CN119961758B 基于航迹特征的低空小微无人机目标智能识别方法 （南京航空航天大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119961758B(45)授权公告日2025.07.11

(21)申请号202510064048.7

(22)申请日2025.01.15

(65)同一申请的已公布的文献号申请公布号CN119961758A

(43)申请公布日2025.05.09

(73)专利权人南京航空航天大学

地址211106江苏省南京市江宁区将军大

道29号

(72)发明人宫丽娜高奇李鹏王宁宁

李迪

(74)专利代理机构南京有岸知识产权代理事务所(特殊普通合伙)32757

专利代理师王磊

(51)Int.CI.

GO6F18/241(2023.01)

GO6N3/0455(2023.01)

GO6F18/10(2023.01)

GO6F18/2113(2023.01)

GO6F18/2415(2023.01)

(56)对比文件

CN113569465A,2021.10.29

CN114067242A,2022.02.18审查员高珊

权利要求书3页说明书10页附图2页

(54)发明名称

基于航迹特征的低空小微无人机目标智能识别方法

(57)摘要

CN119961758B本发明公开了一种基于航迹特征的低空小微无人机目标智能识别方法，具体包括：针对低空小微无人机的航迹数据设计能够有效表征目标特性的多维度特征；通过质数步长采样法结合滑动窗口法对航迹数据进行数据增强；对增强后的航迹数据进行特征计算，并对异常值和缺失值进行处理，然后将数据归一化和标准化；使用AutoGluon框架进行特征重要性分析，筛选出关键特征并用其构建AutoGluon无人机分类器；再基于增强后的航迹数据构建iTransformer时间序列分类器，并与AutoGluon无人机分类器融合，经过训练迭代得到最优识别模型；本发明可实现对低空小型和微型无人机的快速、准确识别，具

CN119961758B

开始

开始

针对低空小、微无人机的航迹数据设计特征集

基于历史航迹数据进行数据增强

对数据增强后的航迹数据进行特征计算，并对异常值和缺失值进行处理，然后将数据归一化处理

使用AutoGluon框架进行特征重要性分析，筛选关键特征

使用筛选出的关键特征，通过

AutoGluon框架构建高效的小、微

无人机分类器

ITransformer时间序列模型，并

与AutoGluon框架构建的无人机分类器融合

结束

CN119961758B权利要求书1/3页

2

1.基于航迹特征的低空小微无人机目标智能识别方法，其特征在于，具体包括以下步

骤：

S1、针对低空小微无人机的航迹数据，设计用以有效表征待识别目标的多维度特征；

S2、通过质数步长采样法结合滑动窗口法对航迹数据集进行数据增强；

S3、对数据增强后的航迹数据集进行特征计算，并对特征的异常值和缺失值进行处理，再将处理后的航迹特征进行归一化；

S4、使用AutoGluon框架对归一化后的航迹特征进行重要性分析筛选出关键特征集以优化模型性能；

S5、以筛选出的关键特征集为输入，构建AutoGluon无人机分类器，将关键特征集划分为训练集和验证集，训练出最优模型，并计算出AutoGluon无人机分类器识别目标物体的平均准确率；

S6、基于增强后的航迹数据集再构建iTransformer时间序列分类器，并与构建的AutoGluon无人机分类器结合，综合考虑两种模型的识别能力和平均准确率，实现对低空目标的精准识别。

2.根据权利要求1所述的基于航迹特征的低空小微无人机目标智能识别方法，其特征在于，步骤S1具体包括：

S11、整理并汇总公开文献中基于航迹数据的无人机识别方法所使用的雷达数据；所述雷达数据包含六个基本信息：目标的方位角、斜距、相对高度、径向速率、记录时间以及雷达散射截面RCS;

S12、基于雷达数据设计包括加速度维度特征、速率维度特征、航向角维度特征和相对高度维度特征，以细粒度地区分无人机和非无人机在飞行轨迹和运动模式上的不同；所述加速度维度特征包括最大径向加速度、最大径向加速度值、加速度变化量；所述速率维度特征包括最大径向速率、最小径向速率、最大径向速率值、最小径向速率值、平均速度、速度标准差、速度震荡频率、最大速度、最小速度；所述航向角维