JPH07280930A

JPH07280930A - 目標情報判定装置

Info

Publication number: JPH07280930A
Application number: JP6069797A
Authority: JP
Inventors: Nobuhiro Tsutsui; 信弘筒井; Sadakatsu Toyama; 定克遠山
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1994-04-07
Filing date: 1994-04-07
Publication date: 1995-10-27

Abstract

(57)【要約】【目的】追尾目標に関する情報を、ニューラルネット
ワークを用いてより現実に近い形でデータを扱い判定を
行うことにより、例えば、追尾目標の種類、敵か味方の
別等の目標情報の判定結果を、高い精度で得ることがで
きる目標情報判定装置を得る。【構成】観測手段７で得られた目標に関する情報を、
目標情報判定装置８で評価し、判定結果を表示手段９に
表示する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、観測手段により得られ
る目標に関する情報を入力とし、判定結果として例えば
目標の種類、敵味方の別等を出力する目標情報判定装置
に関するものである。先の湾岸戦争では、高空から飛来
する弾道ミサイルや、決められたコースにしたがって低
空を飛行する巡航ミサイル、レーダに探知されにくい爆
撃機等色々な種類の高い能力を持った攻撃兵器が使用さ
れた。また、これら攻撃兵器を撃破し、無力化する防衛
用兵器も多数使われた。その防衛兵器の一つに、迎撃ミ
サイルシステムがある。これは、電波、赤外線、可視光
等利用のセンサにより攻撃兵器を目標として捉え、セン
サで観測された位置や速度等の情報を元に射撃を実施し
目標を撃破するものである。図３は、地対空の迎撃ミサ
イルシステムの運用状態を示した概略略図であり、１
は、迎撃ミサイルシステム射撃する目標、２は、攻撃用
兵器１を観測するレーダ装置、３は、レーダ装置から放
射され攻撃用兵器１を追尾する追尾用ビーム、４は、レ
ーダ装置から得られる情報をもとに各種判断、処理を行
いミサイルシステム全体をコントロールする射撃制御装
置、５は、射撃目標を撃破する迎撃ミサイル、６は、迎
撃ミサイル５を発射する発射装置である。そして、迎撃
ミサイルシステムも、攻撃用兵器の発達につれて高い能
力を持つことが要求されている。つまり、センサの目標
探知性能や分解能、ミサイル等の速度や飛しょう性能等
の基本的な能力を向上させることのほかに、複数の迎撃
用兵器を１つの迎撃用システムとしてまとめ、効果的、
効率的な射撃を実施する機能、例えば、目標の種類によ
り迎撃用兵器の種類や迎撃方法を選択する機能、同時に
多数の目標を迎撃するような場合、１機の目標に対して
複数の迎撃兵器が同時に射撃を行わないように、かつ撃
ちもらしが無いように素早く射撃を行う機能等を持つ必
要がある。迎撃用システムにこれらのような能力を持た
せるためには、目標を射撃する迎撃用兵器の種類や迎撃
方法を選択するための目標の種類や数、味方への誤射を
防ぐための目標の敵味方の別、多数の目標をどのような
順番で、どこに設置した迎撃用兵器で射撃するかという
兵器のスケジューリング等を、センサから得られた目標
に関する情報をもとに一元的に判断する能力が必要であ
る。このように、センサから得られた色々な情報を判定
し、それを判定結果として出力する機能を具現化したも
のが、目標情報判定装置である。

【０００２】

【従来の技術】図２は、従来の目標情報判定装置の構成
図であり、７は、目標を追尾し、その追尾目標に関する
情報を得る観測手段、８は、目標に関する情報を入力と
して、しきい値判定及び特徴量判定を行い目標情報の判
定結果を出力する目標情報判定手段、９は、目標に関す
る情報及び目標の情報判定結果を表示する表示手段であ
る。

【０００３】前記目標情報判定手段８において、１０は
目標に関する情報としきい値を比較判定し特徴量を出力
するしきい値判定手段、１１はしきい値判定手段１２に
より出力される特徴量と特徴量判定ルールを比較して目
標情報の判定結果を出力する特徴量判定手段、１２は１
０しきい値判定手段において観測手段７から入力される
目標に関する情報と比較するしきい値のデータベース、
１３は１１特徴量判定手段において、１０しきい値判定
手段から入力される特徴量と比較するための特徴量判定
ルールデータベースである。

