CN115659253A

CN115659253A - 一种基于多维模型融合的水下目标识别方法

Info

Publication number: CN115659253A
Application number: CN202211105354.3A
Authority: CN
Inventors: 王鹏珍; 翟大海; 战永盛; 胡艳; 代业
Original assignee: Fifth Research Institute Of Telecommunications Technology Co ltd
Current assignee: Fifth Research Institute Of Telecommunications Technology Co ltd
Priority date: 2022-09-09
Filing date: 2022-09-09
Publication date: 2023-01-31

Abstract

本发明公开了一种基于多维模型融合的水下目标识别方法，包括：采用深度神经网络、随机森林、Xgboost、adaboost模型的集成对待识别的水下目标数据进行大类初筛，得到该待识别的水下目标数据的目标大类；根据目标大类和所述目标大类中的任一目标机型建立模型；基于地理位置、航行轨迹、区域事件和时间分布结合标注的样本数据集进行深度学习与目标函数概率分布计算，求得模型输出的任一目标大类的概率分布；根据概率分布选取概率较大的N个目标机型。通过上述方案，本发明具有逻辑简单、识别准确可靠等优点，在水下目标识别技术领域具有很高的实用价值和推广价值。

Description

一种基于多维模型融合的水下目标识别方法

技术领域

本发明涉及水下目标识别技术领域，尤其是一种基于多维模型融合的水下目标识别方法。

背景技术

近年来，随着信息采集技术的不断革新，水下目标的监测数据也不断丰富。其中，最为基础及重要的是地理位置、时间分布、区域事件等多源、多维、全要素数据，历史地理位置、时间分布、区域事件数据构成目标轨迹，轨迹记录着目标在客观世界的活动，一定程度上体现了水下目标活动规律和行为意图。目前，利用大数据、人工智能技术，如何及时准确的挖掘水下目标智能识别、目标行为预测和态势意图分析等都具有非常重要的意义。针对水下目标透明度和态势感知的智能化的迫切需求，本发明提出一种基于多维模型融合的水下目标识别方法。

目前，一些简单条件下效用显著的识别技术，如决策树、支持向量机、神经网络等无法满足识别精度要求。水下目标识别不仅表现在与海量历史数据有关，而且还与其它因素有关，比如航线规律、任务性质、区域事件等信息。与此同时，水下目标机型与这些因素之间的关系是高度复杂且非线性的，现阶段还未能建立这种关系的量化表达式。

例如专利公开号为“CN110807365A”、名称为“一种基于GRU与一维CNN神经网络融合的水下目标识别方法”的中国发明专利，其利用基于GRU的循环神经网络结构解决了传统神经网络无法提取水声信号的时序特征的问题，同时使用一维CNN卷积神经网络结构提取水声信号的时域波形特征。

再如专利公开号为“CN108447074A”、名称为“基于双向自适应语义融合的水下目标识别方法”的中国发明专利，其通过：1)构建深层的卷积神经网络，学习水下图像的语义特征；2)构建双向自适应语义特征融合模块；3)构建回归模型；4)预测水下图像中目标位置及其类别。

再如专利公开号为“CN112163461A”、名称为“一种基于多模态融合的水下目标识别方法”的中国发明专利，其通过：(1)数据采集，声呐信号数据采集和海洋环境数据采集；(2)数据融合与谱图提取，将海洋环境数据进行融合得到一维数据，由声呐信号提取Lofar谱图；(3)模型搭建，构建基于卷积神经网络的多模态融合模型，其中海洋环境数据使用一维卷积神经网络，Lofar谱图使用二维卷积神经网络；(4)目标识别，将采集到的数据输入到对应的网络中进行训练与测试，得到水下目标识别结果。该技术的缺点在于不具备多源多维数据的感知能力，无法根据不同维度数据源的出联情况，自主“思考”最优的识别判正方案。

