(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111679768.2 (22)申请日 2021.12.31 (71)申请人 北京航空航天大 学 地址 100190 北京市海淀区学院路37号 (72)发明人 庄福振　童逸琦　张华杰　应宇欣　 钱思涵　王德庆　陈黎　崔小舟　 (74)专利代理 机构 北京汲智翼成知识产权代理 事务所(普通 合伙) 11381 代理人 韩正魁　陈曦 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种融合多源特征的飞行器分类方法及系 统 (57)摘要 本发明公开了一种融合多源特征的飞行器 分类方法及系统。 该飞行器分类方法包括如下步 骤： 接收多个传感器获取的飞行器数据； 判断飞 行器数据的类型； 若飞行器数据为单源数据， 则 直接对飞行器数据进行预处理， 并进行特征提 取， 以获取单源特征； 若飞行器数据为多源数据， 则分别对各类型的飞行器数据进行预处理， 并分 别对各类型的飞行器数据进行特征提取， 以获取 综合特征； 将单源特征或综合特征输入到多层感 知机网络中， 以预测飞行器的类别。 本发明综合 考虑了多种特征信息， 能够提高对飞行器分类的 准确性和分类效果， 提高了飞行器 分类系统的适 应性。 权利要求书2页 说明书7页 附图4页 CN 114330585 A 2022.04.12 CN 114330585 A 1.一种融合多源特 征的飞行器分类方法， 其特 征在于包括以下步骤： 接收多个传感器获取的飞行器数据； 判断所述飞行器数据的类型； 若所述飞行器数据为单源数据， 则直接对所述飞行器数据进行预处理， 并进行特征提 取， 以获取单源特征； 若 所述飞行器数据为多源数据， 则分别对各类型的飞行器数据进行预 处理， 并分别对各类型的飞行器数据进行 特征提取， 以获取综合特 征； 将所述单源特 征或所述综合特 征输入到多层感知机网络中， 以预测飞行器的类别。 2.如权利要求1所述的飞行器分类方法， 其特征在于， 所述飞行器数据至少包括： 可见 光图像、 飞行轨 迹和电磁辐射。 3.如权利要求2所述的飞行器分类方法， 其特征在于， 所述对飞行器数据进行预处理包 括： 可见光图像预处理： 对所述可见光图像进行翻转和角度旋转， 以对所述可见光图像进 行数据增强； 选取所述可见光图像的最大内接矩形； 对于增强后的可见光图像数据， 将大小 不同的可 见光图像裁 剪为大小统一的可 见光图像； 飞行轨迹预处理： 选取设定时间内里的飞行数据； 将所述飞行数据转换为经度坐标、 纬 度坐标和高度坐标； 利用轨迹方程计算出每一个采样时刻所对应的曲率和扰率； 将所述经 度坐标、 纬度坐标、 高度坐标、 曲率和扰率进行 特征拼接； 电磁辐射预处理： 选取设定时间内的雷达回波信息； 使用小波变换法和平均数方差法 对所述雷达回波信息进行稀疏恢复和归一 化处理。 4.如权利要求2所述的飞行器分类方法， 其特征在于， 所述对飞行器数据进行特征提取 包括： 采用第一特征提取器对可见光图像进行特征提取， 所述第一特征提取器至少包括 Vision Transformer模型； 采用第二特征提取器对飞行轨迹和电磁辐射进行特征提取， 所述第 二特征提取器至少 包括IDCNN模型。 5.如权利要求4所述的飞行器分类方法， 其特征在于， 所述综合特征通过以下方式获 取： 当分别对各类型的飞行器数据进行 特征提取后， 判断是否需要 进行特征融合； 若需要， 则根据跨特征的门控网络计算不同类型的特征的权重比例， 并基于不同类型 的特征的权重比例， 通过将不同类型 的特征进行加权， 得到所述综合特征； 若不需要， 则直 接将不同类型的特 征相加， 得到所述综合特 征。 6.如权利要求5所述的飞行器分类方法， 其特征在于， 所述根据跨特征的门控 网络计算 不同类型 的特征的权重比例， 并基于不同类型 的特征的权重比例， 通过将不同类型 的特征 进行加权， 得到所述综合特 征具体包括： 对可见光图像特 征和飞行轨 迹特征进行加权求和， 得到第一加权特 征； 对所述飞行轨 迹特征和电磁辐射特 征进行加权求和， 得到第二加权特 征； 将所述第一加权特 征与所述第二加权特 征进行特征拼接， 得到所述综合特 征。 7.如权利要求6所述的飞行器分类方法， 其特征在于， 所述对可见光图像特征和飞行轨 迹特征进行加权求和， 得到第一加权特 征具体包括：权　利　要　求　书 1/2 页 2 CN 114330585 A 2对可见光图像特征ci进行线性变换得到ci_linear， 以使所述ci_linear的特征维度与所述飞 行轨迹特征hi的特征维度相同； 采用Sigmo id函数， 通过 下式进行加权求和得到第一加权特 征Ci； α ＝sigmo id(Wc·ci_linear+Uc·hi) Ci＝α·ci+(I‑α )·hi 其中， I代表单位矩阵； ·代表元素乘； α代表Sigmoid函数归一化后的特征权重； Wc和Uc 代表权重矩阵， 由模型在训练过程中得 出。 8.如权利要求6所述的飞行器分类方法， 其特征在于， 所述对所述飞行轨迹特征和电磁 辐射特征进行加权求和， 得到第二加权特 征具体包括： 采用Sigmo id函数， 通过 下式进行加权求和得到第二加权特 征Hi； β ＝sigmo id(Wh·hi+Ux·ui) Hi＝β·hi+(I‑β )·ui 其中， I代表单位矩阵； ·代表元素乘； hi代表飞行轨迹特征； ui代表电磁辐射特征； β 代 表Sigmoid归一化后的特 征权重； Wh和Uh代表权重矩阵， 由模型在训练过程中得 出。 9.如权利要求1所述的飞行器分类方法， 其特征在于， 所述将所述单源特征或所述综合 特征输入到多层感知机网络中， 以预测飞行器的类别具体包括： 将所述单源特 征或所述综合特 征输入到多层感知机网络中进行降维； 通过softmax函数进行概 率值预测； 取概率最大值对应的类别作为飞行器的最终预测类别。 10.一种融合多源特征的飞行器分类系统， 其特征在于包括处理器和存储器， 所述处理 器读取所述存储器中的计算机程序， 用于执 行以下操作： 接收多个传感器获取的飞行器数据； 判断所述飞行器数据的类型； 若所述飞行器数据为单源数据， 则直接对所述飞行器数据进行预处理， 并进行特征提 取， 以获取单源特征； 若 所述飞行器数据为多源数据， 则分别对各类型的飞行器数据进行预 处理， 并分别对各类型的飞行器数据进行 特征提取， 以获取综合特 征； 将所述单源特 征或所述综合特 征输入到多层感知机网络中， 以预测飞行器的类别。权　利　要　求　书 2/2 页 3 CN 114330585 A 3