摘  要： 針對(duì)現(xiàn)有空中目標(biāo)機(jī)動(dòng)模式識(shí)別算法魯棒性和抗噪性差的問題，提出了利用卷積神經(jīng)網(wǎng)絡(luò)直接對(duì)航跡數(shù)據(jù)進(jìn)行非人工特征提取，從而實(shí)現(xiàn)機(jī)動(dòng)模式識(shí)別的算法。針對(duì)目標(biāo)機(jī)動(dòng)段難以分割的現(xiàn)實(shí)情況，提出了滑動(dòng)時(shí)間窗口的模式識(shí)別方法，并給出了基于滑動(dòng)時(shí)間窗口的機(jī)動(dòng)模式識(shí)別流程。對(duì)空中目標(biāo)進(jìn)行了航跡仿真，并進(jìn)行了數(shù)據(jù)預(yù)處理，為卷積神經(jīng)網(wǎng)絡(luò)提供了合理訓(xùn)練樣本。通過仿真實(shí)驗(yàn)確定了適合于機(jī)動(dòng)模式識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，實(shí)驗(yàn)結(jié)果表明，構(gòu)造好的卷積網(wǎng)絡(luò)對(duì)機(jī)動(dòng)模式的識(shí)別率達(dá)98.4%，并且在結(jié)合機(jī)動(dòng)觸發(fā)點(diǎn)后，對(duì)連續(xù)航跡的識(shí)別取得了良好效果。

　　關(guān)鍵詞： 機(jī)動(dòng)模式識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；滑動(dòng)時(shí)間窗口；航跡仿真；數(shù)據(jù)預(yù)處理

0 引言

　　隨著高新技術(shù)的快速發(fā)展，空中作戰(zhàn)目標(biāo)機(jī)動(dòng)性能得到了大幅提高，更大規(guī)模的多飛行器協(xié)同作戰(zhàn)，使得空中的情報(bào)信息呈現(xiàn)爆炸式增長(zhǎng)，這不僅對(duì)指揮員的判斷與決策造成了很大困難，也使防空武器系統(tǒng)面臨著巨大的威脅。利用空中戰(zhàn)場(chǎng)態(tài)勢(shì)估計(jì)來輔助智能化決策[1]是處理空中復(fù)雜情報(bào)信息的重要研究?jī)?nèi)容，而空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)模式識(shí)別是實(shí)現(xiàn)空中戰(zhàn)場(chǎng)態(tài)勢(shì)估計(jì)的重要環(huán)節(jié)。

　　目前均是人工提取機(jī)動(dòng)模式的幾何或運(yùn)動(dòng)參量特征來進(jìn)行機(jī)動(dòng)模式的分類。由于目標(biāo)機(jī)動(dòng)性能、飛行人員操作水平的不同、探測(cè)器精度的影響及自然條件因素的變換，同一種機(jī)動(dòng)模式數(shù)據(jù)有著復(fù)雜的變化。人工提取的特征分類往往有很強(qiáng)的局限性，只適合較為特殊的情況，魯棒性和抗噪性能較差。

　　神經(jīng)網(wǎng)絡(luò)模型有著強(qiáng)大的非線性映射能力，是實(shí)現(xiàn)分類、預(yù)測(cè)任務(wù)的一種重要模型[2]。卷積神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練，實(shí)現(xiàn)對(duì)數(shù)據(jù)的非人工特征提取，這種非人工提取的特征在很多應(yīng)用上取得了比人工提取的特征更好的效果。本文利用卷積神經(jīng)網(wǎng)絡(luò)的這一優(yōu)點(diǎn)，設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)動(dòng)模式分類器，實(shí)現(xiàn)了對(duì)空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)模式的特征提取和分類工作。

1 滑動(dòng)時(shí)間窗口的目標(biāo)機(jī)動(dòng)模式識(shí)別方法

　　1.1 目標(biāo)典型機(jī)動(dòng)模式

　　本文主要針對(duì)的空中目標(biāo)是作戰(zhàn)飛機(jī)和巡航導(dǎo)彈。

　　不考慮作戰(zhàn)飛機(jī)在近距離博弈時(shí)的格斗動(dòng)作，其典型的機(jī)動(dòng)類型包括直線、圓弧轉(zhuǎn)彎、盤旋、爬高、俯沖、蛇形機(jī)動(dòng)等[3-4]；巡航導(dǎo)彈一般是根據(jù)目標(biāo)位置事先設(shè)定了飛行航路，其動(dòng)作類型較為單一，主要為直線運(yùn)動(dòng)，在進(jìn)入攻擊段時(shí)會(huì)進(jìn)行蛇形機(jī)動(dòng)來規(guī)避炮火襲擊，之后再進(jìn)行躍升俯沖對(duì)目標(biāo)實(shí)施打擊[5]。圖1為典型的巡航導(dǎo)彈攻擊航路。

　　1.2 滑動(dòng)時(shí)間窗口的機(jī)動(dòng)模式識(shí)別方法

　　機(jī)動(dòng)段的分割在現(xiàn)實(shí)中很難實(shí)現(xiàn)，這是機(jī)動(dòng)模式識(shí)別存在的一大難題。機(jī)動(dòng)模式識(shí)別存在的另一個(gè)問題是，由于各種機(jī)動(dòng)模式特征的不同，往往不知道該組合哪些特征來實(shí)現(xiàn)對(duì)多機(jī)動(dòng)模式的識(shí)別。

　　針對(duì)這些問題，本文提出了滑動(dòng)時(shí)間窗口的機(jī)動(dòng)模式識(shí)別方法。該方法先利用拐點(diǎn)檢測(cè)法檢測(cè)出機(jī)動(dòng)“觸發(fā)點(diǎn)”，在得到機(jī)動(dòng)“觸發(fā)點(diǎn)”后，對(duì)目標(biāo)航跡按照一定的時(shí)間窗口進(jìn)行劃分，滑動(dòng)窗口不停地進(jìn)行機(jī)動(dòng)模式識(shí)別；定義一些機(jī)動(dòng)模式為退出機(jī)動(dòng)模式，在識(shí)別到該種模式后即停止進(jìn)行模式識(shí)別，重新開始尋找機(jī)動(dòng)“觸發(fā)點(diǎn)”進(jìn)行下一輪的機(jī)動(dòng)模式識(shí)別。整個(gè)識(shí)別流程如圖2所示。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)動(dòng)模式分類器設(shè)計(jì)

　　圖2所示的識(shí)別流程中，是利用已經(jīng)訓(xùn)練好的分類器進(jìn)行時(shí)間窗口內(nèi)的機(jī)動(dòng)模式識(shí)別，本節(jié)主要探討5 s時(shí)間窗口內(nèi)的機(jī)動(dòng)模式分類器是如何設(shè)計(jì)和訓(xùn)練的。

　　目標(biāo)因?yàn)檫^載承受能力等限制，在5 s的時(shí)間內(nèi)無法完成盤旋機(jī)動(dòng)，所以5 s的時(shí)間窗口中可能出現(xiàn)直線、蛇形機(jī)動(dòng)、圓弧轉(zhuǎn)彎、圓弧直線過渡段、躍升、俯沖、躍升俯沖過渡段這7種機(jī)動(dòng)類型，設(shè)計(jì)的分類器即要能夠?qū)崿F(xiàn)對(duì)這7種機(jī)動(dòng)模式的分類。

　　2.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

　　2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)[6-7]

　　卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維平面組成，每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。圖3為典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。輸入層經(jīng)過多個(gè)卷積核卷積后得到多個(gè)特征圖組成的卷積層C1，每個(gè)特征圖再經(jīng)過池化，得到池化層S2。后面兩層依此類推，最終將得到的輸出光柵化，連成一個(gè)列向量后輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)。

　　2.1.2 卷積層

　　卷積層利用局部連接和權(quán)值共享，減少網(wǎng)絡(luò)自由參數(shù)個(gè)數(shù)，降低網(wǎng)絡(luò)參數(shù)選取復(fù)雜度。在一個(gè)卷積層中，用一個(gè)可學(xué)習(xí)的卷積核與上一層若干個(gè)特征圖進(jìn)行卷積，再通過一個(gè)激活函數(shù)f（如Sigmoid函數(shù)等），利用式（1）就可以得到相應(yīng)的輸出特征[6]。

　　其中，l表示層數(shù)，k是卷積核，*表示二維卷積，b是偏置，Mj為輸入特征圖集合。

　　2.1.3 池化層

　　下采樣層利用相鄰數(shù)據(jù)相關(guān)性原理進(jìn)行子抽樣，在減少數(shù)據(jù)處理量的同時(shí)保留有用信息。通常是對(duì)前一層對(duì)應(yīng)的特征圖中向量特征進(jìn)行池化操作。池化分為平均池化和最大池化等[8]。由于本文輸入數(shù)據(jù)維數(shù)不大，采用非重疊池化即可。

　　池化輸出的特征圖可用式（2）計(jì)算：

　　其中，是相應(yīng)權(quán)值，b是相應(yīng)偏置，down（·）表示下采樣函數(shù)。

3 仿真實(shí)驗(yàn)

　　卷積神經(jīng)網(wǎng)絡(luò)層的參數(shù)是分類器設(shè)計(jì)的核心，將預(yù)處理好的航跡數(shù)據(jù)送入定義好的網(wǎng)絡(luò)中進(jìn)行實(shí)驗(yàn)，通過不斷改變網(wǎng)絡(luò)的參數(shù)最終得到適宜于機(jī)動(dòng)模式分類的分類器。

　　3.1 樣本生成

　　設(shè)定目標(biāo)不同的機(jī)動(dòng)時(shí)間長(zhǎng)短、機(jī)動(dòng)幅度、初始位置等，利用MATLAB進(jìn)行仿真，每種機(jī)動(dòng)模式仿真生成1 000個(gè)樣本，共7 000個(gè)樣本。將這7 000個(gè)樣本隨機(jī)分為4 000個(gè)訓(xùn)練樣本、2 000個(gè)驗(yàn)證樣本和1 000個(gè)測(cè)試樣本。

　　樣本數(shù)據(jù)要經(jīng)過一定預(yù)處理才可送入網(wǎng)絡(luò)中。航跡數(shù)據(jù)與目標(biāo)的起始位置有很大關(guān)系，而機(jī)動(dòng)主要在于三維（x，y，z）的波動(dòng)，與起始位置無關(guān)，故需去掉目標(biāo)起始位置這樣的“直流信號(hào)”，本文采取的方法是每個(gè)航跡樣本減去該航跡數(shù)據(jù)的均值。

　　神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)通常要進(jìn)行歸一化，一方面可加快收斂速度，一方面防止數(shù)量級(jí)大的輸入數(shù)據(jù)對(duì)權(quán)重的影響過大導(dǎo)致無法訓(xùn)練。本文參考常規(guī)的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理過程，將數(shù)據(jù)歸一化到0.1~0.9。

　　3.2 分類器設(shè)計(jì)實(shí)現(xiàn)

　　通過仿真實(shí)驗(yàn)，得到效果最好的分類器如圖4所示，在該分類器下7種機(jī)動(dòng)模式的分類準(zhǔn)確率為98.4%。

　　該分類器共有兩層卷積網(wǎng)絡(luò)，第一個(gè)卷積層卷積核為1*10，共20個(gè)卷積核，卷積步長(zhǎng)為1，卷積后將輸入的3個(gè)通道變成1個(gè)通道，得到1×241維數(shù)據(jù)，20個(gè)卷積核則產(chǎn)生20×1×241維數(shù)據(jù)；池化采用非重疊最大池化，池化時(shí)先將卷積得到的數(shù)據(jù)加了一個(gè)的邊（pad），數(shù)據(jù)變?yōu)?0×1×243，池化核為1*3，步長(zhǎng)為3，池化后數(shù)據(jù)變?yōu)?0×1×81；第二層卷積層與第一層非常類似，只是卷積核為1*3；經(jīng)過第二層池化后數(shù)據(jù)進(jìn)入全連接層，設(shè)置隱藏單元數(shù)50；再將數(shù)據(jù)連接Softmax分類器。

　　圖5（a）為在分類器下，訓(xùn)練集訓(xùn)練迭代次數(shù)和訓(xùn)練集損失函數(shù)曲線圖。在訓(xùn)練集迭代訓(xùn)練網(wǎng)絡(luò)同時(shí)，每間隔一定迭代次數(shù)向網(wǎng)絡(luò)送入驗(yàn)證集，用以觀察是否發(fā)生過擬合等現(xiàn)象。圖5（b）為訓(xùn)練集迭代次數(shù)和驗(yàn)證集損失函數(shù)曲線圖，圖5（c）為訓(xùn)練集迭代次數(shù)和驗(yàn)證集識(shí)別準(zhǔn)確率曲線圖。

　　由圖5可看出，隨著迭代次數(shù)的增加，訓(xùn)練集損失函數(shù)值不斷減少，網(wǎng)絡(luò)逐漸開始擬合。在迭代到2 000次時(shí)到達(dá)最小值附近，開始出現(xiàn)波動(dòng)。訓(xùn)練集損失函數(shù)波動(dòng)是由于數(shù)據(jù)本身不平穩(wěn)造成的，無法避免。驗(yàn)證集損失函數(shù)大小隨著訓(xùn)練集同步減少，說明沒有出現(xiàn)過擬合現(xiàn)象，并且在2 000次迭代左右，驗(yàn)證集的識(shí)別率基本達(dá)到飽和，達(dá)到98%左右，如圖5（c）所示。

　　將訓(xùn)練好的網(wǎng)絡(luò)對(duì)1 000個(gè)測(cè)試樣本進(jìn)行測(cè)試，得到識(shí)別率為98.4%。

　　3.3 最佳分類器在連續(xù)航路下的識(shí)別效果

　　將機(jī)動(dòng)觸發(fā)點(diǎn)結(jié)合進(jìn)目標(biāo)機(jī)動(dòng)模式識(shí)別，可實(shí)現(xiàn)連續(xù)航路的機(jī)動(dòng)模式判斷。

　　假定敵方空中目標(biāo)從（10 000，10 1000，1 000）m處朝我方軍事目標(biāo)飛進(jìn)，先做圓弧機(jī)動(dòng)改變航向，再直線飛行一段距離，進(jìn)入攻擊區(qū)后做了兩個(gè)蛇形機(jī)動(dòng)以規(guī)避火力，再躍升再躍升俯沖機(jī)動(dòng)對(duì)軍事目標(biāo)進(jìn)行打擊。

　　本文暫時(shí)將直線、圓弧直線過渡段、俯沖機(jī)動(dòng)均作為退出機(jī)動(dòng)模式。利用課題前期研究的拐點(diǎn)檢測(cè)算法找到機(jī)動(dòng)觸發(fā)點(diǎn)后，不斷將間隔5 s的數(shù)據(jù)送入訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行識(shí)別，直到出現(xiàn)退出機(jī)動(dòng)模式。識(shí)別停止后重新開始尋找機(jī)動(dòng)觸發(fā)點(diǎn)，循環(huán)往復(fù)，實(shí)現(xiàn)對(duì)連續(xù)航路的機(jī)動(dòng)模式識(shí)別。

　　圖6為對(duì)上述連續(xù)航路的識(shí)別效果圖。訓(xùn)練好的網(wǎng)絡(luò)對(duì)航路預(yù)測(cè)結(jié)果分別為2、3、1、1、3、4、6、5，由3.1小節(jié)可知分別對(duì)應(yīng)于圓弧轉(zhuǎn)彎、圓弧直線過渡段、蛇形機(jī)動(dòng)、蛇形機(jī)動(dòng)、圓弧直線過渡段、躍升、躍升俯沖過渡段、俯沖機(jī)動(dòng)。由圖6可看出分類器對(duì)連續(xù)航路的識(shí)別達(dá)到了預(yù)期效果。

4 結(jié)論

　　本文提出了利用卷積神經(jīng)網(wǎng)絡(luò)直接對(duì)坐標(biāo)數(shù)據(jù)進(jìn)行特征提取從而進(jìn)行機(jī)動(dòng)模式分類的算法。針對(duì)航跡機(jī)動(dòng)模式難以分割的實(shí)際情況，提出了滑動(dòng)固定時(shí)間窗口的模式識(shí)別方法，并通過仿真實(shí)驗(yàn)確定了機(jī)動(dòng)模式識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。實(shí)驗(yàn)結(jié)果表明，構(gòu)造好的卷積網(wǎng)絡(luò)對(duì)航跡類型識(shí)別率達(dá)98.4%，并且在結(jié)合機(jī)動(dòng)觸發(fā)點(diǎn)后，對(duì)連續(xù)航跡識(shí)別取得了良好效果，為空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)模式識(shí)別提供了一個(gè)可行的方法。

　　參考文獻(xiàn)

　　[1] 丁全心.現(xiàn)代空戰(zhàn)中的戰(zhàn)術(shù)輔助決策技術(shù)[J].電光與控制，2009，16（12）：1-4.

　　[2] 李國芳，王力.基于改進(jìn)Gamma和改進(jìn)BP算法的人臉識(shí)別研究[J].微型機(jī)與應(yīng)用，2015，34（4）：49-51.

　　[3] 蘇春梅，馮朝陽，王力軍.通用飛機(jī)航跡生成技術(shù)[J].兵工自動(dòng)化，2010，29（12）：20-25.

　　[4] 杜永翔，林新.態(tài)勢(shì)推演系統(tǒng)在飛機(jī)過渡段航跡規(guī)劃算法研究[J].系統(tǒng)仿真學(xué)報(bào)，2013，25（8）：1721-1725.

　　[5] 張宏.巡航導(dǎo)彈的作戰(zhàn)使用特點(diǎn)及對(duì)抗途徑[J].艦船電子對(duì)抗，2009，32（4）：19-24.

　　[6] LECUN Y， BENGIO Y. Convolutional networks for images， speech， and time-series[C]. The Handbook of Brain Theory and Neural Networks， 1995：255-258

　　[7] BOUVRIE J. Notes on convolutional neural networks[R]. Technical Report， 2006

　　[8] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems， 2012：1097-1105.