Research on Maneuvering State Recognition Method of Hypersonic Glide Vehicle
-
摘要: 高超声速滑翔飞行器(HGV)的迅猛发展改变了传统的作战样式，开辟了军事斗争的新领域。对HGV的机动状态进行识别可以为威胁评估、轨迹预测和防御决策提供有力支撑。为提高HGV机动状态识别精度，该文提出一种基于注意力机制的卷积长短时记忆网络识别模型(AT-ConvLSTM)。在对HGV进行机动建模和特性分析基础上，将HGV在空间的机动状态分为8类，构造了对应的特征识别参数，建立了包含不同初始条件和控制模式下HGV机动轨迹的轨迹库。推导了从雷达跟踪信息到特征识别参数的转换步骤，使用提出的状态识别模型对HGV机动轨迹的时空特征进行提取，并通过SoftMax分类器输出机动状态分类。最后，通过仿真实验对模型性能进行验证。结果表明，所提状态识别模型能够有效在线识别HGV机动状态，具有较好的实时性和准确性。Abstract: The rapid development of Hypersonic Glide Vehicle (HGV) has changed the traditional combat style and opened a new field of military struggle. Identifying the maneuvering state of HGV can provide a powerful support for threat assessment, trajectory prediction and defense decision. In order to improve the accuracy of HGV maneuver state recognition, an HGV maneuver state recognition model based on ATtention Convolutional Long Short-Term Memory network (AT-ConvLSTM) is proposed. First, on the basis of maneuvering modeling and characteristic analysis of HGV, the maneuvering state of HGV in space is divided into eight categories, and the corresponding feature recognition parameters are constructed. A trajectory library containing HGV maneuvering trajectories under different initial conditions and control modes is established. Then, the conversion steps from radar tracking information to feature recognition parameters are deduced. The proposed state recognition model is used to extract the spatial features of HGV motion trajectory, and the maneuvering state is classified by the SoftMax classifier. Finally, the algorithm is verified by simulation experiments. The results show that the proposed method can effectively identify HGV maneuvering state online, which has good real-time and accuracy.
-
Key words:
- Hypersonic /
- Vehicle /
- State recognition /
- Deep learning /
- Maneuver modeling
-
1. 引言
贝叶斯网络[1]表达一种因果关系，用图模型理论和统计学知识表示属性之间的概率，在贝叶斯网络中，分类是根据类别的先验分布计算后验概率，从而选择最可能的类。贝叶斯分类器在时间和空间复杂性上具有优秀的表达能力[2]。朴素贝叶斯(Naïve Bayes, NB)分类器[3]是一种简单有效的贝叶斯网络，但由于其属性变量之间存在条件独立性假设，分类精度不佳。Friedman等人[4]提出树增强的朴素贝叶斯(Tree-Augmented Naïve Bayes, TAN)，它允许属性结点最多只能依赖于一个非类结点，综合性能良好，是学习效率与分类精度之间的一种折中。
目前关于TAN分类器的研究通常从构建合适的贝叶斯网络着手，文献[5]提出一种不确定条件互信息度量方法来学习树形贝叶斯分类网络结构；文献[6]根据条件对数似然性提出一种平均树增强朴素贝叶斯；文献[7]对TAN分类器结构空间和TAN分类器结构等价类空间进行了研究，提出一个不考虑边重定向的TAN分类器学习算法。这类低阶或受限(如k阶依赖贝叶斯(k-BAN)[8,9])的贝叶斯分类模型既避免了由高维计算导致的不稳定性[10,11]，同时也增强了网络结构中属性之间的因果关系。然而，TAN模型虽然简洁高效，但在构建网络结构时并没有进行相关属性选择或引入新属性，这对TAN分类模型的分类精度有所影响。
本文在保证TAN精简结构的基础上，提出扩展的TAN分类器，额外允许TAN模型中部分属性没有父结点。考虑到属性对类贡献程度差异，采用互信息测试进行属性选择，用于确定后续每个属性结点的候选连接。并给出了利用可分解的评分函数来构建TAN模型的详细过程(此过程中的模型简记为STAN)，提出一种利用改进的贝叶斯信息标准(Bayesian Information Criterion, BIC)评分函数来构建树形贝叶斯网络分类模型(Extended Tree Augmented Naïve Bayes with the Score function, SETAN)的学习方法。通过与其它同类分类器进行对比实验，本文提出的SETAN分类模型取得了更好的分类精度。