【０００４】次に、従来の目標情報判定装置が、航空
機、ヘリコプタ等の目標の種類を評価結果として出力す
る場合の動作を図６のフローチャートに従って説明す
る。図中でＳＴは、ステップの略である。

【０００５】ＳＴ１で観測手段７から目標の運動諸元を
得る。

【０００６】ＳＴ２で、しきい値データベース１２から
１番目のしきい値のデータを得る。これは例えば、航空
機が飛行し得る速度と高度の範囲を示す速度−高度平面
上の領域である。

【０００７】ＳＴ３において、目標の運動諸元のうち、
速度及び高度と、この１番目の領域とを比較して、領域
の内外判定を行う。

【０００８】ＳＴ４において、ＳＴ３で判定した、内か
外からの判定結果を１番目の領域に対する目標の特徴量
として記憶する。

【０００９】ＳＴ５によるループで、ｎ個の領域全てに
ついてＳＴ２からＳＴ４までの処理を行う。

【００１０】ＳＴ６において、特徴量判定ルールデータ
ベース１３から判定のためのルールを得る。これは例え
ば、１番目の領域である航空機の飛行し得る領域に対す
る特徴量が「内」で、２番目の領域であるヘリコプタの
飛行し得る領域に対する特徴量が「外」のとき、その目
標は航空機とする、あるいは、１番目の領域である航空
機の飛行し得る領域に対する特徴量が「外」で、２番目
の領域であるヘリコプタの飛行し得る領域に対する特徴
量が「内」のとき、その目標はヘリコプタとする、ある
いは、１番目の領域である航空機の飛行し得る領域に対
する特徴量が「外」で、２番目の領域であるヘリコプタ
の飛行し得る領域に対する特徴量も「外」のとき、その
目標の種類は不明であるとするという内容のルールであ
る。

【００１１】ＳＴ７において、ｎ個の特徴量の組み合わ
せと特徴量判定ルールを比較し、ルールに適合する目標
の種類を得る。

【００１２】ＳＴ８において、目標情報の判定結果であ
る目標の種類を出力する。

【００１３】ＳＴ９において、観測手段７より新しい観
測手段が得られる場合はＳＴ１〜ＳＴ８までを繰り返
し、得られない場合は動作を終了する。

【００１４】

【発明が解決しようとする課題】従来の目標情報判定装
置は、以上のように構成されているので、しきい値判定
手段において、実際には、航空機等の目標が飛行し得る
速度と高度の領域には、確率上の分布に片寄りが存在
し、かつ、レーダ装置から得られる目標運動諸元にも誤
差等が存在するため、特徴量はあいまいさを持たせて連
続的な値で表すべきであるにも関わらず特徴量は２値で
しか表せない、前記速度と高度の領域を、新しい運動特
性を持った目標に対応させるためには、あらかじめしき
い値データベースを変更しなければならないため即応で
きない、また特徴量判定手段において、連続した特徴量
を扱えない、判定すべき目標種類が増加すると特徴量判
定ルールデータベースのルールの量が増加しその変更が
困難となる、前記複数の理由により総合的に目標情報の
判定精度が低下する等の問題があった。

【００１５】この発明は、前記のような課題を改善でき
る目標情報判定装置を得ることを目的としている。

【００１６】さらに、この発明は、飛行する目標の、航
空機、ヘリコプタ等の種類を評価する目標情報判定装置
を得ることを目的としている。

【００１７】

【課題を解決するための手段】この発明の目標情報判定
装置は、ニューラルネットワークにより目標に関する情
報としきい値等の間の特徴量を求めるしきい値判定手段
と、ニューラルネットワークにより前記特徴量から目標
情報の判定結果を求める特徴量判定手段と、前記２つの
ニューラルネットワークを学習させる学習手段とを備え
たものである。

【００１８】また、この発明の目標情報判定装置は、航
空機、ヘリコプタ等が飛行し得る速度と高度の領域を学
習させたニューラルネットワークを持つしきい値判定手
段と、前記しきい値判定手段の出力である特徴量と、目
標の種類の関係を学習させたニューラルネットワークを
持つ特徴量判定手段を備えたものである。

