CN110955144B - 一种基于时间序列分析的目标发射点预测方法 - Google Patents
一种基于时间序列分析的目标发射点预测方法 Download PDFInfo
- Publication number
- CN110955144B CN110955144B CN201911182789.6A CN201911182789A CN110955144B CN 110955144 B CN110955144 B CN 110955144B CN 201911182789 A CN201911182789 A CN 201911182789A CN 110955144 B CN110955144 B CN 110955144B
- Authority
- CN
- China
- Prior art keywords
- emission
- action
- time series
- training
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于智能控制技术领域,特别涉及一种基于时间序列分析的目标发射点预测方法。包括:步骤一:离线采集空中对抗数据;步骤二:将所述空中对抗数据输入到时间序列分析神经网络中进行离线训练,生成预测模型;步骤三:将实时空中对抗数据输入所述预测模型进行在线发射动作的预测。本申请的基于时间序列分析的目标发射点预测方法,得出发射点发射动作的预测信息可以作为辅助决策提供给飞行员,飞行员结合经验知识和智能决策结果进行发射点的判断,弥补了仅凭经验进行预测的不足。
Description
技术领域
本申请属于智能控制技术领域,特别涉及一种基于时间序列分析的目标发射点预测方法。
背景技术
在空中对抗中,敌方目标发射中远距空空导弹的时刻是一个影响机动战术甚至作战结果的至关重要的参考指标。获取了敌方目标发射导弹的时刻,就可以据此和相应的导弹性能参数计算出敌方导弹的剩余命中时间,此时间常被称作TGO。飞行员根据这个时间可以进行相应规避战术的实施。因此,敌方目标发射点的预测对飞行员的战术实施有着至关重要的指导意义。
目前空中对抗对抗训练中,飞行员针对敌方目标发射点的预测基本采用经验知识。例如,飞机在发射导弹后大多会进行一定角度的偏置机动,在减小和目标机的接近速度的同时仍然能对导弹进行中制导。因此,当飞行员目视或在飞机态势画面上观察到敌机做出相应动作时,根据现场态势结合其他经验,可以认为敌机做出了发射导弹的动作,此时进行数秒计时,按照时间执行相应的规避机动战术。这种结合经验的方法针对经常一起训练的飞行员的操作习惯可能会得出比较准确的预测结果,但是其缺乏一定的泛化性,针对陌生对手的情况效果会大大降低;此外,飞行员需要实时高度关注敌方目标的机动动作,判断敌方是否发射,这无疑增加了飞行员的额外负担。
因此,希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
发明内容
本申请的目的是提供了一种基于时间序列分析的目标发射点预测方法,以解决现有技术存在的至少一个问题。
本申请的技术方案是:
一种基于时间序列分析的目标发射点预测方法,包括:
步骤一:离线采集空中对抗数据;
步骤二:将所述空中对抗数据输入到时间序列分析神经网络中进行离线训练,生成预测模型;
步骤三:将实时空中对抗数据输入所述预测模型进行在线发射动作的预测。
可选地,步骤一中,所述离线采集空中对抗数据包括:
离线采集通过仿真器生成的空中对抗数据,和/或离线采集真实空中对抗数据。
可选地,步骤一中,所述空中对抗数据包括空中对抗飞机状态数据以及目标发射点时刻信息。
可选地,步骤二中,所述将所述空中对抗数据输入到时间序列分析神经网络中进行离线训练,生成预测模型包括:
S21:从所述空中对抗数据中选取一定比例的样本作为训练集;
S22:将所述训练集输入到时间序列分析神经网络进行前向传播和反向传播,生成预测模型。
可选地,步骤S21中,从所述空中对抗数据中选取70%的样本作为训练集,选取30%的样本作为测试集。
可选地,步骤S22中,所述将所述训练集输入到时间序列分析神经网络进行前向传播和反向传播,生成预测模型包括:
S221:采用minibatch法将所述训练集输入到时间序列分析神经网络进行前向传播和反向传播训练;
S222:将训练一次后的训练集进行洗牌打乱;
S223:将洗牌打乱后的训练集作为输入,重复步骤S221至S223,循环训练多次后停止训练,输出预测模型。
可选地,步骤S223中,循环训练10次后停止训练,输出预测模型。
可选地,还包括步骤四:对发射动作的预测结果进行评价。
可选地,步骤四中,所述对发射动作的预测结果进行评价具体为:
S41:定义分类结果混淆矩阵,所述分类结果混淆矩阵为:
当真实发射动作为发射,预测发射动作为发射时,定义为TP;
当真实发射动作为发射,预测发射动作为不发射时,定义为FN;
当真实发射动作为不发射,预测发射动作为发射时,定义为FP;
当真实发射动作为不发射,预测发射动作为不发射时,定义为TN;
S42:根据所述分类结果混淆矩阵计算预测结果的准确率、查准率以及查全率,其中,
发明至少存在以下有益技术效果:
本申请的基于时间序列分析的目标发射点预测方法,得出发射点发射动作的预测信息可以作为辅助决策提供给飞行员,飞行员结合经验知识和智能决策结果进行发射点的判断,弥补了仅凭经验进行预测的不足。
附图说明
图1是本申请一个实施方式的基于时间序列分析的目标发射点预测方法流程图;
图2是本申请一个实施方式的时间信息传递单元示意图;
图3是本申请一个实施方式的前向传播过程示意图;
