CN116383731B - 一种战术机动的识别方法、系统、电子设备及存储介质 - Google Patents
一种战术机动的识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116383731B CN116383731B CN202310206246.3A CN202310206246A CN116383731B CN 116383731 B CN116383731 B CN 116383731B CN 202310206246 A CN202310206246 A CN 202310206246A CN 116383731 B CN116383731 B CN 116383731B
- Authority
- CN
- China
- Prior art keywords
- unit
- maneuver
- maneuvering
- ith
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims description 52
- 230000001133 acceleration Effects 0.000 claims description 42
- 238000005070 sampling Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims 2
- 201000006054 Mulibrey nanism Diseases 0.000 description 16
- 238000012360 testing method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000009189 diving Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009194 climbing Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000053227 Themus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种战术机动的识别方法、系统、电子设备及存储介质，涉及战术机动技术领域，所述方法包括：确定目标飞机的第i个机动单元的L组特征；将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型；根据m个机动单元的初始类型确定第i个机动单元的最终类型；其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i‑m个机动单元到第i个机动单元。本发明提高了战术机动识别的准确性，实现了机动单元类型的实时识别。
Description
技术领域
本发明涉及战术机动技术领域，特别是涉及一种战术机动的识别方法、系统、电子设备及存储介质。
背景技术
战术机动是指飞行员在飞行过程中，以固定操作方式执行的某一飞行状态，其空速、高度及航向随着时间具有特定的变化。不同的机动背后往往隐藏着不同的战术意图，例如飞行员执行筋斗机动时，通常是为了攻击追在机尾的敌机，达到转守为攻的目的。在不断变化的空中作战环境下，快速精准地识别目标机的战术机动，不但有助于识别其战术意图，还能为空战决策和空战态势预判提供依据。长期以来，基于领域知识的识别方法因其简单易行而广泛应用。该方法首先需要针对各机动的具体特征，为其定制标准机动模板库。然后再切割出待识别的机动，最后将其与模板库中的机动进行一一匹配。该方法过多的依赖于领域知识，并且在复杂的空战环境下，很难准确的进行机动切割。机器学习方法在机动识别任务中比较常见，并有较好的识别效果，如机动动作元识别方法和基于动态贝叶斯网络的机动识别方法。但其需要较为复杂的特征工程或较多的先验知识，当先验知识不够丰富时，很难准确的进行机动切割。此外，动态时间规整算法DTW和支持向量机SVM算法也可作为机动识别的有效方法。然而这些算法计算效率较低，无法满足空战识别的实时性要求。最后，将神经网络应用于机动识别可以解决一些传统机器学习方法难以克服的问题。机动识别问题从本质上来说属于多分类任务，多层感知机MLP和逻辑回归等常用的神经网络能够很好的胜任机动识别这样的多分类任务。但这类神经网络仅是针对时间点数据的逐帧识别机动，忽略了机动数据内在的时间序列依赖关系。
发明内容
本发明的目的是提供一种战术机动的识别方法、系统、电子设备及存储介质，提高了战术机动识别的准确性，实现了机动单元类型的实时识别。
为实现上述目的，本发明提供了如下方案：
一种战术机动的识别方法，所述方法包括：
确定目标飞机的第i个机动单元的L组特征；第i个机动单元是根据预设机动单元长度和预设机动单元步幅确定的，初始机动单元是根据所述预设机动单元长度确定的；每组所述特征均包括：总速度、总力学加速度、X轴速度、Y轴速度、Z轴速度、X轴力学加速度、Y轴力学加速度、Z轴力学加速度、航向角、俯仰角、航向角变化率、俯仰角变化率、航向角加速度和俯仰角加速度；i>m，m>1，L≥1；L为所述预设机动单元长度的值；
将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型；所述机动单元识别模型是利用训练用数据集对初始网络进行训练得到的，所述训练用数据集包括多个训练用机动单元的特征和类型，所述初始网络包括全卷积网络和双向长短期记忆网络；
