,根据逐级抽象后的态势认知模型当前表征的态势特征以及态势特征预测结果进行飞行环境风险评估,并根据评估结果指导飞行器行动决策,辅助飞行器在高动态环境下的安全协同伴飞,包括:
29、根据逐级抽象后的态势认知模型当前表征的态势特征以及态势特征预测结果,计算态势认知模型中每一威胁目标相对于被保护目标的威胁度量;其中,威胁度量的计算包括:获取威胁目标与被保护目标之间的距离与相对速度,评估威胁目标的潜在危害程度,以及评估飞行器针对威胁目标的可执行干扰措施;
30、当某一威胁目标的威胁度量超过预设阈值时,触发预警并将其标定为高优先级威胁目标,并按照威胁度量从高到低的顺序进行威胁目标排序,指导飞行器根据相应排序执行针对高优先级威胁目标的规避机动的行动决策,辅助飞行器在高动态环境下的安全协同伴飞。
31、一种类脑智能驱动的飞行器多源耦合建模装置,所述装置包括:
32、多源感知融合模块,用于对飞行器协同伴飞场景中采集的多源异构数据进行预处理,提取预处理后的多源异构数据的特征,并根据类脑选择性注意力机制进行特征融合,得到多源融合特征;
33、认知模型构建模块,用于通过对多源融合特征进行实体识别和关系抽取,构建得到时空耦合的态势认知模型,态势认知模型基于认知图谱结构来表征飞行器所处环境的态势特征,并在每个时间步基于最新的多源融合特征进行模型结构动态更新;
34、动态抽象与更新模块,用于针对飞行器所在的高动态环境,采用类脑逐级抽象机制对每一时间步更新后的态势认知模型中的节点进行从低至高的逐级抽象,并引入基于循环神经网络的历史记忆单元,将逐级抽象后的态势认知模型当前表征的态势特征与历史记忆单元存储的历史态势特征进行融合,以预测未来时间步的态势特征;
35、决策支持输出模块,用于根据逐级抽象后的态势认知模型当前表征的态势特征以及态势特征预测结果进行飞行环境风险评估,并根据评估结果指导飞行器行动决策,辅助飞行器在高动态环境下的安全协同伴飞。
36、在其中一个实施例中,多源感知融合模块、认知模型构建模块以及动态抽象与更新模块以在线循环方式运行;其中,多源感知融合模块执行的多源异构数据预处理和特征提取任务分配至不同计算节点并行执行,认知模型构建模块执行的态势认知模型构建与更新任务由中心节点聚合计算。
37、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
38、对飞行器协同伴飞场景中采集的多源异构数据进行预处理,提取预处理后的多源异构数据的特征,并根据类脑选择性注意力机制进行特征融合,得到多源融合特征;
39、通过对多源融合特征进行实体识别和关系抽取,构建得到时空耦合的态势认知模型,态势认知模型基于认知图谱结构来表征飞行器所处环境的态势特征,并在每个时间步基于最新的多源融合特征进行模型结构动态更新;
40、针对飞行器所在的高动态环境,采用类脑逐级抽象机制对每一时间步更新后的态势认知模型中的节点进行从低至高的逐级抽象,并引入基于循环神经网络的历史记忆单元,将逐级抽象后的态势认知模型当前表征的态势特征与历史记忆单元存储的历史态势特征进行融合,以预测未来时间步的态势特征;
41、根据逐级抽象后的态势认知模型当前表征的态势特征以及态势特征预测结果进行飞行环境风险评估,并根据评估结果指导飞行器行动决策,辅助飞行器在高动态环境下的安全协同伴飞。
42、上述类脑智能驱动的飞行器多源耦合建模方法、装置及设备,针对飞行器在高动态环境在的协同伴飞任务,首先基于类脑选择性注意力机制对飞行器协同伴飞场景中采集的多源异构数据特征进行感知融合,能够模拟人脑对多感官信号的选择性过滤功能,有利于过滤冗余信息,突出与高动态威胁目标相关的关键信息并利用各信息源的互补优势,显著提升了飞行器对环境态势感知的全面性和准确度;其次,将融合得到的多源融合特征在空间和时间维度上紧密耦合,构建基于认知图谱结构的态势认知模型表征飞行器所处环境的态势特征,既直观表征了各实体在空间上的态势关系,又通过图谱的实时更新反映出环境态势随时间推移的动态变化,提高了态势更新和响应的敏捷性;以及通过类脑逐级抽象机制对认知图谱进行分层抽象,能够模拟大脑从感觉皮层到前额叶皮层逐级提取抽象概念的过程,使态势认知模型能够以不同粒度观察和分析威胁环境,并通过引入历史记忆单元,能够模拟人脑海马体的情景记忆功能,保证态势认知模型对环境剧烈变化的鲁棒性和动态适应性,从而为飞行器在高动态环境下的态势感知和决策提供更稳健的支持,提高了飞行器协同伴飞任务的成功率和飞行安全性。相较于现有技术,本技术能够以更低的延迟、更高的准确率来识别飞行器所处环境的态势特征,并且在高动态场景下对新出现的潜在威胁目标表现出良好的识别和适应能力,特别是在模拟的高速危险来袭场景中,本技术驱动的态势认知模型比传统融合算法能够提前多个时间周期预测环境风险的升级,争取了宝贵的反应时间,验证了类脑智能建模在高动态环境中的有效性和优越性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com