基于多時(shí)間窗口的空中目標(biāo)機(jī)動(dòng)模式提取及識(shí)別方法

鄭昌艷，梅 衛(wèi)，馮小雨

(解放軍軍械工程學(xué)院，河北 石家莊 050003)

?

基于多時(shí)間窗口的空中目標(biāo)機(jī)動(dòng)模式提取及識(shí)別方法

鄭昌艷，梅 衛(wèi)，馮小雨

(解放軍軍械工程學(xué)院，河北 石家莊 050003)

針對(duì)現(xiàn)有空中目標(biāo)機(jī)動(dòng)模式識(shí)別算法中，機(jī)動(dòng)模式提取方法實(shí)用性差和識(shí)別率不高的問題，提出了基于多時(shí)間窗口的空中目標(biāo)機(jī)動(dòng)模式提取及識(shí)別方法。該方法構(gòu)造了多個(gè)不同尺度的時(shí)間窗口并制定了相對(duì)應(yīng)的多時(shí)間窗口識(shí)別機(jī)制，使得機(jī)動(dòng)模式的提取和識(shí)別環(huán)節(jié)之間相互配合，從而實(shí)現(xiàn)機(jī)動(dòng)模式的識(shí)別，時(shí)間窗口采用的是卷積神經(jīng)網(wǎng)絡(luò)分類器。仿真試驗(yàn)證明，該方法對(duì)5種機(jī)動(dòng)模式類型的識(shí)別率均達(dá)到了90%以上，有效解決了現(xiàn)有提取方法完全依賴特征點(diǎn)尋找、提取精度不高的問題，提高了機(jī)動(dòng)模式識(shí)別的準(zhǔn)確性及魯棒性。

機(jī)動(dòng)模式識(shí)別；機(jī)動(dòng)模式提取；多時(shí)間窗口；卷積神經(jīng)網(wǎng)絡(luò)

0 引言

敵方在接近我方目標(biāo)過程中，會(huì)表現(xiàn)出一系列具有規(guī)律性的運(yùn)動(dòng)方式和特性[1]，為更好把握空中態(tài)勢(shì)變化和潛在威脅，很多意圖識(shí)別算法中，已將宏觀的機(jī)動(dòng)模式(區(qū)別于跟蹤濾波中微觀的機(jī)動(dòng)模式)作為變量進(jìn)行了考量[2-3]。現(xiàn)有的機(jī)動(dòng)模式識(shí)別算法大多將注意力集中在機(jī)動(dòng)模式的特征提取、表達(dá)及分類器設(shè)計(jì)上，對(duì)機(jī)動(dòng)模式提取方法研究的并不充分，并且機(jī)動(dòng)模式識(shí)別方法的精度、魯棒性以及實(shí)用性等都有待于進(jìn)一步提高。

目標(biāo)航跡數(shù)據(jù)是(ε,β,D)方位數(shù)據(jù)，有些探測(cè)器會(huì)給出目標(biāo)的速度和加速度信息，也是在位置數(shù)據(jù)上計(jì)算得到，所以目前大多數(shù)算法是基于目標(biāo)位置信息提取不同的運(yùn)動(dòng)參數(shù)特征進(jìn)行組合表達(dá)，再利用模板匹配等分類方法來實(shí)現(xiàn)機(jī)動(dòng)模式識(shí)別。

文獻(xiàn)[4]通過提取目標(biāo)角速度信息，實(shí)現(xiàn)了目標(biāo)盤旋機(jī)動(dòng)與轉(zhuǎn)彎?rùn)C(jī)動(dòng)的識(shí)別，文獻(xiàn)[5]提取目標(biāo)在機(jī)動(dòng)起始與結(jié)束時(shí)間內(nèi)高度差、累加速度、累加航向角、累加俯仰角等，建立了戰(zhàn)斗機(jī)飛行參數(shù)專家知識(shí)庫，實(shí)現(xiàn)了戰(zhàn)斗機(jī)近距離博弈動(dòng)作例如下滑橫滾等動(dòng)作識(shí)別，識(shí)別率在80%左右，然而文獻(xiàn)[4—5]的算法均是假定了機(jī)動(dòng)模式在連續(xù)航跡中已被合理提取的前提。文獻(xiàn)[6]通過戰(zhàn)斗機(jī)在飛行中的過載變化特點(diǎn)分割出其機(jī)動(dòng)段，并提取機(jī)動(dòng)時(shí)間內(nèi)戰(zhàn)斗機(jī)側(cè)傾角、俯仰角、高度差、航向角差等特征，通過匹配參數(shù)特征方法實(shí)現(xiàn)目標(biāo)拉起、蛇形、滾轉(zhuǎn)等機(jī)動(dòng)模式的識(shí)別，識(shí)別率達(dá)到95%。但是該文獻(xiàn)針對(duì)的是戰(zhàn)斗機(jī)本身的性能測(cè)試，其識(shí)別數(shù)據(jù)來源于戰(zhàn)斗機(jī)自身記載數(shù)據(jù)，而現(xiàn)實(shí)中目標(biāo)探測(cè)數(shù)據(jù)誤差則大的多，并且無法獲得目標(biāo)的過載數(shù)據(jù)。本文針對(duì)目前機(jī)動(dòng)模式提取方法實(shí)用性差和機(jī)動(dòng)模式識(shí)別率不高的問題，提出了基于多時(shí)間窗口的空中目標(biāo)機(jī)動(dòng)模式提取及識(shí)別方法。

