飞行轨迹分类模型训练方法、分类方法、装置及存储介质

1.本技术涉及神经网络技术领域，尤其涉及一种飞行轨迹分类模型训练方法、分类方法、装置及存储介质。


背景技术：

2.随着飞行技术的不断发展，飞行器的应用越来越广泛，涉及军事和民用领域，飞行器的飞行安全和飞行质量对于飞行技术的发展尤为重要，对飞行器的飞行轨迹的研究有利于提高飞行安全和飞行质量。例如可以利用飞行轨迹对飞行器的种类进行识别。
3.传统的识别方式是将飞行轨迹数据映射到高维空间，在高维空间利用不同轨迹之间的距离进行数据的分类。但这种方法需要有大量的飞行轨迹数据作为用于与所需识别的飞行轨迹进行比较，才能获得较好的识别度，但飞行器的种类繁多，特别是高超声速飞行器，建模难度大，先验知识少，机动方式复杂，并且速度极快，通过传统方式进行识别的准确率较低。


技术实现要素：

4.本技术实施例提供了一种飞行轨迹分类模型训练方法、分类方法、装置、存储介质及计算机设备，能够减少对数据先验知识的依赖，实现对飞行器类型和机动模式的准确分类识别。
5.第一方面，本技术提供了一种飞行轨迹分类模型训练方法，所述方法包括：
6.获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
7.将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
8.其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
9.在其中一个实施例中，所述将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型，包括：
10.将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵；
11.将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵；
12.将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到
所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式；
13.将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果；
14.基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模型，得到所述飞行轨迹分类模型。
15.在其中一个实施例中，所述将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵，包括：
16.将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；
17.将所述全局空间特征输入通道注意力网络进行处理；
18.将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；
19.基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；
20.将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；
21.将所述局部空间特征输入通道注意力网络进行处理；
22.将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；
23.基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；
24.将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
25.在其中一个实施例中，所述将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果，包括：
26.将所述非线性特征输入第一全连接层进行处理；
27.将所述第一全连接层的输出与所述三维线性特征矩阵进行拼接，并进行批归一化处理，得到目标特征；
28.将所述目标特征输入线性分类网络进行分类处理，输出概率值；
29.基于所述概率值得到所述飞行轨迹的预测结果。
30.在其中一个实施例中，所述方法还包括：
31.获取验证数据集；所述验证数据集包括多个验证数据，每个验证数据包括飞行轨迹以及对应的期望结果；
32.将所述验证数据集分为多个验证子集；
33.分批次将任一验证子集输入至所述飞行轨迹分类模型进行分类验证，其中，在第一批次分类验证时，所述飞行轨迹分类模型的权重参数为预设的初始参数，在第n+1批次分类验证时，通过adam优化算法更新上一批次分类验证时采用的权重参数，n为正整数；
34.计算当前批次的分类准确率；
35.在当前批次的分类准确率高于此前任一批次的分类准确率时，保存当前批次的权重参数，直至完成所有批次的分类验证时，将对应于分类准确率最高的分类验证批次的权重参数确定为所述飞行轨迹分类模型的目标权重参数。
36.第二方面，本技术提供了一种分类方法，包括：
37.获取飞行器的飞行轨迹；
38.将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
39.第三方面，本技术提供了一种飞行轨迹分类模型训练装置，包括：
40.训练数据集获取模块，用于获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