图4是本申请一个实施方式的反向传播过程的损失函数;
图5是本申请与经验法结果对比示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制。
下面结合附图1至图5对本申请做进一步详细说明。
本申请提供了一种基于时间序列分析的目标发射点预测方法(Time SequenceAnalyzing Shoot Prediction,TSASP),此方法通过以往空中对抗数据结合经过设计的时间序列神经网络进行监督学习训练,得出目标发射点的预测模型,进而实现发射动作的预测。方法的流程包括:
步骤一:离线采集空中对抗数据;
步骤二:将空中对抗数据输入到时间序列分析神经网络中进行离线训练,生成预测模型;
步骤三:将实时空中对抗数据输入预测模型进行在线发射动作的预测。
上述流程中步骤一和步骤二为离线过程,目的是获得训练好的预测模型,步骤三为预测模型的在线应用,目的是得到最终的发射点预测结果。
具体的,步骤一中,离线采集空中对抗数据包括:离线采集通过仿真器生成的空中对抗数据,和/或离线采集真实空中对抗数据。空中对抗数据可以通过高保真仿真器生成或直接采用真实空中对抗数据,真实空中对抗数据能确保绝对真实性,但数量较少,因此可以通过高保真仿真器产生仿真空中对抗数据进行数据补充,通过增加空中对抗数据并重新训练可以迭代地提高预测模型的性能。空中对抗数据主要包括两部分,即空中对抗飞机状态数据和目标发射点时刻信息,一场空中对抗中一架飞机的整个时间序列作为一个样本。空中对抗飞机状态数据共包含数个和空中对抗态势密切相关的状态,如表1所示。
表1空中对抗飞机状态数据
本申请的基于时间序列分析的目标发射点预测方法,通过时间序列分析神经网络对采集的空中对抗数据进行监督学习,将空中对抗飞机状态数据作为状态输入,将一场空中对抗中的真实发射时刻作为标签。在给定一个时间序列中各个时间点的状态下,预测每一个时间点发射导弹或不发射导弹,前面时刻的状态不仅影响当时的发射结果,也影响了后面时刻的发射结果,因此时间序列分析神经网络采用一个时间信息传递单元,如图2所示,使得当前时刻的状态不仅作用于当下,也能将历史信息传递给后续时刻。空中对抗飞机状态数据通过时间信息传递单元得到输出,并用于后续处理。时间信息传递单元对空中对抗飞机状态信息的处理过程如下:
i)、输入状态预处理
gt=tanh(Wigxt+big+Whght-1+bhg)
ii)、决定需要向后续时刻传递的状态信息
it=σ(Wiixt+bii+Whiht-1+bhi)
iii)、决定需要舍弃的状态信息
ft=σ(Wifxt+bif+Whfht-1+bhf)
iv)、将舍弃和传递的信息结合作为中间状态
ct=ft*ct-1+it*gt
v)、决定最终输出
ot=σ(Wioxt+bio+Whoht-1+bho)
ht=ot*tanh(ct)
式中:
xt为空中对抗状态;
ht为t时刻时间信息传递单元的输出;
ct为t时刻时间信息传递单元的中间状态;
gt为预处理的空中对抗状态;
it为控制需要传递信息的因子;
ft为控制需要舍弃信息的因子;
ot为控制输出的因子;
Wig,Whg,Wii,Whi,Wif,Whf为神经网络权重矩阵;
big,bhg,bii,bhi,bif,bhf为神经网络偏置项;
tanh(·)为tanh激励函数;
σ(·)为sigmoid激励函数。
将时间信息传递单元按照时间顺序连接起来,每个单元在每个时刻的信息都会随着时间向后传递,将每个单元在每个时刻的最终输出拼接在一起构成一个向量,再将其传入一个全连接层,得到整个网络前向传播的最终输出,整个前向传播过程如图3所示。为了提高学习效果,本申请可以采用两层的时间信息传递单元。
发射动作只有发射和不发射,将空中对抗数据给出的发射动作作为标签,发射为1,不发射为0。经过前向传播过程生成的输出尺寸为2,两个数值分别为下一时间点不发射的概率和发射的概率,因此采用交叉熵来计算网络输出和标签值的偏差。每个时间点的网络输出和当前时间点的发射标签值进行交叉熵的计算,将一整条时间序列各个时间点的交叉熵值求和,即得到总的损失。反向传播过程中的损失函数如图4所示。
所有时刻的交叉熵计算如下:
式中:
n为单场空中对抗总的时间点数量;
xi为发射动作(发射或不发射);
p(xi)为真实空中对抗数据中时刻t时发射和不发射的概率情况(发射为1,不发射为0);
q(xi)为通过本方法预测出的时刻t时发射和不发射的概率情况。
本申请的基于时间序列分析的目标发射点预测方法,在步骤二中,具体为:
S21:从空中对抗数据中选取一定比例的样本作为训练集;本实施例中,从空中对抗数据中选取70%的样本作为训练集,选取30%的样本作为测试集。
S22:将训练集输入到时间序列分析神经网络进行前向传播和反向传播,生成预测模型。
S221:采用minibatch法,batch尺寸选为64,将训练集输入到时间序列分析神经网络进行前向传播和反向传播训练;
S222:将训练一次后的训练集进行洗牌打乱;
S223:将洗牌打乱后的训练集作为输入,重复步骤S221至S223,循环训练多次后停止训练,输出预测模型。本实施例中,循环训练10次后停止训练,输出预测模型,模型即是前向传播过程中的权重矩阵和偏置项。
本申请的基于时间序列分析的目标发射点预测方法,在训练好预测模型后,进行步骤三,将实时空中对抗数据输入预测模型进行在线发射动作的预测。将空中对抗中每个时刻的空中对抗数据结合训练好的权重矩阵和偏置项代入前向传播过程,得到的输出为一个二维向量,分别代表当前时刻发射导弹的概率和不发射导弹的概率,二者选取最大者即为当前时刻预测的发射动作。
