CN111783738A - 一种通信辐射源异常运动轨迹检测方法 - Google Patents

Abstract

本发明属于通信和移动感知领域，涉及一种通信辐射源异常运动轨迹的检测方法。该方法包括步骤：获取通信辐射源轨迹数据集，基于长短时记忆预测网络建模得到若干个正常轨迹模型；将正常轨迹模型记为查询轨迹；获取待检测轨迹群；分别提取查询轨迹和待检测轨迹的语义标签；利用高效K近邻相似搜索方法，找出与查询轨迹语义标签最相似的N个待检测轨迹；提取所有语义相似轨迹的时空信息，计算查询轨迹与待检测轨迹的hausdorff距离；将hausdorff距离与设定的距离阈值相比较，若大于等于阈值，则判定待检测轨迹为异常轨迹。本发明结合通信辐射源主体语义信息和运动轨迹时空信息，基于时空和语义相似度概念完成检测，提高了异常轨迹检测的准确率，鲁棒性强。

Description

一种通信辐射源异常运动轨迹检测方法

技术领域

本发明属于通信和移动感知领域，特别是涉及对于通信辐射源异常运动轨迹的检测方法。

背景技术

随着通信设备的发展和普及，通信领域的互联互通愈发便捷，在不断的通信交互中产生了大量的通信辐射源数据，这些数据中就包含了辐射源位置信息。当辐射源轨迹受到其主体或外界因素的影响，与查询轨迹模型产生足够大的偏差时，即可判定该辐射源的运动发生了异常。所以，对其异常轨迹的有效挖掘、分析能够获得辐射源及其载体运动轨迹等相关信息，检测出通信辐射源的异常运动轨迹，可以为安防、旅游、导航、军事等领域提供高效的服务，具有重要的理论意义及实用价值。

现有的异常轨迹检测存在两个方面问题：一是更加偏向于将手动提取的轨迹特征作为检测要素，整个异常检测效率的提高都受限于大量的特征提取工作，使得异常轨迹的实时处理难以实现；二是更加关注轨迹的时空信息，如轨迹数据携带的经纬度、高度等，忽略了能够连接应用和情景的轨迹语义信息，如轨迹主体信息、轨迹所经过的地区等。

深度学习算法已在理论和实践上展现了其直接在数据中学习数据特征的能力，循环神经网络更是在序列数据的处理如机器翻译、字幕生成上取得了很好的效果。这就表明了深度学习能够成为解决序列数据预测、分类等问题的一个选择。随着各项技术的发展，信息的获取变得更加容易，扩展面向的数据类别，充分利用轨迹所携带的各种信息，能够辅助轨迹的异常检测、行为认知，增加轨迹数据分析的可靠性和准确性。

发明内容

为解决上述技术问题，本发明提供了一种通信辐射源异常轨迹检测方法，利用长短时记忆预测网络对已知的正常轨迹群建立轨迹群模型，再结合时空和语义信息检测通信辐射源运动轨迹中的异常轨迹。具体技术方案如下：

一种通信辐射源异常运动轨迹检测方法，包括以下步骤：

获取通信辐射源轨迹数据集，基于长短时记忆预测网络建模得到若干个正常轨迹模型；将正常轨迹模型记为查询轨迹；

获取待检测轨迹群，假定所述待检测轨迹群包含M条待检测轨迹；

分别提取查询轨迹和待检测轨迹的语义标签，所述语义标签包括调制样式、工作频率、工作带宽和工作电压；利用高效K近邻相似搜索方法，找出与查询轨迹语义标签最相似的N个待检测轨迹，作为查询轨迹的语义相似轨迹，N、M均为正整数，且N<M；