41.训练模块，用于将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
42.其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
43.第四方面，本技术提供了一种分类装置，包括：
44.飞行轨迹获取模块，用于获取飞行器的飞行轨迹；
45.分类模块，用于将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
46.第五方面，本技术提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项实施例所述的飞行轨迹分类模型训练方法或上述实施例所述的分类方法的步骤。
47.第六方面，本技术提供了一种计算机设备，包括：一个或多个处理器，以及存储器；
48.所述存储器中存储有计算机可读指令，所述一个或多个处理器执行时所述计算机可读指令时，执行如上述任一项实施例所述的飞行轨迹分类模型训练方法或上述实施例所述的分类方法的步骤。
49.从以上技术方案可以看出，本技术实施例具有以下优点：
50.本技术提供的飞行轨迹分类模型训练方法、分类方法、装置、存储介质及计算机设备，通过将获取的训练数据集输入至预先构建的初始模型进行训练，得到飞行轨迹分类模型，其中，训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及飞行轨迹对应的飞行器的种类及其机动模式，每个飞行轨迹包括采用一种机动模式的某类飞行器在一段时间中的多个时刻下的三维坐标，初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器，提取飞行轨迹的三维线性特征、非线性特征，能够提取和学习飞行轨迹的全局变化趋势和局部变化规律，学习飞行轨迹中隐含的控制变量变化规律，从而获取出飞行器的种类及其机动模式所形成的飞行轨迹的规律，训练出能够更准确分类飞行轨迹，识别出飞行器种类及其机动模式的飞行轨迹分类模型，减少对数据先验知识的依赖。
附图说明
51.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
52.图1为一个实施例中，飞行轨迹分类模型训练方法的流程图；
53.图2为一个实施例中，将训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型步骤的流程图；
54.图3为一个实施例中，将飞行轨迹输入至所述非线性特征提取网络中，提取飞行轨迹的全局特征矩阵和局部特征矩阵，并将全局特征矩阵与局部特征矩阵拼接得到非线性特征矩阵步骤的流程图；
55.图4为一个实施例中，将三维线性特征矩阵和非线性特征矩阵输入至所述线性分类器中，得到飞行轨迹的预测结果步骤的流程图；
56.图5为一个实施例中，分类方法的流程图；
57.图6为一个实施例中，飞行轨迹分类模型训练装置的结构框图；
58.图7为一个实施例中，分类装置的结构框图；
59.图8为一个实施例中，计算机设备的内部结构图。
具体实施方式
60.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
61.如图1所示，本技术实施例提供了一种飞行轨迹分类模型训练方法，所述方法包括：
62.步骤s101，获取训练数据集。
63.其中，训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，期望结果包括飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标。
64.通过人工对预先收集的飞行轨迹数据进行预处理，将预处理得到的数据分为训练数据集、验证数据集和测试数据集，训练数据集用于进行模型的训练，验证数据集用于对模型的权重参数进行学习，测试数据集用于对模型的性能进行测试。
65.对数据进行预处理的过程为：将收集到的飞行器的飞行轨迹数据进行数据清洗，去除数据中的噪点、零点后，选择整段飞行轨迹在速度相似的一段时间内的数据作为目标数据。按照飞行器的气动参数对飞行轨迹数据进行分类标注，将飞行轨迹数据中表示飞行器空间位置的三个变量由高度、经度、纬度转换为地心坐标系中的x、y、z三维坐标值，同时每一个时刻的飞行轨迹数据表示为p＝(x,y,z)，每一条飞行轨迹可以表示为tra＝{p1,p2,
…
,pn}。再对每条飞行轨迹的每个变量进行归一化处理，将处理后得到的数据与对应的期望结果关联，作为训练数据集中的样本数据、验证数据集中的验证数据或测试数据集中
的测试数据。
66.步骤s102，将训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
67.其中，初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，线性分类器用于基于三维线性特征及非线性特征对飞行轨迹进行分类处理输出预测结果。
68.通过初始模型充分提取飞行轨迹本身隐藏的特征，无需事先获知飞行器参数等先验知识，即可建立出能够准确、简单分类飞行轨迹，确定飞行器种类及其机动模式的飞行轨迹分类模型。
