網(wǎng)絡(luò)化火控系統(tǒng)關(guān)鍵事件察覺的SVM方法

王虎躍，武云鵬，盧志剛，朱 銳，張 巖

（北方自動(dòng)控制技術(shù)研究所，太原 030006）

0 引言

在裝甲車輛分隊(duì)?wèi)?zhàn)斗過程中，對(duì)快速變化的態(tài)勢(shì)及時(shí)地做出感知響應(yīng)是裝甲車輛網(wǎng)絡(luò)化火控系統(tǒng)有效決策的必要條件之一。但是，由于裝甲車輛網(wǎng)絡(luò)化火控系統(tǒng)處理的火控信息多樣復(fù)雜并且多變，在緊張的對(duì)抗戰(zhàn)斗過程中裝甲車輛作戰(zhàn)人員面對(duì)火控態(tài)勢(shì)圖時(shí)，可能會(huì)出現(xiàn)“信息炫目”，從而迷失于火控信息的快速變化中。裝甲車輛分隊(duì)在戰(zhàn)斗對(duì)抗過程中，為了降低網(wǎng)絡(luò)化火控系統(tǒng)操作人員所要關(guān)注的焦點(diǎn)數(shù)量，減輕作戰(zhàn)人員面臨的作戰(zhàn)壓力，提高作戰(zhàn)人員殲滅敵方目標(biāo)的作戰(zhàn)效率，需要在態(tài)勢(shì)顯控系統(tǒng)中對(duì)關(guān)鍵事件進(jìn)行高優(yōu)先級(jí)處理，即通過關(guān)鍵事件覺察，將最重要的戰(zhàn)斗情況在態(tài)勢(shì)顯控界面中向作戰(zhàn)人員直接醒目地推送和告警，使得作戰(zhàn)人員能夠快速響應(yīng)戰(zhàn)斗變化。

1 網(wǎng)絡(luò)化火控系統(tǒng)中的事件

在裝甲車輛網(wǎng)絡(luò)化火控系統(tǒng)的態(tài)勢(shì)顯控技術(shù)研究中，事件是指裝甲車輛分隊(duì)在戰(zhàn)斗對(duì)抗過程中動(dòng)態(tài)發(fā)生的某種情況，包含兩層含義：

1）敵我雙方或戰(zhàn)場環(huán)境的某種屬性值突變，如裝甲車輛的機(jī)動(dòng)、行軍路上的障礙、敵方目標(biāo)出現(xiàn)等；

2）裝甲車輛間相互關(guān)系的改變，如敵方裝甲車輛進(jìn)入我方裝甲車輛射程等。

按照事件重要程度，事件可分為基本事件和關(guān)鍵事件兩大類型。基本事件指作戰(zhàn)車輛發(fā)生的基本動(dòng)作，如裝甲車輛出現(xiàn)、裝甲車輛消失、裝甲車輛機(jī)動(dòng)（駛近、駛離、轉(zhuǎn)彎…）等。關(guān)鍵事件指重要決策或重要目標(biāo)的動(dòng)態(tài)變化，以及敵方一定意圖的序貫行動(dòng)［1-5］。

2 關(guān)鍵事件察覺模型

關(guān)鍵事件覺察指對(duì)與敵方目標(biāo)有關(guān)的關(guān)鍵事件進(jìn)行判斷與分析的過程。可分為關(guān)鍵事件感知和關(guān)鍵事件預(yù)測(cè)。關(guān)鍵事件感知就是將當(dāng)前事件與歷史事件模式類特征模板進(jìn)行比較、分析、判斷，從而提取出所關(guān)心的關(guān)鍵事件，如：發(fā)現(xiàn)高威脅等級(jí)目標(biāo)。關(guān)鍵事件預(yù)測(cè)是對(duì)即將發(fā)生的敵方戰(zhàn)術(shù)意圖變化進(jìn)行預(yù)測(cè)。以文獻(xiàn)［1］提出的態(tài)勢(shì)察覺模型為基礎(chǔ)，得到關(guān)鍵事件覺察模型：

其中，IHL表示關(guān)鍵事件覺察過程；XIa表示敵方目標(biāo)在各個(gè)時(shí)刻的屬性信息及行為信息，一般由火控信息融合結(jié)果給出，XIa可表示為：