根据m个机动单元的初始类型确定第i个机动单元的最终类型；其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i-m个机动单元到第i个机动单元。
可选地，确定目标飞机的第i个机动单元的L组特征，具体包括：
根据预设机动单元长度和预设机动单元步幅确定第i个机动单元；
确定目标飞机的第i个机动单元中的L个预设采样时间的机动数据；所述机动数据为所述目标飞机在东北天坐标系下的X轴位置、Y轴位置和Z轴位置；
根据各所述预设采样时间和各所述预设采样时间的机动数据，计算所述飞机在对应预设采样时间的特征，得到L组特征。
可选地，根据m个机动单元的初始类型确定第i个机动单元的最终类型，具体包括：
当第i个机动单元的初始类型与第i-1个机动单元的初始类型不一致时，将第i-1个机动单元的初始类型确定为第i个机动单元的最终类型；
当m个机动单元的初始类型均一致时，将第i个机动单元的初始类型确定为第i个机动单元的最终类型。
可选地，所述目标飞机的第i个机动单元中的第j个预设采样时间的机动数据的确定步骤，1≤j≤L，具体包括：
获取所述目标飞机的第i个机动单元中的第j个预设采样时间的原始机动向量；所述原始机动向量为所述目标飞机在经纬高坐标系下的经度、纬度和海拔高度；
将所述经纬高坐标系转化为所述东北天坐标系，从而确定所述目标飞机的第i个机动单元中的第j个预设采样时间的机动数据。
可选地，所述机动单元识别模型的训练过程，具体包括：
利用所述全卷积网络和所述双向长短期记忆网络，搭建所述初始网络；
获取多个训练用飞机的完整机动过程，将每个所述完整机动过程划分为多个训练用机动单元；
确定每个所述训练用机动单元的类型和特征，得到所述训练用数据集；
利用所述训练用数据集对所述初始网络进行训练，得到所述机动单元识别模型。
一种战术机动的识别系统，所述系统包括：
特征确定模块，用于确定目标飞机的第i个机动单元的L组特征；第i个机动单元是根据预设机动单元长度和预设机动单元步幅确定的，初始机动单元是根据所述预设机动单元长度确定的；每组所述特征均包括：总速度、总力学加速度、X轴速度、Y轴速度、Z轴速度、X轴力学加速度、Y轴力学加速度、Z轴力学加速度、航向角、俯仰角、航向角变化率、俯仰角变化率、航向角加速度和俯仰角加速度；i>m，m>1，L≥1；L为所述预设机动单元长度的值；
初始类型识别模块，用于将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型；所述机动单元识别模型是利用训练用数据集对初始网络进行训练得到的，所述训练用数据集包括多个训练用机动单元的特征和类型，所述初始网络包括全卷积网络和双向长短期记忆网络；
最终类型确定模块，用于根据m个机动单元的初始类型确定第i个机动单元的最终类型；其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i-m个机动单元到第i个机动单元。
一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的战术机动的识别方法。
一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的战术机动的识别方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种战术机动的识别方法、系统、电子设备及存储介质，第i个机动单元的初始类型利用机动单元识别模型确定，机动单元识别模型基于全卷积网络和双向长短期记忆网络构建，和其他模型相比，提高了战术机动识别的准确性；在利用机动单元识别模型确定第i个机动单元的初始类型的基础上，结合包括第i个机动单元在内的m个机动单元的初始类型确定第i个机动单元的最终类型，实现了机动单元类型的实时识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的战术机动的识别方法流程示意图；
图2为节点单元的划分过程示意图；
图3为以MUW＝3为例的各个机动单元的最终机动类型示意图；
图4为初始网络结构示意图；
图5为具体实施例中不同MUL下的准确率曲线图；
图6为具体实施例中不同MUL下的精确度曲线图；
图7为具体实施例中不同MUL下的召回率曲线图；
图8为具体实施例中不同MUL下的F1分数曲线图；
图9为具体实施例中不同MUW在验证集上对应的完整机动的准确率曲线图；
图10为具体实施例中不同MUW在验证集上对应的完整机动的精确度曲线图；
图11为具体实施例中不同MUW在验证集上对应的完整机动的召回率曲线图；
图12为具体实施例中不同MUW在验证集上对应的完整机动的F1分数曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种战术机动的识别方法、系统、电子设备及存储介质，旨在提高战术机动识别的准确性，实现机动单元类型的实时识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的战术机动的识别方法流程示意图。如图1所示，本实施例中的战术机动的识别方法，包括：
步骤101：确定目标飞机的第i个机动单元的L组特征。第i个机动单元是根据预设机动单元长度和预设机动单元步幅确定的，初始机动单元是根据预设机动单元长度确定的；每组特征均包括：总速度、总力学加速度、X轴速度、Y轴速度、Z轴速度、X轴力学加速度、Y轴力学加速度、Z轴力学加速度、航向角、俯仰角、航向角变化率、俯仰角变化率、航向角加速度和俯仰角加速度；i>m，m>1，L≥1；L为预设机动单元长度的值。