2. 基于BIC评分函数的SETAN分类器
2.1 TAN模型
2.1.1 TAN模型
TAN分类器是一种满足Markov条件[12]的树形结构的贝叶斯网络分类器，其结构如图1(b)所示，对比图1(a)中的NB结构，它允许每个属性结点除了类父结点外，至多只有1个属性父结点。对于概率分布
P(X1,X2,···,Xn,C) , TAN分类器可表示为argmaxC(x1,x2,···,xn)(P(C)n∏i=1P(Xi|Πi,C,GT)) (1) 其中，
GT 表示在给定类结点C的约束条件下X1,X2,···,Xn 的最大权重跨度树，Πi 是在最大权重跨度树中Xi 的属性父结点，Πi 取值为0或1。因此，学习TAN结构首先要建立一个无向图结构，再找到合适的算法来解决最大权重生成树问题。2.1.2 STAN(Tree-Augmented Naïve Bayes with Score function)模型
评分与搜索方法是常见的一种贝叶斯网络结构学习方法，它将结构学习转化成最优化问题，学习目标即搜索评分较高的网络结构。评分搜索的结构学习方法分为两步：网络结构评分函数和网络结构学习算法的确定。一旦定义好评分函数，贝叶斯网络结构学习问题就是一个最优化搜索问题。
(1) 评分函数
假设给定完整训练集D，
D={X1,X2,···,Xn} , G是以X1,X2,···,Xn 为结点的贝叶斯网络。假设数据集满足独立同分布假设，则G相对于数据集D的优劣可以用评分函数来度量。探索最佳贝叶斯网络结构，就是找到可使得评分函数最大化的一个有向无环图G。即Gmax=argmaxG∈GxScoreD(G) (2) 若选定的评分函数
ScoreD(G) 满足似然等价性和可分解性，图G1 ,G2 (G1≠G2 )是在属性结点集上的两个任意图，变量之间的条件独立性相同，当且仅当ScoreD(G1)=ScoreD(G2) 时，此时称ScoreD 是似然等价的，可分解性则意味着有向无环图G 可用它的局部结构表示，即ScoreD(G)=n∑i=0ScoreD(Xi,Πi) (3) 评分函数是影响贝叶斯网络结构学习精确度的一个主要因素，选择合理的评分函数是贝叶斯网络结构学习的一个核心问题。文献[13]提出BIC评分函数，具备可分解性和似然等价性。BIC评分函数是在样本满足独立同分布假设的前提下，用对数似然度度量结构与数据的拟合程度。具体形式为
BIC(GT|D)=n∑i=1qi∑j=1ri∑k=1mijklgθijk−12n∑i=1qi(ri−1)lgm (4) 其中，
qi 是变量Xi 父结点取值组合的数目，ri 是变量Xi 的取值数目，m 是样本数，mijk 表示Xi 的父结点取j 值，Xi 取k 值时的样本个数。mij=∑rik=1mijk ,θijk=mijk/mij 。(2) 模型描述
下面给出TAN分类模型结合评分搜索方法 STAN的一般性表达式。给定评分函数时，在TAN无向图中，有
ScoreD(Xi,{C})+ScoreD(Xi,{C,Xj})=ScoreD(Xj,{C})+ScoreD(Xj,{C,Xi}) (5) 由对称性可定义图中每条边
(Xi,Xj) 的权重w(Xi,Xj)=ScoreD(Xi,{C})−ScoreD(Xi,{C,Xj}) (6) 假设只有
X1 不具备属性父结点，则可求得TAN分类器的网络结构表达式GTAN=argmaxG∈GTANScoreD(G)=maxG∈GTAN(n∑i=2ScoreD(Xi,{C,Πi})+ScoreD(X1,{C}))=ScoreD(X1,{C})−minG∈GTAN(−n∑i=2ScoreD(Xi,{C,Πi})) 结合式(5)和式(6)，则有
GTAN=n∑i=1ScoreD(X1,{C})−minn∑i=2w(Xi,Πi) (7) 其中，最小式即最小生成树问题，将其最小化即可求得TAN分类网络结构，如图1(b)所示。当权重
w(Xi,Xj)≥0 时，移除边(Xi,Xj) 。2.2 SETAN模型
2.2.1 理论分析
由TAN的定义和式(7)可知，TAN结构限制每个属性结点
Xi 对其父结点有如下两种连接选择：(1)只有类父结点C；(2)具有类父结点C 和一个属性父结点Xj 。TAN的学习是在完全图中搜索弧空间，通过这种限制，减小了搜索空间；同时父结点的数量受限使得条件概率计算相应地减少。然而，Greiner等人[14]通过实验证明，与数据集实际分布近似或比数据集实际分布简单的网络结构都具有一定的局限性。文献[7]已给出证明，限制父结点的数量可以有效避免具有指数复杂度的高维计算。而且即使NB网络或TAN网络相对简单，也可能由于存在冗余的结点和弧边而使得网络结构复杂化。显然，TAN结构并不能充分地表示属性结点之间的依赖关系，而且在构建网络结构时也未能去除冗余的属性结点，TAN是在维持原始属性变量集合的基础上建立低阶树形分类模型，而不是通过引入新的属性变量来放松条件独立性假设。因此，在建立TAN结构前有必要进行属性选择，既能保持模型的简洁性，同时进一步压缩结构学习过程中的搜索空间。另外，TAN结构仅仅强化了属性之间的因果关系，而没有考虑不同属性对类的贡献，这同样也降低了TAN模型的分类准确性。文献[15,16]的一系列对比实验证实了这一结论。
基于上述分析，本文进一步扩展了TAN网络结构，该网络结构相对于TAN能够更充分地表示在类约束下属性之间的依赖关系，并尝试剔除对分类模型没有贡献的属性结点。
2.2.2 SETAN模型
(1) 条件独立性(CI)测试
由香农的信息论可知，互信息可用作两个变量之间相关性度量，两个随机变量
Xi 和Xj 之间的互信息为I(Xi,Xj)=H(Xi)−H(Xi|Xj)=∑xi,xjP(Xi,Xj)lg[P(Xi,Xj)P(Xi)P(Xj)] (8) 当
I(Xi,Xj)=0 或小于某阈值ε ，认为随机变量Xi 和Xj 相互独立。互信息测试又可以称为0阶CI测试。利用互信息在量化邻居结点之间的影响，比使用更多三角形结构信息的方法具有更好的性能[17]。(2) 改进BIC评分函数
在式(4)中，第1项是模型的对数似然度，评估网络结构与数据的拟合程度。第2项是惩罚项，避免模型过拟合。