【００１９】

【作用】この発明の目標情報判定装置は、目標に関する
情報と、あいまいさや確率上の分布の片寄りの存在する
しきい値との関係を連続した特徴量で表し、その特徴量
をもとに目標情報の判定結果を導くことができる。

【００２０】さらに、この発明の目標情報判定装置は、
しきい値が、航空機、ヘリコプタ等の目標が飛行し得る
速度と高度の領域である場合に目標の種類を出力するこ
とができる。

【００２１】

【実施例】

実施例１図１は、実施例１の目標情報判定装置のブロック図であ
る。図１において、７、９は、前記従来装置と全く同一
のものである。８は、本発明における目標情報判定手
段、１０は、ニューラルネットワークを用いてしきい値
の判定を行うしきい値判定手段、１１は、ニューラルネ
ットワークを用いて特徴量の判定を行う特徴量判定手
段、１４は、１０及び１１中のニューラルネットワーク
を学習させるための学習手段である。

【００２２】ニューラルネットワークとは、動物の脳の
神経回路網のことで、ここでは、その働きをコンピュー
タのソフトウェアで模したもの又は、その構造を模した
回路を指す。

【００２３】図４は、例えば、３層構造の場合のニュー
ラルネットワークの構造の例を説明する図で、１５は、
神経細胞に相当するニューロンであり総数７個ある。

【００２４】図４において、それぞれのニューロンは、
１つ以上の入力にシナプス荷重という重みを加えて加算
する関数と、それを次のニューロンへの出力に変換する
入出力関数を持つ。

【００２５】つぎに前記実施例の目標情報判定手段８の
動作を図７に示すフローチャートを用いて説明する。Ｓ
Ｔ１０〜ＳＴ１３は学習手段１４の動作を示す。ＳＴ
１、１４、１５はしきい値判定手段１０の動作を示す。
ＳＴ１６、１７、８は特徴量判定手段１１の動作を示
す。目標情報判定手段の入力は、観測手段７から得られ
る目標に関する情報であり、表示手段９に対する出力
は、目標情報の判定結果である。

【００２６】ＳＴ１０において、しきい値判定手段のニ
ューラルネットワークを学習させるための教師信号を作
成する。

【００２７】ＳＴ１１において、ＳＴ１０で作成した教
師信号により、しきい値判定手段のニューラルネットワ
ークを学習させる。

【００２８】ＳＴ１２において、特徴量判定手段のニュ
ーラルネットワークを学習させるための教師信号を作成
する。

【００２９】ＳＴ１３において、ＳＴ１２において作成
した教師信号により、特徴量判定手段のニューラルネッ
トワークを学習させる。

【００３０】ＳＴ１において、観測手段７から目標に関
する情報を入力する。

【００３１】ＳＴ１４において、目標に関する情報のう
ち、しきい値判定手段のニューラルネットワークに入力
する値を算出する。

【００３２】ＳＴ１５において、しきい値判定手段のニ
ューラルネットワークにより目標の、しきい値に対する
特徴量を算出する。

【００３３】ＳＴ１６において、特徴量判定手段のニュ
ーラルネットワークに入力する値を算出する。

【００３４】ＳＴ１７において、特徴量判定手段のニュ
ーラルネットワークにより目標情報の判定結果を算出す
る。

【００３５】ＳＴ８において、ＳＴ１７で得られた目標
情報の判定結果を表示手段９に対して出力する。

【００３６】ＳＴ９において、観測手段７より新しい観
測手段が得られる場合はＳＴ１、１４、１５、１６、１
７、８までを繰り返し、得られない場合は動作を終了す
る。

【００３７】実施例２図５は、実施例２の目標情報判定装置のブロック図であ
る。図５において、７〜１１及び１４は実施例１の目標
情報判定装置のブロック図である図１と全く同一であ
る。

【００３８】前記観測手段７において、１６は、電波を
放射、受信するレーダのアンテナ、１７は、アンテナ１
６に電源を供給する送受信機、１８は、受信波を表示す
る指示器、１９は、受信した信号評価手段に入力するた
めの信号処理器である。

【００３９】前記目標評価手段８のうち、しきい値判定
手段１０において、２０は観測手段７からの出力を受け
取る信号入力器、２１は、目標の位置、速度等の運動諸
元を生成する運動諸元生成器、２２は、ニューラルネッ
トワークＡから成り、目標の運動諸元から、その目標の
特徴を表す特徴量を算出する特徴量算出要素である。

【００４０】前記ニューラルネットワークＡの入力層で
ある第１層は２つのニューロンを持ち、それは目標速度
と目標海抜高度である。出力層である第ｎ層は２つのニ
ューロンを持ち、目標の航空機に対する特徴量と、目標
のヘリコプタに対する特徴量であり共に例えば０から１
までの間の連続した値を取る。また、このニューラルネ
ットワークは、例えばニューラルネットワークの１つで
あるバックプロパゲーションであり、４層以上で構成さ
れるものである。用いるニューラルネットワークが４層
の場合、出力層は第４層となる。

【００４１】前記ニューラルネットワークＡの第ｋ層の
ｉ番目のニューロンにおいて、１つ以上の入力にシナプ
ス荷重という重みを加えて加算する関数及び、ニューロ
ンの出力を数１に示す。

【００４２】

【数１】

【００４３】前記数１において、入出力関数ｆ（ｘ）
は、例えばシグモイド関数を用いる。シグモイド関数を
数２に示す。

【００４４】

【数２】

【００４５】上記目標情報判定手段８のうち、特徴量判
定手段１１において、２３はニューラルネットワークＢ
から成り、しきい値判定手段１０で求めた目標の特徴量
から目標情報の判定結果を算出する判定結果算出要素で
ある。

【００４６】前記ニューラルネットワークＢの入力層で
ある第１層は２つのニューロンを持ち、それはニューラ
ルネットワークＡの出力の、目標の航空機に対する特徴
量と目標のヘリコプタに対する特徴量であり、目標の種
類に関する評価結果が、航空機、ヘリコプタ、不明の３
つの場合、出力層である第ｎ層は３つのニューロンを持
ち、また、このニューラルネットワークは、例えばニュ
ーラルネットワークの形態の１つであるバックプロパゲ
ーションであり、４層以上で構成されたもので、ニュー
ラルネットワークＡと同様の式により入出力を行う。

【００４７】上記目標評価手段８のうち学習手段１４に
おいて、２４は、各目標の典型的な飛行経路や、飛行可
能な経路のデータベースである飛行経路データベース、
２５は、ニューラルネットワークＡを学習させるための
教師信号を生成する教師信号生成要素、２６は、ニュー
ラルネットワークＡを学習させるための特徴量算出学習
要素、２７は、特徴量と目標情報の判定結果の関係のデ
ータベースである特徴量判定関数データベース、２８は
ニューラルネットワークＢを学習させるための教師信号
を生成する教師信号生成要素、２９は、ニューラルネッ
トワークＢを学習させるための判定結果算出学習要素で
ある。

【００４８】上記表示手段９において、３０は、判定結
果算出要素２３で算出された目標情報の判定結果を表示
するための信号に変換する表示信号生成器、３１は、目
標情報の判定結果を表示する表示器である。

【００４９】つぎに上記実施例で、例えば、しきい値判
定手段１０及び評価手段１１に用いるニューラルネット
ワークをバックプロパゲーションとし、例えば、目標情
報の判定結果を航空機、ヘリコプタ及び不明とした場合
の目標情報判定手段８の動作を図８に示すフローチャー
トを用いて説明する。ＳＴ１８〜２３は、学習手段１４
の動作を示す。ＳＴ１、２４、１５は、しきい値判定手
段１０の動作を示す。ＳＴ１７、８は、特徴量判定手段
１１の動作を示す。

【００５０】ＳＴ１８において、しきい値判定手段のニ
ューラルネッワークＡの教師信号とするために、航空機
の飛行経路を必要数作成し、ある時間の航空機の進行方
向の速度と海抜高度を教師信号とする。

【００５１】ＳＴ１９において、ＳＴ１８において作成
した航空機の速度と高度を教師信号として、しきい値判
定手段のニューラルネットワークＡに例えば図９（ａ）
に示す様な航空機が飛行し得る速度と高度の領域におい
て、航空機が飛行する確率を特徴量としてその分布を学
習させる。ニューラルネットワークのニューロンの入出
力関数としてシグモイド関数を用いた場合の、図９
（ａ）のＤ−Ｅ断面における航空機の飛行し得る確率で
ある特徴量の分布の例を図９（ｂ）に示す。図９（ｂ）
のような滑らかな特徴量を表現するために、ニューラル
ネットワークのニューロンの入出力関数として、例え
ば、上記式２に示したシグモイド関数を用いる。

【００５２】ＳＴ２０において、しきい値判定手段１０
のニューラルネットワークＡの教師信号とするために、
ヘリコプタの飛行経路を必要数作成し、ヘリコプタの目
標速度と目標海抜高度を教師信号とする。

【００５３】ＳＴ２１において、ＳＴ２０において作成
したヘリコプタの速度と高度を教師信号として、しきい
値判定手段１０のニューラルネットワークＡに例えば図
９（ａ）に示す様なヘリコプタが飛行し得る速度と高度
の領域に相当するヘリコプタの特徴量の分布を学習させ
る。

【００５４】ＳＴ２２において、ＳＴ１９及びＳＴ２１
で作成した特徴量の分布を基に、例えば表１に示す様な
航空機の特徴量及びヘリコプタの特徴量と目標情報の判
定結果を教師信号として必要数作成する。表１におい
て、（大）及び（小）には、実際には特徴量を示す数値
が入る。

【００５５】

【表１】

【００５６】ＳＴ２３において、ＳＴ２２で作成した教
師信号により、各特徴量の組み合わせと目標情報の判定
結果の関係を学習させる。

【００５７】ＳＴ１において、観測手段７から目標の運
動諸元を入力する。

【００５８】ＳＴ２４において、目標の、進行方向の速
度及び海抜高度を計算する。

【００５９】ＳＴ１５において、ＳＴ２４で得られた２
つの値を入力として、ＳＴ１０とＳＴ２１において学習
させたニューラルネットワークＡにより、航空機に対す
る特徴量及びヘリコプタに対する特徴量を算出する。

【００６０】ＳＴ１７において、ＳＴ１５で算出した２
つの特徴量をそのまま入力として、ＳＴ２３で学習させ
たニューラルネットワークＢにより、目標が航空機であ
るかヘリコプタであるかの目標情報の判定結果を算出す
る。

【００６１】ＳＴ８において、ＳＴ１７で得られた目標
情報の判定結果を表示手段９に出力する。

【００６２】ＳＴ９において、観測手段７より新しい目
標の運動諸元が得られる場合はＳＴ１、２４、１５、１
７、８を繰り返し、得られない場合は動作を終了する。

【００６３】次に、図８のニューラルネットワークＡの
学習ＳＴ１９における動作を、図１０のフローチャート
にしたがって説明する。また、ＳＴ２１及びＳＴ２３の
ニューラルネットワークＢの学習もＳＴ１９の場合と同
様である。

【００６４】ＳＴ２５において、航空機の特徴量として
１をニューラルネットワークＡの出力層の航空機の特徴
量のニューロンに入力する。

【００６５】ＳＴ２６において、ヘリコプタの特徴量と
して０をニューラルネットワークの出力層のヘリコプタ
の特徴量のニューロンに入力する。

【００６６】ＳＴ２７において、ニューラルネットワー
クにより、通常とは逆方向の演算、すなわち特徴量から
目標速度及び目標海抜高度を求める演算を行い、目標速
度と目標海抜高度を求める。

【００６７】ＳＴ２８において、ＳＴ２７で求めた目標
速度及び目標海抜高度と、教師信号として作成した目標
速度及び目標海抜高度を用いて、評価関数である数３が
最小となるようにニューラルネットワーク内のシナプス
荷重を調整する。

【００６８】

【数３】

【００６９】前記ＳＴ２５からＳＴ２８までを学習の１
サイクルとし、必要回数繰り返し学習させることにより
ニューラルネットワークに航空機の飛行し得る領域を学
習させることができる。

【００７０】以上、上記実施例では、航空機とヘリコプ
タについて目標の種類に関する判定を行う場合について
述べたが、その他の種類の目標、例えば、ミサイル、水
上の艦船、プロペラ機、ジェット機、ロケット等の目標
にこの発明を適用しても有効である。

【００７１】

【発明の効果】この発明は、以上説明したように構成さ
れているので、以下に示すような効果が得られる。

【００７２】ニューラルネットワークを用いることによ
り、しきい値等のあいまいさや観測手段の誤差を考慮に
いれた連続的な特徴量の算出ができるようになると共
に、連続的な特徴量を基に目標情報の判定結果を求める
ことができる。また、ニューラルネットワークを複数に
分割したことで、ネットワークの規模を縮小できる。

【００７３】入力として、目標の侵攻方向の速度と海抜
高度を用いることにより、追尾目標の種類を高い精度で
評価することができる。

【図面の簡単な説明】

【図１】この発明による目標情報判定装置の実施例１に
よるブロック図である。

【図２】従来の目標情報判定装置のブロック図である。

【図３】一般的な迎撃ミサイルシステムの運用の概略を
説明する図である。

【図４】この発明の実施例１のニューラルネットワーク
を説明する図である。

【図５】この発明の実施例２の目標情報判定装置のブロ
ック図である。

【図６】従来の目標情報判定装置の動作を示すフローチ
ャートである。

【図７】この発明の実施例１の目標情報判定装置の動作
を示すフローチャートである。

【図８】この発明の２の目標情報判定装置の動作を示す
フローチャートである。

【図９】（ａ）は、この発明の実施例２のしきい値判定
手段１０の動作を説明する図であり、（ｂ）は、（ａ）
のＤ−Ｅ断面における航空機の飛行し得る確率である０
から１の特徴量の分布を示す図である。

【図１０】この発明の実施例２において図８のフローチ
ャートのニューラルネットワークの学習ＳＴ１９の詳細
な動作を説明する図である。

【符号の説明】

１目標２レーダ装置３追尾用ビーム４射撃制御装置５迎撃ミサイル６発射装置７観測手段８目標情報判定手段９表示手段１０しきい値判定手段１１特徴量判定手段１２しきい値データベース１３特徴量判定ルールデータベース１４学習手段１５ニューロン１６アンテナ１７送受信機１８指示器１９信号処理器２０信号入力器２１運動諸元生成器２２特徴量算出要素２３判定結果算出要素２４飛行経路データベース２５教師信号生成要素２６特徴量算出学習要素２７特徴量判定関数データベース２８教師信号生成要素２９判定結果算出学習要素３０表示信号生成器３１表示器３２ヘリコプタが飛行し得る領域３３航空機が飛行し得る領域３４ヘリコプタの特徴量の分布３５航空機の特徴量の分布

Claims

【特許請求の範囲】

【請求項１】追尾目標を観測し、目標位置、速度等の
目標の運動諸元やその他の目標に関する情報を得る観測
手段と、前記観測手段より得られる目標に関する情報を
入力とし、しきい値を学習させたニューラルネットワー
クを持ち、目標に関する情報と各しきい値の関係を連続
的な特徴量にして出力するしきい値判定手段と、前記し
きい値判定手段の出力する１つ以上の特徴量を入力と
し、特徴量のパターンと求める目標情報の判定結果の関
係を学習させたニューラルネットワークにより目標情報
の判定結果を出力する特徴量判定手段と、それぞれのニ
ューラルネットワークを学習させる学習手段とを備えた
ことを特徴とする目標情報判定装置。
【請求項２】追尾目標を飛行物体とし、観測手段をレ
ーダ装置とし、目標の運動諸元を入力とし、航空機、ヘ
リコプタ等が飛行し得る速度と高度で示される領域をし
きい値として学習させたニューラルネットワークを持
ち、目標の運動諸元と前記各領域との関係を特徴量とし
て出力するしきい値判定手段と、前記の各領域毎の特徴
量を入力とし、各領域毎の特徴量と航空機、ヘリコプタ
等の目標の種類との関係を学習させたニューラルネット
ワークを持ち目標の種類を目標情報の判定結果として出
力する特徴量判定手段とを備えたことを特徴とする請求
項１の目標情報判定装置。