本申請屬于態勢認知技術領域，具體公開了一種可解釋的目標群行為判別方法，該方法包括：獲取探測目標群的多源態勢信息數據；基于所述多源態勢信息數據，獲得所述探測目標的時空分布特征向量；基于所述多源態勢信息數據和所述時空分布特征向量，構建待學習雙層圖結構；基于所述時空分布特征向量和所述待學習圖結構，通過關系圖神經網絡判別所述探測目標群的行為類別；通過深度結構因果模型SCM，使所述關系圖神經網絡的判別結果可解釋。
1、在態勢認知中，局限于單體行為分析一方面會浪費作戰資源，容易被對手的戰術行為迷惑欺騙。考慮到單體行為通常受群體的指引，目標群體的綜合行為分析往往比單目標分析更重要，對群體行為的認知是甄選核心目標、實現重點防御的前提與基礎。
2、由于探測手段趨于多樣化發展，對目標群行為的判別已經從僅依賴航跡數據拓展為可以依托包括目標文字描述、光學圖像甚至視頻在內的多種模態數據。多模態數據的引入有助于目標群行為的更準確識別，然而由于多源異構多模態數據的屬性差異大，因此為有效運用多模態數據必須引入深度學習分析方法。然而，廣泛使用的“端到端”深度學習方法需要大量數據支撐訓練，且方法的好壞嚴重依賴數據質量。在復雜環境下，目標感知過程信息缺失、目標信息獲取不完備等現象十分常見，數據數量和數據質量均難以有效滿足模型的訓練需求。與此同時，這類深度學習方法的應用雖然可以提升群行為分析的準確度，但由于其模型訓練是數據驅動的，內部結構為“黑盒”，是不可解釋的。對于作戰任務而言，不可解釋意味著存在決策隱患，是較為嚴重的缺陷。
>4、基于所述多源態勢信息數據，獲得所述探測目標的時空分布特征向量；5、基于所述多源態勢信息數據和所述時空分布特征向量，構建待學習雙層圖結構；
6、基于所述時空分布特征向量和所述待學習圖結構，通過關系圖神經網絡判別所述探測目標群的行為類別；
7、通過深度結構因果模型(structural?causal?model，scm)，使所述關系圖神經網絡的判別結果可解釋。
8、本申請獲取探測目標群的跨模態的多源態勢信息數據，從中提取時空分布特征向量作為關系圖神經網絡的輸入，并結合雙層圖結構用于群行為預測學習和結構因果學習，使關系圖神經網絡學習時空數據在整體結構上的特征，并給出目標群行為類別判斷結果，然后采用深度結構因果模型針對判別結果得到可解釋的因果關系，使行為判別結果可解釋，提升可靠性。
9、根據本專利技術提供的一種可解釋的目標群行為判別方法，所述獲取探測目標群的多源態勢信息數據，包括：
10、獲取探測目標群的多源態勢信息數據，并采用雙重索引“key-value”鍵值對的形式存儲和管理所述多源態勢信息數據。
11、本申請采用雙重索引“key-value”鍵值對的形式存儲和管理數據，可以有效組織和管理規模龐大且組成復雜的目標探測數據，實現對數據的快速存儲和高效運用。
12、根據本專利技術提供的一種可解釋的目標群行為判別方法，所述基于所述多源態勢信息，獲得所述探測目標的時空分布特征向量，包括：
13、采用預訓練深度學習多模態編碼器，對于不同模態的多源態勢信息數據采用不同的初始化方式進行編碼，獲得初始向量；
14、將所述多源態勢信息數據的時間信息和地點信息拼接到所述初始向量的末尾，將拼接得到的向量作為預訓練多模態中文開源大模型的輸入，并在大模型的輸出位置拼接linear?layer用于調整數據的分布，獲得大模型輸出的時空分布特征向量。
15、本申請采用預訓練深度學習多模態編碼器，對于不同模態的多源態勢信息數據采用不同的初始化方式進行編碼，并將時間信息和地點信息拼接到所述初始向量的末尾，將拼接得到的向量作為預訓練多模態中文開源大模型的輸入，并在大模型的輸出位置拼接linear?layer用于調整數據的分布，可以充分體現數據的時空特征。
16、根據本專利技術提供的一種可解釋的目標群行為判別方法，所述基于所述多源態勢信息數據和所述時空分布特征向量，構建待學習雙層圖結構，包括：
17、基于所述多源態勢信息數據，構建所述待學習圖結構中的下層實例層；
18、基于所述時空分布特征向量和所述下層實例層，構建所述待學習圖結構中的上層屬性層。
19、本申請將收集到的包括環境、位置、航跡、圖像等所有態勢相關數據均作為實例，依據其相互關聯關系，納入圖結構，然后，根據下層的具體實例，抽象出上層的屬性節點，構建上層屬性層圖結構，便于關系圖神經網絡可以更好地預測探測目標群的行為類別。
20、根據本專利技術提供的一種可解釋的目標群行為判別方法，所述基于所述時空分布特征向量和所述待學習圖結構，通過關系圖神經網絡判別所述探測目標群的行為類別，包括：
21、基于所述時空分布特征向量和所述待學習圖結構，對關系圖神經網絡中的節點進行編碼，獲得多個群目標；