1 基于時(shí)間窗口的機(jī)動(dòng)模式提取

1.1 機(jī)動(dòng)模式類型

本文研究對(duì)象為戰(zhàn)斗機(jī)和巡航導(dǎo)彈這兩類使用廣泛的空襲兵器，暫不考慮如半斤斗、下降橫滾這類主要體現(xiàn)在飛行器自身姿態(tài)角劇烈變化但宏觀運(yùn)動(dòng)為直線的戰(zhàn)斗機(jī)近距離搏斗動(dòng)作，目標(biāo)典型的機(jī)動(dòng)模式類型主要是圓弧轉(zhuǎn)彎、盤旋、蛇形機(jī)動(dòng)、躍升、俯沖這5大類[7-10]。

1.2 現(xiàn)有提取方法存在的問題

從連續(xù)航跡中合理提取出目標(biāo)機(jī)動(dòng)模式，往往與特征點(diǎn)的尋找聯(lián)系在一起，若能快速準(zhǔn)確尋找出目標(biāo)航跡的一些特征點(diǎn)，例如機(jī)動(dòng)起始點(diǎn)、結(jié)束點(diǎn)，可實(shí)現(xiàn)大部分機(jī)動(dòng)模式的提取。目前關(guān)于航跡特征點(diǎn)檢測(cè)有一些代表性的研究，文獻(xiàn)[11]將圖像處理中邊緣拐點(diǎn)檢測(cè)算法應(yīng)用到目標(biāo)航跡的特征點(diǎn)尋找上，該方法本質(zhì)上是找尋方向角突變點(diǎn)，文獻(xiàn)[12]通過提取雷達(dá)回波信號(hào)特征，實(shí)現(xiàn)目標(biāo)機(jī)動(dòng)起始點(diǎn)檢測(cè)。

現(xiàn)實(shí)中經(jīng)過濾波跟蹤得到的目標(biāo)航跡數(shù)據(jù)仍有較大波動(dòng)，在目標(biāo)機(jī)動(dòng)情況下數(shù)據(jù)波動(dòng)更大，文獻(xiàn)[11]這類數(shù)學(xué)幾何求解方法是較為粗糙的特征點(diǎn)檢測(cè)算法，在噪聲較大的情況下，檢測(cè)效果并不理想，文獻(xiàn)[12]尋找的精度較高，但是需要額外的數(shù)據(jù)信息，并且算法復(fù)雜，計(jì)算量大，實(shí)時(shí)性很難保證。

同時(shí)，這種僅依賴特征點(diǎn)的提取方法還存在一個(gè)缺陷，即面對(duì)周期性的運(yùn)動(dòng)，例如蛇形機(jī)動(dòng)或者盤旋機(jī)動(dòng)，無法提取單個(gè)周期的機(jī)動(dòng)模式，而現(xiàn)有的大多數(shù)識(shí)別算法考慮的是單個(gè)周期內(nèi)的機(jī)動(dòng)模式特征變化，因而并不適用。因此，機(jī)動(dòng)段的提取在現(xiàn)實(shí)情況下存在很大困難，提取方法的精度和靈活性還有待提高。

1.3 時(shí)間窗口提取存在的問題及解決方案

考慮到航跡特征點(diǎn)檢測(cè)精度不高及其固有缺陷，本文考慮采用時(shí)間窗口以實(shí)現(xiàn)提取，即提取一段固定時(shí)間的航跡數(shù)據(jù)進(jìn)行識(shí)別。整體思路是，先利用拐點(diǎn)檢測(cè)算法大致判斷出目標(biāo)的機(jī)動(dòng)起始點(diǎn)，檢測(cè)到起始點(diǎn)后意味著目標(biāo)進(jìn)入了機(jī)動(dòng)階段，利用時(shí)間窗口對(duì)航跡不斷進(jìn)行分割識(shí)別，直到目標(biāo)機(jī)動(dòng)結(jié)束。時(shí)間窗口機(jī)制受啟發(fā)于人腦對(duì)連續(xù)運(yùn)動(dòng)的識(shí)別，即面對(duì)時(shí)間周期較長(zhǎng)的運(yùn)動(dòng)變化，人腦會(huì)階段性或連續(xù)性地給出目標(biāo)運(yùn)動(dòng)狀態(tài)的反饋，并在出現(xiàn)變化后綜合前面的信息做出最終的判斷。例如目標(biāo)做了蛇形機(jī)動(dòng)，人腦會(huì)反饋目標(biāo)做了轉(zhuǎn)彎運(yùn)動(dòng)，接著做了相反的轉(zhuǎn)彎運(yùn)動(dòng)，再整體回想判斷得出目標(biāo)做了蛇形機(jī)動(dòng)。本文抽象簡(jiǎn)化了這一系列思維活動(dòng)，形成了時(shí)間窗口的提取模型。

采用時(shí)間窗口提取，避開了對(duì)目標(biāo)機(jī)動(dòng)結(jié)束時(shí)特定點(diǎn)的尋找，并且不存在周期性機(jī)動(dòng)模式無法提取單個(gè)機(jī)動(dòng)周期的問題。但是因?yàn)闀r(shí)間窗口具有固定性，分割具有時(shí)間差異性(目標(biāo)做同一種機(jī)動(dòng)模式的所用時(shí)間差距很大)的機(jī)動(dòng)模式也面臨著一些問題。