因此，急需要提出一种逻辑简单、识别准确可靠的基于多维模型融合的水下目标识别方法，以期提高水下目标识别预测的精度。

发明内容

针对上述问题，本发明的目的在于提供一种基于多维模型融合的水下目标识别方法，本发明采用的技术方案如下：

本技术提供了一种基于多维模型融合的水下目标识别方法，其包括以下步骤：

采集待识别的水下目标数据，并采用深度神经网络、随机森林、Xgboost模型的集成对待识别的水下目标数据进行大类初筛，得到该待识别的水下目标数据的目标大类；

根据目标大类和所述目标大类中的任一目标机型建立模型；

基于地理位置、航行轨迹、区域事件和时间分布结合标注的样本数据集进行深度学习与目标函数概率分布计算，求得模型输出的任一目标大类的概率分布；

根据概率分布选取概率较大的N个目标机型；所述N为正整数。

第二部分，本技术提供了一种多维模型融合的水下目标识别的装置，其包括：

大类初筛模块，采用深度神经网络、随机森林、Xgboost模型的集成对待识别的水下目标数据进行大类初筛，得到该待识别的水下目标数据的目标大类；

模型搭建模块，与大类初筛模块连接，根据目标大类和所述目标大类中的任一目标机型建立模型；所述模型包括地理位置模型、区域模型和时间分布模型；

概率分布计算模块，与模型搭建模块连接，获取地理位置模型、区域模型和时间分布模型，并基于地理位置、航行轨迹、区域事件和时间分布结合标注的样本数据集进行深度学习与目标函数概率分布计算，求得模型输出的任一目标大类的概率分布；

筛选模块，与概率分布计算模块连接，并根据概率分布选取概率较大的N个目标机型；所述N为正整数。

第三部分，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于多维模型融合的水下目标识别方法。

第四部分，本技术提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现基于多维模型融合的水下目标识别方法的步骤。

与现有技术相比，本发明具有以下有益效果：

(1)本发明巧妙地通过多模态机器学习、综合深度学习、概率图模型、时序模型等多种模型，对轨迹、区域、事件、时序、音频、图像等多种领域数据进行建模与融合。本发明利用多模态数据间的互补性，学习更好的特性表示与更高级别的知识提取方式。本发明使用自监督学习，改善前期数据标签稀疏的问题，并通过表征分解学习等方法，分离出领域部相关特征，减少模型对非相关元素的依赖，最后通过结构化协同算法对不同模态附加先验约束条件，构建关系网络，进行启发式训练，使得整体模型既能随着数据增加越来越精准，又能纳入用户主动干预和引入的辅助信息，进行更加全面的识别判证。

(2)本发明巧妙地对航行轨迹进行相似度计算，其具有很强的抗干扰能力，对复杂轨迹匹配具有良好效果，并且不仅可以衡量相似度，还可以找到当前航迹在给定航线上的最佳映射子序列，从而对后续航迹进行预测。

(3)本发明通过搭建地理位置模型、区域模型和时间分布模型，随着积累到的未知目标新数据增多，结果也会持续变化。最后经确认，将此目标数据纳入数据库，并以此进行模型的更新。之后根据此目标的相似历史数据，进行后续行为预测。当累积的数据越来越多，模型就越来越能找出每个目标的行为偏好，识别效果也会越来越精准。

综上所述，本发明具有逻辑简单、识别准确可靠等优点，在水下目标识别技术领域具有很高的实用价值和推广价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明中航迹相似度计算示意图。

图2为本发明中上采样效果图。

图3为本发明中LSTM采样示意图。

图4为本发明中LSTM自编码器的结构示意图。

图5为本发明中形状分类器的正负样本训练示意图。

图6为本发明中区域重叠示意图。

图7为本发明中模型准确率分布图。

图8为本发明中贝叶斯网络推断与训练流程图。

图9为本发明的逻辑流程图。

上述附图中，附图标记对应的部件名称如下：

1－第一初始航行轨迹；2、第二初始航行轨迹；3、第一目标；4、第二目标4。

具体实施方式

为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本本实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。

