基于数据生成和深度神经网络的空间非合作目标行为意图识别

V19; 在信息化条件下,空间环境变得日益复杂,空间非合作目标数量日益增长,地面操作人员难以迅速准确地根据非合作目标的运动规律识别其意图,因此提出基于堆叠自编码器(SAE)和门控循环网络(GRU)的空间非合作目标行为意图识别模型,用于协助地面操作人员识别非合作目标的意图.该模型利用自编码器对时间序列数据进行压缩,提取其中的关键特征,并采用GRU网络对轨迹进行分类.由于目前尚无公开的非合作目标行为的轨道数据可供使用,仅依靠少量已知数据难以充分训练模型.为解决样本不足导致识别效果不佳的问题,提出一种仿真样本生成方法,通过仿真得到大量目标行为的轨道数据,可用于空间非合作目标行为意图的识别.得到仿真数...

Full description

Saved in:
Bibliographic Details
Published in空间科学学报 Vol. 44; no. 6; pp. 1134 - 1146
Main Authors 余静, 彭晓东, 谢文明, 覃润楠, 王有亮
Format Journal Article
LanguageChinese
Published 国科大杭州高等研究院基础物理与数学科学学院 杭州 310024 2024
中国科学院国家空间科学中心 北京 100190%中国科学院国家空间科学中心 北京 100190
Subjects
Deep learning
样本仿真方法
意图识别
Intent recognition
Sample simulation method
深度学习
Non-cooperative targets
非合作目标
Online AccessGet full text
ISSN0254-6124
DOI10.11728/cjss2024.06.2023-0151

Cover

More Information
Summary:V19; 在信息化条件下,空间环境变得日益复杂,空间非合作目标数量日益增长,地面操作人员难以迅速准确地根据非合作目标的运动规律识别其意图,因此提出基于堆叠自编码器(SAE)和门控循环网络(GRU)的空间非合作目标行为意图识别模型,用于协助地面操作人员识别非合作目标的意图.该模型利用自编码器对时间序列数据进行压缩,提取其中的关键特征,并采用GRU网络对轨迹进行分类.由于目前尚无公开的非合作目标行为的轨道数据可供使用,仅依靠少量已知数据难以充分训练模型.为解决样本不足导致识别效果不佳的问题,提出一种仿真样本生成方法,通过仿真得到大量目标行为的轨道数据,可用于空间非合作目标行为意图的识别.得到仿真数据后,将仿真数据集作为输入开展实验,结果显示,与仅使用长短期记忆网络(LSTM)、门控循环单元-全卷积网络(GRU-FCN)、堆叠自编码器(SAE)以及反向传播(BP)等单一模型相比,本方法在准确率、损失值性能指标上均有显著提升,准确率达到了 97.8％.
ISSN:0254-6124
DOI:10.11728/cjss2024.06.2023-0151