69.本技术提供的飞行轨迹分类模型训练方法，通过将获取的训练数据集输入至预先构建的初始模型进行训练，得到飞行轨迹分类模型，其中，训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及飞行轨迹对应的飞行器的种类及其机动模式，每个飞行轨迹包括采用一种机动模式的某类飞行器在一段时间中的多个时刻下的三维坐标，初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器，提取飞行轨迹的三维线性特征、非线性特征，能够提取和学习飞行轨迹的全局变化趋势和局部变化规律，学习飞行轨迹中隐含的控制变量变化规律，从而获取出飞行器的种类及其机动模式所形成的飞行轨迹的规律，训练出能够更准确分类飞行轨迹，识别出飞行器种类及其机动模式的飞行轨迹分类模型，减少对数据先验知识的依赖
70.如图2所示，在其中一个实施例中，所述将训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型，包括：
71.步骤s201，将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵。
72.其中，线性特征提取网络可以由三个并行的线性全连接层组合而成，每个线性全连接层分别用于学习对应维度变量的线性特征，最后组合三个线性全连接层的输出即为线性特征提取网络的输出output
l
，即三维线性特征矩阵。
73.步骤s202，将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
74.其中，非线性特征提取网络由并行的全局特征学习通道、局部特征学习通道及全连接层组合而成。分别通过全局特征学习通道、局部特征学习通道提取飞行轨迹的全局特征矩阵和局部特征矩阵，再通过全连接层将两个通道的输出数据和对应的权重相乘，压缩为三维数据，作为非线性特征提取网络的输出outputn，即非线性特征矩阵。
75.步骤s203，将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式。
76.其中，线性分类器是一种线性映射，将输入的特征映射为类别分数，根据类别分数得到预测结果，分数最高的类别即为预测结果。
77.步骤s204，将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果。
78.其中，匹配结果用于表征飞行轨迹分类模型对样本数据的预测准确性。
79.步骤s205，基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模
型，得到所述飞行轨迹分类模型。
80.根据每个样本数据的匹配结果调整初始模型，例如调整特征权重、调整输入的不同种类飞行器对应的样本数据的数量等等，进而得到飞行轨迹分类模型。
81.如图3所示，在其中一个实施例中，所述将飞行轨迹输入至所述非线性特征提取网络中，提取飞行轨迹的全局特征矩阵和局部特征矩阵，并将全局特征矩阵与局部特征矩阵拼接得到非线性特征矩阵，包括：
82.步骤s301，将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；
83.步骤s302，将所述全局空间特征输入通道注意力网络进行处理；
84.步骤s303，将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；
85.步骤s304，基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；
86.步骤s305，将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；
87.步骤s306，将所述局部空间特征输入通道注意力网络进行处理；
88.步骤s307，将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；
89.步骤s308，基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；
90.步骤s309，将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
91.其中，全局特征学习通道由一个全局卷积网络、一个卷积通道注意力网络层、一个批归一化层和一个双向门口循环单元串联而成。输入的飞行轨迹数据首先经过全局卷积网络，提取各维度变量在数据窗口内的全局相关关系；全局卷积网络输出的数据输入通道注意力网络和批归一化层，用于加强卷积层的特征提取能力和减少数据分布的差异；通过通道注意力机制加强以及批归一化处理后的全局卷积网络输出的数据输入双向的全局门控循环网络，全局门控循环网络将从顺时序以及逆时序两个方向学习输入数据的时序特征。
92.局部特征学习通道由一个局部卷积网络、一个卷积通道注意力网络层、一个批归一化层和一个双向门口循环单元串联而成。输入的飞行轨迹数据首先经过局部卷积网络，提取各维度变量在数据窗口内的局部相关关系；局部卷积网络输出的数据输入通道注意力网络和批归一化层，用于加强卷积层的特征提取能力和减少数据分布的差异；通过通道注意力机制加强以及批归一化处理后的局部卷积网络输出的数据输入双向的局部门控循环网络，局部门控循环网络将从顺时序以及逆时序两个方向学习输入数据的时序特征。
93.再通过全连接层将两个通道的输出数据和对应的权重相乘，压缩为三维数据，作为非线性特征提取网络的输出outputn，即非线性特征矩阵。
94.如图4所示，在其中一个实施例中，所述将三维线性特征矩阵和非线性特征矩阵输入至所述线性分类器中，得到飞行轨迹的预测结果，包括：
95.步骤s401，将所述非线性特征输入第一全连接层进行处理；