θijk 表示贝叶斯网络中变量Xi 的似然条件概率，且存在0≤θijk≤1 ,∑kθijk=1 。当父结点取第j(1≤j≤qi) 个值时，max(θijk) 的值越接近1，表明在第j 个取值时，父结点和子结点的因果关系越强；反之，max(θijk) 越接近1/ri ，表明其因果关系越弱，甚至不具有因果关系。选择相关贝叶斯模型时，结合BIC评分函数确实有可能找到具有最大后验概率的目标模型，但当目标函数无边界时会失效[18]。由式(4)中固定惩罚结构可知，对于同一个贝叶斯网络，样本数越大，网络结构的得分相应越大，分值与样本数呈单调递增关系，容易产生过拟合，影响模型性能。因此，一方面既希望类似式(7)和式(10)的评分函数最大化，但又需尽可能避免模型过拟合现象，可以添加惩罚系数
ξ ，重新改写BIC评分函数的惩罚项为ξ∑ni=1qi(ri−1)lgm ，该惩罚项可进一步简化成ξ∑ni=1lgm⋅qi⋅ri 。根据BIC评分函数的可分解性，可得到改进后BIC的家族评分函数为ScoreD(GT)=BIC((Xi,Πi)|D)=qi∑j=1ri∑k=1mijklgmijkmij−ξlgmqi⋅ri (9) (3) 改进TAN模型
为避免贝叶斯网络分类器的高维计算，同时为了在构建SETAN结构时去除冗余结点并减少候选父结点集的搜索空间，增强分类模型的可靠性与健壮性，在TAN结构基础上，允许属性结点没有父结点。即具有如下额外两种选择：只有一个属性父结点；没有父结点。其中没有父结点的属性结点被视为对分类模型没有贡献的冗余结点。考虑到SETAN结构中各个属性结点
Xi 和类结点C 的相关性不同，先对类结点和属性结点进行互信息测试，如图1(c)中间图和图1(d)SETAN结果图所示。对于互信息大于阈值
ε 的结点Xi 和Xj ，计算并比较Score(Xi,{C}) ,Score(Xi,{Xj,C}) ,Score (Xi,{Xj}) 三者评分大小，添加有向弧，如结点X3 ,Score(X3,{X1,C}) 最大，则有C→X3 和X1→X3 ；对于互信息小于阈值
ε 的结点Xk ，计算并比较Score(Xk,{Xi}) 和Score(Xk,{∅}) ，添加有向弧，如结点X2 ，不能将类结点作为父结点，且Score(X2,{X1}) 最大，则有X1→X2 ；同理，对于结点X4 ，则被视为对类没有贡献的冗余结点。基于上述改动，每个属性结点不必将类结点纳入候选父结点集，则式(5)中的对称性无法成立，从而无法在式(7)中利用最小生成树算法求得SETAN结构。此时对于经过0阶CI测试后的无环图，采用BIC评分函数贪婪查找下一个局部无环图
G ，从而得到图1(d)所示的最终有向无环图。则有GSETAN=argmaxG(k1∑i=1ScoreD(Xi,Πi)+k2∑j=1ScoreD(Xi,Πj)) (10) 其中，
Πi 和Πj 分别是符合不同互信息测试的属性结点的父结点集，k1 是符合互信息大于阈值ε 的属性结点个数，k2 是符合互信息小于阈值ε 且对网络结构有贡献的属性结点个数，所以k1+k2≤n 。因此，对于概率分布P(X1,X2,···,Xn,C) , SETAN分类器的表示形式为argmaxC(x1,..xn)(P(C)n∏i=1P(Xi|Πi,C,GSETAN)) (11) 式(11)和式(1)类似，区别在于
Πi 是否为SETAN结构中符合互信息测试属性Xi 的父结点集，且有Πi⊇{C} 。2.2.3 算法描述
基于BIC评分函数的SETAN分类器学习方法主要有如下改进：(1)提出SETAN网络结构，在TAN结构基础上中放松了每个属性结点的父结点选择条件，允许部分属性没有类父结点，在同等计算复杂度下提高了分类模型的可靠性；(2)结合上述属性依赖条件，采用低阶CI测试，获得各个属性的候选父结点集合，同时也获得候选的冗余结点集，压缩了评分搜索学习方法的搜索空间；(3)将类结点纳入整个网络结构学习过程中，利用改进的BIC评分函数对局部最优无环图进行贪婪查找，从而获得最终的SETAN网络结构。进一步去除无效结点，提高算法的分类精度，如表1所示。
表 1 算法描述输入：变量集V，样本数据集D 输出：SETAN结构 步骤1 For each Xi∈V, I(C,Xi)=Calc_MI(C,Xi)# 计算属性
与类别之间的互信息值步骤2 将每个互信息值I(C,Xi)存入数组，降序 步骤3 For each I(C,Xi)>ε in List S1=S1∪{Xi} Add path C−Xito graph E# 若无连接边，则添加类
别C到属性Xi的连接边S2=S2∪{Xj}，Xj∈{I(C,Xj)<ε} Add path Xi−Xjto graph E# 互信息值小于阈值ε的
结点则被添加到集合S2Remove I(C,Xi)from List End for 步骤4 For each E′∈E Score(E′)=Calc_BIC(E′)# 计算改进的BIC评分 K2-Search of the optimal SETAN Structure # 利用评
分函数搜索最优结构End for 步骤5 Return G=(V′,E′)with best BIC score 2.2.4 时间复杂度分析
从整体上看，本文提出的SETAN分类器学习方法主要分为两个部分：首先是类结点与各个属性结点之间的互信息测试。主要耗时是互信息测试
I(C;Xi) ，复杂度为O(Nn) ，N是训练集实例数量，n是属性结点数量；第2部分是构建SETAN网络结构，主要是需要比较每个结点和其候选父结点集的连接得分，以此确定其父结点。时间复杂度是O(Nk21+Nk1⋅k2) ，因为k1+k2≤n ,ε 一般取0.01～0.05，大多数属性结点可符合互信息测试，即k2≪k1 。因此，SETAN分类器最终可在O(Nn2) 内完成，和TAN分类模型的时间复杂度相同。3. 实验结果与分析
3.1 BIC评分函数惩罚系数估计
本节实验的主要目的是确定式(9)中改进后BIC评分函数的合适的惩罚系数
ξ 。分别采用http://www.norsys.com 提供的Asia网和Alarm网进行仿真实验。Asia网包含8个变量和8条边，Alarm网包含33个结点，46条边，样本数量均为5000。利用常见的K2算法和改进后的BIC评分函数学习贝叶斯网络结构，惩罚系数ξ 分别取0.01, 0.001, 0.0001。实验结果如表2所示，A为增加边，D为确实边，R为正确边。从表2的实验结果可以看出，ξ=0.01 时，Asia网络和Alarm网络结构缺式边数量相对比较多，没有增加边，说明惩罚系数偏大，导致数据和网络结构欠拟合；ξ=0.0001 时，网络结构增加边相对较多，导致数据和网络结构过拟合；而当ξ=0.001 时，各项数据比较合理，说明数据和网络结构拟合较好。表 2 网络结构学习实验结果ξ Asia网 Alarm网 A D R A D R 0.01 0 3 5 0 20 25 0.001 1 1 7 3 2 45 0.0001 3 0 8 15 3 45 3.2 SETAN模型分类性能评估