在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个处理单元是指两个或两个以上的处理单元；多个***是指两个或两个以上的***。

如图1至图9所示，本实施例提供了一种基于多维模型融合的水下目标识别方法，首先，本实施例利用深度神经网络、随机森林、Xgboost模型的集成对未知目标进行大类初筛，根据目标大类和目标大类中的每个目标机型建立模型，基于地理位置和航行轨迹以及区域事件和时间分布结合标注的样本数据集进行进行深度学习与目标函数概率分布计算，然后根据模型输出各类目标概率分布，找出最可能的前N个目标机型，并提供识别判证依据。

一、目标航迹数据预处理：

对于水下目标识别和预测，航迹数据是基础，因历史积累的航迹数据体量很大，所以需从中提取出主要航线，识别预测时即可用这些航线作为对比依据。而不论航迹聚类、匹配还是去重，最核心的都是航迹相似度衡量算法。

目前，现有技术中主流的轨迹对比算法均有各自缺点，如LCSS、DTW、编辑距离，难以调节参数兼顾各类情况，在轨迹交叉环绕等复杂情况时效果会急剧变差，并且LCSS、DTW时间复杂度很高；DTW、Frechet－Distance、EDR算法又无法处理一条轨迹是另一条子集等情况。本技术针对水下目标场景提出一种可快速、有效评估各类情况轨迹相似度。

如图1所示，该轨迹相似度计算过程如下：

(1)选取任意两条初始航行轨迹，并标记为第一初始航行轨迹1和第二初始航行轨迹2。

(2)将第一初始航行轨迹的航迹点映射到第二初始航行轨迹上，形成一对多的映射序列。

(3)将第二初始航行轨迹的航迹点映射到第一初始航行轨迹上，形成多对多的映射序列。

(4)根据航迹点的方向和速度进行评估打分，采用动态规划算法求得最优映射路径的点序列。

(5)求得最优映射路径的点序列与第一初始航行轨迹和第二初始航行轨迹的距离平均值、方差和映射点个数占比，并作为相似度计算参数。具体来说，距离方差越少、合理映射点越多，代表形状相似度越高；距离平均值越小，代表位置相似度越高。

(6)调换第一初始航行轨迹和第二初始航行轨迹的角色再次计算取大值，将第一初始航行轨迹或第二初始航行轨迹进行逆序，求得相似度较大的值。在此，如不关心方向，可将其中一条航迹点逆序后再次计算，取相似度较大的值。

(7)遍历任一初始航行轨迹，对相似度较大的值对应的航迹点进行连接，得到得航行轨迹。

在本实施例中，该轨迹相似度计算具有很强的抗干扰能力，对复杂轨迹匹配具有良好效果，并且不仅可以衡量相似度，还可以找到当前航迹在给定航线上的最佳映射子序列，从而对后续航迹进行预测。

二、目标识别与行为预测：

目标识别是对每个大类和大类中的目标机型建立模型，对未知目标首先进行大类初筛，然后根据模型输出大类中各目标概率分布，找出最可能的前N个目标型号，并给出解释。随着积累到的未知目标新数据增多，结果也会持续变化。最后经由确认，将此目标数据纳入数据库，并以此进行模型的更新。之后根据此目标的相似历史数据，进行后续行为预测。当累积的数据越来越多，模型就越来越能找出每个目标的行为偏好，识别效果也会越来越精准。

以目前能掌握的数据为基础，识别算法主要从地理位置、区域事件、时间分布这三个维度考虑。

1)地理位置建模：

各类型号的目标大类基本有其特定的活动范围，但其中仍有不少重合部分，并且还有些疑为噪声的孤立点，所以如果使用点集外接多边形来划分区域，将会发生严重重叠，并且无法利用点密度信息。于是这里使用高斯混合概率模型进行建模，相对于普通的点密度估计算法，高斯混合模型可以更好地从整体角度学习出点分布规律，并且不会有密度估计中带宽选取不当造成各类问题。密度估计更适用于可视化展示，而高斯混合模型更适合真实概率建模。

