高超聲速滑翔飛行器機(jī)動(dòng)狀態(tài)識(shí)別方法研究

張君彪 熊家軍 蘭旭輝 陳 新 李 凡

①(空軍預(yù)警學(xué)院預(yù)警情報(bào)系 武漢 430019)

②(95980部隊(duì) 襄陽 441000)

1 引言

高超聲速滑翔飛行器(Hypersonic Glide Vehicle, HGV)是指速度在6000 km/h以上，飛行空域在20～100 km的武器，以其高機(jī)動(dòng)、大航程的特點(diǎn)打破了傳統(tǒng)攻防平衡的態(tài)勢(shì)，對(duì)現(xiàn)有防空防御體系造成了顛覆性影響，開拓了軍事斗爭的新領(lǐng)域和新形式[1]。世界各軍事大國圍繞HGV的研發(fā)正在展開激烈的軍備競賽。2021年5月，據(jù)美國“Breaking defense”上的文章，美陸軍的“遠(yuǎn)程高超聲速武器”導(dǎo)彈射程遠(yuǎn)超2775 km。此前，俄羅斯衛(wèi)星通訊社報(bào)道，俄羅斯現(xiàn)已裝備了“先鋒”和“匕首”兩種高超聲速武器，分別采用陸基和空基進(jìn)行發(fā)射。HGV的不斷發(fā)展給各國空天安全造成了嚴(yán)重威脅，對(duì)HGV的跟蹤、預(yù)測和防御成為研究熱點(diǎn)[2]。對(duì)HGV機(jī)動(dòng)狀態(tài)識(shí)別進(jìn)行研究是防御過程中非常重要的一個(gè)環(huán)節(jié)，可以為HGV的威脅估計(jì)、軌跡預(yù)測和防御決策提供有力支撐。

HGV機(jī)動(dòng)狀態(tài)識(shí)別實(shí)質(zhì)上是一種分類問題[3]。現(xiàn)有關(guān)于空中目標(biāo)機(jī)動(dòng)狀態(tài)識(shí)別的研究主要集中在常規(guī)飛行器，而對(duì)HGV機(jī)動(dòng)狀態(tài)識(shí)別進(jìn)行研究的公開文獻(xiàn)還非常少。HGV相對(duì)常規(guī)飛行器來說，速度更快，機(jī)動(dòng)狀態(tài)轉(zhuǎn)換所需的空間范圍更廣，特征提取也相對(duì)更加困難。目前機(jī)動(dòng)狀態(tài)識(shí)別的方法主要有貝葉斯網(wǎng)絡(luò)[4,5]、支持向量機(jī)[6,7]、隨機(jī)森林[8]和深度學(xué)習(xí)模型[9,10]等。文獻(xiàn)[5]對(duì)戰(zhàn)機(jī)的機(jī)動(dòng)特征進(jìn)行了分析，建立了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的機(jī)動(dòng)動(dòng)作識(shí)別模型，具有較好的實(shí)時(shí)性和準(zhǔn)確性；文獻(xiàn)[7]將直升機(jī)飛行狀態(tài)分為10類，采用支持向量機(jī)對(duì)飛行狀態(tài)進(jìn)行識(shí)別，通過實(shí)飛數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證，算法的正確率較高；文獻(xiàn)[8]對(duì)高超聲速再入滑翔飛行器的運(yùn)動(dòng)特性進(jìn)行研究，將目標(biāo)運(yùn)動(dòng)狀態(tài)分為6類，采用隨機(jī)森林的方法對(duì)目標(biāo)狀態(tài)進(jìn)行識(shí)別，得到了較高準(zhǔn)確率；文獻(xiàn)[11]將敵機(jī)機(jī)動(dòng)動(dòng)作進(jìn)行分解，提出了一種基于隨機(jī)森林和支持向量機(jī)的兩級(jí)識(shí)別方法，分別對(duì)機(jī)動(dòng)動(dòng)作和戰(zhàn)術(shù)動(dòng)作進(jìn)行識(shí)別，具有較好的識(shí)別效果。

上述方法在一定程度上為目標(biāo)機(jī)動(dòng)狀態(tài)識(shí)別提供了解決方案，但它們?cè)谔幚矶嗑S度、大數(shù)據(jù)量的輸入數(shù)據(jù)時(shí)性能會(huì)明顯下降。近年來，深度學(xué)習(xí)在特征提取、模式識(shí)別領(lǐng)域具有良好表現(xiàn)，尤其在處理多維、大批量數(shù)據(jù)和抗噪性上展現(xiàn)了獨(dú)特優(yōu)勢(shì)[12,13]。文獻(xiàn)[9]通過分析空中目標(biāo)的機(jī)動(dòng)特征和作戰(zhàn)意圖之間的對(duì)應(yīng)關(guān)系，建立了深度神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，對(duì)空中目標(biāo)的機(jī)動(dòng)特征進(jìn)行識(shí)別進(jìn)而得到作戰(zhàn)意圖，獲得了較高的識(shí)別率；文獻(xiàn)[10]設(shè)計(jì)了一種長短時(shí)記憶網(wǎng)絡(luò)對(duì)車輛駕駛意圖進(jìn)行識(shí)別并對(duì)車輛軌跡進(jìn)行預(yù)測，取得了較好的效果；文獻(xiàn)[12]提出了一種運(yùn)動(dòng)行為識(shí)別網(wǎng)絡(luò)的航跡估計(jì)算法，通過循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)飛行器運(yùn)動(dòng)行為進(jìn)行識(shí)別，并根據(jù)識(shí)別結(jié)果選擇相應(yīng)的模型進(jìn)行濾波，獲得估計(jì)的航跡。

由于HGV機(jī)動(dòng)狀態(tài)識(shí)別的數(shù)據(jù)輸入是一個(gè)多維的、大批量的時(shí)間序列數(shù)據(jù)，且通過雷達(dá)跟蹤獲取的數(shù)據(jù)含有一定噪聲，因此本文提出了一種基于注意力卷積長短時(shí)記憶網(wǎng)絡(luò)(ATtention Convolution Long-Short Term Memory network, AT-ConvLSTM)的HGV機(jī)動(dòng)狀態(tài)識(shí)別方法。首先，通過分析HGV機(jī)動(dòng)特性，劃定機(jī)動(dòng)狀態(tài)類別，生成軌跡庫，并構(gòu)造了包含高度、高度變化率、速度傾角、速度方位角、速度方位角變化率的特征參數(shù)集。然后，對(duì)雷達(dá)跟蹤的HGV飛行數(shù)據(jù)進(jìn)行特征提取和轉(zhuǎn)換，進(jìn)而得到5維的特征識(shí)別參數(shù)序列數(shù)據(jù)。最后，設(shè)計(jì)了一種基于AT-ConvLSTM的HGV機(jī)動(dòng)狀態(tài)識(shí)別模型，并在雷達(dá)跟蹤數(shù)據(jù)集中進(jìn)行測試，驗(yàn)證所提模型在機(jī)動(dòng)狀態(tài)識(shí)別中的有效性。

2 HGV機(jī)動(dòng)建模

2.1 HGV滑翔段運(yùn)動(dòng)方程

假設(shè)大地模型為均勻圓球體，忽略地球自轉(zhuǎn)影響，根據(jù)HGV受力情況，在半速度坐標(biāo)系(Velocity Turn Climb, VTC)中描述HGV的6自由度運(yùn)動(dòng)方程為[14]

2.2 HGV約束條件分析

HGV在機(jī)動(dòng)過程中，為了滿足任務(wù)要求和保持飛行器安全可靠飛行，通常需要滿足一些約束條件，這些約束主要包括過程約束和終端狀態(tài)約束[15]。

過程約束是指HGV在飛行過程中需要滿足飛行器控制能力、防止結(jié)構(gòu)性破壞和熱燒蝕等，必須在可承受的最大熱流密度、最大動(dòng)壓和最大過載下進(jìn)行機(jī)動(dòng)，才能保證機(jī)體安全性和可靠性。過程約束可表示為

其中，Kn為 常數(shù)，g0為海平面地球引力加速度。

終端約束是指HGV為完成任務(wù)、到達(dá)指定目標(biāo)點(diǎn)所需要滿足的狀態(tài)約束，主要包括高度約束、速度約束、方位角約束等。設(shè)目標(biāo)點(diǎn)位置坐標(biāo)為(xt,yt,zt)， HGV滑翔段結(jié)束位置狀態(tài)坐標(biāo)為(xa,ya,za)， 速度為Va， 方位角為σa，則終端約束可表示為

2.3 HGV控制參數(shù)建模

HGV具有較強(qiáng)的機(jī)動(dòng)性，即可以進(jìn)行縱向機(jī)動(dòng)，也可以進(jìn)行橫向機(jī)動(dòng)。通過將兩個(gè)方向的機(jī)動(dòng)進(jìn)行疊加，可以實(shí)現(xiàn)更為復(fù)雜的機(jī)動(dòng)，以增加HGV軌跡靈活性，進(jìn)而規(guī)避探測和禁飛區(qū)，提高突防成功概率。

2.3.1 縱向彈道控制參數(shù)建模

HGV在縱向上的機(jī)動(dòng)主要有兩種：平衡滑翔和跳躍滑翔。平衡滑翔條件下，飛行器縱向方向的受力達(dá)到平衡，速度傾角變化率為0，即θ˙ =0。由飛行器運(yùn)動(dòng)方程可知，其平衡滑翔條件下的控制參數(shù)模型應(yīng)滿足[16]

此外，HGV縱向上所受的氣動(dòng)力主要受攻角的影響，攻角的變化會(huì)帶來HGV縱向所受氣動(dòng)力的變化。因此，平衡滑翔過程中，攻角應(yīng)該始終保持不變。同時(shí)滿足速度傾角變化率為0和攻角保持不變這兩個(gè)條件，HGV才可以在縱向上實(shí)現(xiàn)平衡滑翔。

只要不滿足平衡滑翔條件，HGV在縱向上就表現(xiàn)為跳躍滑翔的狀態(tài)。通過控制攻角的變化，可以實(shí)現(xiàn)HGV在縱向上跳躍幅度、跳躍頻率的變化。考慮到HGV在初始滑翔段由于速度較大，氣動(dòng)熱是影響飛行的主要約束，應(yīng)該采用較大攻角以提高飛行器下降時(shí)最低點(diǎn)的高度。而隨著飛行器速度的降低，氣動(dòng)熱不再是主要約束條件，此時(shí)為了增加航程，應(yīng)該盡可能通過調(diào)整攻角，提高升阻比，讓飛行器飛得更遠(yuǎn)。據(jù)此，將攻角建模為關(guān)于速度的函數(shù)

其中，αmax和αmax(L/D)分別為最大攻角和最大升阻比攻角，αmid=(αmax+αmax(L/D))/2，αbal=(αmax?αmax(L/D))/2，Vmid=(V1+V2)/2，L/D為升阻比。

2.3.2 橫向彈道控制參數(shù)建模

HGV為了提升攻防能力，可以進(jìn)行多種樣式的橫向機(jī)動(dòng)，主要包括：無機(jī)動(dòng)、C形機(jī)動(dòng)、S形機(jī)動(dòng)等。橫向機(jī)動(dòng)的實(shí)現(xiàn)主要受傾側(cè)角的影響。

橫向無機(jī)動(dòng)可以降低飛行器設(shè)計(jì)難度，減少飛行器能量消耗，增加航程，但同時(shí)也會(huì)增加飛行器被攔截的概率。當(dāng)HGV橫向無機(jī)動(dòng)時(shí)，傾側(cè)角通常設(shè)為0。C形機(jī)動(dòng)一般指左轉(zhuǎn)彎或右轉(zhuǎn)彎，其彈道較為穩(wěn)定，機(jī)動(dòng)樣式較為單一。當(dāng)HGV進(jìn)行C形機(jī)動(dòng)時(shí)，傾側(cè)角通常設(shè)為常數(shù)，不翻轉(zhuǎn)或只進(jìn)行一次符號(hào)翻轉(zhuǎn)。S形機(jī)動(dòng)主要通過不斷進(jìn)行左右轉(zhuǎn)彎實(shí)現(xiàn)，可以增加飛行器機(jī)動(dòng)性能。當(dāng)HGV進(jìn)行S形機(jī)動(dòng)時(shí)，傾側(cè)角要通過方位角控制進(jìn)行多次符號(hào)翻轉(zhuǎn)，其控制參數(shù)模型為

3 HGV機(jī)動(dòng)類別劃分

3.1 機(jī)動(dòng)類別

通過設(shè)計(jì)彈道控制參數(shù)，HGV可以在空中實(shí)現(xiàn)多種復(fù)雜機(jī)動(dòng)。根據(jù)運(yùn)動(dòng)分解方法，可以將HGV空中機(jī)動(dòng)在縱向平面和橫向平面進(jìn)行分解。HGV在縱向平面上的機(jī)動(dòng)可以分為平衡滑翔和跳躍滑翔，在橫向平面上的機(jī)動(dòng)可以分為無機(jī)動(dòng)、左轉(zhuǎn)彎、右轉(zhuǎn)彎和蛇形機(jī)動(dòng)。通過將HGV縱向機(jī)動(dòng)動(dòng)作和橫向機(jī)動(dòng)動(dòng)作進(jìn)行合成，可以得到8個(gè)機(jī)動(dòng)類別，分別對(duì)應(yīng)8個(gè)機(jī)動(dòng)動(dòng)作標(biāo)簽，如圖1所示。

圖1 HGV機(jī)動(dòng)動(dòng)作分類

3.2 特征識(shí)別參數(shù)構(gòu)造與選取

根據(jù)飛行動(dòng)力學(xué)相關(guān)知識(shí)[17]，HGV機(jī)動(dòng)過程中伴隨著各參數(shù)的變化，主要包括以下5個(gè)參數(shù)：高度h、高度變化率?h、速度傾角θ、速度方位角σ、速度方位角變化率?σ。 其中，高度h、高度變化率 ?h和 速度傾角θ這3個(gè)參數(shù)主要對(duì)HGV縱向上的機(jī)動(dòng)動(dòng)作比較敏感，速度方位角σ和速度方位角變化率?σ這2個(gè)參數(shù)主要對(duì)HGV橫向上的機(jī)動(dòng)動(dòng)作比較敏感。

高度h是指HGV機(jī)動(dòng)過程中質(zhì)心與地面的垂直距離。高度變化率可以通過差分方法獲取，公式為

當(dāng)HGV縱向上平衡滑翔時(shí)，高度和高度變化率呈平穩(wěn)變化，速度傾角接近零值；當(dāng)HGV縱向上跳躍滑翔時(shí)，高度、高度變化率和速度傾角均呈規(guī)律性震蕩。當(dāng)HGV橫向上無機(jī)動(dòng)時(shí)，速度方位角保持不變，速度方位角變化率基本為0；當(dāng)HGV橫向上左轉(zhuǎn)時(shí)，速度方位角不斷減小，速度方位角變化率為負(fù)值；當(dāng)HGV右轉(zhuǎn)時(shí)，速度方位角不斷增大，速度方位角變化率為正值；當(dāng)HGV蛇形機(jī)動(dòng)時(shí)，速度方位角和速度方位角變化率呈震蕩變化。據(jù)此，可以分析出HGV機(jī)動(dòng)狀態(tài)和特征識(shí)別參數(shù)之間的映射關(guān)系。HGV機(jī)動(dòng)狀態(tài)識(shí)別實(shí)際上就是先建立機(jī)動(dòng)狀態(tài)和特征識(shí)別參數(shù)之間的映射關(guān)系，然后通過狀態(tài)識(shí)別方法捕捉特征識(shí)別參數(shù)的變化，進(jìn)而對(duì)應(yīng)到機(jī)動(dòng)狀態(tài)，從而完成了HGV機(jī)動(dòng)狀態(tài)的識(shí)別。

3.3 軌跡庫生成

通過設(shè)計(jì)不同初始變量條件和不同控制參數(shù)模型，利用式(1)–式(7)，可以生成HGV不同機(jī)動(dòng)狀態(tài)下的機(jī)動(dòng)軌跡。本文共仿真生成了2430條軌跡，4.374×106個(gè)軌跡點(diǎn)，包含了HGV的各類機(jī)動(dòng)模式，形成HGV軌跡庫。

4 雷達(dá)跟蹤與特征提取

設(shè)地球半徑為Re，雷達(dá)站所處位置的高度為H0， 地理經(jīng)度為λ0，地理緯度為φ0，通過雷達(dá)跟蹤得到的HGV狀態(tài)信息為 (x～k,y～k,z～k,v～xk,v～yk,v～zk)，其中下標(biāo)x, y, z表示3個(gè)坐標(biāo)軸，上標(biāo)“～”表示估計(jì)，下標(biāo)k表示時(shí)刻。速度信息可通過位置進(jìn)行差分得到。雷達(dá)跟蹤獲得的HGV狀態(tài)信息是建立在雷達(dá)東北天(East North Up, ENU)坐標(biāo)系中的。而HGV機(jī)動(dòng)狀態(tài)識(shí)別需要獲取飛行器的高度、高度變化率、速度傾角、速度方位角和速度方位角變化率。因此，需要通過坐標(biāo)轉(zhuǎn)換將雷達(dá)ENU坐標(biāo)系下的跟蹤信息轉(zhuǎn)換為HGV特征識(shí)別參數(shù)信息。主要通過以下3個(gè)步驟實(shí)現(xiàn)：

步驟1 將HGV在雷達(dá)ENU坐標(biāo)系中的跟蹤信息轉(zhuǎn)換到地心(Earth-Centered, EC)坐標(biāo)系。

高度變化率可以通過高度信息進(jìn)行差分得到。

步驟2 將HGV在EC坐標(biāo)系下的速度信息轉(zhuǎn)換到飛行器ENU坐標(biāo)系。

速度方位角變化率可以通過速度方位角進(jìn)行差分得到。至此，通過式(9)–式(15)，可以完成雷達(dá)跟蹤信息的實(shí)時(shí)轉(zhuǎn)換，得到所需的特征識(shí)別參數(shù)信息。

5 機(jī)動(dòng)狀態(tài)識(shí)別方法

5.1 數(shù)據(jù)處理

對(duì)HGV機(jī)動(dòng)特征識(shí)別參數(shù)信息進(jìn)行提取后，首先通過移動(dòng)平均法對(duì)數(shù)據(jù)進(jìn)行平滑處理以盡量消除跟蹤噪聲的影響。然后，為便于模型學(xué)習(xí)數(shù)據(jù)規(guī)律和特點(diǎn)，將平滑后的數(shù)據(jù)進(jìn)行歸一化，采用最大最小法將每個(gè)維度的特征識(shí)別參數(shù)歸一化到[–1,1]區(qū)間。最后，對(duì)3.1節(jié)劃分的8個(gè)機(jī)動(dòng)類別標(biāo)簽進(jìn)行獨(dú)熱編碼(One-Hot)。

5.2 AT-ConvLSTM模型

本文所構(gòu)造的機(jī)動(dòng)特征識(shí)別參數(shù)是一個(gè)多維時(shí)間序列數(shù)據(jù)，能夠比較完整地反映HGV空間機(jī)動(dòng)特征，兼具了時(shí)間特性和空間特性。考慮卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)在局部特征提取方面的優(yōu)勢(shì)和長短時(shí)記憶網(wǎng)絡(luò)(Long-Short Term Memory Network, LSTM)在時(shí)間序列處理方面的優(yōu)勢(shì)，設(shè)計(jì)了一種基于AT-ConvLSTM的狀態(tài)識(shí)別方法。

CNN是一種仿造生物視覺神經(jīng)機(jī)制構(gòu)造的神經(jīng)網(wǎng)絡(luò)[19]，通過卷積核進(jìn)行卷積操作獲取“感受野”范圍內(nèi)的數(shù)據(jù)關(guān)系特征，具有權(quán)值共享和局部感受野的優(yōu)勢(shì)，能夠很好地提取局部特征[20]。LSTM是1997年由Hochreiter和Schmidhuber提出的[21]，在循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的基礎(chǔ)上增加了一個(gè)新的狀態(tài)，稱為單元狀態(tài)ct，并通過引入3個(gè)門：輸入門、輸出門和遺忘門，解決了RNN存在的梯度消失或梯度爆炸問題[22]。在前向傳播過程中，輸入門ft決定了當(dāng)前時(shí)刻的單元狀態(tài)ct可 以保留多少當(dāng)前時(shí)刻的輸入xt；輸出門ot決 定了當(dāng)前時(shí)刻的單元狀態(tài)ct有多少可以傳送到輸出ht；遺忘門it決 定了當(dāng)前時(shí)刻的單元狀態(tài)ct可以保留多少上一時(shí)刻單元狀態(tài)ct?1的信息。

ConvLSTM是2015年由Shi等人[23]提出的，結(jié)合了LSTM和CNN兩種模型的優(yōu)勢(shì)，其主要改進(jìn)之處是用卷積運(yùn)算代替了LSTM中當(dāng)前輸入和短期記憶結(jié)合后的矩陣乘法運(yùn)算，因此可以更好地對(duì)時(shí)間序列信息的特征和規(guī)律進(jìn)行提取，已經(jīng)在時(shí)間序列分類和預(yù)測等領(lǐng)域得到了廣泛關(guān)注。其具體計(jì)算過程為

受人類視覺系統(tǒng)處理信息時(shí)可以自動(dòng)抓取關(guān)鍵信息的啟發(fā)，注意力機(jī)制可以通過調(diào)整信息的概率分配來增加重要信息的影響，減弱非重要信息的影響，在語音識(shí)別、機(jī)器翻譯等方面獲得了廣泛關(guān)注[24]。這里，由于HGV機(jī)動(dòng)狀態(tài)識(shí)別的輸入信息是多維的時(shí)序數(shù)據(jù)，添加注意力機(jī)制有利于提高關(guān)鍵特征信息的影響，有利于模型抓取狀態(tài)識(shí)別的重要特征。因此，本文在ConvLSTM層后添加注意力機(jī)制。假設(shè)有k個(gè)特征向量輸入，則第i個(gè)特征向量的得分計(jì)算公式為

最后，添加全連接層，并通過softmax激活函數(shù)對(duì)HGV機(jī)動(dòng)狀態(tài)進(jìn)行分類，得到每個(gè)機(jī)動(dòng)狀態(tài)對(duì)應(yīng)的概率，最大概率對(duì)應(yīng)的機(jī)動(dòng)狀態(tài)即為網(wǎng)絡(luò)輸出的HGV機(jī)動(dòng)狀態(tài)。計(jì)算公式為

其中，Wx和bx分別為softmax層對(duì)應(yīng)的權(quán)重和偏置。

6 仿真驗(yàn)證

6.1 網(wǎng)絡(luò)訓(xùn)練

選擇自適應(yīng)矩估計(jì)(Adaptive moment estimation, Adam)優(yōu)化器作為優(yōu)化方法，根據(jù)誤差梯度對(duì)模型中的參數(shù)進(jìn)行優(yōu)化。Adam是對(duì)傳統(tǒng)隨機(jī)梯度下降算法的擴(kuò)展，不僅能計(jì)算模型中各參數(shù)的自適應(yīng)學(xué)習(xí)率，還可以使模型更高效地收斂。選擇交叉熵作為損失函數(shù)，可以根據(jù)誤差的大小調(diào)節(jié)權(quán)重更新速度。本文將軌跡庫中80%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，20%的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。同時(shí)，為降低過擬合風(fēng)險(xiǎn)，在模型中添加了L2正則化和Dropout層。

本文設(shè)計(jì)的識(shí)別網(wǎng)絡(luò)模型結(jié)構(gòu)共有5層，包括2層ConvLSTM層、1層Dropout層和2層全連接層。模型學(xué)習(xí)率設(shè)計(jì)為0.001。訓(xùn)練次數(shù)和批量大小分別設(shè)計(jì)為100和128。模型輸入的數(shù)據(jù)是一個(gè)5維的時(shí)間序列，采樣間隔為0.5 s。模型的輸出是一個(gè)二進(jìn)制的one-hot向量。實(shí)驗(yàn)在處理器為Intel Core i7-10510U、內(nèi)存為16 GB、操作系統(tǒng)為Microsoft Windows 10(64位)的移動(dòng)工作站進(jìn)行。本文模型代碼通過Python 3.7.6版本編寫，基于TensorFlow框架實(shí)現(xiàn)。

6.1.1 時(shí)間步長設(shè)計(jì)

時(shí)間步長是影響模型性能的一個(gè)重要指標(biāo)，時(shí)間步長的大小直接影響模型的識(shí)別精度和收斂速度。選取合適的時(shí)間步長有利于改善模型的識(shí)別能力。將學(xué)習(xí)率設(shè)為0.001，以50為間隔，在50到300的范圍內(nèi)對(duì)時(shí)間步長進(jìn)行等間距實(shí)驗(yàn)，對(duì)不同時(shí)間步長下網(wǎng)絡(luò)模型的識(shí)別精度和收斂性進(jìn)行分析。訓(xùn)練結(jié)果如表1所示，損失曲線和準(zhǔn)確率曲線如圖2所示。

表1 不同步長對(duì)應(yīng)的模型訓(xùn)練結(jié)果

從圖2可以看出，在時(shí)間步長從50調(diào)整到300的過程中，準(zhǔn)確率曲線先上升后下降，損失曲線先降低再增大。當(dāng)時(shí)間步長為250時(shí)，準(zhǔn)確率達(dá)到最高，損失達(dá)到最小。這可能是因?yàn)椋琀GV的機(jī)動(dòng)狀態(tài)變換需要一個(gè)時(shí)間過程，當(dāng)時(shí)間步長逐漸增大時(shí)，時(shí)間周期變長，積累了更多機(jī)動(dòng)狀態(tài)信息，有利于模型正確判斷HGV所處的機(jī)動(dòng)狀態(tài)。但當(dāng)時(shí)間步長過大時(shí)，可能會(huì)造成一定的過擬合現(xiàn)象，一定程度上抑制了模型的性能。因此，本文將時(shí)間步長設(shè)置為250。

圖2 模型的準(zhǔn)確率和損失變化曲線

6.1.2 模型對(duì)比

選擇RNN模型、LSTM模型、CNN-LSTM模型和ConvLSTM模型作為對(duì)比模型，時(shí)間步長和學(xué)習(xí)率的設(shè)置與AT-ConvLSTM相同。利用軌跡庫中數(shù)據(jù)分別對(duì)幾種深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，其訓(xùn)練具體結(jié)果如表2所示，損失曲線和準(zhǔn)確率曲線如圖3所示。

圖3 不同模型的訓(xùn)練結(jié)果

表2 模型精度對(duì)比

可以看出，RNN模型和LSTM模型的正確率曲線明顯低于其他3種模型，說明RNN模型和LSTM模型雖然在處理長時(shí)依賴問題中具有優(yōu)勢(shì)，但在特征提取方面處于劣勢(shì)，導(dǎo)致無法很好地進(jìn)行HGV機(jī)動(dòng)模式分類。CNN-LSTM模型、ConvLSTM模型和AT-ConvLSTM模型在訓(xùn)練集和驗(yàn)證集上都取得了較高的正確率。這是因?yàn)镃NN-LSTM模型結(jié)合了CNN和LSTM的優(yōu)勢(shì)，擅于提取局部特征，ConvLSTM模型正確率略高于CNN-LSTM模型，是因?yàn)镃NN-LSTM模型先將信息輸入卷積層，再輸入LSTM層，相當(dāng)于對(duì)數(shù)據(jù)中的空間特征和時(shí)間特征進(jìn)行了分開處理，而ConvLSTM模型將卷積運(yùn)算嵌入了LSTM層，同時(shí)處理了數(shù)據(jù)中的時(shí)間和空間特征。但綜合對(duì)比之下，AT-ConvLSTM模型由于在ConvLSTM模型的基礎(chǔ)上又添加了注意力機(jī)制，能夠更好地獲取關(guān)鍵特征，所以識(shí)別正確率最高、效果最好。

6.2 機(jī)動(dòng)狀態(tài)在線識(shí)別

6.2.1 典型樣本下模型性能測試

為驗(yàn)證模型對(duì)典型樣本的識(shí)別性能，設(shè)計(jì)了兩條典型HGV機(jī)動(dòng)軌跡，如圖4所示。其中，軌跡1機(jī)動(dòng)狀態(tài)為平衡滑翔右轉(zhuǎn)彎，軌跡2機(jī)動(dòng)狀態(tài)為跳躍滑翔無機(jī)動(dòng)。雷達(dá)的參數(shù)設(shè)置如下：距離誤差為200 m，方位角誤差為0.1o，俯仰角誤差為0.1o，采樣率為0.5 s。利用文獻(xiàn)[14]中的方法對(duì)軌跡進(jìn)行實(shí)時(shí)跟蹤，得到HGV機(jī)動(dòng)狀態(tài)信息。

圖4 典型HGV軌跡

通過第4節(jié)的方法將雷達(dá)跟蹤到的HGV狀態(tài)信息轉(zhuǎn)換為特征識(shí)別參數(shù)信息，然后利用訓(xùn)練好的ATConvLSTM網(wǎng)絡(luò)模型對(duì)跟蹤到的HGV軌跡進(jìn)行在線識(shí)別，并與其他模型進(jìn)行對(duì)比，驗(yàn)證算法的實(shí)用性。

分別利用不同模型對(duì)兩條HGV軌跡進(jìn)行在線機(jī)動(dòng)狀態(tài)識(shí)別，對(duì)各模型的識(shí)別準(zhǔn)確率進(jìn)行計(jì)算，結(jié)果如表3所示。可以看出，各模型在對(duì)軌跡1的識(shí)別中都取得了較好的效果，但是在對(duì)軌跡2的識(shí)別中，LSTM模型和RNN模型的準(zhǔn)確率都明顯降低。分析其原因，可能是由于軌跡2相對(duì)軌跡1機(jī)動(dòng)性更強(qiáng)，特征參量變化較大，導(dǎo)致LSTM模型和RNN模型無法較好提取特征信息，從而降低了識(shí)別準(zhǔn)確率。還可以發(fā)現(xiàn)本文提出的基于AT-ConvLSTM的機(jī)動(dòng)狀態(tài)識(shí)別模型在對(duì)不同機(jī)動(dòng)狀態(tài)的HGV軌跡識(shí)別中始終保持了穩(wěn)定的性能，相比其他模型具有更好的準(zhǔn)確率。

表3 模型識(shí)別結(jié)果

6.2.2 多樣本下模型性能測試

為了對(duì)模型的性能進(jìn)行更為全面的衡量和測試，在6.2.1節(jié)基礎(chǔ)上，增加樣本數(shù)量，在多樣本下進(jìn)一步分析模型性能。

在不同初始條件下生成24條包含各類機(jī)動(dòng)狀態(tài)的HGV軌跡(每種機(jī)動(dòng)狀態(tài)對(duì)應(yīng)3條)，共計(jì)43200個(gè)軌跡點(diǎn)，利用文獻(xiàn)[14]中的方法對(duì)軌跡進(jìn)行實(shí)時(shí)跟蹤，得到HGV機(jī)動(dòng)狀態(tài)信息。雷達(dá)跟蹤參數(shù)和特征參數(shù)提取方法同6.2.1節(jié)。然后利用訓(xùn)練好的ATConvLSTM網(wǎng)絡(luò)模型對(duì)跟蹤到的HGV軌跡進(jìn)行在線識(shí)別，并與其他模型進(jìn)行對(duì)比，驗(yàn)證算法的實(shí)用性。

分別利用不同模型對(duì)HGV軌跡進(jìn)行識(shí)別，準(zhǔn)確率結(jié)果如表4所示。可以看出，由于跟蹤噪聲的影響，所有模型的識(shí)別準(zhǔn)確率相比訓(xùn)練集和驗(yàn)證集都有所下降，但仍保持了一定精度。本文所提模型的準(zhǔn)確率為92.36%，優(yōu)于其他模型。識(shí)別準(zhǔn)確率堆疊直方圖如圖5所示，圖中將HGV不同機(jī)動(dòng)類別的識(shí)別點(diǎn)數(shù)占總點(diǎn)數(shù)的比例進(jìn)行堆疊，可以看出，平衡滑翔模式下的機(jī)動(dòng)類型1的識(shí)別準(zhǔn)確率普遍偏低。分析其原因，可能是機(jī)動(dòng)類型1屬于平衡滑翔無機(jī)動(dòng)模式，HGV軌跡相對(duì)更為平穩(wěn)，各特征識(shí)別參數(shù)的變化也較為平穩(wěn)，變化不夠明顯，同時(shí)受到噪聲干擾，因此導(dǎo)致機(jī)動(dòng)類型1的識(shí)別相對(duì)困難。

圖5 識(shí)別準(zhǔn)確率堆疊直方圖

表4 模型識(shí)別準(zhǔn)確率結(jié)果

計(jì)算不同模型單次機(jī)動(dòng)識(shí)別的平均耗時(shí)，結(jié)果如圖6所示。可以看出，模型識(shí)別耗時(shí)普遍較低，均小于0.1 s。其中本文模型的平均耗時(shí)為0.0577 s，可以滿足實(shí)時(shí)性要求，能夠進(jìn)行機(jī)動(dòng)狀態(tài)在線識(shí)別。

圖6 不同模型的平均耗時(shí)

7 結(jié)束語

本文利用深度學(xué)習(xí)理論對(duì)HGV機(jī)動(dòng)狀態(tài)識(shí)別進(jìn)行研究，首先建立了HGV機(jī)動(dòng)模型，對(duì)機(jī)動(dòng)控制參數(shù)進(jìn)行了分析，根據(jù)HGV橫向和縱向機(jī)動(dòng)特點(diǎn)，將機(jī)動(dòng)類別劃分為8類，然后，推導(dǎo)了從雷達(dá)跟蹤到特征識(shí)別參數(shù)的轉(zhuǎn)換步驟，實(shí)現(xiàn)了特征參數(shù)的提取，最后，通過訓(xùn)練AT-ConvLSTM網(wǎng)絡(luò)對(duì)HGV機(jī)動(dòng)狀態(tài)進(jìn)行在線識(shí)別。通過分析可以得到以下結(jié)論：

(1)本文模型可以較好地處理多維度的時(shí)間序列信息，利用卷積長短時(shí)記憶網(wǎng)絡(luò)在時(shí)空數(shù)據(jù)處理方面的優(yōu)勢(shì)和注意力機(jī)制對(duì)關(guān)鍵特征提取方面的優(yōu)勢(shì)，在HGV機(jī)動(dòng)狀態(tài)識(shí)別中取得了較高的準(zhǔn)確率；

(2)本文模型具有較好的魯棒性，不僅在訓(xùn)練集和驗(yàn)證集中取得了較好的結(jié)果，在對(duì)雷達(dá)跟蹤的HGV軌跡數(shù)據(jù)進(jìn)行識(shí)別時(shí)，也能夠較好地應(yīng)對(duì)跟蹤噪聲的污染，保持良好的性能；

(3)本文模型可以對(duì)HGV機(jī)動(dòng)狀態(tài)進(jìn)行在線有效識(shí)別。模型在訓(xùn)練集和驗(yàn)證集中分別取得了98.79%和97.95%精度，在對(duì)多軌跡樣本的識(shí)別中取得了92.36%的精度，與其他幾種模型相比，性能更好，且耗時(shí)較短，能夠滿足在線識(shí)別的要求。