本申请的基于时间序列分析的目标发射点预测方法,还包括步骤四:对发射动作的预测结果进行评价。对于每条时间序列样本,每个时间点都有一个发射动作的真值,即标签,而针对每个时间点,预测模型也会给出预测的发射动作,将两者之间的差异作为衡量预测效果的标准。本实施例中,对发射动作的预测结果进行评价具体为:
S41:定义分类结果混淆矩阵,分类结果混淆矩阵为:
当真实发射动作为发射,预测发射动作为发射时,定义为TP;
当真实发射动作为发射,预测发射动作为不发射时,定义为FN;
当真实发射动作为不发射,预测发射动作为发射时,定义为FP;
当真实发射动作为不发射,预测发射动作为不发射时,定义为TN;
S42:根据分类结果混淆矩阵计算预测结果的准确率、查准率以及查全率,其中,
本实施例中,选取准确率、查准率和查全率作为评价指标。对于二分类问题,可将样例根据其真实类别与预测类别的组合划分为四种情形,具体参见表2:
表2分类结果混淆矩阵
采用本申请的TSASP方法和以往经验法对目标发射点预测效果的结果对比如图5所示。本实施例中,选取了5组测试集空中对抗数据分别用TSASP方法和以往经验方法进行发射点预测,试验结果表明TSASP方法的预测效果明显优于传统经验方法。
本申请的基于时间序列分析的目标发射点预测方法(TSASP),相较于传统经验方法在预测的准确率、查准率和查全率指标方面有很大的提升,飞行员可以据此制定更准确适合的机动战术,更有利于作战;其次,通过这种辅助决策的方式可以大大减小飞行员的额外负担,使其可以更专注于作战的其他方面;此外,训练样本中可以任意增加和不同对手作战的空中对抗数据,通过离线重新训练获取泛化性更强的预测模型。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于时间序列分析的目标发射点预测方法,其特征在于,包括:
步骤一:离线采集空中对抗数据;
步骤二:将所述空中对抗数据输入到时间序列分析神经网络中进行离线训练,生成预测模型;
步骤三:将实时空中对抗数据输入所述预测模型进行在线发射动作的预测;
步骤一中,所述离线采集空中对抗数据包括:
离线采集通过仿真器生成的空中对抗数据,和/或离线采集真实空中对抗数据;
步骤一中,所述空中对抗数据包括空中对抗飞机状态数据以及目标发射点时刻信息;
步骤二中,所述将所述空中对抗数据输入到时间序列分析神经网络中进行离线训练,生成预测模型包括:
S21:从所述空中对抗数据中选取一定比例的样本作为训练集;
S22:将所述训练集输入到时间序列分析神经网络进行前向传播和反向传播,生成预测模型;
步骤S21中,从所述空中对抗数据中选取70%的样本作为训练集,选取30%的样本作为测试集;
步骤S22中,所述将所述训练集输入到时间序列分析神经网络进行前向传播和反向传播,生成预测模型包括:
S221:采用minibatch法将所述训练集输入到时间序列分析神经网络进行前向传播和反向传播训练;
S222:将训练一次后的训练集进行洗牌打乱;
S223:将洗牌打乱后的训练集作为输入,重复步骤S221至S223,循环训练多次后停止训练,输出预测模型。
2.根据权利要求1所述的基于时间序列分析的目标发射点预测方法,其特征在于,步骤S223中,循环训练10次后停止训练,输出预测模型。
3.根据权利要求1所述的基于时间序列分析的目标发射点预测方法,其特征在于,还包括步骤四:对发射动作的预测结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182789.6A CN110955144B (zh) | 2019-11-27 | 2019-11-27 | 一种基于时间序列分析的目标发射点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182789.6A CN110955144B (zh) | 2019-11-27 | 2019-11-27 | 一种基于时间序列分析的目标发射点预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110955144A CN110955144A (zh) | 2020-04-03 |
CN110955144B true CN110955144B (zh) | 2022-10-28 |
Family
ID=69977069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911182789.6A Active CN110955144B (zh) | 2019-11-27 | 2019-11-27 | 一种基于时间序列分析的目标发射点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110955144B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389710A (zh) * | 2002-07-18 | 2003-01-08 | 上海交通大学 | 多传感器多目标信息融合方法 |
CN106020215A (zh) * | 2016-05-09 | 2016-10-12 | 北京航空航天大学 | 一种基于单步预测矩阵博弈的近距空战自主决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7132961B2 (en) * | 2002-08-12 | 2006-11-07 | Bae Systems Information And Electronic Systems Integration Inc. | Passive RF, single fighter aircraft multifunction aperture sensor, air to air geolocation |