式（3）中，T表示采集到該批目標(biāo)數(shù)據(jù)的時(shí)間；N表示目標(biāo)批號(hào)，即目標(biāo)的唯一標(biāo)識(shí)符；E表示實(shí)體類型，如主戰(zhàn)坦克、步兵戰(zhàn)車等；L表示目標(biāo)的空間位置；St表示目標(biāo)狀態(tài)，包括目標(biāo)的速度和加速度矢量；W表示目標(biāo)的武器載荷。

3 SVM察覺威脅等級(jí)方法

敵方高威脅等級(jí)目標(biāo)或重要價(jià)值目標(biāo)出現(xiàn)是網(wǎng)絡(luò)化火控系統(tǒng)最常見的事件類型之一。一般而言，威脅度的計(jì)算會(huì)考慮敵方的位置、速度、航向、類型、射程等各因素，采用歸一化方法進(jìn)行歸一化處理，并采用AHP模型計(jì)算各要素權(quán)值，最后進(jìn)行累加得到一個(gè)0到1之間的小數(shù)，數(shù)值越大，則威脅度越大。這種方法突出的優(yōu)點(diǎn)是計(jì)算簡單，且能較好地反應(yīng)敵方對(duì)我方的威脅程度。但在態(tài)勢(shì)顯控系統(tǒng)中，由于威脅度數(shù)值一直在快速變化，如果直接將威脅度的數(shù)值標(biāo)識(shí)出來，可能會(huì)導(dǎo)致作戰(zhàn)人員陷入大量的數(shù)據(jù)流中，無法獲得真正有用的作戰(zhàn)信息。采用支持向量機(jī)（Support Vector Machine，SVM）分類的方法將威脅等級(jí)分類，能直觀地反映出目標(biāo)的威脅程度，態(tài)勢(shì)顯控系統(tǒng)可以方便地將威脅等級(jí)轉(zhuǎn)化為人能直觀處理的事件信息，使得作戰(zhàn)人員能夠快速響應(yīng)作戰(zhàn)態(tài)勢(shì)的變化［6-12］。

SVM是一種機(jī)器學(xué)習(xí)的分類模型，其基本思想是建立一個(gè)分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣最大化，廣泛被應(yīng)用與模式分類和非線性回歸。

3.1 SVM原理

SVM是由線性可分模式的最優(yōu)分類超平面發(fā)展而來的，對(duì)于一個(gè)線性可分的樣本集，它滿足：

滿足式（4）且最小化權(quán)值向量w的歐幾里得范數(shù)的平面成為最優(yōu)分類超平面，這是一個(gè)二次約束優(yōu)化問題，它的最優(yōu)解由拉格朗日函數(shù)的鞍點(diǎn)決定：

其中，輔助非負(fù)變量ai稱為拉格朗日乘子，最優(yōu)分類平面問題可以變形為下面的優(yōu)化問題：

式（6）可以進(jìn)一步變形為優(yōu)化下面目標(biāo)函數(shù)的拉格朗日乘子ai：

懲罰參數(shù)C是事先確定好的一個(gè)常量，用于控制目標(biāo)函數(shù)中的兩項(xiàng)，即“尋找margin最大的超平面”和“保證數(shù)據(jù)點(diǎn)偏差量最小”之間的權(quán)重。這個(gè)二次優(yōu)化問題有唯一解，其中非零的拉格朗日乘子表示為符合的樣本稱為支持向量，最后得到最優(yōu)分類函數(shù)f（x）：

在線性不可分的情況下，SVM采用核方法首先在低維空間中完成計(jì)算，然后通過核函數(shù)將輸入空間映射到高維特征空間，最終在高維特征空間中構(gòu)造出最優(yōu)分離超平面，從而把平面上不好分的非線性數(shù)據(jù)分開。引入核方法的式（7）變?yōu)椋?/p>

k（x，xi）表示核函數(shù)，g表示核函數(shù)參數(shù)。常見的核函數(shù)如表1所示。

表1 常見核函數(shù)