步骤102：将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型。机动单元识别模型是利用训练用数据集对初始网络进行训练得到的，训练用数据集包括多个训练用机动单元的特征和类型，初始网络包括全卷积网络和双向长短期记忆网络。
步骤103：根据m个机动单元的初始类型确定第i个机动单元的最终类型。其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i-m个机动单元到第i个机动单元。
作为一种可选的实施方式，步骤101，具体包括：
根据预设机动单元长度和预设机动单元步幅确定第i个机动单元。
具体的，如图2所示，其中N为预设采样时间的倒数，L为预设机动单元长度(Maneuver Unit Length，MUL)的值，S为预设机动单元步幅(ManeuverUnit Stride，MUS)的值，机动单元的划分过程包括：经过秒后划分出第一个机动单元MU1，后续每隔/>秒即可划分出下一个机动单元MU2，以此类推，每个机动单元的长度均为/>秒。其中，MUL决定初始机动单元识别时间，MUS决定后续机动单元的识别时间。机动单元参数不仅影响机动识别时间，还会影响机动识别精度。因此，在选取机动单元参数时，需要对机动识别精度和识别时间进行综合权衡。
在实验过程中，根据专家经验，设置MUS＝{S,S＝10,20,30,40}，将根据不同MUS和MUL划分出来的机动单元数据放入机动单元识别模型中。模型会挖掘特征之间的关系、变化规律，或者提取各个特征的统计信息来识别不同类型的机动单元。最后，基于模型在验证集上的机动单元识别性能选择出最佳的MUS和MUL。
确定目标飞机的第i个机动单元中的L个预设采样时间的机动数据；机动数据为目标飞机在东北天坐标系下的X轴位置、Y轴位置和Z轴位置。
根据各预设采样时间和各预设采样时间的机动数据，计算飞机在对应预设采样时间的特征，得到L组特征。
具体的，任一预设采样时刻的特征的计算公式如下：
vx＝Δx/Δt。
vy＝Δy/Δt。
vz＝Δz/Δt。
ax＝Δvx/Δt。
ay＝Δvy/Δt。
az＝Δvz/Δt。
其中，Δt为相邻预设采样时间的间隔，vx为X轴速度，Δx为相邻预设采样时间的X轴位置的差，vy为Y轴速度，Δy为相邻预设采样时间的Y轴位置的差，vz为Y轴速度，Δz为相邻预设采样时间的Z轴位置的差，ax为X轴力学加速度，Δvx为相邻预设采样时间的X轴速度的差，ay为Y轴力学加速度，Δvy为相邻预设采样时间的Y轴速度的差，az为Z轴力学加速度，Δvz为相邻预设采样时间的Z轴速度的差，v为总速度，a为总力学加速度，为航向角，θ为俯仰角，/>为航向角变化率，/>为相邻预设采样时间的航向角的差，/>为俯仰角变化率，Δθ为相邻预设采样时间的俯仰角的差，/>为航向角加速度，/>为相邻预设采样时间的航向角变化率的差，/>为俯仰角加速度，/>为相邻预设采样时间的俯仰角变化率的差。
作为一种可选的实施方式，步骤103，具体包括：
当第i个机动单元的初始类型与第i-1个机动单元的初始类型不一致时，将第i-1个机动单元的初始类型确定为第i个机动单元的最终类型。
当m个机动单元的初始类型均一致时，将第i个机动单元的初始类型确定为第i个机动单元的最终类型。
具体的，机动单元为所属机动划分出来的某段子机动，成功识别机动单元并不意味着能成功识别完整机动。实际空战环境下，由不同机动划分出来的机动单元通常具有高度相似性，如筋斗机动的前半段类似于爬升，破S机动的后半段类似于俯冲。所以在识别筋斗、破S机动时，往往会夹杂着爬升、俯冲等机动单元，导致机动识别结果由筋斗突然变为爬升又变为筋斗，或者破S机动和俯冲交替出现的情况。然而飞机不可能在短时间内完成机动突变，机动单元识别结果发生变化并不意味机动发生变化，因此需要对机动单元进行过滤进而确定唯一的机动识别结果。
如图3所示，本发明将机动单元的初始类型输入至机动单元窗口(ManeuverUnitWindow，MUW)中，并通过MUW内的机动单元种数过滤机动单元，监控机动的变化情况，实现战术机动的实时识别。当且仅当机动单元窗口内的各机动单元被识别为同一机动时，才会认为机动开始执行或发生变化。机动单元窗口MUW的提出可以有效避免机动突变，提高模型识别的容错性和准确性。在T2S+L时刻，MUW内只有一种机动单元类型，此时判定机动1开始执行。机动单元窗口继续向后滑动，后续T3S+L时刻到T6S+L时刻不满足机动开始或变化的充分条件，故机动识别结果仍保持不变。直至T7S+L时刻，MUW内只有一种机动3所属的机动单元类型，表明机动3开始执行。
作为一种可选的实施方式，目标飞机的第i个机动单元中的第j个预设采样时间的机动数据的确定步骤，1≤j≤L，具体包括：
获取目标飞机的第i个机动单元中的第j个预设采样时间的原始机动向量；原始机动向量为目标飞机在经纬高坐标系下的经度、纬度和海拔高度。
将经纬高坐标系转化为东北天坐标系，从而确定目标飞机的第i个机动单元中的第j个预设采样时间的机动数据。