96.步骤s402，将所述第一全连接层的输出与所述三维线性特征矩阵进行拼接，并进行批归一化处理，得到目标特征；
97.步骤s403，将所述目标特征输入线性分类网络进行分类处理，输出概率值；
98.步骤s404，基于所述概率值得到所述飞行轨迹的预测结果。
99.非线性特征进入第一全连接层，进行第一次降维，降维后的数据进入批归一化网络，给数据施加分布约束，减少进入两层网络的数据分布差异。经过降维和分布约束的目标特征进入线性分类网络处理后输出概率值，概率值经过softmax函数处理后得到飞行轨迹对应的飞行器种类的概率。
100.在其中一个实施例中，所述方法还包括：
101.获取验证数据集；所述验证数据集包括多个验证数据，每个验证数据包括飞行轨迹以及对应的期望结果；
102.将所述验证数据集分为多个验证子集；
103.分批次将任一验证子集输入至所述飞行轨迹分类模型进行分类验证，其中，在第一批次分类验证时，所述飞行轨迹分类模型的权重参数为预设的初始参数，在第n+1批次分类验证时，通过adam优化算法更新上一批次分类验证时采用的权重参数，n为正整数；
104.计算当前批次的分类准确率；
105.在当前批次的分类准确率高于此前任一批次的分类准确率时，保存当前批次的权重参数，直至完成所有批次的分类验证时，将对应于分类准确率最高的分类验证批次的权重参数确定为所述飞行轨迹分类模型的目标权重参数。
106.本实施例通过验证数据集进行权重参数的学习，对飞行轨迹分类模型的进行优化，确定最优的权重参数，提高飞行轨迹分类模型的分类识别准确性。
107.如图5所示，本技术实施例还提供了一种分类方法，包括：
108.步骤s501，获取飞行器的飞行轨迹；
109.步骤s502，将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
110.对于需要进行分类识别的飞行轨迹，将其输入至飞行轨迹分类模型进行分类识别，即可得到该飞行轨迹对应的飞行器的种类及其机动模式。
111.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
112.下面对本技术实施例提供的飞行轨迹分类模型训练装置、分类装置进行描述，下文描述的飞行轨迹分类模型训练装置与上文描述的飞行轨迹分类模型训练方法可相互对应参照，分类装置与上文描述的分类方法可相互对应参照。
113.如图6所示，本技术实施例提供了一种飞行轨迹分类模型训练装置600，包括：
114.训练数据集获取模块601，用于获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
115.训练模块602，用于将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
116.其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
117.在其中一个实施例中，训练模块包括：
118.第一特征提取单元，用于将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵；
119.第二特征提取单元，用于将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵；
120.预测单元，用于将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式；
121.匹配单元，用于将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果；
122.模型调整单元，用于基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模型，得到所述飞行轨迹分类模型。
123.在其中一个实施例中，第二特征提取单元被配置为用于执行以下步骤：
124.将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；
125.将所述全局空间特征输入通道注意力网络进行处理；
126.将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；
127.基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；
128.将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；
129.将所述局部空间特征输入通道注意力网络进行处理；
130.将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；
131.基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；
132.将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
133.在其中一个实施例中，预测单元被配置为用于执行以下步骤：
134.将所述非线性特征输入第一全连接层进行处理；
135.将所述第一全连接层的输出与所述三维线性特征矩阵进行拼接，并进行批归一化处理，得到目标特征；
136.将所述目标特征输入线性分类网络进行分类处理，输出概率值；
137.基于所述概率值得到所述飞行轨迹的预测结果。
138.在其中一个实施例中，飞行轨迹分类模型训练装置还包括：
