本發(fā)明涉及機器學習領域，尤其涉及基于機器學習的無人機防御決策支持系統(tǒng)及方法。

背景技術：

1、無人機作為一種低成本、高效率、高機動性且靈活的空中平臺，已被廣泛應用于情報偵察、目標打擊、物流運輸、農(nóng)業(yè)監(jiān)測等領域，然而，無人機的普及也帶來了新的安全隱患，特別是對關鍵基礎設施、軍事設施、重要政治活動等目標的威脅，敵對勢力通過無人機進行惡意攻擊或間諜活動的風險大大增加，因此，如何有效地防御無人機攻擊，已經(jīng)成為現(xiàn)代安全防護領域中的重要課題。

2、此外，無人機防御不僅需要應對無人機帶來的直接威脅，還要有效應對無人機的多樣化戰(zhàn)術、復雜的環(huán)境變化和不斷演化的攻擊模式，在此背景下，基于機器學習的無人機防御決策支持系統(tǒng)應運而生，可以通過對無人機的行為模式進行分析，結合實時傳感器數(shù)據(jù)和歷史攻擊數(shù)據(jù)，做出智能化的防御決策，從而最大限度地提高防御效率，減少人為決策的誤差與滯后。

技術實現(xiàn)思路

1、本發(fā)明提供基于機器學習的無人機防御決策支持系統(tǒng)及方法，以解決在傳統(tǒng)的多模態(tài)數(shù)據(jù)處理方法中，通常只處理單一模態(tài)的特征，忽略了模態(tài)之間的交互信息，從而導致無法充分利用各模態(tài)之間的互補性，限制了特征提取的質(zhì)量和性能；時序數(shù)據(jù)中的歷史信息與當前時刻的相關性并非均勻分布，傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡的處理方式忽視了不同時刻信息的差異性；以及傳統(tǒng)的威脅檢測依賴單一模態(tài)數(shù)據(jù)，無法綜合考慮各模態(tài)之間的交互作用，也難以應對復雜的模式和環(huán)境變化的問題。

2、本發(fā)明的基于機器學習的無人機防御決策支持系統(tǒng)及方法，具體包括以下技術方案：

3、基于機器學習的無人機防御決策支持方法，包括以下步驟：

4、s1：捕獲并預處理無人機及干擾物的多模態(tài)數(shù)據(jù)，得到預處理后的多模態(tài)數(shù)據(jù)；基于預處理后的多模態(tài)數(shù)據(jù)，使用改進的卷積特征提取算法提取各模態(tài)的卷積特征；

5、s2：基于各模態(tài)的卷積特征，使用時序自適應遞歸特征提取算法計算得到各模態(tài)的遞歸特征；

6、s3：通過對各模態(tài)的卷積特征和遞歸特征進行加權融合，生成各模態(tài)的衍生特征；基于各模態(tài)的衍生特征，使用威脅檢測模型得到各模態(tài)的威脅概率；

7、s4：基于各模態(tài)的威脅概率，使用防御策略生成算法生成最佳防御策略；根據(jù)最佳防御策略，實施防御操作。

8、優(yōu)選的，所述s1，具體包括：

9、改進的卷積特征提取算法通過卷積操作對預處理后的多模態(tài)數(shù)據(jù)進行加權處理，進一步引入了模態(tài)間的交互特征，并利用交互權重，調(diào)整不同模態(tài)之間的交互作用，同時引入偏置項，最后通過leakyrelu激活函數(shù)進行非線性變換。

10、優(yōu)選的，所述s2，具體包括：

11、使用時序自適應遞歸特征提取算法通過前一時刻的遞歸隱狀態(tài)和當前時刻的卷積特征來計算得到遞歸特征。

12、優(yōu)選的，所述s2，具體包括：

13、在時序自適應遞歸特征提取算法的實現(xiàn)過程中，引入時序加權機制和局部時間窗口機制，基于歷史隱狀態(tài)、當前時刻的卷積特征以及時間加權系數(shù)，更新隱狀態(tài)，并通過非線性激活函數(shù)進行非線性映射，得到新的隱狀態(tài)。

14、優(yōu)選的，所述s2，具體包括：

15、隱狀態(tài)的計算公式為：

16、

17、其中，ht，i為第i模態(tài)在時間t的隱狀態(tài)，表示第i模態(tài)在時間t的遞歸特征；tanh表示雙曲正切函數(shù)，作為非線性激活函數(shù)；為從時間t-δt到t-1的求和操作，表示對時間t的前δt個時間步內(nèi)的所有歷史隱狀態(tài)進行加權求和；δt表示歷史數(shù)據(jù)窗口大小；所述歷史數(shù)據(jù)是第i模態(tài)從時間t-δt到t-1的隱狀態(tài)；αk，i表示第i模態(tài)在時間k的時間加權系數(shù)，計算公式為：ζ表示調(diào)整參數(shù)；hk，i表示第i模態(tài)在時間k的隱狀態(tài)；βt，i表示在時間t對不同模態(tài)卷積特征的影響權重；yt，i表示在時間t第i模態(tài)的卷積特征；表示遞歸神經(jīng)網(wǎng)絡的偏置項。