提取所有语义相似轨迹的时空信息，计算查询轨迹与待检测轨迹的hausdorff距离；所述时空信息包括经度、纬度和采样时间；

将所述hausdorff距离与设定的距离阈值相比较，若大于等于阈值，则判定待检测轨迹为异常轨迹。

进一步地，所述基于长短时记忆预测网络建模得到若干个正常轨迹模型，包括以下步骤：

步骤1，通过轨迹之间的相似比较、分类或聚类和轨迹运动模式识别，将轨迹数据集分为若干类正常轨迹群；

步骤2，将每一类正常轨迹群分别输入长短时记忆预测网络训练；

步骤3，长短时记忆预测网络为每一类正常轨迹群对应生成一个正常轨迹模型。

进一步地，所述利用高效K近邻相似搜索算法发现与查询轨迹语义相似的待检测轨迹的具体过程为：

假设已知d维待检测轨迹数据集DS和查询轨迹点集Q，将待检测轨迹数据集DS和查询轨迹点集Q内数据归一化后，得到归一化的待检测轨迹X＝{X₁,X₂,...,X_n}∈DS，待检测轨迹上第i个数据点表示为X_i＝[x_i1,x_i2,...,x_id]，i＝1,2,...,n，n为数据点总数；

查询轨迹Q＝{Q₁,Q₂,...,Q_m}上第j个数据点表示为Q_j＝[q_j1,q_j2,...,q_jd]，j＝1,2,...,m，其中m为查询点总数，d为数据空间维度；

对待检测轨迹群中的每一个轨迹数据点X_i和轨迹查询点Q_j，令Δ_ij是X_i和Q_j之间的d维距离，W_j＝[w₁,w₂,...,w_d]为X_i和Q_j的权重矩阵，根据X_i到Q_j的距离在每一维上的权重w_k，有

Δ_ij＝[δ_ij1,δ_ij2,...,δ_ijd]，

δ_ijk＝|x_ik-q_jk|*w_k,k＝1,2,...,d，

在第k维上，先对数据点X_i进行标号，然后对δ_ijk进行排序，令KS_jk为第k维排序后前N个轨迹标号的集合，得到KS'_k＝KS_1k∪KS_2k∪...∪KS_mk，选出KS'_k中出现次数最多的前N个轨迹的标号组成的集合，记为KS_k；

重复上一步骤，直至得到d个维度上的KS₁,KS₂,...,KS_d，令KS＝KS₁∩KS₂∩...∩KS_d；

将KS中标号对应的轨迹从待检测轨迹群DS中提取出来，判定为语义相似轨迹。

进一步地，所述Hausdorff距离计算方法为：

假设已知两轨迹集Traj_A＝{a₁,a₂,...,a_m}和Traj_B＝{b₁,b₂,...,b_n}，a₁,a₂,...,a_m表示m条轨迹，b₁,b₂,...,b_n表示n条轨迹；

那么Traj_A到Traj_B的单向Hausdorff距离和Traj_B到Traj_A的单向Hausdorff距离分别表示为：

其中，||·||表示矢量的欧式范数；

Traj_A和Traj_B之间的双向Hausdorff距离就是两轨迹集间单向距离的最大值，即

H(Traj_A,Traj_B)＝max(h(Traj_A,Traj_B),H(Traj_B,Traj_A))

检测异常轨迹时，所使用的Hausdorff距离为待检测轨迹与查询轨迹间的双向Hausdorff距离。

为了更好的理解上述技术方案，下面对有关发明原理进行详细介绍。

长短时记忆网络是一种时间循环神经网络，是循环神经网络的一种特殊类型，通常以链式结构进行信息流动和传输，能够将以序列形式的轨迹数据直接送入长短时记忆网络中，网络将自行学习轨迹数据特点后输出对应的轨迹建模点，将所有轨迹建模点按时间顺序排列组成的序列映射到二维空间，即可得到轨迹建模结果。

首先，将轨迹的经纬度表示为二维横纵坐标形式，构成二维轨迹序列。对t时刻对应的轨迹序列点x_t，利用一个sigmoid层，确定需要从单元状态中删去的信息，根据先前状态h_t-1和当前输入x_t，对每一个c_t-1输出一个f_t，则有：

接着，确定需要保留的新信息。新信息由两部分构成：一是sigmoid层选择更新哪些值，二是tanh层生成新信息的备选向量c_t'，则有：

然后，更新单元状态。先将先前状态c_t-1乘以f_t，删去部分信息，再加上新信息的缩放值i_t*c′_t，得到当前状态c_t。即

c_t＝f_t*c_t-1+i_t*c′_t

最后，输出目标内容。利用sigmoid层确定要输出的状态，并通过tanh处理单元状态，得到一个-1到1之间的值，将该值乘以sigmoid层的输出，最终输出过滤后的状态值h_t，即t时刻的轨迹建模数据点，则有：

h_t＝o_t*tanh(c_t)