首先考慮較小尺度的時(shí)間窗口分割，因?yàn)樾〕叨确指钶^為靈活，且對(duì)于機(jī)動(dòng)時(shí)間較長(zhǎng)的機(jī)動(dòng)模式，也可實(shí)時(shí)掌握目標(biāo)機(jī)動(dòng)的局部動(dòng)態(tài)信息，有利于提高識(shí)別的實(shí)時(shí)性。通過分析可得，小尺度的時(shí)間窗口分割主要面臨兩個(gè)問題：

1)只關(guān)注局部而忽略整體

例如在識(shí)別周期較長(zhǎng)的盤旋機(jī)動(dòng)和蛇形機(jī)動(dòng)時(shí)，小尺寸的時(shí)間窗口只對(duì)機(jī)動(dòng)模式進(jìn)行了部分提取，識(shí)別其局部是圓弧機(jī)動(dòng)，而不能識(shí)別整體的機(jī)動(dòng)模式類型。

2)分割到非定義的機(jī)動(dòng)模式

時(shí)間窗口連續(xù)分割，會(huì)分割到不同機(jī)動(dòng)模式之間的過渡段，例如躍升機(jī)動(dòng)到俯沖機(jī)動(dòng)的過渡段等。這些過渡段并非事先定義好的機(jī)動(dòng)模式，也不具有固定機(jī)動(dòng)模式明顯的運(yùn)動(dòng)特征，故按照一般的運(yùn)動(dòng)參數(shù)特征提取方法，很難將其分類。

本文采取以下措施解決上述問題：

1)設(shè)立多種尺度時(shí)間窗口進(jìn)行組合判斷

將機(jī)動(dòng)時(shí)間長(zhǎng)的周期性機(jī)動(dòng)模式——圓弧、蛇形及盤旋機(jī)動(dòng)看成圓弧轉(zhuǎn)彎?rùn)C(jī)動(dòng)的組成，在小尺度時(shí)間窗口識(shí)別后，再用更大尺度的時(shí)間窗口識(shí)別，從而形成由局部到整體的判斷，這也是本文稱為多時(shí)間窗口機(jī)動(dòng)模式提取及識(shí)別方法的原因。

2)增加機(jī)動(dòng)模式類型并構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)分類器

分析得出，過渡段可分為3種類型(將在下一章具體指出)，本文將這3類過渡段作為3種機(jī)動(dòng)模式進(jìn)行識(shí)別，即增加機(jī)動(dòng)模式的類別。這樣做增加了分類的難度，并且從表面上看這些過渡段的運(yùn)動(dòng)特征并不明顯，因此也是對(duì)航跡的特征提取以及分類器的性能提出了更高的要求。

1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的分類器

卷積神經(jīng)網(wǎng)絡(luò)[13](Convolutional Neural Networks，CNNs)是一種特殊結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過訓(xùn)練能夠自動(dòng)提取數(shù)據(jù)的本質(zhì)特征，而這種非人工干預(yù)提取的特征不僅減少了設(shè)計(jì)者繁重的特征設(shè)計(jì)工作，同時(shí)識(shí)別效果往往比人工設(shè)計(jì)的特征要好的多[14]，因此本文設(shè)計(jì)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)作為各個(gè)時(shí)間窗口分類器。

雖然實(shí)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的分類器模型比一般的特征參數(shù)模板匹配的方法要復(fù)雜得多，但它可以解決特征參數(shù)模板匹配方法的特征提取，往往只針對(duì)某一類或者某幾類機(jī)動(dòng)模式即綜合性差的問題，以及在識(shí)別時(shí)易受其他因素影響，特征魯棒性差的問題。

卷積神經(jīng)網(wǎng)絡(luò)的機(jī)動(dòng)模式分類器的設(shè)計(jì)以及訓(xùn)練不是本文探討的重點(diǎn)，在這里不過多介紹。

2 基于多時(shí)間窗口的機(jī)動(dòng)模式識(shí)別

2.1 機(jī)動(dòng)模式參數(shù)及時(shí)間窗口設(shè)計(jì)

假定目標(biāo)在機(jī)動(dòng)后一定進(jìn)行了水平直線運(yùn)動(dòng)作為緩沖，即不同機(jī)動(dòng)模式不連續(xù)發(fā)生。同時(shí)為配合時(shí)間窗口的機(jī)動(dòng)模式識(shí)別，本文將目標(biāo)水平直線運(yùn)動(dòng)也作為機(jī)動(dòng)模式類型的一種。