22、在維持關系圖神經網絡學習復雜程度的前提下，對多個群目標直接采取向量加的計算形式，將同一群目標的特征集合在一起，獲得特征集合向量；
23、將所述特征集合向量經過一個多層神經網絡，判別所述探測目標群的行為類別。
24、根據本專利技術提供的一種可解釋的目標群行為判別方法，所述通過深度結構因果模型scm，使所述關系圖神經網絡的判別結果可解釋，包括：
25、通過深度結構因果模型scm，采用反事實邏輯判定的方式，根據所述實例層映射到所述屬性層的關系，學習得到屬性層節點之間的因果關系，使所述關系圖神經網絡的判別結果可解釋。
26、本申請通過深度結構因果模型，采用反事實邏輯判定的方式，根據實例層映射到屬性層的關系，學習得到屬性層節點之間的因果關系，從而深入全面地理解目標行為類型以及其誘因。
27、根據本專利技術提供的一種可解釋的目標群行為判別方法，在所述通過深度結構因果模型scm，使所述關系圖神經網絡的判別結果可解釋之后，所述方法還包括：
28、基于所述因果關系補全所述待學習雙層圖結構中的下層實例層；
29、基于補全后的下層實例層對所述關系圖神經網絡進行微調。
30、本申請通過將學習到的因果關系用于指導關系圖神經網絡的微調，以緩解信息缺失和不完備所導致的目標群行為判別精度的下降。
31、第二方面，本申請提供一種可解釋的目標群行為判別裝置，包括：
32、第一獲取模塊，用于獲取探測目標群的多源態勢信息數據；
33、第二獲取模塊，用于基于所述多源態勢信息數據，獲得所述探測目標的時空分布特征向量；
34、構建模塊，用于基于所述多源態勢信息數據和所述時空分布特征向量，構建待學習雙層圖結構；
35、判別模塊，用于基于所述時空分布特征向量和所述待學習圖結構，通過關系圖神經網絡判別所述探測目標群的行為類別；
36、可解釋模塊，用于通過深度結構因果模型scm，使所述關系圖神經網絡的判別結果可解釋。
...
【技術保護點】
1.一種可解釋的目標群行為判別方法，其特征在于，包括：
2.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述獲取探測目標群的多源態勢信息數據，包括：
3.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述基于所述多源態勢信息，獲得所述探測目標的時空分布特征向量，包括：
4.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述基于所述多源態勢信息數據和所述時空分布特征向量，構建待學習雙層圖結構，包括：
5.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述基于所述時空分布特征向量和所述待學習圖結構，通過關系圖神經網絡判別所述探測目標群的行為類別，包括：
6.根據權利要求4所述的可解釋的目標群行為判別方法，其特征在于，所述通過深度結構因果模型SCM，使所述關系圖神經網絡的判別結果可解釋，包括：
7.根據權利要求6所述的可解釋的目標群行為判別方法，其特征在于，在所述通過深度結構因果模型SCM，使所述關系圖神經網絡的判別結果可解釋之后，所述方法還包括：
<p>8.一種可解釋的目標群行為判別裝置，其特征在于，包括：9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，當所述計算機程序在處理器上運行時，使得所述處理器執行如權利要求1-7任一所述的可解釋的目標群行為判別方法。
...
【技術特征摘要】
1.一種可解釋的目標群行為判別方法，其特征在于，包括：
2.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述獲取探測目標群的多源態勢信息數據，包括：
3.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述基于所述多源態勢信息，獲得所述探測目標的時空分布特征向量，包括：
4.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述基于所述多源態勢信息數據和所述時空分布特征向量，構建待學習雙層圖結構，包括：
5.根據權利要求1所述的可解釋的目標群行為判別方法，其特征在于，所述基于所述時空分布特征向量和所述待學習圖結構，通過關系圖神經網絡判別所述探測目標群的行為類別...
【專利技術屬性】
技術研發人員：王朝陽，涂一田，劉顥，李琳，葛順，周洋，劉洋，
申請(專利權)人：中國船舶集團有限公司第七〇九研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。