上述公式中，c为记忆单元；w、b分别为权重和偏置；w、b的下标不一样，权重值不同，σ、f、i、o分别为激活函数、遗忘门激活参数、输入门激活参数和输出门激活参数；[·]表示矩阵对应元素的相乘计算；tanh(·)表示tanh处理。

查询轨迹的含义，即相对于异常轨迹的正常轨迹，是异常检测过程中定义的正常标准。

所述异常轨迹，包括与查询轨迹时空相似、语义不相似轨迹，时空不相似、语义相似轨迹和时空、语义均不相似轨迹。

采用本发明获得的有益效果是：(1)通过训练好的长短时记忆预测网络得到的轨迹模型代表性强，网络鲁棒性强，与其他现有建模方法相比准确率高，能够处理大量轨迹数据，不需手动提取轨迹特征，利用网络自身的学习能力，学习轨迹数据特征，得到正常轨迹模型；(2)结合时空和语义信息，充分利用通信辐射源自身信号特征参数，由于语义信息一般情况下变化小，可以大大降低轨迹间差异计算的开销，提高检测效率，优于现有的异常轨迹检测方法，适用于多种轨迹类型和不同的通信辐射源设备参数。

附图说明

图1是本发明实施例中轨迹建模流程；

图2是本发明实施例中结合时空信息和语义信息的通信辐射源异常轨迹检测方法流程框图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解。本发明提供一个具体实施例如下：

(1)一种基于长短时记忆预测网络的轨迹建模。如图1所示，包括以下几个步骤：

步骤1，获取通信辐射源轨迹数据集，共100条轨迹样本；

步骤2，通过现有技术中的轨迹间相似比较、分类(或聚类)和轨迹运动模式识别，将轨迹数据集分为5类正常轨迹群，每一类超过5000个采样点；

步骤3，将每一类正常轨迹群分别送入长短时记忆预测网络；

步骤4，长短时记忆预测网络为每一类正常轨迹群都生成一个正常轨迹模型，作为异常检测的查询轨迹。

(2)结合时空和语义信息的通信辐射源异常轨迹检测。如图2所示，具体分为以下几个步骤：

步骤1，对通信辐射源的5条查询轨迹和370条待检测轨迹进行预处理；

步骤2，提取所有目标轨迹的语义标签，语义标签的表达格式为：<调制样式，工作频率，工作带宽，工作电压>；

步骤3，利用高效K近邻相似搜索算法搜索与查询轨迹语义标签最相似的10个待检测轨迹，作为语义相似轨迹；

步骤4，如存在语义相似轨迹，提取查询轨迹与语义相似轨迹的时空信息；时空信息的格式表示为：<经度，纬度，采样时间>；并计算轨迹间的双向hausdorff距离，若不存在语义相似轨迹，则判断待检测轨迹均为异常轨迹；

步骤5，与距离阈值相比较，小于阈值的判定为相似轨迹，输出相似轨迹判定结果；

步骤6，对所有待检测轨迹，除判定为相似轨迹的，其余全部判定为异常轨迹。

根据实验轨迹样本，设定异常检测的准确度到达72％即为检测成功。实验结果表明，本发明所提的结合时空和语义信息的通信辐射源异常轨迹检测方法能够成功检测，比现有的TODCSS异常轨迹检测方法的检测效果更好，用时更短。具体实验结果如表一、表二所示。

表一结合时空和语义信息的通信辐射源异常轨迹检测结果

查询轨迹	1	2	3	4	5
						异常检测准确度	84％	92％	88％	76％	80％

表二不同异常检测方法的检测结果的比较

检测方法	平均准确率	检测用时(s)
			本发明异常轨迹检测	84％	111’74
基于TODCSS的异常轨迹检测	77％	176’86

结合时空和语义信息的通信辐射源异常轨迹检测的标准为，仅判定时空和语义信息都相似的轨迹为查询轨迹的相似轨迹，其余情况都判定为异常轨迹。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用于其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种通信辐射源异常运动轨迹检测方法，其特征在于，包括以下步骤：

