CN110018453B - 基于飞机航迹特征的智能机型识别方法 - Google Patents

Abstract

本发明提出一种基于飞机航迹特征的智能机型识别方法，旨在提供一种识别准确，具有较强的抗干扰能力的智能机型识别方法。本发明通过下述技术方案予以实现：建立航迹序列样本库，将每条航迹的航迹信息作为机型识别的识别样本；通过数据预处理模块对航迹历史数据进行提取及数据预处理，对数据样本进行整理，剔除一些野值并插值，构建基于深度卷积神经网络的深度学习模型，经过样本训练和和测试后形成目标识别分类器，进而应用训练深度学习分类器进行精细分类，最后通过用测试样本对训练出的模型进行测试，结合目标特征的航迹关联对模型的正确率进行评估；利用深度学习分类算法进行机型识别，通过智能算法模型获取分类结果，得出飞机目标的机型类别。

Description

基于飞机航迹特征的智能机型识别方法

技术领域

本发明涉及航空飞机目标识别、空中交通管制领域，特别涉及一种基于飞机航迹特征的智能机型识别方法。

背景技术

随着空中飞行器种类和数量越来越多，速度越来越快，使得情报侦察系统的信息处理量大大增加，对信息处理的准确度要求越来越高，从而对目标识别的准确性及处理时间提出了更高要求。目标航迹数据通常是由多维数据点组成的多维序列，航迹数据是由目标数据点组成的序列，每条航迹包括若干个多维数据点。根据应用场景，航迹数据可分为预警监视航迹数据，航行管制航迹数据和视频监控航迹数据等，根据目标的类型，可将航迹数据分为飞机航迹数据、船舶航迹数据、车辆航迹数据、行人航迹数据、动物航迹数据和龙卷风航迹数据等。雷达目标识别是对雷达探测功能的重要延伸。随着城市环境的日益复杂，对低、小、慢目标的检测与识别已经成为一个迫切需要解决的问题。雷达的任务不仅是测量目标的距离、方位或仰角，而且还包括测量目标的速度，甚至是目标的类别，架次或者具体的型号。而这些，都涉及到雷达目标识别的问题。雷达目标识别是根据目标的后向电磁散射来鉴别目标，是电磁散射的逆问题。当雷达带宽足够宽时，目标后向电磁散射包含了目标的诸如形状、大小、结构等细节信息，这是雷达目标识别的依据，以此为基础形成了一些有效的目标识别方法。然而.基于宽带雷达目标识别的思想和方法很难用于现役雷达的目标分类和识别，这是由于现役雷达大部分都是低分辨率雷达，一般不具备径向上和横向上的高分辨，雷达所揭示的目标的信息非常有限，低分辨雷达通常不具备自动目标识别技术。低分辨雷达不能揭示目标细节信息，要实现低分辨条件下对目标进行精细识别是不切实际的，然而，由于目标内在的某些属性(如飞机的大小、速度、机动特性、调制等)对目标的回波会产生影响。通过对大量的目标回波波形进行分析，认为在低分辨条件下对雷达目标进行粗分类和识别是可行的，但仍然存在以下困难。

目标识别依赖于目标在空间和时间二维上的动态特征信息积累，是一个动态模式识别问题，识别系统的建立(包括数据采集、处理)应采用一种动态结构。标特征的表现形式及其规律难以描述，特征在时间与空间上不具备良好的稳定性，与多种因素有关，特征描述的物理意义不十分明确。在低分辨情况下，由于目标尺寸小于雷达的分辨率，所以目标的回波只是一个具有幅度和相位的点，故而低分辨率雷达的单次回波所含的信息太少，不能用来作为识别的依据。低分辨率雷达可以通过对目标的连续跟踪，提取目标的运动速度、加速度等信息，来判断目标的大致属性。例如，根据目标运动速度，飞行高度等信息在一定程度上可以判断喷气式飞机、螺旋桨飞机和直升机、导弹目标等。但是，实际上，对目标进行连续的跟踪，不仅计算量大，而且，在多目标状态下尤其是大片密集目标时，很容易出现误跟踪而导致目标丢失。