目前最快的戰(zhàn)斗機(jī)速度可高達(dá)3Ma，在考慮損耗的情況下，絕大部分戰(zhàn)斗機(jī)速度維持在200～400 m/s[15-16]，巡航導(dǎo)彈的速度一般在0.7～0.9Ma[17]，即240～300 m/s，所以這兩類目標(biāo)在空中的速度區(qū)間大致在200～400 m/s；它們的飛行轉(zhuǎn)彎速率在10～30(°)/s。目標(biāo)在進(jìn)入攻擊區(qū)時(shí)一般會(huì)做多個(gè)蛇形機(jī)動(dòng)以規(guī)避炮火，蛇形機(jī)動(dòng)周期在5～20 s，蛇形機(jī)動(dòng)幅度在50～200 m之間[6]；戰(zhàn)斗機(jī)的平均爬升速度在50～150 m/s，平均俯沖速度200～400 m/s[18]，躍升俯仰角度范圍30°～80°；盤旋機(jī)動(dòng)是連續(xù)轉(zhuǎn)彎角度超過360°的圓弧轉(zhuǎn)彎?rùn)C(jī)動(dòng)，它的機(jī)動(dòng)參數(shù)與圓弧轉(zhuǎn)彎相同，因此盤旋機(jī)動(dòng)周期至少為360°/(30(°)/s)=12 s，由于機(jī)動(dòng)周期越大目標(biāo)威脅越小，同時(shí)為簡(jiǎn)化問題，本文僅考慮盤旋機(jī)動(dòng)周期小于20 s。

設(shè)計(jì)最小的時(shí)間窗口為5 s。通過分析，5 s時(shí)間窗口對(duì)機(jī)動(dòng)模式進(jìn)行分割，可能分割到的機(jī)動(dòng)模式有水平直線運(yùn)動(dòng)、圓弧轉(zhuǎn)彎?rùn)C(jī)動(dòng)、周期為T=5s的蛇形機(jī)動(dòng)，躍升機(jī)動(dòng)，俯沖機(jī)動(dòng)，同時(shí)還有可能分割到圓弧到直線過渡段、躍升到俯沖機(jī)動(dòng)過渡段、俯沖機(jī)動(dòng)到直線這3種過渡段，共8種機(jī)動(dòng)模式。

設(shè)計(jì)10 s、15 s、20 s這3種大尺度時(shí)間窗口，作為對(duì)大周期機(jī)動(dòng)模式的整體判斷，同時(shí)規(guī)定僅當(dāng)小尺度時(shí)間窗口識(shí)別為圓弧機(jī)動(dòng)時(shí)才會(huì)進(jìn)行大尺度時(shí)間窗口的判斷，因此10 s時(shí)間窗口包含圓弧轉(zhuǎn)彎?rùn)C(jī)動(dòng)，周期5

為方便起見，賦予各類機(jī)動(dòng)模式數(shù)字標(biāo)簽：水平直線運(yùn)動(dòng)0、圓弧轉(zhuǎn)彎?rùn)C(jī)動(dòng)1、圓弧到直線過渡段2、蛇形3、躍升機(jī)動(dòng)4、躍升到俯沖過渡段5、俯沖機(jī)動(dòng)6、俯沖到直線過渡段7、盤旋8，則四個(gè)時(shí)間窗口可能出現(xiàn)的機(jī)動(dòng)模式分別是：5 s時(shí)間窗口：0、1、2、3、4、5、6、7；10 s時(shí)間窗口：1、3；15 s時(shí)間窗口：1、3、8；20 s時(shí)間窗口：1、3、8。

2.2 多時(shí)間窗口的機(jī)動(dòng)模式識(shí)別規(guī)則

檢測(cè)到目標(biāo)機(jī)動(dòng)起始點(diǎn)后，開始執(zhí)行機(jī)動(dòng)模式識(shí)別程序。前期研究中，本人通過改進(jìn)經(jīng)典的累加弦長(zhǎng)法拐點(diǎn)檢測(cè)算法，實(shí)現(xiàn)了機(jī)動(dòng)起始點(diǎn)較好的檢測(cè)，多時(shí)間窗口的機(jī)動(dòng)模式識(shí)別，直接利用改進(jìn)的算法實(shí)現(xiàn)機(jī)動(dòng)起始點(diǎn)檢測(cè)。

2.1節(jié)明確了各個(gè)時(shí)間尺度窗口中的機(jī)動(dòng)模式，現(xiàn)制定相應(yīng)的識(shí)別規(guī)則：

1)5 s時(shí)間窗口對(duì)航跡數(shù)據(jù)進(jìn)行不重疊地滑動(dòng)識(shí)別，大時(shí)間窗口積累小尺度時(shí)間窗口中的航跡數(shù)據(jù)進(jìn)行識(shí)別；

2)在小尺寸時(shí)間窗口均識(shí)別為圓弧轉(zhuǎn)彎之后才會(huì)進(jìn)行大時(shí)間窗口的識(shí)別，例如目標(biāo)進(jìn)行了17 s的圓弧轉(zhuǎn)彎?rùn)C(jī)動(dòng)，當(dāng)前兩個(gè)5 s時(shí)間窗口均識(shí)別為圓弧機(jī)動(dòng)后，才會(huì)利用10 s時(shí)間窗口進(jìn)行識(shí)別，只有當(dāng)10 s時(shí)間窗口和下一個(gè)5 s時(shí)間窗口均識(shí)別為圓弧機(jī)動(dòng)后，才會(huì)再利用15 s時(shí)間窗口進(jìn)行識(shí)別；

3)目標(biāo)從機(jī)動(dòng)退出到非機(jī)動(dòng)，必定要經(jīng)歷水平直線、圓弧到直線過渡段、俯沖到直線過渡段，這3種機(jī)動(dòng)模式中的一種。將這3種類型定義為退出機(jī)動(dòng)模式，當(dāng)識(shí)別出這三種機(jī)動(dòng)模式之后，即發(fā)出退出識(shí)別和開始尋找下一機(jī)動(dòng)起始點(diǎn)的信號(hào)；

4)對(duì)于周期性機(jī)動(dòng)，可簡(jiǎn)化識(shí)別流程，即假如目標(biāo)已被識(shí)別為周期性機(jī)動(dòng)，那么之后只需利用5 s時(shí)間窗口找到退出模式即可，中間時(shí)刻可認(rèn)為目標(biāo)一直在持續(xù)該機(jī)動(dòng)；

5)對(duì)于時(shí)間周期超過20 s的機(jī)動(dòng)，不再給予識(shí)別，重新開啟新一輪識(shí)別。

基于以上規(guī)則，多時(shí)間窗口的機(jī)動(dòng)模式識(shí)別流程如圖1所示，圖中的虛線表示將兩個(gè)小尺度時(shí)間窗口數(shù)據(jù)送入大尺度時(shí)間窗口中。

圖1 多時(shí)間窗口機(jī)動(dòng)模式識(shí)別流程圖Fig.1 Multitime-windows maneuvering pattern identification algorithm

2.3 多時(shí)間窗口下的卷積神經(jīng)網(wǎng)絡(luò)分類器樣本仿真

由多時(shí)間窗口識(shí)別流程圖1可知，機(jī)動(dòng)模式識(shí)別是在四個(gè)時(shí)間窗口的機(jī)動(dòng)模式識(shí)別基礎(chǔ)上實(shí)現(xiàn)的。由于基于神經(jīng)網(wǎng)絡(luò)的分類器輸入端口固定，不同維度的數(shù)據(jù)無法直接送入同一個(gè)分類器中進(jìn)行識(shí)別，而四個(gè)時(shí)間窗口對(duì)應(yīng)的航跡數(shù)據(jù)維度不相同，同時(shí)四個(gè)時(shí)間窗口內(nèi)的機(jī)動(dòng)模式類型也不相同，因此考慮分別訓(xùn)練四個(gè)時(shí)間窗口的分類器，故要針對(duì)每個(gè)時(shí)間窗口機(jī)動(dòng)模式生成訓(xùn)練樣本。

現(xiàn)在大部分探測(cè)器提供目標(biāo)在球坐標(biāo)系下的(ε,β,D)位置數(shù)據(jù)，ε,β和D分別是角度數(shù)據(jù)和距離數(shù)據(jù)。類型不統(tǒng)一的數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入需要進(jìn)行額外的相關(guān)處理，耗費(fèi)精力，因此，本文將球坐標(biāo)系下的(ε,β,D)數(shù)據(jù)轉(zhuǎn)為直角坐標(biāo)系下類型統(tǒng)一的空間坐標(biāo)數(shù)據(jù)(x,y,z)。

通過分析，訓(xùn)練樣本仿真需要解決以下問題：

1)2.1節(jié)分析了各個(gè)機(jī)動(dòng)模式的參數(shù)，但有些參數(shù)未指明但也需要考慮，例如飛行的航向角(0～360°)等，并且參數(shù)范圍很大，不可能一一選值仿真；

2)時(shí)間窗口連續(xù)提取識(shí)別，提取的位置可能為機(jī)動(dòng)模式的任意部分；

3)目標(biāo)的機(jī)動(dòng)起始點(diǎn)等參數(shù)與目標(biāo)的機(jī)動(dòng)動(dòng)作形狀并無太大關(guān)系，故還需要進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處理，并且還要符合神經(jīng)網(wǎng)絡(luò)對(duì)輸入的要求。

解決方案如下：

1)將機(jī)動(dòng)模式的各個(gè)參數(shù)進(jìn)行間隔抽樣，例如蛇形機(jī)動(dòng)幅度參數(shù)為50～200 m，機(jī)動(dòng)高度在1 000～5 000 m，分別設(shè)置采樣間隔20 m、200 m，當(dāng)然還有其他的一些參數(shù)。將這些抽樣后的數(shù)據(jù)再分別進(jìn)行隨機(jī)組合抽取，得到多條完整的機(jī)動(dòng)數(shù)據(jù)參數(shù)后進(jìn)行仿真，可仿真生成多個(gè)訓(xùn)練樣本；

2)將每種機(jī)動(dòng)模式的仿真時(shí)間設(shè)定較長(zhǎng)，根據(jù)各個(gè)時(shí)間窗口相對(duì)應(yīng)的機(jī)動(dòng)類型，截取相應(yīng)時(shí)間長(zhǎng)度的數(shù)據(jù)作為訓(xùn)練樣本。截取的起始點(diǎn)設(shè)置了一個(gè)隨機(jī)值，用來解決實(shí)際情況中時(shí)間窗口截取機(jī)動(dòng)模式位置的不確定性；

3)去掉目標(biāo)起始位置這樣的“直流信號(hào)”，并將航跡數(shù)據(jù)歸一化以符合神經(jīng)網(wǎng)絡(luò)輸入要求，具體操作是：

①每條航跡樣本減去它在時(shí)間窗口內(nèi)的航跡數(shù)據(jù)均值，計(jì)算公式為：

(1)

②數(shù)據(jù)歸一化，一方面可加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂的速度，一方面防止輸入數(shù)據(jù)間數(shù)量級(jí)存在很大差異致使神經(jīng)網(wǎng)絡(luò)無法擬合。通常做法是調(diào)整到神經(jīng)網(wǎng)絡(luò)激活函數(shù)相對(duì)應(yīng)的區(qū)間(d1,d2)。本文將數(shù)據(jù)歸一化到區(qū)間(0.1,0.9)，計(jì)算公式為：