139.验证数据集获取模块，用于获取验证数据集；所述验证数据集包括多个验证数据，每个验证数据包括飞行轨迹以及对应的期望结果；
140.数据分组模块，用于将所述验证数据集分为多个验证子集；
141.验证模块，用于分批次将任一验证子集输入至所述飞行轨迹分类模型进行分类验证，计算每一批次的分类准确率，在当前批次的分类准确率高于此前任一批次的分类准确率时，保存当前批次的权重参数，直至完成所有批次的分类验证时，将对应于分类准确率最高的分类验证批次的权重参数确定为所述飞行轨迹分类模型的目标权重参数；其中，在第一批次分类验证时，所述飞行轨迹分类模型的权重参数为预设的初始参数，在第n+1批次分类验证时，通过adam优化算法更新上一批次分类验证时采用的权重参数，n为正整数。
142.如图7所示，本技术实施例还提供了一种分类装置700，包括：
143.飞行轨迹获取模块701，用于获取飞行器的飞行轨迹；
144.分类模块702，用于将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
145.上述飞行轨迹分类模型训练装置/分类装置中各个模块的划分仅仅用于举例说明，在其他实施例中，可将飞行轨迹分类模型训练装置/分类装置按照需要划分为不同的模块，以完成上述飞行轨迹分类模型训练装置/分类装置的全部或部分功能。上述飞行轨迹分类模型训练装置/分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
146.在一个实施例中，本技术还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
147.获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
148.将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
149.其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
150.在其中一个实施例中，计算机可读指令被处理器执行时还实现以下步骤：
151.将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵；
152.将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征
矩阵；
153.将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式；
154.将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果；
155.基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模型，得到所述飞行轨迹分类模型。
156.在其中一个实施例中，计算机可读指令被处理器执行时还实现以下步骤：
157.将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；
158.将所述全局空间特征输入通道注意力网络进行处理；
159.将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；
160.基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；
161.将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；
162.将所述局部空间特征输入通道注意力网络进行处理；
163.将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；
164.基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；
165.将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
166.在其中一个实施例中，计算机可读指令被处理器执行时还实现以下步骤：
167.将所述非线性特征输入第一全连接层进行处理；
168.将所述第一全连接层的输出与所述三维线性特征矩阵进行拼接，并进行批归一化处理，得到目标特征；
169.将所述目标特征输入线性分类网络进行分类处理，输出概率值；
170.基于所述概率值得到所述飞行轨迹的预测结果。
171.在其中一个实施例中，计算机可读指令被处理器执行时还实现以下步骤：
172.获取验证数据集；所述验证数据集包括多个验证数据，每个验证数据包括飞行轨迹以及对应的期望结果；
173.将所述验证数据集分为多个验证子集；
174.分批次将任一验证子集输入至所述飞行轨迹分类模型进行分类验证，其中，在第一批次分类验证时，所述飞行轨迹分类模型的权重参数为预设的初始参数，在第n+1批次分类验证时，通过adam优化算法更新上一批次分类验证时采用的权重参数，n为正整数；
175.计算当前批次的分类准确率；
176.在当前批次的分类准确率高于此前任一批次的分类准确率时，保存当前批次的权重参数，直至完成所有批次的分类验证时，将对应于分类准确率最高的分类验证批次的权重参数确定为所述飞行轨迹分类模型的目标权重参数。
177.在其中一个实施例中，计算机可读指令被处理器执行时还实现以下步骤：
178.获取飞行器的飞行轨迹；
179.将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