-
2019
- 2019-11-27 CN CN201911182789.6A patent/CN110955144B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389710A (zh) * | 2002-07-18 | 2003-01-08 | 上海交通大学 | 多传感器多目标信息融合方法 |
CN106020215A (zh) * | 2016-05-09 | 2016-10-12 | 北京航空航天大学 | 一种基于单步预测矩阵博弈的近距空战自主决策方法 |
Non-Patent Citations (2)
Title |
---|
基于机动识别的空战意图威胁建模与仿真;童奇 等;《现代防御技术》;20140430;第42卷(第4期);第174-184页 * |
自动化飞行训练评估中的战机机动动作识别;孟光磊 等;《北京航空航天大学学报》;20191107;第46卷(第7期);第1267-1274页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110955144A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | UAV air combat autonomous maneuver decision based on DDPG algorithm | |
US20220197281A1 (en) | Intelligent decision-making method and system for unmanned surface vehicle | |
CN111860677B (zh) | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 | |
CN111240353A (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN109960148B (zh) | 一种智能无人系统的自主性评估方法及系统 | |
CN105678030B (zh) | 基于专家系统和战术战法分形化的空战战术团队仿真方法 | |
CN112861257B (zh) | 一种基于神经网络的飞机火控系统精度敏感性分析方法 | |
CN112198892B (zh) | 一种多无人机智能协同突防对抗方法 | |
CN114266355A (zh) | 一种基于BiLSTM-Attention的战术意图识别方法 | |
CN116360503B (zh) | 一种无人机博弈对抗策略生成方法、系统及电子设备 | |
CN115293022A (zh) | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 | |
CN116050795A (zh) | 基于maddpg的无人艇集群任务调度与协同对抗方法 | |
CN113741186B (zh) | 一种基于近端策略优化的双机空战决策方法 | |
CN110955144B (zh) | 一种基于时间序列分析的目标发射点预测方法 | |
Jiang et al. | A novel decision-making algorithm for beyond visual range air combat based on deep reinforcement learning | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
Wang et al. | Research on naval air defense intelligent operations on deep reinforcement learning | |
CN110930054A (zh) | 一种基于数据驱动的作战体系关键参数快速优化方法 | |
CN117313972B (zh) | 一种无人艇集群的攻击方法、系统、装置及存储介质 | |
CN114139903B (zh) | 一种航空装备的人员搜救体系贡献度评估方法 | |
Xue et al. | Autonomous evaluation method of unmanned equipment based on OODA-I framework | |
CN115392435A (zh) | 一种基于深度强化学习的分层决策方法 | |
Hu et al. | Construction of MAV/UAV Cooperative Combat Effectiveness Evaluation Index System Based on GCA and RCA Methods | |
CN114924264A (zh) | 一种基于目标运动轨线的空中目标意图推断方法 | |
Liu et al. | Evaluation Method of System-of-System Contribution Rate of Equipment Based on Operational Concept |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |