基于BP 神經網絡的飛行員著艦訓練品質評估

張海燕，閆文君，張立民，李忠超

（1.海軍航空大學，山東 煙臺 264001；2.中國人民解放軍31627 部隊，廣東 深圳 518000；3.中國人民解放軍73022 部隊，廣東 惠州 516000）

艦載戰斗機作為海上制勝的攻堅力量，在遠洋作戰中占有重要地位。艦載機飛行員掌握及運用專業技能的精通度，對艦載機戰斗力起到決定作用[1]。隨著艦載機著艦評估研究的深入，在模糊評價法[2]、主客觀權重法[3]、多屬性決策法[4]和相似構型決策[5]等方面都有了一些研究。然而，如何對艦載機飛行員著艦品質做出客觀、準確、可量化的評價，仍然是一個挑戰。

隨著神經網絡的發展，網絡評估在民用航空領域受到了廣泛關注。文獻[6]利用反向傳播神經網絡與實際飛行數據相結合的方法，對民航航段的安全風險進行了評估并通過Matlab 編程驗證了該方法的可用性，并且基于此方法建立了航段安全風險評估原型系統。文獻[7]為實現客觀評價，利用眼動數據，建立了網絡層次為6×14×3 的BP 神經網絡，對三位技術水平不同的飛行員的飛行績效進行預測和評估；文獻[8]針對試飛員的駕駛技術進行評估的，首先構建了評估指標體系，而后通過BP 神經網絡對指標進行訓練得到最優評估模型，最后通過Matlab 仿真驗證了該方法的準確性。文獻[9]將BP 神經網絡運用到高原復雜機場終端區飛行中，構建了具有良好評估功能的飛行績效評估模型。文獻[10]為評估民用航空飛行中的風險，構建了BP 神經網絡風險預測模型，通過算例分析驗證了該模型的有效性。

從上述研究可知，基于神經網絡的評估方法具有較強的準確性和有效性[11-13]。但就著艦評估而言，相關研究主要基于人工評估和傳統算法[3-5]，很少嘗試神經網絡。針對這方面的不足，將BP 神經網絡運用到對飛行員的著艦訓練中，利用飛行參數、掛鎖情況以及專家組評分作為網絡的輸入和輸出構建出數據集，通過對神經網絡的訓練、測試，驗證了該神經網絡評估模型的可用性。

1 構建數據集

作為一個機器學習問題，數據集的構建成為著艦訓練品質評估的關鍵前提。構建了一個由300 條數據組成的著艦數據集，以合理的方式對數據集進行預處理和歸一化處理，并采用適當的評估指標來評估所提出方法的性能。

1.1 數據來源

使用DCS 軟件、F/A-18 飛機進行模擬著艦訓練[14]，飛行參數的存儲頻率設為80 Hz，通過TacView軟件將飛行參數導出，以合理的方式提取特征飛行參數構建出數據集，用于網絡的訓練。

數據集作為網絡評估的基準，收集了來自不同水平飛行員的有效著艦數據300 條，在相同分布的前提下，按照6∶2∶2 的比例分為訓練集、驗證集和測試集。測試集包含訓練集和驗證集中從未出現過的著艦參數，通過對驗證集中著艦參數的評估預測能夠真實反映BP 神經網絡評估方法的性能。

1.2 特征提取

首先，綜合考慮著艦模擬訓練階段特征，提取了五個特征點作為著艦評估關鍵點。從圖1 著艦階段劃分示意圖中可以看出，理想的著艦軌跡相對于航母甲板為一條直線，并且著艦過程是以相對于航母甲板等速、等角直線下滑的方式進行的[15]。參考大量的文獻，該文中選取著艦開始點（KK）、著艦中間點（ZJ）、著艦接近點（JJ）、著艦進入點（JR）和復飛決定點（FF）五個特征點作為著艦評估關鍵點[2，15-16]。

圖1 著艦階段劃分示意圖

其次，針對提取的五個特征點選取八個飛行參數作為著艦評估關鍵點的特征參數。飛行員的著艦訓練是根據訓練大綱進行的，著艦飛行參數是直觀的、可導出的。高度H、經度LON和緯度LAT三個參數呈現出艦載機的空間位置；指示空速IAS反映出飛行員對速度的加減、保持以及在特定階段按照指定速度飛行的能力；坡度ROL反映出飛行員在轉彎時對坡度的掌控能力；航向角ψ反映了飛行員在整個模擬訓練過程中對方向的控制能力；滾轉角γ和俯仰角θ反映出飛行員在訓練過程中對飛機姿態控制的能力[17-18]。綜合考慮飛行參數的實際價值，該文選取H、LON、LAT、IAS、ROL、ψ、γ、θ八個飛行參數作為著艦評估關鍵點的特征參數。

1.3 數據處理

1.3.1 輸入數據處理

從一次著艦訓練中，提取五個著艦評估關鍵點的八個飛行參數作為一組輸入數據，輸入數據用矩陣A表示，如式（1）所示。對輸入數據A進行預處理后，形成式（2）所示的1×40 的矩陣B作為BP 神經網絡的輸入數據。

1.3.2 輸出數據處理

輸出數據分為兩部分，一部分為尾鉤掛攔阻索情況，另一部分為專家組對著艦訓練的評分。

1）尾鉤掛鎖部分

航空母艦甲板上有四根攔阻索如圖2 所示，自艦尾起編號分別為攔阻索1-4，相鄰兩根攔阻索之間的距離為12 m，理想著艦點位于攔阻索2 和攔阻索3 中間[1]。針對每一次的著艦訓練，為了區分著艦品質的優劣，將艦載機尾鉤未掛鎖、掛攔阻索1-4 設置相應的標簽,并劃分為“不合格、合格、優秀、良好”四個評估等級標準，如表1 所示。

表1 尾鉤掛鎖情況

圖2 著艦區域示意圖

2）專家組評分部分

收集了來自一級飛行員（專家）、二級飛行員（中間水平人員）、三級飛行員（初學者）的300 條有效著艦模擬訓練的飛行參數以及尾鉤掛鎖情況，并邀請9人評分組（3 名飛行教官、3 名著艦指揮官、3 名飛行員）進行評估打分。每次著艦模擬訓練分值以10 分計，0 分代表著艦得分最低，10 分代表最完美的著艦分數。最后的分數標簽由專家組的評分加權平均得到，其中飛行教官評分權重為0.5，著艦指揮官評分權重為0.3，飛行員評分權重為0.2。

2 評估網絡

2.1 網絡模型

BP 神經網絡擅長處理函數擬合問題，一個神經網絡有足夠的元素(稱為神經元)可以任意擬合任何數據的準確性，具有較強的非線性映射能力和柔性網絡結構。BP 神經網絡算法包括兩部分：輸入信號的前向傳播和輸出誤差的反向傳播。在前向傳播中，輸入信號通過隱藏層作用于輸出節點，經非線性變換，產生輸出信號，若實際輸出與期望輸出結果不一致則轉入反向傳播；在反向傳播中，將輸出誤差通過隱藏層向輸入層逐層反傳，并將誤差分攤給各層，并以各層獲得的誤差信號作為調整單元取值的依據[19-22]。考慮到著艦訓練評估的非線性特性，BP 神經網絡是效果較優的評估模型，該文搭建的BP 神經網絡模型框架如圖3 所示。

圖3 BP神經網絡模型框架

2.2 網絡評估指標

為了評估該方法的預測性能，計算了平均絕對誤差(eMAE)和相關系數(R)。eMAE表達式為:

其中，m為樣本數量，為第i個樣本的預測值，yi為第i個樣本的真實值。值得注意的是，eMAE代表了1～10 分的分數誤差；eMAE越小，預測性能越好。R定義為:

其中，m為樣本數量，和分別表示真實值的均值和預測值的均值，yi和分別表示第i個樣本的真實值和第i個樣本的預測值。R用于測量預測與真實值之間的相關性；絕對值越高，性能越好。

2.3 網絡參數確定

由1.3 節數據處理部分可知，網絡輸入參數為40，網絡輸出參數為2，因此構建的BP 神經網絡的輸入層神經元個數為40，輸出層的神經元個數為2，根據經驗公式（5）[15]，初步估算隱藏層節點數為8～16。

其中，pn為輸入神經元數目；pm為輸出神經元數目；a為1～10 的常數，S為待估隱藏層節點數。

經過對網絡模型的不斷訓練測試，從表2 測試結果可知，當隱藏層節點數為15 時，eMAE有最小值0.040 987，R值為0.972 30，滿足評估設置要求。因此，BP 神經網絡拓撲結構確定為40×15×2 的三層網絡。

表2 隱藏層節點數與評估指標精度表

3 仿真驗證

利用Matlab R2020a 軟件對網絡進行訓練，訓練次數設置為2 000 次，學習率為0.5，訓練最小誤差為0.003，隱藏層的激活函數為tansig，輸出層的激勵函數為purelin，訓練函數為trainlm，學習函數為learngd。用經過預處理、歸一化處理后的數據集，對網絡進行訓練和測試，訓練好的評估網絡拓撲結構為40×15×2 。用測試集對網絡進行驗證，網絡性能達到了預期目標，所得預測值和期望值的誤差對比圖以及eMAE值如圖4-6 所示。

圖4 掛鎖情況下測試集預測值和期望值的誤差對比

對著艦訓練過程中的尾鉤掛鎖情況進行測試時，將測試集送入訓練好的評估網絡，所得掛鎖預測值與期望值的標簽對比以及誤差對比如圖4 所示。從圖4 中可以看出，預測值和期望值完全一致，誤差為0，評估網絡對掛鎖情況的預測效果很精準。

測試集的期望分數值是由專家組的評分加權平均得到的，圖5 給出了60 個測試數據的著艦真實分數、經過評估網絡所得預測值以及兩者之間的誤差值。從圖中可以看出，預測分數值與真實分數值比較接近，誤差值集中在0 附近，對分數值的預測偏差較小。

圖5 測試集專家評分期望值和預測值的對比

評估網絡經訓練、驗證和測試后，得到圖6 所示的網絡訓練誤差曲線圖。圖6 給出了訓練、驗證、測試以及目標值的均方誤差曲線關系，網絡經過7 輪訓練達到了最佳測試性能0.002 895 6，達到了著艦評估的性能要求。綜合圖4-6 的測試結果，得出該評估網絡的性能達到了著艦評估的要求。

圖6 網絡訓練誤差曲線

4 結束語

針對飛行員著艦訓練提出了一種基于BP 神經網絡的網絡評估方法，實現了對著艦過程中艦載機尾鉤掛鎖情況預測以及著艦訓練品質的評估。經過驗證分析，經由網絡訓練得到的掛鎖情況、評分與真實掛鎖情況、專家組評分基本一致，達到了預測評估效果。該方法不僅可以用于飛行員的自我著艦模擬訓練評分，還可為著艦指揮官的指揮提供掛鎖情況預測。