180.在一个实施例中，本技术还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述一个或多个处理器执行所述计算机可读指令时，执行以下步骤：
181.获取训练数据集；所述训练数据集包括多个样本数据，每个样本数据包括飞行轨迹以及对应的期望结果，所述期望结果包括所述飞行轨迹对应的飞行器的种类及其机动模式，飞行轨迹包括飞行器在多个时刻下的三维坐标；
182.将所述训练数据集输入至初始模型进行训练，得到飞行轨迹分类模型；
183.其中，所述初始模型包括线性特征提取网络、非线性特征提取网络及线性分类器；所述线性特征提取网络用于对飞行轨迹三个维度的线性特征进行提取并拼接得到三维线性特征，所述非线性特征提取网络用于提取飞行轨迹的全局特征和局部特征并进行拼接得到非线性特征，所述线性分类器用于基于所述三维线性特征及所述非线性特征对飞行轨迹进行分类处理输出预测结果。
184.在其中一个实施例中，处理器执行计算机可读指令时还执行以下步骤：
185.将所述训练数据集中样本数据的飞行轨迹输入至所述线性特征提取网络中，得到所述飞行轨迹的三维线性特征矩阵；
186.将所述飞行轨迹输入至所述非线性特征提取网络中，提取所述飞行轨迹的全局特征矩阵和局部特征矩阵，并将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵；
187.将所述三维线性特征矩阵和所述非线性特征矩阵输入至所述线性分类器中，得到所述飞行轨迹的预测结果；所述预测结果包括预测飞行器种类及其机动模式；
188.将所述预测结果与期望结果进行匹配，得到所述样本数据的匹配结果；
189.基于所述训练数据集中的各样本数据对应的匹配结果调整所述初始模型，得到所述飞行轨迹分类模型。
190.在其中一个实施例中，处理器执行计算机可读指令时还执行以下步骤：
191.将所述飞行轨迹输入全局卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出全局空间特征；
192.将所述全局空间特征输入通道注意力网络进行处理；
193.将所述通道注意力网络处理后的全局空间特征输入全局门控循环网络，输出全局时间特征；
194.基于所述全局空间特征和全局时间特征得到所述全局特征矩阵；
195.将所述飞行轨迹输入局部卷积网络进行卷积，并对卷积后的输出进行批归一化处理，输出局部空间特征；
196.将所述局部空间特征输入通道注意力网络进行处理；
197.将所述通道注意力网络处理后的局部空间特征输入局部门控循环网络，输出局部时间特征；
198.基于所述局部空间特征和局部时间特征得到所述局部特征矩阵；
199.将所述全局特征矩阵与所述局部特征矩阵拼接得到非线性特征矩阵。
200.在其中一个实施例中，处理器执行计算机可读指令时还执行以下步骤：
201.将所述非线性特征输入第一全连接层进行处理；
202.将所述第一全连接层的输出与所述三维线性特征矩阵进行拼接，并进行批归一化处理，得到目标特征；
203.将所述目标特征输入线性分类网络进行分类处理，输出概率值；
204.基于所述概率值得到所述飞行轨迹的预测结果。
205.在其中一个实施例中，处理器执行计算机可读指令时还执行以下步骤：
206.获取验证数据集；所述验证数据集包括多个验证数据，每个验证数据包括飞行轨迹以及对应的期望结果；
207.将所述验证数据集分为多个验证子集；
208.分批次将任一验证子集输入至所述飞行轨迹分类模型进行分类验证，其中，在第一批次分类验证时，所述飞行轨迹分类模型的权重参数为预设的初始参数，在第n+1批次分类验证时，通过adam优化算法更新上一批次分类验证时采用的权重参数，n为正整数；
209.计算当前批次的分类准确率；
210.在当前批次的分类准确率高于此前任一批次的分类准确率时，保存当前批次的权重参数，直至完成所有批次的分类验证时，将对应于分类准确率最高的分类验证批次的权重参数确定为所述飞行轨迹分类模型的目标权重参数。
211.在其中一个实施例中，处理器执行计算机可读指令时还执行以下步骤：
212.获取飞行器的飞行轨迹；
213.将所述飞行轨迹输入至飞行轨迹分类模型，得到所述飞行器的种类及其机动模式；其中，所述飞行轨迹分类模型通过如上述任一项实施例所述的飞行轨迹分类模型训练方法训练生成。
214.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种飞行轨迹分类模型训练方法/分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
215.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
216.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括
非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
217.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
218.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
219.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
220.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。