一种基于深度神经网络的战场作战趋势预测方法

1.本发明涉及人工智能技术领域，具体涉及一种基于深度神经网络的战场作战趋势预测方法。


背景技术：

2.信息化防御战场中敌我双方干扰、欺骗的对抗手段不断升级，对手通过各种干扰手段、欺骗性战术行为产生大量蕴含虚假信息的数据，从而达到欺骗指挥员，隐藏真实作战意图的目的；作战趋势预测就是通过数据信息的交叉复现、融合处理，实现作战趋势预测，为指挥员提供更加真实、更加准确的信息处理结果。
3.现有作战趋势预测方法在面对复杂战场环境时，会有处理耗时长，工作量大，且预测效率差，耗费时间长，难以满足对现代战场趋势预测的要求，而深度神经网络是一个非线性动力学系统，对分布式存储系统以及并行运算系统具有很好的处理性能，其学习准则是通过对分类结果和预期结果的差值误差进行判断消除，尽量减少下次遇到同样实例时推断错误的概率，因此研究一种基于深度神经网络的战场作战趋势预测方法是很有必要的。


技术实现要素：

4.为了克服现有作战趋势预测方法处理耗时长、预测效率差以及难以满足对现代战场趋势预测等问题，本发明提供了一种基于深度神经网络的战场作战趋势预测方法。
5.本发明为实现上述目的所采用的技术方案是：一种基于深度神经网络的战场作战趋势预测方法，包括以下步骤：
6.s1：构建战场目标位置预测模型，所述战场目标位置预测模型包括输入层、rnn循环神经网络模型和输出层；
7.s2：构建rnn循环神经网络模型；
8.s3：初始化rnn循环神经网络模型；
9.s4：设置损失函数训练优化rnn循环神经网络模型；
10.s5：确定战场目标位置预测模型最优参数。
11.优选的，所述s1中，输入层为各目标位置序列文件，输出层为下一时刻各目标位置。
12.优选的，所述s2中，所述rnn循环神经网络模型是由权值共享的前馈神经元依次连接组成，在t时刻，隐藏层的输入由当前时刻输入层的最新数据与t-1时刻隐藏层的输出共同构成，神经元完成输入与输出的映射，得到当前时刻的输出结果，并且共享的网络参数得到更新与优化，t时刻之前所有输入数据依然有记忆性地对网络产生影响，形成反馈网络结构。
13.优选的，所述s3中，所述将循环神经网络模型中的权重矩阵参数初始化为标准差为均值为0的高斯随机分布函数。
14.优选的，所述s3中，对参数权重初始化后，rnn循环神经网络模型基本结构定义表
达式如下：
15.x
t
∈rd→
x
t
∈r
1000
16.h
t
∈rd→ht
∈r
1000
[0017][0018][0019][0020][0021]
式中：x
t
为时间步，d为向量长度，s
t
为时间步中隐藏层状态，dh为神经元数，u、w、v为权重矩阵，r为矩阵，h
t
为t时刻的输出，表示在t时刻的目标意图预测结果。
[0022]
优选的，所述s4中，训练优化rnn循环神经网络模型流程如下：
[0023]
s4-1：确定网络输入维数为2维，输出维数也为2维；
[0024]
s4-2：将数据按2比8的比例分别分配到测试数据集和校验数据集中；
[0025]
s4-3：准备数据，准备数据的大小不少于序列长度和一次训练所抓取的数据样本数量，并通过归一化编码对数据进行处理。
[0026]
s4-4：初始化基本参数和网络模型；
[0027]
s4-5：使用损失函数对神经网络模型进行优化。
[0028]
优选的，所述s4中，损失函数为交叉熵函数，表达式如下：
[0029][0030]
式中：y是真实输出值，是神经网络预测的输出值，x为样本预测概率损失值；
[0031]
假设在循环神经网络中时间步t的损失函数为l
t
，则表达式如下:
[0032][0033]
如果输出的时间序列数为t,那么循环神经网络模型的总损失函数表达式如下：
[0034][0035]
优选的，所述s4中，使用反向传播算法和随机梯度下降算法对rnn循环神经网络模型训练优化。
[0036]
优选的，所述s5中，战场目标位置预测模型最优参数如下：序列长度为25；学习率为0.01；rnn类型为gru网络；输出层激活函数为tanh；隐藏单元数为20；样本数量为25；训练次数为100；优化器类型为momentum。
[0037]
本发明通过构建战场目标位置预测模型，使用时输入已经侦测到的位置信息，输出下一时刻敌方目标的位置，对战场各时刻敌方目标位置做出预测，对特征提取的输入输出进行分析，并在此基础上给出深度神经网络模型的构造方法，通过敌方目标历史位置数据对模型进行数次迭代训练、校验，然后通过校验数据对训练完成的模型进行校验并判断其准确率，可以及时响应快速变化的战场态势需求，提高我方对于敌方目标作战趋势信息预测的时效性，为现代战场作战趋势预测提出新的解决方案。
附图说明
[0038]
图1是本发明战场目标位置预测模型图；
[0039]
图2是本发明rnn循环神经网络模型结构图；
[0040]
图3为本发明训练优化rnn循环神经网络模型流程图；
[0041]
图4为本发明预测敌方目标位置示意图；
[0042]
图5为本发明敌方目标趋势预测图。
具体实施方式
[0043]
本发明的一种基于深度神经网络的战场作战趋势预测方法，包括以下步骤：
[0044]
s1：构建战场目标位置预测模型，由图1所示，战场目标位置预测模型包括输入层、rnn循环神经网络模型和输出层，输入层为各目标位置序列文件，输出层为下一时刻各目标位置。
[0045]
s2：构建rnn循环神经网络模型，由图2所示，展开后的神经元由权值共享的前馈神经元的依次连接。在t时刻，隐藏层的输入由当前时刻输入层的最新数据与t-1时刻隐藏层的输出共同构成，神经元完成了输入与输出的映射，得到当前时刻应该输出的结果，并且共享的网络参数得到了更新与优化，t时刻之前所有输入数据依然有记忆性地对网络产生影响，形成了反馈网络结构，图中各变量含义如下：
[0046]
x
t
为t时刻的输入，例如在目标意图预测中目标速度、距离、高度、方位、类型等信息；
[0047]st
为t时刻的隐状态，基于上一时刻的隐状态和当前输入得到，表达式如下：
[0048]st
＝f(s
t-1
,x
t
)＝f(w
t
x
t
+u
tst-1
)
[0049]
式中：f一般是非线性的激活函数；x为向量，w为权重矩阵，通过w来将x转换成另外的向量；s
t-1
为向量，u为权重矩阵，通过u来将s
t-1
转换成另外的向量；在计算s0即第一个隐藏层状态时，需要用到s
t-1
，但是其并不存在，一般置为0。
[0050]ht
为t时刻的输出，表示在t时刻的目标意图预测结果，即预测的目标坐标，输出序列表达式如下：
[0051]
h＝[h1,,h
t-1
,h
t
,h
t+1
,,h
t
]
[0052]
式中：h
t
＝g(vs
t
)，g为激活函数，v为权重矩阵。
[0053]
w、u、v为rnn循环神经网络的网络参数，w为状态转移矩阵，即隐藏层状态s的权重参数矩阵；u为条件概率矩阵即输入序列信息x的权重参数矩阵；v为输出序列信息h的权重参数矩阵。
[0054]
s3：初始化rnn循环神经网络模型，当网络权重的参数初始化为标准差为的高斯随机分布时，训练效果最佳，因此循环神经网络模型中权重矩阵u、w、v使用标准差均值为0的高斯随机分布函数初始化每一个权重参数；对循环神经网络模型参数权重进行初始化：假设在时间步x
t
的向量长度为d，对应时间步中隐藏层状态s
t
的神经元数dh，那么依据神经网络模型基本结构定义如下：
[0055]
x
t
∈rd→
x
t
∈r
1000
[0056]ht
∈rd→ht
∈r
1000
[0057][0058][0059][0060][0061]
式中：x
t
为时间步，d为向量长度，s
t
为时间步中隐藏层状态，dh为神经元数，u、w、v为权重矩阵，r为矩阵，h
t
为t时刻的输出，表示在t时刻的目标意图预测结果；确定了循环神经网络模型中输入层、隐藏层、输出层的参数矩阵大小，还确定了网络中的权重矩阵u、w和v的大小，即可知道执行循环神经网络大概需要多少参数。
[0062]
其中，序列数据作为循环神经网络模型的输入，根据序列的先后顺序向前传播，每一个时间序列需要计算一次隐藏层状态s
t
和输出h
t
的值。从第一个序列t＝0开始，计算s0和输出h0；接着计算第二个时间序列t＝1，第一个时间序列的隐藏层状态s0和序列数据h0作为网络输入，输出s1和h1。依次类推，直到最后一个时间序列t。
[0063]
s4：设置损失函数训练优化rnn循环神经网络模型，由图3所示，训练优化rnn循环神经网络模型流程如下：
[0064]
s4-1：确定网络输入维数为2维(即目标x和y坐标)，输出维数也为2维(即预测的目标下一位置x和y)；
[0065]
s4-2：将数据按2比8的比例分别分配到测试数据集和校验数据集中；
[0066]
s4-3：准备数据，准备数据的大小不少于序列长度(seq_length)*和一次训练所抓取的数据样本数量(batch_size)，并通过归一化编码对数据进行处理使数据变为-1到1之间的数据；
[0067]
s4-4：初始化基本参数和网络模型构建即为s3中的操作；
[0068]
s4-5：使用损失函数对神经网络模型进行优化，具体步骤为：
[0069]
(1)设置损失函数：为了训练循环神经网络模型，需要找到一种方法来度量循环神经网络模型输出产生的误差，该方法同样是损失函数(loss function)。循环神经网络模型常用的损失函数为交叉熵函数，表达式如下：
[0070][0071]
式中：y是真实输出值，是神经网络预测的输出值，x为样本预测概率损失值；
[0072]
损失函数的目标是优化循环神经网络中的权重参数矩阵u、w、v，使得输入的序列数据经过循环神经网络后的输出值更加接近真实的输出值，即希望找到能够在给定训练数据的情况下，使损失函数最小化的一组参数，y与之间相差越大，意味着网络模型的误差越大，其损失也就越大。
[0073]
假设在循环神经网络中时间步t的损失函数为l
t
，则表达式如下:
[0074][0075]
如果输出的时间序列数为t,那么循环神经网络模型的总损失函数表达式如下：
[0076][0077]
(2)需要在神经网络模型中对比网络的输出预测值和真实输出值之间的差异：使
用随机梯度下降(sgd)算法，对损失函数进行优化，更新网络参数，同时使用反向传播算法对损失函数求导，获得网络中所有参数的梯度；反向传播算法是一种与最优化方法(例如梯度下降法)结合使用的，用来训练人工神经网络的常见方法，该方法对网络中所有权重计算损失函数的梯度，这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。反向传播算法仅指用于计算梯度的方法，而另一种算法，例如随机梯度下降法，才是使用该梯度来进行学习。
[0078]
在迭代过程中，通过学习率轻轻地推动网络参数朝着误差减少的方向去改变，从而更新循环神经网络模型中的权重参数矩阵u、w、v，即为循环神经网络确定权重参数的方式。
[0079]
循环神经网络模型中的权重参数u、w、v在网络的所有时间步中通过共享使用，所以每一个时间步的输出梯度不仅依赖于当前时间步t的运算，也包括了上一时间步t-1的运算，通过反向传播算法，输入训练样本(x,y)，可以得到权重参数的导数如下：
[0080][0081]
反向传播算法的目标是求得导数根据网络中3个权重参数的变化率来优化网络参数u、w、v，有如下表达式：
[0082][0083]
因此只需要对每个时刻的损失函数求偏导，得到该时刻损失函数关于权重的导数，再进行相加即可得到总的导数。
[0084]
反向传播算法考虑了上下层之间梯度的纵向传播，对模型整体进行参数优化，接着用测试数据集对训练好的模型进行校验，重新调整参数并投入使用。
[0085]
s5：确定战场目标位置预测模型最优参数步骤包括：本发明中，解决目标活动趋势预测模型设置的参数如表1所示：
[0086]
表1目标活动趋势预测模型参数
[0087][0088]
首先确定神经网路模型的学习率：当学习率取0.001、0.002或0.005时，计算结果尚可，但计算时间过长，效率过低，所以学习率取0.01时，计算效率较高，结果也较稳定，是最佳选择；
[0089]
接下来在最优参数下对其中一个参数进行调整，以确保最优参数的合理性、科学性。seq_lenth参数固定为25，即四小时收集到的25个数据；epoch即迭代次数固定为100；通
过以下顺序对其他参数进行调整：隐藏层单元数、rnn类型、输出层激活函数、batch_size即样本数量大小、优化器类型，优化器是用于更改神经网络属性(例如权重和学习率)以减少损失的算法或方法；学习率。将调参的原则设为在不改变其他参数的情况下依次调整上述参数。
[0090]
调整各参数后发现，序列长度为25；学习率为0.01；rnn类型为gru网络；输出层激活函数为tanh；隐藏单元数为20；样本数量为25；训练次数为100；优化器类型为momentum，确认为模型最优参数。
[0091]
待各模型参数调整完毕，输入我方观测数值，对敌方目标趋势进行预测，预测结果如图4和图5所示。
[0092]
本发明通过构建战场目标位置预测模型，使用时输入已经侦测到的位置信息，输出下一时刻敌方目标的位置，对战场各时刻敌方目标位置做出预测，对特征提取的输入输出进行分析，并在此基础上给出深度神经网络模型的构造方法，通过敌方目标历史位置数据对模型进行数次迭代训练、校验，然后通过校验数据对训练完成的模型进行校验并判断其准确率，可以及时响应快速变化的战场态势需求，通过大量数据进行深度学习训练网络模型，最终实现高效率、高精度的战场趋势预测，提高我方对于敌方目标作战趋势信息预测的时效性，为现代战场作战趋势预测提出新的解决方案。
[0093]
本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明的保护范围。