本实施例采用基于狄利克雷过程的变分贝叶斯高斯混合模型，相对于一般高斯混合模型，此算法具有根据数据集特征估算最优参数的特点，之后用估算的参数对高斯混合模型进行建模，避免了人工指定高斯混合个数过多或过少的问题。

因数据中包含离散点与轨迹关键点信息，如果把轨迹关键点也看作为离散点则丢失了轨迹路径的信息，这样统计出的概率分布图并不能反映出真实情况。所以可以在轨迹经过的路线上进行点采样，补充轨迹路径信息到模型中。

另外，由于数据具有时间信息，相对于单纯对地理位置建模，加入时间信息应该会使模型更加符合常识。体现在模型上即为对较新的数据赋予更高的权重，之后再进行高斯混合模型拟合。

经过以上步骤分别对大类和各目标的地理位置信息进行建模，当出现新点位时，先进行大类初筛，然后即可用贝叶斯公式进行判断：

其中，P(MBn|点位)为给定点位信息时未知目标为目标n的概率，是一个∑_nP(MBn|点位)＝1的概率分布；P(点位|MBn)即为高斯混合模型输出，P(MBn)为目标自身出现概率，可通过统计历史出现次数算得。需要注意的是各目标机型的数据可能不均衡，比如目标1累积了2018～2021四年的数据，目标2只有2021一年的数据，这样往后目标2永远比目标1少三年数据。所以需要根据单位时间出现次数评估P(MBn)。

同理，当对多点位的轨迹进行识别时，可先在轨迹中进行上采样，然后根据概率连乘的对数似然求解。上采样主要为了尽量利用轨迹形状信息，如下图2所示，左图为原始轨迹点，此时在高斯混合模型中无法很好区分第一目标3和第二目标4，右图上采样后，由于中间***点的概率很小，所以模型确信为第一目标。

在大类识别时，使用以上方式即可对大类进行分类，因为大类相比于具体轨迹形状，更注重的是区域划分。在目标识别时，由于同大类目标轨迹不论形状还是位置均较为相似，所以需要建立新的模型，尽可能学习到更细致的可划分各目标的特征。

一条轨迹可视作高维空间中的一个点，其维度即为轨迹上各点坐标，因轨迹长度不定，所以其可以映射到无限维，不适合用PCA、流形学习、以及普通的概率模型。本实施例使用同样可以处理不定长序列的LSTM神经网络对每个大类中所有目标进行建模。但如果直接输出为所有目标的概率分布，会存在采样问题会导致效果不佳。

如下图3所示，设定为目标A轨迹，目标B轨迹，区域S。因目标轨迹的一部分也应是这个目标，比如只输入A前半段应被判为A，所以训练集采样时要随机采样轨迹子集。但这样就导致B每次采样都在S区域，而A很多次才有一次在S。因模型基于坐标数值计算，A和B在S区域输入数据相差并不大，计算结果也不会差别很大，结果就是只要轨迹在S模型都会判断为B，因为训练集中S区域B出现的次数最多，即使待识别轨迹看起来更靠近A。要解决这个问题，需要在S区域实现AB同程度采样，但这是极难做到的，因为首先要找到区域S位置并定义其大小，而一个目标拥有很多轨迹，数据集中又拥有很多目标，在如此复杂的数据中找出并定义所有S(甚至还要考虑重叠问题)几乎是不可能的事。

考虑目前高斯混合模型已经可以准确衡量轨迹地理位置信息，可以只使用LSTM对轨迹形状信息进行更加精细的建模。具体的使用LSTM自编码器，如下图4所示，对所有历史轨迹及其子集进行训练，找到其合理的定长形状向量表征。