传统的低分辨雷达目标检测技术一般是基于回波能量的，如恒虚警检测(CFAR)就是利用虚警率来设置门限，对雷达接收的回波进行强度/幅度检测。但是这种方法对于目标检测来说，只要是过门限的值都保留下来了，这也就留下了很多其他不感兴趣的目标以及虚警，对后期的处理造成一定的影响。比如从高空向地面扫描的雷达，其接收到的回波既有感兴趣的空中目标如民航、无人机或直升机，也有不感兴趣的地面目标如汽车，行人等，在没有任何先验信息的情况下，如何去掉我们不感兴趣的地面目标，而保留空中目标呢？这就要涉及到一些目标识别的方法。

航迹是指某雷达站接受到某一检测目标陆续反射回来的电磁波后记录、计算检测目标所处的一系列空中位置而形成的离散点列。目标航迹点是指某个时刻某雷达站接受到空间某目标反射回来的电磁波，按顺序记录下有关的数据并进行计算，得到包括目标的经度、纬度、高度、速度、航向、时间戳在内的一组数据。由于每条记录上都带有时间戳，因此航迹可以看作是由点迹组成的时序数据库。航迹中的点在时间上具有先后顺序，在三维空间(经度-纬度-高度)分布上具有连续性，在速度空间(经向速度-纬向速度)上具有相似性。航迹起始的速度与航迹起始的质量是多目标航迹处理的关键问题，为保证对各种目标实时快速反应，要求航迹处理能快速起始目标航迹，但同时还要求航迹具备低虚警、高航迹起始质量的特性。机型识别是情报指挥系统目标识别的一项重要内容，准确的机型识别对于指挥自动化系统后期的信息处理起着关键作用。

目前机型识别工作主要依靠人工，依赖人工经验，耗费大量的人力、物力资源。自动识别尚处于探索研究阶段，已有的方法多是基于图像处理完成，存在一定的局限性。

基于图像的机型识别方法主要是寻找运动过程中近似不变的特征量。常用的不变量特征提取方法有傅里叶描述子、小波矩、仿射距、Hu矩阵和Zernike矩等，近年来采用深度学习的方法也在研究。但这些识别方法面临着许多挑战：运动模糊：在飞机高速运行的过程中较难拍摄到清晰的图像；拍摄角度：飞机的外形随探测方向角的不同变化显著；成像分辨率：飞机的外形清晰程度随距离改变变化明显；机型干扰：各类飞机整体外形大体相近，尤其对于种类繁多又外形相近的民航客机；自然因素：天气等自然因素对图像质量的影响较大；这些挑战使得基于图像信息的识别方法较难在实际应用中实现。

统计识别理论认为，描述目标的特征维数越高，包含目标的信息越多，则识别率越高。实际上，特征维数并不是越高越好，由于分类器训练时不可能得到目标的所有可能回波，因此用于训练的特征，可以认为是对目标特性统计信息的一种测量，增加特征维数会使相应的累积测量误差增加，降低识别器的推广能力，特别是当训练样本比较少时，这一问题尤为突出，形成“维数灾难。通常采用特征选择来去除冗余特征，选择对识别最有价值的特征以降低特征维数，提高识别性能。最常见的特征选择方法有主分量分析法，Fisher准则等等。要实现Fisher分类识别，首先要实现两类Fisher算法，两类Fisher算法能够返回最接近测试样本的类别，然后用返回的类别与新的类别做两类Fisher运算，又能够得到比较接近的类别，以此类推，直至所有的类别，最后得出测试样本的类别，即识别出目标。FLDA方法进行目标识别的效果不错，但是该方法不是一种完美的方法。它的计算过程要反复做矩阵操作，计算量非常大，而且计算复杂，容易引起累计误差，影响计算精度，并且在目标识别的过程中，若训练样本数在不大于训练样本的特征数时，此时类内离散度矩阵总为奇异阵而使接求解，即小样本问题sss(SmallSizeSample)，此时识别也会出现很大的偏差。