3.2.1 实验环境
实验数据选取UCI资源库中6个具有代表性的离散数据集、KDD Cup2008“乳腺癌早期检测问题”数据集和1987年美国众议院选举投票的数据集，数据信息如表3所示。实验环境在Windows7操作系统上进行，集成开发环境Intellij Idea, Weka 3.8，硬件配置为Intel®Core(TM)i5-2410MCPU@2.30 GHz，内存1 GB。
表 3 实验数据集信息数据集 样本数量 类别分布 属性数量 分类数量 缺失值 Balance 625 49/288/288 4 3 否 Car 1728 1210/384/69/65 6 4 否 Connect 67558 44473/16635/6449 42 3 否 Mushroom 8124 4208/3916 22 2 是 Nursery 12960 4320/2/328/4266/4044 8 5 否 SPECT 80 40/40 22 2 否 Cancer 286 85/201 9 2 否 Votes 435 168/267 16 2 是 3.2.2 阈值
ε 的准确率对比由式(8)可知，两两结点间互信息值小于阈值时，则被认为相互独立。为避免这类经验性参数的干扰[19]，分别在表3中4个数据集上进行阈值对比实验。实验采用十折交叉有效性验证的方法，对于缺失值将其作为一个单独的值来处理，实验结果取平均值，其中
ε 分别取0.01, 0.05和0.1。实验结果如表4所示。表 4 阈值ε 信息数据集 阈值ε 平均准确率 Balance 0.01/0.05/0.10 0.915/0.914/0.910 Connect 0.01/0.05/0.10 0.767/0.764/0.760 SPECT 0.01/0.05/0.10 0.740/0.738/0.733 Cancer 0.01/0.05/0.10 0.710/0.710/0.698 图2展示了各个数据集上SETAN在不同阈值
ε 情况下的分类准确率。阈值ε 的设定会影响两两结点是否相互独立的概率，在同一数据集上，阈值ε 越小，式(10)中与类结点相关的属性结点数会相应增加；反之，阈值ε 越大，可能存在的冗余结点数增加。因此，阈值ε 越小，式(10)代表的网络结构得分越高，从而构建的分类效果越好。但同时，阈值ε 越小，相关的结点数增加，随之计算量也会相应增加。由图可知，阈值ε 取0.01和0.05时的分类准确率非常接近，因此ε 取0.05较为合理。3.2.3 实验结果及分析
本文采用准确率(Accuracy)、召回率(Recall)、精确率(Precision)、F1值(F1-measure)、受试者工作特征曲线(Receiver Operating Characteristic, ROC)与坐标轴围成的面积(Area Under ROC Curve, AUC)5个常见的分类指标进行性能评估，ROC曲线的横轴是假正例率(FPR)，纵轴是真正例率(TPR)。相较于Precision和Recall等衡量指标更加合理，AUC值越大说明模型性能越好。FPR和TPR二者定义如式(12)
TPR=TPTP+FN,FPR=FPTN+FP (12) 所用的低阶CI测试阈值
ε 取值为0.05，BIC评分函数的惩罚系数ξ 取0.001。在实验中采用十折交叉有效性验证的方法，对于数据集中的缺失值，将其作为一个单独的值来处理，实验结果取平均值。表5、图3—图7分别给出了本文提出的SETAN算法与NB, TAN算法的详细实验结果。表 5 NB, TAN和SETAN的各项分类指标对比情况数据集 算法 准确率 F1值 召回率 精确率 AUC面积 NB 0.914 0.876 0.914 0.842 0.961 Balance TAN 0.861 0.834 0.861 0.836 0.904 SETAN 0.914 0.876 0.914 0.842 0.962 NB 0.857 0.849 0.857 0.854 0.976 Car TAN 0.908 0.911 0.908 0.92 0.983 SETAN 0.946 0.947 0.946 0.947 0.988 NB 0.721 0.681 0.721 0.681 0.807 Connect TAN 0.763 0.722 0.763 0.731 0.864 SETAN 0.764 0.724 0.764 0.735 0.866 NB 0.958 0.958 0.958 0.96 0.998 Mushroom TAN 0.999 1.000 0.999 1.000 1.000 SETAN 1.000 1.000 1.000 1.000 1.000 NB 0.903 0.894 0.903 0.906 0.982 Nursery TAN 0.928 0.92 0.928 0.929 0.991 SETAN 0.937 0.927 0.937 0.937 0.993 NB 0.738 0.735 0.738 0.745 0.802 SPECT TAN 0.713 0.709 0.713 0.724 0.668 SETAN 0.738 0.736 0.738 0.741 0.755 NB 0.734 0.727 0.734 0.723 0.702 Cancer TAN 0.706 0.692 0.706 0.687 0.667 SETAN 0.710 0.700 0.710 0.695 0.624 NB 0.901 0.902 0.901 0.905 0.973 Votes TAN 0.940 0.940 0.940 0.941 0.986 SETAN 0.949 0.950 0.949 0.950 0.985 从表5可以看出，SETAN在多分类或二分类数据集上相对有更好的分类效果；对于类别分布不均衡的数据集(如Balance, Car, Nursery, Cancer)，SETAN的各项分类指标整体上优于NB和TAN分类器；其次，SETAN分类模型也适用于不同数据规模的数据集，但在SPECT和Connect数据集上的分类准确率较差，说明属性数量对分类模型的影响比较明显。其原因是，对于具有22个属性的SPECT数据集，80个样本相对于网络复杂度而言数据集规模太小，分类模型欠拟合导致各项分类指标不佳；对于Connect数据集，样本数量和属性数量均较大，相应的计算复杂度较高，导致评分搜索得到的模型指标不太理想。
