基于卷積神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)模式分類器設(shè)計(jì)*

鄭昌艷，梅 衛(wèi)（軍械工程學(xué)院，河北 石家莊 050003）

基于卷積神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)模式分類器設(shè)計(jì)*

鄭昌艷，梅 衛(wèi)
（軍械工程學(xué)院，河北 石家莊 050003）

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。

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(lái)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(lái)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(lái)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。

圖1 典型巡航導(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(lái)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。

圖2 滑動(dòng)時(shí)間窗口的機(jī)動(dòng)模式識(shí)別流程圖

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(wú)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)。

圖3 典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

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，β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1000個(gè)樣本，共7000個(gè)樣本。將這7000個(gè)樣本隨機(jī)分為4000個(gè)訓(xùn)練樣本、2000個(gè)驗(yàn)證樣本和1000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(wú)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(wú)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％。

圖4 最佳分類器

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)?20×1×243，池化核為 1*3，步長(zhǎng)為3，池化后數(shù)據(jù)變?yōu)?20×1×81；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2000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(wú)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 2000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)1000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（10000，101000，1000）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。

圖5 最佳網(wǎng)絡(luò)訓(xùn)練效果圖

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。

Air targets maneuvering pattern recognition based on convolutional neural netw orks

Zheng Changyan，Mei Wei
（Ordnance Engineering College of PLA，Shijiazhuang 050003，China）

In order to improve the air targets maneuvering pattern recognition accuracy，aiming at improving the system property of the robustness and resistance to noisy data，convolutional neural networks were applied to extract non-labor features from trace data directly for accomplishing the pattern recognition.Slide time window maneuvering pattern recognition method was proposed to solve the difficulty on maneuvering segmentation in actual situation，and then flow process diagram was given.Trace simulations were carried on after typical maneuvering pattern and parameters analyzed which provided reasonable training samples for convolutional neural networks.Suitable convolutional neural networks structure and parameters were identified after simulation experiments.The simulation results showed that the pattern recognition ratio was 98.4％on segmented pattern with the trained networks，at the same time，good results were achieved on continuous trace combined with the maneuvering trigger point.

maneuvering pattern recognition；convolutional neural networks；slide timewindow；trace simulation；data preprocess

TP399

A

1674-7720（2015）22-0050-03

鄭昌艷，梅衛(wèi).基于卷積神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)戰(zhàn)術(shù)機(jī)動(dòng)模式分類器設(shè)計(jì)［J］.微型機(jī)與應(yīng)用，2015，34（22）：50-52，56.

國(guó)防“十二五”預(yù)研項(xiàng)目（40405070102）