有关飞机的性能数据涉及飞机在空中运动性能的特征，有水平加速时间最大平飞速度，最大瞬时盘旋角速度，最大巡航速度，稳定盘旋角速度，最大爬升率，最小平飞速度等，那么应该从中选择出哪些特征来实现对机种机型的识别呢，通常认为最大平飞速度，最大爬升率，稳定盘旋角速度，最大巡航速度，最大瞬时盘旋角速度，水平加速，时间等特征可以充当识别的特征。传统的目标识别技术在飞机运动过程中提取轮廓信息不变量的方法，由于受硬件条件和实时性的限制，寻求轮廓不变特征量导致识别困难。这种采用单一的位置关系来进行主次目标的辨识，显然不能可靠的完成机型识别任务。

发明内容

本发明针对现有技术存在的不足之处，提供一种识别准确，泛化能力强，具有较强的抗干扰能力的基于航迹特征的智能机型识别方法。

本发明的上述目的可以通过下述技术方案予以实现：一种基于飞机航迹特征的智能机型识别方法，具有如下技术特征：采集不同机型类别飞机的历史飞行过程中的经度、纬度、高度、速度、航向的时空特征和运动特征，建立航迹序列样本库，将每条航迹的航迹信息作为机型识别的识别样本，并将人工标注的飞机机型类别作为标签；通过数据预处理模块对航迹历史数据进行提取及数据预处理，对数据样本进行整理，剔除一些野值并插值、数据标准化、航迹序列等长化，构建基于深度卷积神经网络的深度学习模型，经过样本训练和和测试后形成目标识别分类器，进而应用训练深度学习分类器进行精细分类，最后通过用测试样本对训练出的模型进行测试，结合目标特征的航迹关联对模型的正确率进行评估；利用深度学习分类算法进行机型识别，通过智能算法模型获取分类结果，得出飞机目标的机型类别。

本发明相比于现有技术具有如下有益效果：

本发明利用飞机飞行过程中的经度、纬度、高度、速度、航向等时空特征和运动特征，结合人工标注的飞机机型类别，通过采集不同机型类别飞机的历史航迹信息，建立样本库，可以大大提高分类器的准确性，与现有方法相比，不需要改变雷达体制，只在数据处理方法上进行优化设计，工程应用上易于操作实现。

本发明通过数据预处理模块对航迹历史数据进行提取及数据预处理，对数据样本进行整理，剔除一些野值并插值、数据标准化、航迹序列等长化；经过一系列数据预处理，将每条航迹的航迹信息作为机型识别的识别样本，标记型号作为样本的标签，运用深度学习模型训练样本和训练结果测试，在杂波和干扰等复杂背景下具有较强的抗干扰能力。在进行航迹关联的过程中，结合目标的特征进行航迹关联，也能极大提高航迹关联的效率和降低产生虚假航迹的概率。

本发明针对现有技术存在的缺陷，利用目标航迹，采集不同机型类别的飞机航迹信息，经过野值剔除、插值、数据标准化、序列等长化等预处理后建立样本库，构建基于卷积神经网络的深度学习模型，经过样本训练和和测试后形成目标识别分类器，利用本方法可实现通过获取飞机的运动特征进行目标类型识别，实现目标飞机的机型识别不同于在飞机运动过程中提取轮廓信息不变量的方法，利用深度学习分类算法进行机型识别，避免了寻求轮廓不变特征量导致识别困难的缺点。可以在目标识别的基础上对感兴趣的目标进行检测，降低虚惊率，提高雷达的检测性能，也为后期的数据处理降低运算量。

附图说明

为了更清楚地理解本发明，现通过附图和实施例，对本发明作进一步阐述，其中：

图1是本发明的输入航迹数据结构示意图；

图2的本发明智能识别目标航迹特征机型的流程图；

图3是图2数据预处理的方法流程图；

图4是图3序列等长化方法图；

图5是本发明智能算法模型卷积神经网络结构示意图。

下面结合附图对本发明作进一步说明。

具体实施方式

参阅图1。航迹是指某雷达站接受到某一检测目标陆续反射回来的电磁波后记录、计算检测目标所处的一系列空中位置而形成的离散点列。目标航迹点是指某个时刻某雷达站接受到空间某目标反射回来的电磁波，按顺序记录下有关的数据并进行计算，得到包括目标的经度、纬度、高度、速度、航向、时间戳在内的一组数据。

参阅图2-图4。根据本发明，采集不同机型类别飞机的历史航迹信息，包括飞机飞行过程中的经度、纬度、高度、速度、航向等时空特征和运动特征，建立航迹序列样本库，将每条航迹的航迹信息作为机型识别的识别样本，人工标注的飞机机型类别作为标签；通过数据预处理模块对航迹历史数据进行提取及数据预处理，对数据样本进行整理，剔除一些野值并插值、数据标准化、航迹序列等长化，构建基于深度卷积神经网络的深度学习模型，经过样本训练和和测试后形成目标识别分类器，进而应用训练深度学习分类器进行精细分类，最后通过用测试样本对训练出的模型进行测试，结合目标特征的航迹关联对模型的正确率进行评估；利用深度学习分类算法进行机型识别，通过智能算法模型获取分类结果，得出飞机目标的机型类别。

数据预处理模块根据航迹点数Xn、直方图航迹条数y₀、、y₂、y₃、y₄y₅…y_m，y₁、y₂、y₃…y_n数轴构建横坐标为每条航迹所包含的航迹点数，纵坐标为航迹条数并且服从正态分布的直角坐标系，目的在于统计一定航迹点数范围内有多少条航迹。对所有目标航迹进行直方图统计。数据预处理模块先取直方图中最高的数轴y₀，依次遍历前后各一个数轴，比较后取大者y₁；再以y₁为中心依次遍历去除y₀的前后各一个数轴，比较后取大者y₂，直至遍历到：

本实施例上式th设置为90％。满足

公式的y_n对应的x_n被确认为标准序列长度。所有点迹数目>x_n的航迹，将航迹学列末尾截至x_n；所有点迹数目<x_n的航迹，用最后一个航迹点的内容填充至x_n。预处理结束后，在优选的实施例中，70％的航迹数据被设置为训练数据，30％的航迹数据被设置为测试数据。

在数据预处理中：

步骤S11，当航迹数据服从正态分布时，依据莱特准则，残差落在3倍标准差[-3σ,3σ]范围内的概率超过99.7％，落在此区域外的概率不超过0.3％。因此，可以认为残差落于该区域外的测量数据为野值。

数据预处理模块首先给出前n个测量值的算术平均值

与方差σ：

测量值均值

若第n+1个点y_n的残差Δy_n大于K倍标准差，则y_n的残差

则所对应的数据被认为是野值，应予以剔除，式中，。当K＝3时，门限野值判断公式为3σ。

本实施例以第8点数据为例来判断其是否为野值。第八点均值、方差如下：

算术平均值

方差

为前7个数据的算术平均值，如残差Δy_n＞3σ则认为y_n为野值，式中，y_i为第i个点的测量值。

在步骤S12，野值被剔除后，数据预处理模块利用牛顿插值法进行野值补偿。牛顿插值法用一个高次的多项式将试验数据进行拟合，有中心插值法，前推插值法和后推插值法。为避免后面野值的影响递传，本实施例采用前推插值法。前推插值法利用经处理的已剔除野值的数据，使用这些数据拟合后续点的数据，保证后续点数据的准确性。牛顿插值法为：

由y_i＝f_n(x_i),i＝0,1,…,n，其中因变量x_i均匀变化，简记为x_i＝i，则系数为：

从而

对于x＝n+1，其前推插值：

即当0～n点的数值y₀～y_n已判断为正常数据，则第n+1点的插值数据yⁿ⁺¹可以由它们的线性表出，如n＝3，y⁴＝-y₀+4y₁-6y₂+4y₃；n＝4，y⁵＝y₀-5y₁+10y₂-10y₃+5y₄。式中，x为第n点的观察值，f_n(x)为第n+1个点的预测值，C表示组合，A表示排列，p、n、r是计算过程中的变量。

本实施例航迹点前6个点的数据已判断为正常数据，从第7个点开始计算。第7个点即：n＝6，y⁷＝y₀-7y₁+21y₂-35y₃+35y₄-21y₅+7y₆，如y₇被判断为野值，则y₇＝y⁷。

在步骤S13，对航迹输入进行数据标准化操作。深度学习训练数据标准化主要有如下意义：

1.数据的量纲不同；经过标准化处理后，原始数据转化为无量纲化指标测评值，各指标值处于同一数量级别，可进行综合评测分析；

2.避免数值本身问题，太大的数会引发数值问题；

3.平衡各特征贡献；

4.一些模型求解的需要，加快了梯度下降求最优解的速度。

在可选的实施例中，标准化方法采用数据归一化，方法是航迹数据通过减去均值然后除以方差或标准差。这种数据标准化方法经过处理后数据符合标准正态分布，即均值为0，标准差为1，转化函数为：数据序列

其中，X为数据序列，

为数据序列的均值、σ为方差。

在机器学习算法中，目标函数的基础均为假设所有的特征都是零均值并且具有同一阶数上的方差。如果某个特征的方差比其他特征大几个数量级，就会在学习算法中占据主导位置，导致学习器不能按照期望从其它特征中学习。归一化是让不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。

在步骤S14，航迹是由一组随时间变化的观测量组成的时间序列，由于观察精度和观察持续时间的不同，许多航迹的长度是不同的。本发明所用的深度学习算法为卷积神经网络，要求输入数据长度一致，所以要对航迹做等长处理。

参阅图5。在优选的实施例中，智能算法模型选用了卷积神经网络(ConvolutionalNeural Network,CNN)，CNN的深度学习模型通过堆叠卷积层和池化层，使深度学习模型拥有更强的提取分层特征和高层特征的能力。CNN的深度学习模型中的全连接层可以把特征信息转化成类别信息，使CNN的深度学习模型在特征提取的同时也拥有强大的分类能力。

卷积神经网络主要特点如下：

局部连接：CNN前几层中将传统神经网络中的全连接变为局部连接，最后再进行全连接，整体上形成一个从局部到整体的特征提取过程；

权值共享：为减少神经网络参数，增加网络深度，提升速度，卷积神经网络还采用了权值共享策略，即某些连接单元的权值相等，可以大幅度减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度；

池化:为降低CNN输出参数量，利用局部相关性原理，在有效减少数据处理量的同时保留了结构信息。池化的方法有最大池化和平均池化；

激励函数ReLU:作用于各连接单元后的激活单元，激活神经元的特征保留并映射出来。R

eLU函数表达式为：f(x)＝max{0,x}，

式中，x为该激活单元的输入，f(x)为经过该激活单元的输出结果。相对于传统神经网络中的sigmoid函数而言，在保证非线性的同时，增加了训练后网络的稀疏特性，不但使得参数间减少了相互依赖，而且对于过拟合问题的发生有大大的缓解作用；

随机dropout机制:在样本数量有限的情况下有必要防止训练模型过拟合现象。Dropout机制可以在CNN网络训练阶段随机选取该层部分权重进行训练，从而更改网络连接结构以提高网络的泛化能力。

Softmax函数：CNN最后一层使用Softmax函数。Softmax是Logistic回归的一般化，将只能够解决二分类问题的Logistic回归扩展至能够解决多分类问题。Softmax函数用于最后的结果输出，表达式为：

式中，e是自然常数，K为类别数，z_j为K维向量的第j维分量，输出可视为第j类的概率。

在优选的实施例中，针对机型识别问题，构建了共11层的CNN模型，不包括输入，共5个卷积层，3个最大池化层，3个全连接层。组成形式为：输入→卷积层1→最大池化层1→卷积层2→最大池化层2→卷积层3→卷积层4→卷积层5→最大池化层3→全连接层1→全连接层2→全连接层3→输出。

本发明的效果可通过以下实验进一步说明：

(1)对10个机型目标的数据集按7：3的比例随机分为了训练数据集和测试数据集。

(2)系统环境为windows7-64bit，深度学习卷积神经网络算法开发环境为anaconda+tensorflow+pycharm。

(3)网络参数设置为学习率：0.001，每一次迭代样本数量：20，具体设置如下：

model.fit(X,Y,n_epoch＝1000,validation_set＝0.2,shuffle＝True,

show_metric＝True,batch_size＝20,snapshot_step＝10,

snapshot_epoch＝False,run_id＝'Constellation')

(4)验证结果。通过对测试集中各目标进行识别，得到本发明对10类目标的平均正确识别率约为99.59％。

以上结合附图对本发明进行了详细描述，但需要指出的是，上述实例所描述的是仅为本发明的优选实例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种基于飞机航迹特征的智能机型识别方法，具有如下技术特征：采集不同机型类别飞机的历史飞行过程中的经度、纬度、高度、速度、航向的时空特征和运动特征，建立航迹序列样本库，将每条航迹的航迹信息作为机型识别的识别样本，并将人工标注的飞机机型类别作为标签；通过数据预处理模块对航迹历史数据进行提取及数据预处理，对数据样本进行整理，剔除一些野值并插值、数据标准化、航迹序列等长化，构建基于深度卷积神经网络的深度学习模型，经过样本训练和测试后形成目标识别分类器，进而应用训练深度学习分类器进行精细分类，最后通过用测试样本对训练出的模型进行测试，结合目标特征的航迹关联对模型的正确率进行评估；利用深度学习分类算法进行机型识别，通过智能算法模型获取分类结果，得出飞机目标的机型类别；

数据预处理模块根据航迹点数

、直方图航迹条数

，

数轴构建横坐标为每条航迹所包含的航迹点数，纵坐标为航迹条数并且服从正态分布的直角坐标系；

数据预处理模块先取直方图中最高的数轴

，依次遍历前后各一个数轴，比较后取大者

；再以

为中心依次遍历去除

的前后各一个数轴，比较后取大者

，直至遍历到：

；

满足

公式的

对应的

被确认为标准序列长度，所有点迹数目

的航迹，将航迹序列末尾截至

；所有点迹数目

的航迹，用最后一个航迹点的内容填充至

。

2.如权利要求1所述的基于飞机航迹特征的智能机型识别方法，其特征在于：预处理结束后，70%的航迹数据被设置为训练数据，30%的航迹数据被设置为测试数据。

3.如权利要求1所述的基于飞机航迹特征的智能机型识别方法，其特征在于：数据预处理模块首先给出前n个测量值的算术平均值

与方差

：

测量值均值

，方差

，若第n+1个点

的残差

大于K倍标准差，则

的残差

所对应的数据被认为是野值，应予以剔除，当K=3时，门限野值判断公式为

。

4.如权利要求1所述的基于飞机航迹特征的智能机型识别方法，其特征在于：野值被剔除后，数据预处理模块利用牛顿插值法进行野值补偿，用一个高次的多项式将试验数据进行拟合，采用前推插值法处理已剔除野值的数据。

5.如权利要求4所述的基于飞机航迹特征的智能机型识别方法，其特征在于：经过处理后数据符合标准正态分布，即均值为0，标准差为1，转化函数为：数据序列

，其中，X为数据序列，

为数据序列的均值、

为方差。

6.如权利要求1所述的基于飞机航迹特征的智能机型识别方法，其特征在于：智能算法模型选用卷积神经网络CNN，CNN的深度学习模型通过堆叠卷积层和池化层，使深度学习模型拥有更强的提取分层特征和高层特征的能力。

7.如权利要求6所述的基于飞机航迹特征的智能机型识别方法，其特征在于：卷积神经网络CNN的深度学习模型中的全连接层把特征信息转化成类别信息，并将神经网络中的全连接变为局部连接，最后再进行全连接，整体上形成一个从局部到整体的特征提取过程。

Images