(2)

式中simax，simin為數(shù)據(jù)樣本si的最大最小值，oi是si歸一化后的結(jié)果。

圖2為一條經(jīng)過“去直流”和歸一化預(yù)處理后的蛇形機(jī)動(dòng)航跡數(shù)據(jù)。

圖2 經(jīng)過預(yù)處理的蛇形機(jī)動(dòng)Fig.2 Preprocess of tracking data

各個(gè)時(shí)間窗口仿真生成多個(gè)仿真訓(xùn)練數(shù)據(jù)提供給卷積神經(jīng)網(wǎng)絡(luò)分類器訓(xùn)練。

3 仿真試驗(yàn)

3.1 基于多時(shí)間窗口的機(jī)動(dòng)模式識(shí)別程序?qū)崿F(xiàn)

伯克利視覺學(xué)習(xí)中心(Berkeley Vision and Learning Center，BVLC)和Github社區(qū)開發(fā)者共同開發(fā)的一款基于CUDA/C++編寫的深度卷積網(wǎng)絡(luò)學(xué)習(xí)框架CAFFE(Convolutional Architecture for Fast Feature Embedding)，是目前運(yùn)行速度最快的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練開源軟件平臺(tái)[19]。

利用該平臺(tái)實(shí)現(xiàn)了單個(gè)時(shí)間窗口的卷積神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練，并且4個(gè)時(shí)間窗口分類準(zhǔn)確率均達(dá)到98%以上。由于分類器的設(shè)計(jì)、優(yōu)化及其在開源平臺(tái)中的實(shí)現(xiàn)、訓(xùn)練等需要較多的神經(jīng)網(wǎng)絡(luò)和CAFFE平臺(tái)的背景知識(shí)，在此不再介紹。

4個(gè)時(shí)間窗口分類器在CAFFE中實(shí)現(xiàn)后，需在MATLAB中設(shè)計(jì)多時(shí)間窗口識(shí)別程序以實(shí)現(xiàn)識(shí)別，包含機(jī)動(dòng)起始點(diǎn)檢測(cè)、數(shù)據(jù)預(yù)處理、CAFFE中訓(xùn)練好的分類器調(diào)用等環(huán)節(jié)，設(shè)計(jì)好的程序流程如圖3所示。其中，流程走向判斷是基于2.2節(jié)提到的規(guī)則。

圖3 多時(shí)間窗口MATLAB程序設(shè)計(jì)圖Fig.3 The MATLAB program design of multi-time-windows identification method

3.3 機(jī)動(dòng)模式識(shí)別試驗(yàn)

1)圓弧機(jī)動(dòng)識(shí)別

圖4所示為目標(biāo)以14(°)/s的轉(zhuǎn)彎速率實(shí)施了180°的轉(zhuǎn)彎?rùn)C(jī)動(dòng)，轉(zhuǎn)彎時(shí)間約為13 s，利用多窗口識(shí)別方法實(shí)時(shí)對(duì)該段航跡進(jìn)行識(shí)別。

圖4 180°轉(zhuǎn)彎?rùn)C(jī)動(dòng)模式的識(shí)別Fig.4 180°turning maneuvering indentification

識(shí)別結(jié)果可直觀描述：機(jī)動(dòng)起始點(diǎn)被檢測(cè)到后，開始積累數(shù)據(jù)，達(dá)到5 s時(shí)間后，立即調(diào)用5 s時(shí)間窗口進(jìn)行識(shí)別，識(shí)別結(jié)果為圓弧機(jī)動(dòng)；存儲(chǔ)該5 s時(shí)刻航跡數(shù)據(jù)，繼續(xù)積累下一5 s時(shí)間數(shù)據(jù)，再次進(jìn)行識(shí)別，識(shí)別結(jié)果仍為圓弧，立即調(diào)用10 s時(shí)間窗口對(duì)這10 s數(shù)據(jù)進(jìn)行識(shí)別，判定其為圓弧，將這10 s數(shù)據(jù)存儲(chǔ)；繼續(xù)積累數(shù)據(jù)，積累5 s時(shí)間后，5 s時(shí)間窗口判別為圓弧到直線過渡段，立即退出識(shí)別程序，刪除存儲(chǔ)的航跡數(shù)據(jù)，重新開始機(jī)動(dòng)起始點(diǎn)檢測(cè)。

識(shí)別結(jié)束后可查看單個(gè)時(shí)間窗口各個(gè)類別的概率得分score。圖5中3列數(shù)據(jù)分別為3次5 s時(shí)間窗口的識(shí)別結(jié)果，行數(shù)1—8對(duì)應(yīng)5 s窗口樣本數(shù)據(jù)標(biāo)簽0—7(詳見2.1小節(jié))。由圖可看出，前兩個(gè)5 s窗口識(shí)別結(jié)果為圓弧的概率都幾乎為1，即分類器“非常確定”對(duì)數(shù)據(jù)是圓弧的判斷，第三個(gè)5 s窗口，判斷是圓弧的概率是0.146 5，判斷是圓弧到直線過渡段的概率為0.853 4，說明在對(duì)該段數(shù)據(jù)判斷時(shí)，分類器“稍有猶豫”。