总之，在数据规模、类别分布、属性数量这3个因素上，数据集的规模和类别分布对3种分类器的影响都比较小，而属性数量会明显影响分类效果。属性越多，分类准确率相应下降，但SETAN相比NB和TAN模型来说仍然占有优势。而且对于类别分布不均衡的数据集(如Balance, Car, Nursery), SETAN的分类准确率有明显改善。
为了更直观地观察SETAN算法与TAN, NB算法的分类效果差异，图3给出了3种算法的AUC面积的polar图，图4为NB, TAN和SETAN 3种分类器在同一数据集上的分类准确率对比图。由于3种算法在Mushroom数据集上的AUC值非常接近，因此图3和图4没有给出。在图3中可以明显看出SETAN在各个polar图中面积都是最大的，说明SETAN模型整体上优于NB和TAN，图4的平均分类准确率则辅证了这一点；此外，SPECT属于二分类的小数据集，图5中给出了3种算法的ROC曲线图，可以看出，在处理属性数较多的小数据集SPECT时，SETAN算法的也具有很好的分类结果。
进一步验证SETAN树形分类器的有效性，与文献[4]的UPTAN分类器进行比较，图6是二者平均分类准确率的柱状图。由图可知，SETAN在Cancer数据集上差于UPTAN，这是由于Cancer数据集中属性值划分不一造成的，UPTAN所提出的不确定条件互信息度量能有效应对这一情况，而SETAN在Car, Mushroom, Nursery上均有良好表现。
图7是基于表3中数据集Car上的SETAN结构图，图7的class结点是类别结点，其余结点是与是否买车相关的属性结点。可以看出，本文提出的学习方法剔除了与买车不太相关的doors属性，在一定程度上进行了属性选择，学习到的SETAN模型不仅有良好的分类准确率，同时也构造了更加精简有效的树形结构。
4. 结束语
本文提出一种基于评分搜索的树增强朴素贝叶斯分类器改进方法。考虑到属性对类贡献程度有所不同，该分类算法在此约束条件下利用低阶CI测试获得候选无效属性，随后通过改进的BIC评分函数结合K2算法的方式确定网络结构中弧边的方向，并去除无效属性，进而构建分类模型。本文方法额外允许属性没有父结点或只有一个属性父结点，从而构建了一种更好的树形贝叶斯网络结构，去除了冗余属性，增强了分类模型的可靠性。该算法和TAN分类模型的时间复杂度相同。实验结果表明，与NB, TAN及UPTAN分类器相比，SETAN的分类准确率更高。下一步尝试在大规模数据集上进行该算法的分布式并行化研究。
-
表 1 不同步长对应的模型训练结果
时间步长 精度(%) 训练集精度 验证集精度 50 92.36 91.25 100 95.97 94.68 150 96.13 95.54 200 97.41 96.32 250 98.59 97.75 300 97.98 97.04 
下载: 导出CSV
表 2 模型精度对比
网络模型 精度(%) 训练集精度 验证集精度 RNN 80.51 77.51 LSTM 86.18 82.31 CNN-LSTM 97.33 96.79 ConvLSTM 98.06 97.41 本文AT-ConvLSTM 98.59 97.75
下载: 导出CSV
表 3 模型识别准确率(%)
轨迹 CNN-LSTM ConvLSTM 本文AT-ConvLSTM LSTM RNN 轨迹1 89.44 90.00 91.67 88.89 87.22 轨迹2 90.00 91.11 92.78 73.33 66.67
下载: 导出CSV
表 4 模型识别准确率结果
网络模型 错误点数/总点数 准确率(%) RNN 18000/43200 58.33 LSTM 12600/43200 71.53 CNN-LSTM 4500/43200 89.58 ConvLSTM 3600/43200 91.66 本文AT-ConvLSTM 3300/43200 92.36
下载: 导出CSV
-
[1] 王国宏, 李岳峰, 于洪波, 等. 三维空间中高超声速目标修正三级Hough变换-检测前跟踪算法[J]. 电子与信息学报, 2018, 40(4): 890–897. doi: 10.11999/JEIT170622WANG Guohong, LI Yuefeng, YU Hongbo, et al. Modified triple-stage Hough transform track-before-detect algorithm in three-dimensional space for hypersonic target[J]. Journal of Electronics &Information Technology, 2018, 40(4): 890–897. doi: 10.11999/JEIT170622 [2] 肖松, 谭贤四, 王红, 等. 地基雷达部署对探测临近空间高超声速目标影响研究[J]. 电子与信息学报, 2015, 37(7): 1723–1728. doi: 10.11999/JEIT141024XIAO Song, TAN Xiansi, WANG Hong, et al. Detection performance assessment of near-space hypersonic target based on ground-based radar[J]. Journal of Electronics &Information Technology, 2015, 37(7): 1723–1728. doi: 10.11999/JEIT141024 [3] WANG Yongjun, DONG Jiang, LIU Xiaodong, et al. Identification and standardization of maneuvers based upon operational flight data[J]. Chinese Journal of Aeronautics, 2015, 28(1): 133–140. doi: 10.1016/j.cja.2014.12.026 [4] MA Yanjun, ZHAO Shunyi, and HUANG Biao. Multiple-model state estimation based on Variational Bayesian inference[J]. IEEE Transactions on Automatic Control, 2019, 64(4): 1679–1685. doi: 10.1109/TAC.2018.2854897 [5] 孟光磊, 张慧敏, 朴海音, 等. 