本实施例要先对每条轨迹经纬度信息进行去偏，即中心点坐标置0，然后再输入到模型，以便模型只需关注形状不需关心位置。其中Shape vector(SV)是一个n维向量，即不定长轨迹的形状表征。当自编码器收敛时，即代表模型已经学习到现有不定长轨迹集的一种压缩表示。之后选取一个目标，用其历史数据得到各个SV作为正例，随机生成SV作为负例，以此为数据集送入神经网络分类器，即可训练分类模型。当未知目标轨迹出现，先使用编码器求出此轨迹SV，然后送入各个目标神经网络分类器，即可得出此轨迹形状为某目标的概率。

如下图5所示，对于样本的处理，可先做数据增强，从一个小方差高斯分布中抽样，使用抽样信息对轨迹做整体偏移，之后可对轨迹上各点做微小随机偏移。然后在轨迹上进行均匀距离的重采样，并尽量保留原始点。这样做是为了让模型把精力放在学习形状上的特征，而不是去关注同形状轨迹不同程度采样带来的差异。综合分类器与高斯混合模型输出的P(MBn|轨迹)，即可算得最终结果。

2)区域事件与时间分布建模：

通过轨迹信息和区域信息可以挖掘出很多有用的事件信息，如：

某目标在某时刻出现于某区域；

某目标在时刻A从区域1起航，时刻B驶离区域1；

某目标在时刻C经过区域2，在区域2停留D时间；

某目标在时刻E驶入区域3，在时刻F驶离区域3；

某目标在时刻G到达本次航迹终点区域4；

以此类推。

通过对单目标和单大类的大量历史航迹数据进行挖掘，即可得出大量事件信息，基于这些事件信息，可继续挖掘出行为特征，如执行各任务时某区域出现频率、时间间隔规律、日期规律、某目标起/终点区域偏好等。

如图6所示，其分别展示了某目标的常出现区域、起点区域、终点区域的分布信息：

对于区域事件的概率统计有一类特殊情况：区域重叠。假设有区域1、2、3，其中1和2大部分重叠，假设目标A有两次航行记录，其起点分别为区域1、2重叠部分和区域3，如此目标A以区域1、2、3作为起点的概率均为1/2，即重叠导致各区域概率并非一个标准的概率分布(加和大于1)。

若待识别的目标为单个点位，则其估计表达式为：

P(MBn|出现区域)∝P(出现区域|MBn)×P(MBn)

其中，P(MBn|出现区域)表示识别为对象n的概率，P(出现区域|MBn)表示出现区域分布概率；P(MBn)表示目标自身出现概率；

若待识别目标为轨迹，则其估计表达式为：

P(MBn|轨迹区域)∝logP(MBn|起点区域)+logP(MBn|终点区域)+∑_slogP(MBn|经过区域s)

给定区域事件，识别为对象n的概率，区域事件又分为下面三种。

其中，P(MBn|起点区域)表示起点区域事件，P(MBn|终点区域)表示终点区域事件，P(MBn|经过区域)表示经过区域事件。

由于区域定义和个数较多，事件相对区域来说较为稀疏，即可能存在轨迹中某事件在某目标中从未发生过的情况，比如经过一个新区域。此时会导致整体概率连乘为0，为避免这种不合理情况，这里使用拉普拉斯平滑对概率进行预处理。对于时间信息，主要可统计出现时间间隔、主要日期/星期分布，之后即可推出某时间目标出现概率。另外还可对P(MB)行补充，比如A、B两目标历史出现次数相同，但A主要集中于5年前，而B主要集中于最近，显然P(B)应大于P(A)。

经过以上计算，当获取到未知目标信息时，即可从区域和时间两个角度分别计算出两个概率分布。另外也可挖掘出以区域为主体的信息，如某区域执行各任务的概率、某区域作为航迹起点的概率等等。

3)目标识别：

在目标识别阶段，综合各模型输出的概率分布可得最终的概率分布，这个过程可通过带约束的最优化算法学习各模型权重，初始化w₁＝w₂＝w₃＝1。

所述带约束的最优化算法的表达式为：

w′₁，w′₂，w′₃＝softmax(w₁，w₂，w₃)

std(w′₁，w′₂，w′₃)＜C

所述w₁、w₂和w₃分别表示地理位置模型、区域模型和时间分布模型的权重；w'₁、w'₂和w'₃分别表示带约束的地理位置模型、区域模型和时间分布模型的权重；std是标准差，C是预先设置的常数，p_n地理表示地理位置与轨迹形状识别出各型号概率，p_n区域表示区域事件识别出各型号概率，p_n时间表示时间规律识别出各型号概率；p_{n样本标签}表示各目标机型概率。

通过softmax约束使其成为概率分布，通过方差约束使其尽可能利用每个模型信息，通过最优化算法解出w′₁，w′₂，w′₃即为权重信息，用于后续预测。

如图7所示，本实施例使用真实数据对目标识别模型进行训练，随着训练集规模增大，模型对测试数据的准确率也会随之上升。对于大类的准确率，因大类区域位置特征较为明显，所以一开始准确率就较高，分类效果差的地方主要集中于大类区域重叠处和某大类目标突然在明显是另一大类区域中活动等情况，这部分需要更全面的样本数据提高准确率。

对于目标的准确率，因随类别个数变化“准确率为a”的含义会差异很大，比如二分类随便准确率就能50％以上，但100分类只能从1％往上涨，所以这里采用概率排名前三是否包含真实目标的统计方式。到目前为止，都是顺序结构模型。当未来掌握的知识维度越来越多，相互间因果和依赖关系可能会形成网状结构，此时可融合概率图模型，贝叶斯网络是一个用有向无环图表示的概率图模型，描述了各变量间的独立和依赖关系，拥有非常完备的理论体系。模型结构与参数即可以通过学习自动获得，亦可根据专家经验进行手动设计调整。相比于其他机器学习模型，贝叶斯网络具有强大的可解释性、极低的调参依赖，更快的推理速度，良好的包容性(各节点概率分布均可由其他机器学习模型得出)，以及对掌握信息量的宽松(信息较少也可推理，只不过掌握越多越准确)等优点。

如图8所示，在贝叶斯网络中，每个节点都代表一个随机变量，节点间的边代表变量间的直接依赖关系，通过对历史数据的挖掘，我们可以发现很多依赖或因果关系，随着今后数据种类越来越多，这些关系会越来越复杂，甚至逐渐交织成一张网，此时人脑很难根据数据复杂的关系去做出全面判断，所以，通过贝叶斯网的形式，可以以最科学的方法辅助人类处理这些信息，能够容易的推断已知某些节点信息的情况下，任意其他节点事件概率的走向，并且随着已知信息的增加，推断也会逐渐变得精准。

如图9所示，其可应用于此发明，并在未来可不断扩展的贝叶斯网学习、推理流程图，其中网络各节点均可以是任意模型，非常方便组装与扩充。

综上所述，本发明通过多模态机器学习、综合深度学习、概率图模型、时序模型等多种模型，对轨迹、区域、事件、时序、图像等多种领域数据进行建模与融合。并利用多模态数据间的互补性，学习更好的特性表示与更高级别的知识提取方式。其识别准确可靠，前期采用自监督学习，改善前期数据标签稀疏的问题。与现有技术相比，具有突出的实质性特点和显著的进步，在水下目标识别技术领域具有很高的实用价值和推广价值。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims

1.一种基于多维模型融合的水下目标识别方法，其特征在于，包括以下步骤：

采集待识别的水下目标数据，并采用深度神经网络、随机森林、Xgboost、adaboost模型的集成对待识别的水下目标数据进行大类初筛，得到该待识别的水下目标数据的目标大类；