圖5 分類器的輸出結(jié)果Fig.5 The output of classifier

設(shè)置不同噪聲、轉(zhuǎn)彎角速度、轉(zhuǎn)彎半徑、機(jī)動(dòng)持續(xù)時(shí)間等參數(shù)的圓弧機(jī)動(dòng)100組，分別進(jìn)行試驗(yàn)，最終達(dá)到預(yù)期效果的共有97組，識(shí)別率為97%。

2)蛇形機(jī)動(dòng)

圖6為目標(biāo)連續(xù)進(jìn)行了2.5個(gè)周期的蛇形機(jī)動(dòng)，機(jī)動(dòng)周期為11 s，幅度為300 m，圖上已標(biāo)明識(shí)別過程示意。

設(shè)置不同噪聲、機(jī)動(dòng)周期、機(jī)動(dòng)幅度、機(jī)動(dòng)速率等參數(shù)的蛇形機(jī)動(dòng)100組，分別進(jìn)行實(shí)驗(yàn)，最終達(dá)到預(yù)期效果的共有90組，識(shí)別率為90%。

其他機(jī)動(dòng)模式試驗(yàn)過程與圓弧和躍升俯沖識(shí)別類似。經(jīng)試驗(yàn)，多時(shí)間窗口機(jī)動(dòng)模式識(shí)別方法對(duì)5類機(jī)動(dòng)模式的識(shí)別率均達(dá)到了90%以上。

3.3 對(duì)比試驗(yàn)

將本文提出的方法同文獻(xiàn)[20]提出的基于位置變化率的蛇形機(jī)動(dòng)模式識(shí)別方法進(jìn)行對(duì)比。

對(duì)文獻(xiàn)[20]的方法進(jìn)行了仿真試驗(yàn)。

圖6 蛇形機(jī)動(dòng)模式的識(shí)別Fig.6 S-maneuver indentification

圖7 基于位置變化率的蛇形機(jī)動(dòng)模式識(shí)別Fig.7 S-maneuver identification based on position slope method

文獻(xiàn)[20]中，作者定義了三種特征點(diǎn)：拐點(diǎn)、參考點(diǎn)與極值點(diǎn)，圖7(a)中①為拐點(diǎn)，③、⑤點(diǎn)是拐點(diǎn)①的參考點(diǎn)，②、④點(diǎn)極值點(diǎn)，找到這三種特征點(diǎn)之后，將相鄰特征點(diǎn)之間數(shù)據(jù)進(jìn)行直線擬合如圖7(b)所示，并求出各段直線斜率，如果相鄰直線斜率大小相等、符號(hào)相反，則判斷目標(biāo)做蛇形機(jī)動(dòng)。

設(shè)置不同參數(shù)的100組蛇形機(jī)動(dòng)模式數(shù)據(jù)，設(shè)定γ=0.05時(shí)，識(shí)別率最高但只有75%，而本文提出的方法識(shí)別率達(dá)到了90%，識(shí)別率提高了(90-75)/75×100%=20%。

分析知，該方法是完全依靠特征點(diǎn)進(jìn)行機(jī)動(dòng)段的提取。前文提到，在實(shí)際情況中特征點(diǎn)檢測(cè)存在一定困難，不同特征點(diǎn)均較為準(zhǔn)確地被找到則更難實(shí)現(xiàn)，并且特征點(diǎn)的檢測(cè)偏差會(huì)對(duì)后續(xù)的特征提取以及特征參數(shù)匹配帶來不可消除的誤差。

本文提出的利用時(shí)間窗口的機(jī)動(dòng)模式提取方法，能夠較好避開對(duì)特征點(diǎn)的尋找，雖然在實(shí)現(xiàn)過程中需要構(gòu)造多個(gè)窗口并且實(shí)現(xiàn)的流程較為復(fù)雜，但是能有效提高識(shí)別的魯棒性和準(zhǔn)確度，當(dāng)然該方法的有效性與準(zhǔn)確性離不開卷積神經(jīng)網(wǎng)絡(luò)分類器良好的性能。

4 結(jié)論

本文提出了基于多時(shí)間窗口的空中目標(biāo)機(jī)動(dòng)模式提取及識(shí)別方法。該方法構(gòu)造了多個(gè)不同尺度的時(shí)間窗口并制定了相對(duì)應(yīng)的多時(shí)間窗口識(shí)別機(jī)制，使得機(jī)動(dòng)模式的提取和識(shí)別環(huán)節(jié)之間相互配合，從而實(shí)現(xiàn)機(jī)動(dòng)模式的識(shí)別，時(shí)間窗口采用的是卷積神經(jīng)網(wǎng)絡(luò)分類器。仿真試驗(yàn)證明，該方法對(duì)5種機(jī)動(dòng)模式類型的識(shí)別率均達(dá)到了90%以上，有效解決了現(xiàn)有提取方法完全依賴特征點(diǎn)尋找、提取精度不高的問題，提高了機(jī)動(dòng)模式識(shí)別的準(zhǔn)確性及魯棒性。需要指出的是，四個(gè)時(shí)間窗口采用的是同一種分類器，因每個(gè)時(shí)間窗口機(jī)動(dòng)模式類型不同和輸入數(shù)據(jù)維度不同，故采取了分開訓(xùn)練、識(shí)別的方法，時(shí)間開銷較大，之后將進(jìn)一步研究數(shù)據(jù)預(yù)處理工作，整合多個(gè)時(shí)間窗口分類器。

[1]武華, 蘇秀琴. 基于群廣義直覺模糊軟集的空襲目標(biāo)威脅評(píng)估方法[J]. 控制與決策, 2015, 30(8): 1463-1468.

[2]童奇, 李建勛, 童中翔. 基于機(jī)動(dòng)識(shí)別的空戰(zhàn)意圖威脅建模與仿真[J]. 現(xiàn)代防御技術(shù), 2014, 42(4): 174-184.

[3]楊風(fēng)暴.態(tài)勢(shì)估計(jì)中目標(biāo)意圖識(shí)別的研究與實(shí)現(xiàn)[D]. 太原: 中北大學(xué), 2012.

[4]任志強(qiáng), 范國(guó)星. 飛機(jī)盤旋/轉(zhuǎn)彎?rùn)C(jī)動(dòng)研究[J]. 飛行力學(xué), 2014, 28(2): 24-27.

[5]高原, 倪世宏, 王彥鴻. 一種基于改進(jìn)量子遺傳算法的飛行狀態(tài)規(guī)則提取方法[J]. 電光與控制, 2011, 18(1): 28-31.

[6]Wang Yongjun, Dong Jiang. Identification and Standardization of ManeuversBased upon Operational Flight Data[J]. Chinese Journal of Aeronautics, 2015,28(1): 133-140.

[7]林劍, 雷英杰. 基于直覺模糊神經(jīng)網(wǎng)絡(luò)的機(jī)動(dòng)事件檢測(cè)方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2009, 30(6): 1458-1460.

[8]田虎森, 謝壽生. 基于粗糙集理論的飛行軌跡識(shí)別[J]. 火力與指揮控制, 2015,40(5): 29-33.

[9]冷畫屏. 空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)類型的實(shí)時(shí)識(shí)別[J]. 火力與指揮控制, 2011, 36(1):64-66.

[10]張宏. 巡航導(dǎo)彈的作戰(zhàn)使用特點(diǎn)及對(duì)抗途徑[J]. 艦船電子對(duì)抗, 2009, 32(4):19-24.

[11]韓萍, 于俊偉. 基于運(yùn)動(dòng)學(xué)分析的反艦導(dǎo)彈彈道識(shí)別[J]. 電光與控制, 2011, 18(9):31-34.

[12]祝依龍. 特征輔助的目標(biāo)機(jī)動(dòng)檢測(cè)技術(shù)[D]. 長(zhǎng)沙: 國(guó)防科技大學(xué), 2011.

[13]Lee H, Grosse R, Ranganath R, et al.Convolutional Deep Belief Networks for Scalable Unsupervised Learning ofHierarchical Representations[C]// Proceedings of the 26th Annual International Conference on Machine Learning, 2009: 609-616.

[14]Krizhevsky A, Sutskever I, Hinton G E. Imagenet Classification with Deep Conolutional Neural Networks[C]// Advances inNeural Information processing systems, 2012： 1097-1105.

[15]楊保華. 飛機(jī)原理與構(gòu)造[M]. 西安：西北工業(yè)大學(xué)出版社, 2011.

[16]盧成問. 世界飛機(jī)手冊(cè)[M]. 北京：航空工業(yè)出版社, 1997.

[17]吳紅, 王維平. 分布估計(jì)算法在巡航導(dǎo)彈航跡規(guī)劃中的應(yīng)用[J]. 電光與控制, 2010, 17(7): 6-10.

[18]藺文彬, 王憲洲, 張丕旭. 一種躍升俯沖目標(biāo)跟蹤算法仿真研究[J]. 艦船電子工程, 2011, 31(6): 105-107.

[19]Jia Y, Shelhamer E, Donahue J.Caffe: ConvolutionalArchitecture for Fast Feature Embedding[C]// Proceedings of the ACM International Conference on Multimedia, 2014： 675-678.

[20]劉恒, 梅衛(wèi). 基于位置變化率的蛇形機(jī)動(dòng)彈道識(shí)別[J]. 探測(cè)與控制學(xué)報(bào), 2013,35(3): 37-40.

Maneuvering Pattern Extraction and Identification of Air Target Based on Multi-time-windows

ZHENG Changyan, MEI Wei, FENG Xiaoyu

(Ordnance Engineering College, Shijiazhuang 050003, China)

Considering the poor practicability of extraction and the low-precision in the existing air target maneuvering pattern identification, a new method based on multi-time-windows was proposed. This method utilized different size of time-windows and corresponding identification scheme, coordinating the extraction and identification process to realize the identification task, and the convolutional network was as the classifier for the time-window. Simulation results showed that 90% accuracy was achieved for the 5 kinds of maneuvering patterns, which demonstrated that the proposed method solved the low-extraction precision problem effectively which completely dependent on feature points seeking and was more efficient to gain better accuracy and robustness performance.

maneuvering pattern identification; maneuvering extraction; multi-time-windows; convolutional neural network

2016-03-11

國(guó)防“十二五”預(yù)研項(xiàng)目資助(40405070102)

鄭昌艷(1990—)，女，江蘇南京人，碩士研究生，研究方向：目標(biāo)跟蹤、機(jī)器學(xué)習(xí)。E-mail:echoaimaomao163.com。

TP399

A

1008-1194(2016)05-0081-07