基于多种仿真红外辐射时间序列特征的目标类型预测方法

技术特征：
1.基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，包括以下步骤：步骤一、仿真红外辐射时间序列特征数据的清洗与整合；步骤二、仿真红外辐射时间序列特征数据的合理化分割；步骤三、时序数据训练及数据特征提取；步骤四、目标类型分类预测。2.根据权利要求1所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤一的具体操作步骤如下：通过传感器采集仿真红外辐射时间序列特征数据并采用深度学习网络模型对其进行清洗和整合；将维度为n的时序数据集合作为深度学习网络模型的输入，所述时序数据集合包括时间序列集合t＝{t1,t2,t3…
t
m
}和n类仿真红外辐射特征v1,v2,v3…vn
，对于任意一类仿真红外辐射特征均与时间序列集合t具备相关性：v1＝f1(t)，v2＝f2(t)
…
,v
n
＝f
n
(t)，f1,f2…
,f
n
分别表示仿真红外辐射特征v1,v2,
…vn
关于时间序列集合t的映射；将总的时序数据表示为一个大小为m
×
n的时序数据矩阵y，y∈r
m
×
n
，m为时序数据集合长度，n为仿真红外辐射特征的总类别数目。3.根据权利要求2所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤一中，通过传感器采集仿真红外辐射时间序列特征数据时，采集波段包括短波波段、中波波段和长波波段；每类波段均采集五种不同的波段范围，短波波段范围分别为：0.75μm-1.25μm、1.25μm-1.80μm、1.80μm-2.35μm、2.35μm-3.0μm和0.75μm-3.0μm，中波波段范围分别为：3.0μm-3.75μm、3.75μm-4.50μm、4.50μm-5.25μm、5.25μm-6.0μm和3.0μm-6.0μm，长波波段范围分别为：6.0μm-7.5μm、7.5μm-9.0μm、9.0μm-10.5μm、10.5μm-12.0μm和6.0μm-12.0μm。4.根据权利要求2所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤二的具体操作步骤如下：采用类卷积网络的类卷积核结构进行数据的窗口分割处理，类卷积核结构均为各项值为1的单元矩阵；对于步骤一中的时序数据矩阵y，每一行对应一个时刻的传感器采集的时序数据集合，在时序数据分割处理过程中，分割窗口即类卷积核结构大小设定为k
×
n，k为对应的分割窗口长度即一次滑动所包含的时序长度；假设有n个传感器采集n个仿真红外辐射特征时序数据，且每个时序数据的时长均为m，每个时刻采集的时序数据具备n个对应特征，步骤一中的时序数据矩阵y表示如下：其中y
ij
表示传感器i(i＝1
…
n)在时刻j(j＝1
…
m)采集的时序数据；用t
a:a b
表示长度为b的连续时间t
a
,t
a 1
,t
a 2
,
…
t
a b
，用表示n个传感器在时间范围(a,a b)内采集的仿真红外辐射特征，为大小为b
×
b的矩阵，且5.根据权利要求1所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，
其特征在于，步骤三的具体操作步骤如下：使用长短期记忆递归网络(lstm)进行多通道特征提取；同时使用全连接卷积神经网络(fcn)进行特征提取；将特征提取结果进行拼接进行目标类型分类预测。6.根据权利要求5所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，所述使用全连接卷积神经网络(fcn)进行特征提取的具体操作步骤如下：所述全连接卷积神经网络(fcn)的卷积层层数设为l层，在卷积层的每一层应用一组一维滤波器，用于捕捉信号在时序过程中的变化；使用张量和偏置对每一层的一维滤波器进行参数化处理，l∈1,
…
,l是卷积层的索引，d是过滤的持续时间段，f
l-1
为上一层卷积核大小，f
l
表示当前卷积层中卷积核的大小，表示输出张量的尺寸，对于第l层的非标准化激活函数的第i个分量是来自前一层的输入时刻t的激活矩阵t
l-1