根据目标大类和所述目标大类中的任一目标机型建立模型；

2.根据权利要求1所述的一种基于多维模型融合的水下目标识别方法，其特征在于，采用航迹相似度衡量算法获得航行轨迹，包括以下步骤：

选取任意两条初始航行轨迹，并标记为第一初始航行轨迹和第二初始航行轨迹；

将第一初始航行轨迹的航迹点映射到第二初始航行轨迹上，形成一对多的映射序列；

将第二初始航行轨迹的航迹点映射到第一初始航行轨迹上，形成多对多的映射序列；

根据航迹点的方向和速度，采用动态规划算法求得最优映射路径的点序列；

求得最优映射路径的点序列与第一初始航行轨迹和第二初始航行轨迹的距离平均值、方差和映射点个数占比，并作为相似度计算参数；

调换第一初始航行轨迹和第二初始航行轨迹，将第一初始航行轨迹或第二初始航行轨迹进行逆序，求得相似度较大的值；

遍历任一初始航行轨迹，对相似度较大的值对应的航迹点进行连接，得到得航行轨迹。

3.根据权利要求2所述的一种基于多维模型融合的水下目标识别方法，其特征在于，还包括对地理位置建模；具体如下：

搭建基于狄利克雷过程的变分贝叶斯高斯混合模型；

将航行轨迹中的航迹点和该航迹点对应的时间加入至变分贝叶斯高斯混合模型，并进行高斯混合模型拟合，得到地理位置模型。

4.根据权利要求3所述的一种基于多维模型融合的水下目标识别方法，其特征在于，还包括：

当航行轨迹中出现新的航迹点时，并采用深度神经网络、随机森林、X gboost、adaboost模型的集成进行大类初筛；

采用贝叶斯公式进行判断，其表达式为：

P(MBn|点位)∝P(点位|MBn)×P(MBn)

其中，P(MBn|点位)表示给定点位信息时未知目标为目标n的概率；P(点位|MBn)表示高斯混合模型输出，P(MBn)表示目标自身出现概率；

采用不定长序列的LSTM神经网络对航行轨迹进行精细建模，并对任一航行轨迹的经纬度信息进行去偏，训练后得到综合分类器；

结合综合分类器和变分贝叶斯高斯混合模型输出目标自身出现概率。

5.根据权利要求2所述的一种基于多维模型融合的水下目标识别方法，其特征在于，还包括对区域事件与时间分布建模，求得目标自身出现概率；

若待识别的目标为单个点位，则其估计表达式为：

P(MBn|出现区域)∝P(出现区域|MBn)×P(MBn)

若待识别目标为轨迹，则其估计表达式为：

P(MBn|轨迹区域)∝log P(MBn|起点区域)+log P(MBn|终点区域)+∑_slog P(MBn|经过区域s)

6.根据权利要求1或2或4或5所述的一种基于多维模型融合的水下目标识别方法，其特征在于，基于地理位置、航行轨迹、区域事件和时间分布结合标注的样本数据集进行深度学习与目标函数概率分布计算，求得模型输出的任一目标大类的概率分布；包括：

采用带约束的最优化算法学习任一模型的权重，且任一模型的权重的初始值均为1；所述带约束的最优化算法的表达式为：

w′₁，w′₂，w′₃＝softmax(w₁，w₂，w₃)

std(w′₁，w′₂，w′₃)＜C

所述w₁、w₂和w₃分别表示地理位置模型、区域模型和时间分布模型的权重；w′₁、w′₂和w′₃分别表示带约束的地理位置模型、区域模型和时间分布模型的权重；Std表示标准差，C表示预先设置的常数，p_n地理表示地理位置与轨迹形状识别出各型号概率，p_n区域表示区域事件识别出各型号概率，p_n时间表示时间规律识别出各型号概率；p_{n样本标签}表示各目标机型概率。

7.一种多维模型融合的水下目标识别的装置，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的一种基于多维模型融合的水下目标识别方法。

9.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述的一种基于多维模型融合的水下目标识别方法的步骤。