18、優(yōu)選的，所述s3，具體包括：

19、使用威脅檢測模型，將各模態(tài)的衍生特征映射到威脅概率空間，得到各模態(tài)的威脅概率。

20、優(yōu)選的，所述s3，具體包括：

21、威脅檢測模型通過結合指數(shù)變換和雙曲正切函數(shù)，在各模態(tài)的衍生特征與各模態(tài)的威脅概率之間建立了非線性關系；并在映射過程中引入sigmoid函數(shù)進行歸一化處理。

22、優(yōu)選的，所述s4，具體包括：

23、防御策略生成算法通過計算總威脅概率，評估整體威脅水平，并權衡威脅概率和防御成本，使得威脅在被有效抑制的同時，防御策略的成本達到最小。

24、優(yōu)選的，所述s4，具體包括：

25、最佳防御策略的選擇公式為：

26、

27、其中，dt表示在時間t的最佳防御策略；表示選擇防御策略使得目標函數(shù)的值最大化；pt，i表示在時間t第i模態(tài)的威脅概率；λ1表示威脅權重系數(shù)；n表示模態(tài)總數(shù)；為總威脅概率；λ2表示防御成本的權重系數(shù)；c(d)表示防御策略的成本函數(shù)。

28、基于機器學習的無人機防御決策支持系統(tǒng)，包括以下部分：

29、數(shù)據(jù)獲取模塊、數(shù)據(jù)預處理模塊、卷積特征提取模塊、遞歸特征提取模塊、衍生特征生成模塊、威脅檢測模塊、防御策略生成模塊；

30、數(shù)據(jù)獲取模塊：通過不同傳感器捕獲無人機及干擾物的多模態(tài)數(shù)據(jù)，將多模態(tài)數(shù)據(jù)輸出至數(shù)據(jù)預處理模塊；

31、數(shù)據(jù)預處理模塊：對多模態(tài)數(shù)據(jù)進行預處理，得到預處理后的多模態(tài)數(shù)據(jù)，將預處理后的多模態(tài)數(shù)據(jù)輸出至卷積特征提取模塊；

32、卷積特征提取模塊：使用改進的卷積特征提取算法對預處理后的多模態(tài)數(shù)據(jù)進行卷積操作，提取各模態(tài)的卷積特征，將各模態(tài)的卷積特征輸出至遞歸特征提取模塊和衍生特征生成模塊；

33、遞歸特征提取模塊：基于各模態(tài)的卷積特征，使用時序自適應遞歸特征提取算法計算得到各模態(tài)的遞歸特征，將各模態(tài)的遞歸特征輸出至衍生特征生成模塊；

34、衍生特征生成模塊：對各模態(tài)的卷積特征和遞歸特征進行加權融合，生成各模態(tài)的衍生特征，將各模態(tài)的衍生特征輸出至威脅檢測模塊；

35、威脅檢測模塊：使用威脅檢測模型將各模態(tài)的衍生特征映射到威脅概率空間，得到各模態(tài)的威脅概率，將各模態(tài)的威脅概率輸出至防御策略生成模塊；

36、防御策略生成模塊：基于各模態(tài)的威脅概率，使用防御策略生成算法動態(tài)生成最佳防御策略；根據(jù)最佳防御策略，實施防御操作。

37、本發(fā)明的技術方案的有益效果是：

38、1、改進的卷積特征提取算法在傳統(tǒng)卷積操作的基礎上，通過引入模態(tài)間的交互特征來捕捉不同模態(tài)之間的復雜關聯(lián)性，采用leakyrelu激活函數(shù)，避免了relu中的“死神經(jīng)元”問題，提高了非線性表達能力，增強了特征的表達能力，通過卷積權重對多模態(tài)數(shù)據(jù)進行加權求和，并引入交互權重進行模態(tài)間的交互特征計算，進一步提升了異質(zhì)數(shù)據(jù)源的適應性。

39、2、時序自適應遞歸特征提取算法通過前一時刻的遞歸隱狀態(tài)與當前時刻的卷積特征計算得到遞歸特征，并通過引入時序加權機制，動態(tài)調(diào)整歷史隱狀態(tài)的影響力；同時為了避免全局信息傳遞帶來的冗余與干擾，引入了局部時間窗口機制，提升了信息提取的效率與準確性。

40、3、將卷積特征與遞歸特征高效融合，提高了威脅檢測的精度和魯棒性。

41、4、防御策略生成算法基于威脅概率的總和，評估當前的威脅水平，并通過權衡威脅概率與防御成本，生成最佳防御策略，實現(xiàn)了威脅概率與防御成本之間的平衡。