自动化飞行训练评估中的战机机动动作识别[J]. 北京航空航天大学学报, 2020, 46(7): 1267–1274. doi: 10.13700/j.bh.1001-5965.2019.0445MENG Guanglei, ZHANG Huimin, PIAO Haiyin, et al. Recognition of fighter maneuver in automatic flight training evaluation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(7): 1267–1274. doi: 10.13700/j.bh.1001-5965.2019.0445 [6] 徐西蒙, 杨任农, 于洋, 等. 基于运动分解和H-SVM的空战目标机动识别[J]. 控制与决策, 2020, 35(5): 1265–1272. doi: 10.13195/j.kzyjc.2018.1210XU Ximeng, YANG Rennong, YU Yang, et al. Target maneuver recognition in air combat based on motion decomposition and H-SVM[J]. Control and Decision, 2020, 35(5): 1265–1272. doi: 10.13195/j.kzyjc.2018.1210 [7] 熊邦书, 刘雨, 莫燕, 等. 基于SVM的直升机飞行状态识别[J]. 应用科学学报, 2016, 34(4): 469–474. doi: 10.3969/j.issn.0255-8297.2016.04.012XIONG Bangshu, LIU Yu, MO Yan, et al. Recognition of helicopter flight condition based on support vector machine[J]. Journal of Applied Sciences, 2016, 34(4): 469–474. doi: 10.3969/j.issn.0255-8297.2016.04.012 [8] 张裕禄, 毕红葵, 叶泽浩, 等. 基于随机森林的HRGV滑翔段飞行状态识别[J]. 战术导弹技术, 2020(2): 1–8,21. doi: 10.16358/j.issn.1009-1300.2020.9.142ZHANG Yulu, BI Hongkui, YE Zehao, et al. Flight state recognition of HRGV glide section based on random forest[J]. Tactical Missile Technology, 2020(2): 1–8,21. doi: 10.16358/j.issn.1009-1300.2020.9.142 [9] 周旺旺, 姚佩阳, 张杰勇, 等. 基于深度神经网络的空中目标作战意图识别[J]. 航空学报, 2018, 39(11): 322468–322476. doi: 10.7527/S1000-6893.2018.22468ZHOU Wangwang, YAO Peiyang, ZHANG Jieyong, et al. Combat intention recognition for aerial targets based on deep neural network[J]. Acta Aeronautica et Astronautica Sinica, 2018, 39(11): 322468–322476. doi: 10.7527/S1000-6893.2018.22468 [10] 季学武, 费聪, 何祥坤, 等. 基于LSTM网络的驾驶意图识别及车辆轨迹预测[J]. 中国公路学报, 2019, 32(6): 34–42. doi: 10.19721/j.cnki.1001-7372.2019.06.003JI Xuewu, FEI Cong, HE Xiangkun, et al. Intention recognition and trajectory prediction for vehicles using LSTM network[J]. China Journal of Highway and Transport, 2019, 32(6): 34–42. doi: 10.19721/j.cnki.1001-7372.2019.06.003 [11] 贾镇泽, 樊晓光, 薛明浩, 等. 基于机动动作元的敌机战术机动在线识别方法[J]. 北京理工大学学报, 2018, 38(8): 820–827. doi: 10.15918/j.tbit1001-0645.2018.08.009JIA Zhenze, FAN Xiaoguang, XUE Minghao, et al. Online identification method for tactical maneuver of target based on air combat maneuver element[J]. Transactions of Beijing Institute of Technology, 2018, 38(8): 820–827. doi: 10.15918/j.tbit1001-0645.2018.08.009 [12] ZHENG Tianyu, YAO Yu, HE Fenghua, et al. Active switching multiple model method for tracking a noncooperative gliding flight vehicle[J]. Science China Information Sciences, 2020, 63(9): 192202. doi: 10.1007/s11432-019-1515-2 [13] FAUST O, SHENFIELD A, KAREEM M, et al. Automated detection of atrial fibrillation using long short-term memory network with RR interval signals[J]. Computers in Biology and Medicine, 2018, 102: 327–335. doi: 10.1016/j.compbiomed.2018.07.001 [14] 张君彪, 熊家军, 兰旭辉, 等. 基于自适应滤波的高超声速滑翔目标三维跟踪算法[J]. 系统工程与电子技术, 2022, 44(2): 628–636. doi: 10.12305/j.issn.1001-506X.2022.02.33ZHANG Junbiao, XIONG Jiajun, LAN Xuhui, et al. 3D tracking algorithm of hypersonic gliding target based on adaptive filtering[J]. Systems Engineering and Electronics, 2022, 44(2): 628–636. doi: 10.12305/j.issn.1001-506X.2022.02.33 [15] LI Guanghua, ZHANG Hongbo, and TANG Gguojian. Maneuver characteristics analysis for hypersonic glide vehicles[J]. Aerospace Science and Technology, 2015, 43: 321–328. doi: 10.1016/j.ast.2015.03.016 [16] JOSHI A, SIVAN K, and AMMA S S. Predictor-corrector reentry guidance algorithm with path constraints for atmospheric entry vehicles[J]. Journal of Guidance, Control, and Dynamics, 2007, 30(5): 1307–1318. doi: 10.2514/1.26306 [17] 陈克俊, 刘鲁华, 孟云鹤. 远程火箭飞行动力学与制导[M]. 北京: 国防工业出版社, 2014: 146–156.CHEN Kejun, LIU Luhua, MENG Yunhe. Launch Vehicle Flight Dynamics and Guidance[M]. Beijing: National Defense Industry Press, 2014: 146–156. [18] 王璐璐, 秦玉亮, 王宏强, 等. 飞行器升阻比估计误差分析方法研究[J]. 雷达科学与技术, 2012, 10(2): 174–179,186. doi: 10.3969/j.issn.1672-2337.2012.02.011WANG Lulu, QIN Yuliang, WANG Hongqiang, et al. Study on vehicle lift-to-drag ratio estimation error analysis method[J]. Radar Science and Technology, 2012, 10(2): 174–179,186. doi: 10.3969/j.issn.1672-2337.2012.02.011 [19] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278–2324. doi: 10.1109/5.726791 [20] SAJJAD M, KHAN S, HUSSAIN T, et al. CNN-based anti-spoofing two-tier multi-factor authentication system[J]. Pattern Recognition Letters, 2019, 126: 123–131. doi: 10.1016/j.patrec.2018.02.015 [21] HOCHREITER S and SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735–1780. doi: 10.1162/neco.1997.9.8.1735 [22] QING Xiangyun and NIU Yugang. Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM[J]. Energy, 2018, 148: 461–468. doi: 10.1016/j.energy.2018.01.177 [23] SHI Xingjian, CHEN Zhourong, WANG Hao, et al. Convolutional LSTM network: A machine learning approach for precipitation Nowcasting[C]. The 28th International Conference on Neural Information Processing Systems, Montreal, Canada, 2015: 802–810. [24] CHEN Zhenghua, WU Min, ZHAO Rui, et al. Machine remaining useful life prediction via an attention-based deep learning approach[J]. IEEE Transactions on Industrial Electronics, 2021, 68(3): 2521–2531. doi: 10.1109/TIE.2020.2972443 期刊类型引用(23)
1. 官国宇，杨皓翔，王运豪，郝立柱. 基于误分类修正的朴素贝叶斯分类器及其在政务热线行业分类中的应用. 数理统计与管理. 2025(01): 179-190 . 
百度学术2. 陈世武. 基于AI的网络流量分析与攻击检测研究进展. 网络安全技术与应用. 2025(04): 41-46 . 百度学术3. 王耀伟，刘原麟，潘若禹，陈宝文，罗方欣. 基于支持向量机的物流传送带场景下RFID识读性能研究. 现代电子技术. 2024(09): 150-156 . 百度学术4. 兰佳豪，杜运潮，周红侠. 基于树增强朴素贝叶斯的科技计划项目风险评价体系研究. 宁波工程学院学报. 2024(04): 26-32+40 . 百度学术5. 王学强，樊建春，杨哲，罗双平，徐志凯，蔡正伟，熊毅. 树增强型贝叶斯模型提升溢流预警时间提前量. 石油钻采工艺. 2024(04): 413-428 . 百度学术6. 肖军弼，魏娇娇. 面向数据挖掘的网络流量分析及预测研究综述. 计算机与数字工程. 2023(02): 372-379+467 . 百度学术7. 王渭刚. 基于朴素贝叶斯方法的英语缩略词汇推荐模型. 信息技术. 2023(04): 18-22+28 . 百度学术8. 齐迹. 基于RCNN模型的英语文本摘要自适应分类方法. 信息技术. 2023(10): 23-28 . 百度学术9. 陈晓姗，张国华. 基于朴素贝叶斯的大数据模糊随机挖掘仿真. 计算机仿真. 2023(11): 428-432 . 百度学术10. 方志豪，李正权，张铭玮. 基于加权朴素贝叶斯的水质数据分类研究. 物联网学报. 2022(01): 113-122 . 百度学术11. 李小燕. 基于朴素贝叶斯的智能电子图书信息自动分类系统. 自动化与仪器仪表. 2022(03): 26-30 . 百度学术12. 杜可敬. 三支增量朴素贝叶斯分类算法研究. 信息与电脑(理论版). 2022(14): 70-72 . 百度学术13. 胡启实，余卫星. 基于人工智能的多媒体数据库在线整合系统设计. 现代电子技术. 2021(02): 127-130 . 百度学术14. 张春英，冯晓泽，刘洋，马逸涛，刘凤春，高瑞艳，任静. 一种新的三支扩展TAN贝叶斯分类器. 小型微型计算机系统. 2021(03): 485-490 . 百度学术15. 谢文涌，柴琴琴，林旎，李祥辉，王武. 基于Stacking集成学习的马兜铃酸及其类似物鉴别. 江苏农业学报. 2021(02): 503-508 . 百度学术16. 潘勇斌，顾全，廖华，周南菁. 基于循环神经网络的电网故障智能告警信息分类研究. 自动化技术与应用. 2021(09): 56-60 . 百度学术17. 万迪明，孙海玉，张小斐，刘昊，耿俊成，袁少光. 基于树增强朴素贝叶斯分类的台区关口表挂接关系在线校验方法. 电子器件. 2021(06): 1463-1468 . 百度学术18. 冯天军，高坦，田秀娟. 基于朴素贝叶斯的交通事故严重程度分析. 山东交通科技. 2021(06): 1-4+8 . 百度学术19. 刘文斌，吴倩，杜玉改，方刚，石晓龙，许鹏. 基于个性化网络标志物的药物推荐方法研究. 电子与信息学报. 2020(06): 1340-1347 . 
本站查看20. 陈勇刚，崔康，孙向东，冯鹏宇. 运输航空飞行安全绩效模糊动态评估模型. 中国安全生产科学技术. 2020(08): 173-178 . 百度学术21. 李明. 基于朴素贝叶斯的重力感应电子秤定载荷点选择. 机械与电子. 2020(10): 43-47 . 百度学术22. 刘世晶，涂雪滢，田昌凤，徐皓. 基于机器视觉的吸鱼泵过鱼量计数系统试验研究. 渔业现代化. 2020(05): 45-51 . 百度学术23. 王震，张海清，彭莉，汪杰，游凤，李代伟，唐聃. 基于奇异值分解的医疗数据信息提取及分类方法. 成都信息工程大学学报. 2020(05): 537-541 . 百度学术其他类型引用(26)
-
下载:
百度学术
计量
- 文章访问数: 857
- HTML全文浏览量: 519
- PDF下载量: 125
- 被引次数: 49
下载:
