针对动态不确定战场环境下多无人机对多区域、多目标的协同察打任务规划过程中存在的信息不确定、任务多约束及航迹强耦合的多目标优化与决策问题,结合Dubins航迹规划算法,提出了一种融合多种改进策略的灰狼优化算法(grey wolf optimiza...针对动态不确定战场环境下多无人机对多区域、多目标的协同察打任务规划过程中存在的信息不确定、任务多约束及航迹强耦合的多目标优化与决策问题,结合Dubins航迹规划算法,提出了一种融合多种改进策略的灰狼优化算法(grey wolf optimization algorithm incorporating multiple improvement strategies,IMISGWO).首先,针对动态环境带来的无人机巡航速度及察打任务消失时间的不确定性,基于可信性理论建立了以最大化任务收益为指标的任务规划数学模型;其次,为实现该问题的快速求解,设计了初始解均匀分布、个体通信机制调整、动态权重更新和跳出局部最优等策略,提升算法解搜索能力;最后,构建了多无人机察打一体典型任务仿真场景,通过数字仿真以及虚实结合半实物仿真试验验证了算法的可行性和有效性.仿真结果表明:算法在求解不确定环境下耦合航迹的多无人机察打一体任务规划问题时,能够生成多机高效的任务执行序列和满足无人机飞行性能约束的飞行轨迹,且能够适用于无人机数量增加导致问题复杂度增加情形下此类问题的求解.展开更多
在实际监测任务中,及时有效地识别飞行模式至关重要。然而,现有的飞行模式识别方法主观性强、模式单一,限制了在复杂情况下的飞行监控能力,在实际应用中有局限性,进而导致模式边界定位不精确、识别精度低。为此提出一种基于敏感边界和...在实际监测任务中,及时有效地识别飞行模式至关重要。然而,现有的飞行模式识别方法主观性强、模式单一,限制了在复杂情况下的飞行监控能力,在实际应用中有局限性,进而导致模式边界定位不精确、识别精度低。为此提出一种基于敏感边界和长飞行序列的飞行模式智能识别方法(Intelligent Flight Pattern Recognition Method for Sensitive Boundaries and Long Flight Sequences, IFPRM-SBLFS),以对飞行模式进行智能识别。为了更好地探索多模式飞行参数的空间关系,设计自适应图嵌入,针对不同持续时间的飞行模式提出去噪深度多尺度自动编码器,以及用于减轻模型损失的分类加权焦点损失和回归联合时空交集损失。为验证所提方法的优越性,采集多架民用航班的真实参数,涵盖11种飞行模式,通过人工标注构建飞行模式数据集。仿真计算结果表明:新模型能够在连续飞行架次中自动区分不同的飞行模式,并准确提取模式边界,识别准确率达到了99.07%,且无需任何预处理或后处理;新的智能识别方法可以有效提高精确度和敏感边界的飞行模式识别效果。展开更多
为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD...为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。展开更多
文摘在实际监测任务中,及时有效地识别飞行模式至关重要。然而,现有的飞行模式识别方法主观性强、模式单一,限制了在复杂情况下的飞行监控能力,在实际应用中有局限性,进而导致模式边界定位不精确、识别精度低。为此提出一种基于敏感边界和长飞行序列的飞行模式智能识别方法(Intelligent Flight Pattern Recognition Method for Sensitive Boundaries and Long Flight Sequences, IFPRM-SBLFS),以对飞行模式进行智能识别。为了更好地探索多模式飞行参数的空间关系,设计自适应图嵌入,针对不同持续时间的飞行模式提出去噪深度多尺度自动编码器,以及用于减轻模型损失的分类加权焦点损失和回归联合时空交集损失。为验证所提方法的优越性,采集多架民用航班的真实参数,涵盖11种飞行模式,通过人工标注构建飞行模式数据集。仿真计算结果表明:新模型能够在连续飞行架次中自动区分不同的飞行模式,并准确提取模式边界,识别准确率达到了99.07%,且无需任何预处理或后处理;新的智能识别方法可以有效提高精确度和敏感边界的飞行模式识别效果。
文摘为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。