表示第l-1的时间步，表示前一层激活矩阵的大小，对于第l层的非标准化激活函数定义如公式(1)所示：式中，f函数是校正线性单元relu函数，表示l层非标准化激活函数的偏置，表示l层非标准化激活函数的偏置权重，表示l-1层的激活矩阵。7.根据权利要求5所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，所述使用长短期记忆递归网络(lstm)进行多通道特征提取的具体操作步骤如下：假设长短期记忆递归网络(lstm)的输入层、隐含层和输出层的神经元个数分别为i、h和o；t时刻输入层的序列x(t)的第i个输入值为x
i
(t)，隐含层和输出层的第j个输入值分别为p
j
(t)和q
j
(t)，而这两者经过激活函数后作为隐含层和输出层的输出值，分别为h
j
(t)和y
j
(t)；所述长短期记忆递归网络(lstm)结构的计算表达式如下：g
u
＝σ(w
u
h
t-1
i
u
x
t
) (2)g
f
＝σ(w
f
h
t-1
i
f
x
t
) (3)g
c
＝tanh(w
c
h
t-1
i
c
x
t
) (4)g
o
＝σ(w
o
h
t-1
i
o
x
t
) (5)m
t
＝g
f m
t-1
g
u g
c (6)h
j
(t)＝tanh(g
o m
t
),j＝1,...,h (7)y
j
(t)＝f
o
(q
j
(t)),j＝1,...,o (9)式中，g
u
、g
f
、g
o
、g
c
分别表示输入门、遗忘门、输出门以及中间单元状态门，σ表示sigmoid函数，w
u
、w
f
、w
o
、w
c
均表示递归权重矩阵，h
t-1
表示前一个隐藏层的状态节点，i
u
、i
f
、i
o
、i
c
均表示投影矩阵，x
t
表示当前时刻的输入，m
t
表示长期记忆，m
t-1
表示上一时刻输出的长期记忆，表示权重矩阵，h
i
(t)表示短期记忆，表示偏置，表示元素乘法，f
o
为输出层的激活函
数。8.根据权利要求7所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，所述激活函数f
o
的公式如下：式中，tanh(x)表示与σ(x)均为激活函数。9.根据权利要求7所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，所述将特征提取结果进行拼接进行目标类型分类预测的具体操作步骤如下：对于时间序列多分类问题，输出层神经元个数设为目标类型个数为c，网络的输出值为各目标类型的概率，表示如下：式中，p(c|x)与y
c
均表示类型c的输出概率，表示归一化后类型c的输出概率，表示归一化后类型i的输出概率；再将网络的输出值进行“0-1”二值编码，概率最大的目标类型编码为1，其他类型均编码为0，设此时的输出值为d(t)＝[d1(t),d2(t),...,d
c
(t)]；因此网络对输入的时序数据的判决分类正确的概率p
right
为：10.根据权利要求1所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤四的具体操作步骤如下：利用时序数据以及权重文件进行预测，对未知时序数据首先进行真假判断，再进行目标类型分类预测；设定损失函数，使用分类交叉熵作为损失函数，损失函数公式如下：式中，los为损失函数值，c为总类别的数目，p
right
为网络对输入的时序数据的判决分类正确的概率。

技术总结
基于多种仿真红外辐射时间序列特征的目标类型预测方法，涉及深度预测领域，包括：仿真红外辐射时间序列特征数据的清洗与整合；仿真红外辐射时间序列特征数据的合理化分割；时序数据训练及数据特征提取；目标类型分类预测。本发明采用LSTM-FCN模型作为基础模型，对多维度的仿真红外辐射时间序列特征数据进行深度挖掘。针对目标红外辐射数据进行仿真模拟，按辐射的不同波段将传感器采集的数据分为多种特征类型，可针对不完全周期、满周期、多周期数据进行多角度补充，提升不同情况下不同数据量的分类准确度，并通过多路LSTM-FCN模型进行分类结果预测。本发明提升了分类的准确度与可靠性。性。性。


技术研发人员：王越群 李正炜 陈涛 王建立 董博 刘杰 刘佳梁
受保护的技术使用者：中国科学院长春光学精密机械与物理研究所
技术研发日：2023.05.12
技术公布日：2023/8/9