实际上，飞机执行机动的环境往往比较复杂，雷达获取到的飞机的原始机动向量也存在一定偏差。因此，最终得到的飞机位置序列数据(即各个预设采样时刻的机动数据)存在噪声干扰(该噪声在实际飞行数据中指飞机的经纬度和海拔高度突然增大或减小，这样会导致飞机的飞行轨迹在短时间内出现抖动、毛刺等噪声)，例如某一时刻的坐标位置发生突变、异常或缺失。该噪声经空间坐标转换后可能会被进一步放大，对后续的机动识别任务造成较大影响。本发明采用基于卡尔曼滤波的方法对经过坐标空间转换后的飞机位置信息进行了噪声过滤，利用飞机位置的动态信息，有效地消除了飞机坐标序列中的异常值，减少了飞行轨迹中的毛刺、抖动等噪声。
机动单元窗口MUW的选取不仅影响最终的机动识别精度，还影响识别时间。这里的识别时间是指机动延迟识别时间，即机动开始后最短需要延迟多长时间才能输出正确识别结果。
在实验过程中，根据经验选取MUW∈[2,15]，并对比了不同MUW下，在验证集上对应的完整机动识别性能，选取出最佳的MUW。
作为一种可选的实施方式，机动单元识别模型的训练过程，具体包括：
利用全卷积网络和双向长短期记忆网络，搭建初始网络。
获取多个训练用飞机的完整机动过程，将每个完整机动过程划分为多个训练用机动单元。
确定每个训练用机动单元的类型和特征，得到训练用数据集。
利用训练用数据集对初始网络进行训练，得到机动单元识别模型。
具体的，如图4所示，初始网络的结构包括：
FCN分支中包括基本卷积块和全局平均池化层两部分。基本卷积块内包含一维卷积层Conv1d、批量归一化层BatchNorm1d、ReLU激活层和随机失活Dropout层。FCN分支最终堆叠了三个基本卷积块，每个卷积块中的一维卷积层都有不同的参数，以更好的提取时间序列中更深层次的信息。此外，FCN分支中前两个卷积块的最后还接了一个压缩和激励块SEBlock，压缩和激励块为各时间步分配权值，用来自适应地重标定各时间步间的特征重要度。BiLSTM分支同时利用了前向传播和反向传播的输出序列，其后面还连接了一个全局平均池化层(BiLSTM分支中也是通过直接使用pytorch中mean()函数实现全局平均池化的功能，故无输入输出)。除了综合利用机动序列数据的上下文信息之外，该平均池化层的引入还将Bi-LSTM的输出序列尺寸减半，减少了之后全连接层的参数数量。
最后，FCN分支和BiLSTM的分支的输出被连接，并通过两层全连接层传递到Softmax分类层，实现战术机动单元的分类。
全卷积网络(Fully Convolutional Network，FCN)分支主要用于自动提取机动单元的特征中的时序特征或深度挖掘其他更好的表现特征，将特征提取转化为对模型中因子的提取，降低了基于领域知识特征构造的工作负荷。双向长短期记忆网络(Bi-directionalLong Short-Term Memory，BiLSTM)分支主要实现对机动单元内部特征信息的长期记忆，学习机动单元数据的上下文信息，并捕捉数据间的时序依赖关系。
在训练时：
需要对网络结构参数进行设置。在本发明中，FCN分支堆叠的三个基本卷积块中对应的一维卷积层的卷积核尺寸分别设定为{8，5，3}，输入输出通道数分别设定为{12，128}、{128，256}、{256，128}，滑动步长stride设为1，padding为0。对应的三个批量归一化层中的esp和momentum分别设为0.00001和0.1，前两个卷积块中SE Block的降维率r均设置为16。为防止过拟合，FCN分支中的Dropout比率都设置为0.3。在BiLSTM分支中，输入特征维数设置为12，隐藏单元数置为128。同样，为缓解过拟合，其后面的Dropout比率设为0.8。FCN分支和BiLSTM分支被连接后，经过的两个全连接层的输入输出神经元个数分别为{256，64}和{64，5}。最后经过Softmax层，实现机动单元的分类，并输出机动单元类型的识别结果。
模型训练过程中使用Adam优化器，并将初始学习率lr设置为0.0005。为缓解训练过程中的振荡，使网络更好地收敛到最优结果，制定了学习率衰减策略：每训练40轮，学习率衰减10倍。本发明提出的模型设置初始批量大小batch_size为32，总训练轮数epochs为110轮。
具体实施例：
本具体实施例通过DCS World仿真模拟软件获取到仅包含经纬度和海拔高度的机动数据集，采用基于Multivariate BiLSTM-FCNs的端到端方法对斤斗、盘旋、俯冲、爬升和破S机动进行了实时识别。
训练集、验证集和测试集的具体划分信息如表1所示。
表1实验数据集划分信息表
机动单元参数的选取策略既影响识别时间，又影响识别精度，需要综合权衡。MUL和MUS分别决定了初始机动单元和后续机动单元的识别时间。在高动态空战环境下，飞行员在很短的时间内就可能切换战术意图，从而影响空战态势。为了选择出最佳MUS和MUL，本发明验证了MUS为10、20、30和40的情况下不同MUL在验证集上的识别性能评估，如图5-图8所示。其中，Accuracy为准确率、Precision为精确度、Recal为召回率l和F1-score为F1分数。
实验结果表明，在MUS取10时，各项机动单元识别指标相对较高，其中机动单元识别准确率(Accuracy)的平均值达到0.9400。并且识别时间最短，在雷达采集频率为20Hz的情况下，每隔0.5s即可识别出一个机动单元。在保证初始机动识别时间不超过4s的情况下，MUL取60至74时机动单元识别精度相对较高，为进一步确定MUL取值，本具体实施例在该区间内进行了10次实验，得到其在验证集上各评估指标的均值，结果见表2。
表2 MUL取60至74时验证集上各评估指标的均值统计表
经过上述实验，最终的机动单元参数MUS和MUL分别设置为10和72，初始机动单元和后续机动单元的识别时间分别为0.5s和3.6s。确定机动单元参数后，需要对模型中的其他超参数进行手动调整并重新训练模型。训练过程中，验证集上的准确率最高达到0.9495。
在所提出的机动单元识别模型的BiLSTM分支内部，还可将BiLSTM层替换为基本LSTM层、带注意力机制的ALSTM层和Bi-ALSTM。此外，本具体实施例还对比了其他机动单元识别模型，如支持向量机、逻辑回归、朴素贝叶斯、决策树、随机森林、MLP和常规LSTM。在这些模型中，只有常规LSTM是针对时间段进行机动识别的，其他模型都属于针对时间点的逐帧机动识别。为了在同一基准下比较这些逐帧识别模型的性能，根据其预测结果，本发明每隔10个步幅取长度为72的序列作为一个机动单元，并将这段序列预测结果的众数作为该机动单元的预测标签。表3展示了不同机动单元识别模型在测试集上的性能表现。
表3不同模型在测试集上的性能比较表
结果表明，本发明所提出的基于BiLSTM-FCNs的机动单元识别模型在各评估指标方面都优于其他对比模型，且在测试集上的准确率高达0.9528。
在选定MUS和MUL为10和72的情况下，机动延迟识别时间t'为由于带有FCN的机动单元识别模型效果较优，因此在选定MUW时，仅对比BiLSTM-FCNs、LSTM-FCNs、ALSTM-FCNs和BiALSTM-FCNs这四种模型识别完整机动的性能。当MUW∈[2,15]时，其在验证集上的完整机动识别性能如图9-图12所示。
综合完整机动的识别精度和识别延迟时间，BiLSTM-FCNs模型对完整机动的识别性能相对优于其他三种模型。当MUW取10时，完整机动识别延迟时间为8.1s，完整机动识别延迟时间较短，识别精度相对较高，超过了90％。经验证，BiLSTM-FCNs模型在测试集上的准确率达到0.9667。除了上述四种评估指标外，完整机动的评估指标还包括机动识别延迟率IDR，表4展示了BiLSTM-FCNs模型在测试集上对各个机动的识别延迟率IDR，其平均IDR达到了26.19％。
表4BiLSTM-FCNs模型在测试集上对各个机动的识别延迟率IDR结果表
以牺牲识别精度为代价，可进一步缩短识别延迟时间。根据实验，当MUW取7时，延迟时间仅为6s，机动的识别准确率就可达到90％。此外，本具体实施例还对比了其他机动识别方法，如MDTW-1NN、MLP、LSTM和BiLSTM。另外，为提高运算效率，在MDTW的基础上设计了MDTW-1NN-P算法，该算法从40帧数据中提取出一组数据，并将待识别机动与模板库中的机动进行比较，从而实现机动识别。表5展示了不同方法的识别性能。
表5不同机动识别方法在测试集上的识别性能比较表
实验结果表明，基于Multivariate BiLSTM-FCNs的机动识别方法比其它模型具有更好的识别精度和识别时间，机动识别准确率最高达到96.67％，且平均延迟率仅为26.19％。实现了低延迟、高精度的机动识别。
综合以上，通过多个实验循序渐进、一步步地去充分验证模型的检测性能，由以上实验结果可见，本发明所提出的解决方法是新颖、可靠、有效的。
实施例2
本实施例中的战术机动的识别系统，包括：
特征确定模块，用于确定目标飞机的第i个机动单元的L组特征；第i个机动单元是根据预设机动单元长度和预设机动单元步幅确定的，初始机动单元是根据预设机动单元长度确定的；每组特征均包括：总速度、总力学加速度、X轴速度、Y轴速度、Z轴速度、X轴力学加速度、Y轴力学加速度、Z轴力学加速度、航向角、俯仰角、航向角变化率、俯仰角变化率、航向角加速度和俯仰角加速度；i>m，m>1，L≥1；L为预设机动单元长度的值。
初始类型识别模块，用于将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型；机动单元识别模型是利用训练用数据集对初始网络进行训练得到的，训练用数据集包括多个训练用机动单元的特征和类型，初始网络包括全卷积网络和双向长短期记忆网络。
最终类型确定模块，用于根据m个机动单元的初始类型确定第i个机动单元的最终类型；其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i-m个机动单元到第i个机动单元。
实施例3
一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例1中的战术机动的识别方法。
实施例4
一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如实施例1中的战术机动的识别方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种战术机动的识别方法，其特征在于，所述方法包括：
确定目标飞机的第i个机动单元的L组特征；第i个机动单元是根据预设机动单元长度和预设机动单元步幅确定的，初始机动单元是根据所述预设机动单元长度确定的；每组所述特征均包括：总速度、总力学加速度、X轴速度、Y轴速度、Z轴速度、X轴力学加速度、Y轴力学加速度、Z轴力学加速度、航向角、俯仰角、航向角变化率、俯仰角变化率、航向角加速度和俯仰角加速度；i>m，m>1，L≥1；L为所述预设机动单元长度的值；
将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型；所述机动单元识别模型是利用训练用数据集对初始网络进行训练得到的，所述训练用数据集包括多个训练用机动单元的特征和类型，所述初始网络包括全卷积网络和双向长短期记忆网络；
根据m个机动单元的初始类型确定第i个机动单元的最终类型；其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i-m个机动单元到第i个机动单元；
所述初始网络具体包括：
全卷积网络包括三个基本卷积块和全局平均池化层；基本卷积块内包含一维卷积层、批量归一化层、ReLU激活层和随机失活层；每个卷积块中的一维卷积层有不同的参数，前两个卷积块的最后连接一个压缩和激励块；
双向长短期记忆网络同时利用了前向传播和反向传播的输出序列，后面连接一个全局平均池化层；
全卷积网络和双向长短期记忆网络的输出被连接，并通过两层全连接层传递到Softmax分类层；
根据m个机动单元的初始类型确定第i个机动单元的最终类型，具体包括：
当第i个机动单元的初始类型与第i-1个机动单元的初始类型不一致时，将第i-1个机动单元的初始类型确定为第i个机动单元的最终类型；
当m个机动单元的初始类型均一致时，将第i个机动单元的初始类型确定为第i个机动单元的最终类型。
2.根据权利要求1所述的战术机动的识别方法，其特征在于，确定目标飞机的第i个机动单元的L组特征，具体包括：
根据预设机动单元长度和预设机动单元步幅确定第i个机动单元；
确定目标飞机的第i个机动单元中的L个预设采样时间的机动数据；所述机动数据为所述目标飞机在东北天坐标系下的X轴位置、Y轴位置和Z轴位置；
根据各所述预设采样时间和各所述预设采样时间的机动数据，计算所述飞机在对应预设采样时间的特征，得到L组特征。
3.根据权利要求2所述的战术机动的识别方法，其特征在于，所述目标飞机的第i个机动单元中的第j个预设采样时间的机动数据的确定步骤，1≤j≤L，具体包括：
获取所述目标飞机的第i个机动单元中的第j个预设采样时间的原始机动向量；所述原始机动向量为所述目标飞机在经纬高坐标系下的经度、纬度和海拔高度；
将所述经纬高坐标系转化为所述东北天坐标系，从而确定所述目标飞机的第i个机动单元中的第j个预设采样时间的机动数据。
4.根据权利要求1所述的战术机动的识别方法，其特征在于，所述机动单元识别模型的训练过程，具体包括：
利用所述全卷积网络和所述双向长短期记忆网络，搭建所述初始网络；
获取多个训练用飞机的完整机动过程，将每个所述完整机动过程划分为多个训练用机动单元；
确定每个所述训练用机动单元的类型和特征，得到所述训练用数据集；
利用所述训练用数据集对所述初始网络进行训练，得到所述机动单元识别模型。
5.一种战术机动的识别系统，其特征在于，所述系统包括：
特征确定模块，用于确定目标飞机的第i个机动单元的L组特征；第i个机动单元是根据预设机动单元长度和预设机动单元步幅确定的，初始机动单元是根据所述预设机动单元长度确定的；每组所述特征均包括：总速度、总力学加速度、X轴速度、Y轴速度、Z轴速度、X轴力学加速度、Y轴力学加速度、Z轴力学加速度、航向角、俯仰角、航向角变化率、俯仰角变化率、航向角加速度和俯仰角加速度；i>m，m>1，L≥1；L为所述预设机动单元长度的值；
初始类型识别模块，用于将第i个机动单元的特征输入至机动单元识别模型中，得到第i个机动单元的初始类型；所述机动单元识别模型是利用训练用数据集对初始网络进行训练得到的，所述训练用数据集包括多个训练用机动单元的特征和类型，所述初始网络包括全卷积网络和双向长短期记忆网络；
最终类型确定模块，用于根据m个机动单元的初始类型确定第i个机动单元的最终类型；其中，第1个机动单元到第m+1个机动单元的最终类型根据第1个机动单元到第m+1个机动单元的初始类型确定，m个机动单元为从第i-m个机动单元到第i个机动单元；
所述初始网络具体包括：
全卷积网络包括三个基本卷积块和全局平均池化层；基本卷积块内包含一维卷积层、批量归一化层、ReLU激活层和随机失活层；每个卷积块中的一维卷积层有不同的参数，前两个卷积块的最后连接一个压缩和激励块；
双向长短期记忆网络同时利用了前向传播和反向传播的输出序列，后面连接一个全局平均池化层；
全卷积网络和双向长短期记忆网络的输出被连接，并通过两层全连接层传递到Softmax分类层；
根据m个机动单元的初始类型确定第i个机动单元的最终类型，具体包括：
当第i个机动单元的初始类型与第i-1个机动单元的初始类型不一致时，将第i-1个机动单元的初始类型确定为第i个机动单元的最终类型；
当m个机动单元的初始类型均一致时，将第i个机动单元的初始类型确定为第i个机动单元的最终类型。
6.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的战术机动的识别方法。
7.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的战术机动的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310206246.3A CN116383731B (zh) | 2023-03-06 | 2023-03-06 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310206246.3A CN116383731B (zh) | 2023-03-06 | 2023-03-06 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116383731A CN116383731A (zh) | 2023-07-04 |
| CN116383731B true CN116383731B (zh) | 2023-11-14 |
Family
ID=86964718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310206246.3A Active CN116383731B (zh) | 2023-03-06 | 2023-03-06 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116383731B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3650297A1 (en) * | 2018-11-08 | 2020-05-13 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining information related to a lane change of a target vehicle, method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle and computer program |
| CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及系统 |
| CN113532193A (zh) * | 2021-06-26 | 2021-10-22 | 江苏电子信息职业学院 | 一种分队战术智能对抗训练系统及方法 |
| CN114266355A (zh) * | 2021-03-29 | 2022-04-01 | 中国人民解放军空军工程大学 | 一种基于BiLSTM-Attention的战术意图识别方法 |
| CN115077556A (zh) * | 2022-07-26 | 2022-09-20 | 中国电子科技集团公司第二十八研究所 | 一种基于多维度地图的无人车野战路径规划方法 |
| CN115204033A (zh) * | 2022-06-09 | 2022-10-18 | 复旦大学 | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 |
| CN115270634A (zh) * | 2022-08-04 | 2022-11-01 | 南京航空航天大学 | 一种适用于自主空战领域的反事实解释生成方法及系统 |
| CN115480582A (zh) * | 2022-08-17 | 2022-12-16 | 西安电子科技大学 | 基于lstm的目标的机动预测方法、电子设备和存储介质 |
| CN115512573A (zh) * | 2022-11-21 | 2022-12-23 | 中国民用航空飞行学院 | 飞行机动自动识别系统、方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220051094A1 (en) * | 2020-08-14 | 2022-02-17 | Nvidia Corporation | Mesh based convolutional neural network techniques |
-
2023
- 2023-03-06 CN CN202310206246.3A patent/CN116383731B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3650297A1 (en) * | 2018-11-08 | 2020-05-13 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining information related to a lane change of a target vehicle, method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle and computer program |
| CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及系统 |
| CN114266355A (zh) * | 2021-03-29 | 2022-04-01 | 中国人民解放军空军工程大学 | 一种基于BiLSTM-Attention的战术意图识别方法 |
| CN113532193A (zh) * | 2021-06-26 | 2021-10-22 | 江苏电子信息职业学院 | 一种分队战术智能对抗训练系统及方法 |
| CN115204033A (zh) * | 2022-06-09 | 2022-10-18 | 复旦大学 | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 |
| CN115077556A (zh) * | 2022-07-26 | 2022-09-20 | 中国电子科技集团公司第二十八研究所 | 一种基于多维度地图的无人车野战路径规划方法 |
| CN115270634A (zh) * | 2022-08-04 | 2022-11-01 | 南京航空航天大学 | 一种适用于自主空战领域的反事实解释生成方法及系统 |
| CN115480582A (zh) * | 2022-08-17 | 2022-12-16 | 西安电子科技大学 | 基于lstm的目标的机动预测方法、电子设备和存储介质 |
| CN115512573A (zh) * | 2022-11-21 | 2022-12-23 | 中国民用航空飞行学院 | 飞行机动自动识别系统、方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| A Deep Learning Approach to Detect Real-Time Vehicle Maneuvers Based on Smartphone Sensors;Pei Li 等;《IEEE Transactions on Intelligent Transportation Systems》;第23卷(第4期);全文 * |
| An Air Combat UCAV Autonomous Maneuver Decision Method Based on LSTM Network and MCDTS;Fangyuan Dang 等;《ICAUS 2022》;全文 * |
| 基于机动动作元的敌机战术机动在线识别方法;贾镇泽 等;《北京理工大学学报》;第38卷(第8期);全文 * |
| 基于注意力机制改进的LSTM空战目标意图识20220322别方法;李战武 等;《电光与控制》;第30卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116383731A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023231995A1 (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
| CN114413906B (zh) | 一种基于改进粒子群优化算法的三维轨迹规划方法 | |
| CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
| CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
| CN114048889A (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
| CN108170162B (zh) | 多尺度风扰分析无人机机群协调控制系统性能评估方法 | |
| CN109887284B (zh) | 一种智慧城市交通信号控制推荐方法、系统及装置 | |
| CN112598046B (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
| CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
| CN111897353A (zh) | 基于gru的飞行器机动轨迹预测方法 | |
| CN113581182A (zh) | 基于强化学习的自动驾驶车辆换道轨迹规划方法及系统 | |
| CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
| CN114090718A (zh) | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 | |
| CN115169520A (zh) | 一种采用自适应性粒子群算法对pid参数进行整定优化方法 | |
| Li et al. | Rolling bearing fault diagnosis under variable working conditions based on joint distribution adaptation and SVM | |
| CN116383731B (zh) | 一种战术机动的识别方法、系统、电子设备及存储介质 | |
| US20210375141A1 (en) | Systems and methods for flight performance parameter computation | |
| CN117763933A (zh) | 基于深度学习的固体火箭发动机时间序列参数预测方法和预测系统 | |
| CN110803290B (zh) | 一种新型的弹射座椅程序控制方法 | |
| CN113657182A (zh) | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 | |
| CN109866931B (zh) | 一种基于自编码器的飞机油门控制方法 | |
| CN110045761A (zh) | 一种基于自适应动态规划的智能转台控制系统设计方法 | |
| Taylor et al. | Feature selection in highly redundant signal data: A case study in vehicle telemetry data and driver monitoring | |
| Hao et al. | A fault diagnosis algorithm of the dedicated equipment based on CBAM-ResNET mechanism |
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 |