获取通信辐射源轨迹数据集，基于长短时记忆预测网络建模得到若干个正常轨迹模型；将正常轨迹模型记为查询轨迹；

获取待检测轨迹群，假定所述待检测轨迹群包含M条待检测轨迹；

分别提取查询轨迹和待检测轨迹的语义标签，所述语义标签包括调制样式、工作频率、工作带宽和工作电压；利用高效K近邻相似搜索方法，找出与查询轨迹语义标签最相似的N个待检测轨迹，作为查询轨迹的语义相似轨迹，N、M均为正整数，且N<M；

提取所有语义相似轨迹的时空信息，计算查询轨迹与待检测轨迹的hausdorff距离；所述时空信息包括经度、纬度和采样时间；

将所述hausdorff距离与设定的距离阈值相比较，若大于等于阈值，则判断待检测轨迹为异常轨迹。

2.如权利要求1所述的一种通信辐射源异常运动轨迹检测方法，其特征在于，所述基于长短时记忆预测网络建模得到若干个正常轨迹模型，包括以下步骤：

步骤1，通过轨迹之间的相似比较、分类或聚类和轨迹运动模式识别，将轨迹数据集分为若干类正常轨迹群；

步骤2，将每一类正常轨迹群分别输入长短时记忆预测网络训练；

步骤3，长短时记忆预测网络为每一类正常轨迹群对应生成一个正常轨迹模型。

3.如权利要求1所述的一种通信辐射源异常运动轨迹检测方法，其特征在于，所述利用高效K近邻相似搜索算法发现与查询轨迹语义相似的待检测轨迹的具体过程为：

假设已知d维待检测轨迹数据集DS和查询轨迹点集Q，将待检测轨迹数据集DS和查询轨迹点集Q内数据归一化后，得到归一化的待检测轨迹X＝{X₁,X₂,...,X_n}∈DS，待检测轨迹上第i个数据点表示为X_i＝[x_i1,x_i2,...,x_id]，i＝1,2,...,n，n为数据点总数；

查询轨迹Q＝{Q₁,Q₂,...,Q_m}上第j个数据点表示为Q_j＝[q_j1,q_j2,...,q_jd]，j＝1,2,...,m，其中m为查询点总数，d为数据空间维度；

对待检测轨迹群中的每一个轨迹数据点X_i和轨迹查询点Q_j，令Δ_ij是X_i和Q_j之间的d维距离，W_j＝[w₁,w₂,...,w_d]为X_i和Q_j的权重矩阵，根据X_i到Q_j的距离在每一维上的权重w_k，有

Δ_ij＝[δ_ij1,δ_ij2,...,δ_ijd]，

δ_ijk＝|x_ik-q_jk|*w_k,k＝1,2,...,d，

在第k维上，先对数据点X_i进行标号，然后对δ_ijk进行排序，令KS_jk为第k维排序后前N个轨迹标号的集合，得到KS'_k＝KS_1k∪KS_2k∪...∪KS_mk，选出KS'_k中出现次数最多的前N个轨迹的标号组成的集合，记为KS_k；

重复上一步骤，直至得到d个维度上的KS₁,KS₂,...,KS_d，令KS＝KS₁∩KS₂∩...∩KS_d；

将KS中标号对应的轨迹从待检测轨迹群DS中提取出来，判定为语义相似轨迹。

4.如权利要求1所述的一种通信辐射源异常运动轨迹检测方法，其特征在于，所述Hausdorff距离计算方法为：

假设已知两轨迹集Traj_A＝{a₁,a₂,...,a_m}和Traj_B＝{b₁,b₂,...,b_n}，a₁,a₂,...,a_m表示m条轨迹，b₁,b₂,...,b_n表示n条轨迹；

那么Traj_A到Traj_B的单向Hausdorff距离和Traj_B到Traj_A的单向Hausdorff距离分别表示为：

其中，||·||表示矢量的欧式范数；

Traj_A和Traj_B之间的双向Hausdorff距离就是两轨迹集间单向距离的最大值，即

H(Traj_A,Traj_B)＝max(h(Traj_A,Traj_B),H(Traj_B,Traj_A))

检测异常轨迹时，所使用的Hausdorff距离为待检测轨迹与查询轨迹间的双向Hausdorff距离。

Images