圖1 核函數(shù)功能示意圖

對(duì)式（9）利用序列最小最優(yōu)（Sequential Minimal Optimization，SMO）算法進(jìn)行循環(huán)迭代求解，這個(gè)過程即SVM的訓(xùn)練過程。有上述推導(dǎo)過程可知，c和g是決定SVM分類效果的關(guān)鍵參數(shù)。SVM最初是為二分類問題設(shè)計(jì)的，當(dāng)處理多分類問題時(shí)，需要構(gòu)造合適的多分類器。一般采用組合多個(gè)二分類器實(shí)現(xiàn)多分類器的構(gòu)造。使用SVM進(jìn)行分類，首先需要從原始數(shù)據(jù)里把訓(xùn)練集和測(cè)試集提取出來，然后進(jìn)行一定的預(yù)處理，之后用訓(xùn)練集對(duì)SVM進(jìn)行訓(xùn)練，最后得到的模型來預(yù)測(cè)測(cè)試集的分類標(biāo)簽。過程如圖2所示。

圖2 SVM分類流程

3.2 目標(biāo)威脅等級(jí)相關(guān)數(shù)據(jù)預(yù)處理

本文采用支持向量機(jī)方法進(jìn)行目標(biāo)威脅等級(jí)分類。首先需要對(duì)與目標(biāo)威脅相關(guān)的變量數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括：距離、相對(duì)速度、相對(duì)航向角、我方彈藥消耗量、我方當(dāng)前武器線與敵我平臺(tái)連線夾角與敵方武器類型。下面給出各變量的歸一化預(yù)處理方法。

1）目標(biāo)與我方距離的歸一化函數(shù)為：

其中，Sr為我方武器的最大射程，Sb為敵方武器的最大射程，Si為敵方與我方的相對(duì)距離，C為常數(shù)，且0＜C≤0.5。當(dāng)敵方最大射程大于相對(duì)距離且大于我方最大射程時(shí)，距離的歸一化值為1，當(dāng)敵我雙方均在對(duì)方射程內(nèi)，距離的歸一化值為0.5，當(dāng)我方最大射程大于等于相對(duì)距離且大于等于敵方最大射程時(shí)，距離的歸一化值隨敵我雙方相對(duì)距離增大而線性減小。

2）目標(biāo)與我方相對(duì)速度的歸一化函數(shù)為：

其中，Vr為敵方與我方相向運(yùn)動(dòng)的相對(duì)速度，駛向我方時(shí)為正，離開我方時(shí)為負(fù)，琢為常數(shù)，且0≤琢≤0.5，Vmax為相對(duì)速度的最大值。當(dāng)小于 琢Vmax時(shí)，視為相對(duì)靜止，此時(shí)，相對(duì)運(yùn)動(dòng)速度的歸一化值為 0.5，當(dāng)大于琢Vmax時(shí)，視為有相對(duì)運(yùn)動(dòng)，相向運(yùn)動(dòng)的相對(duì)速度越快，相對(duì)速度的歸一化值越接近1，同向運(yùn)動(dòng)的相對(duì)速度越快，相對(duì)速度的歸一化值越接近0。琢=0.1時(shí)，該值的歸一化曲線如圖3所示。

圖3 相向運(yùn)動(dòng)的相對(duì)速度的歸一化函數(shù)曲線

3）目標(biāo)航向相對(duì)我方航向的夾角歸一化函數(shù)為：

其中，θ是目標(biāo)航向相對(duì)于我方方向的夾角。相向而行時(shí)θ=π，同向而行時(shí)θ=0。越接近于相向運(yùn)動(dòng)，夾角的歸一化值越接近1，越接近同向運(yùn)動(dòng)，夾角的歸一化值越接近0。該值的歸一化曲線如圖4所示。

圖4 航向夾角的歸一化函數(shù)曲線

4）我方當(dāng)前消耗彈藥量的歸一化函數(shù)為：

其中，B是當(dāng)前消耗的彈藥量，Bmax是最大攜彈量，為正數(shù)。越接近滿彈狀態(tài)，消耗彈藥量的歸一化值越緩慢接近于0，越接近空彈狀態(tài)，消耗彈藥量的歸一化值越快速接近于1。=2時(shí)，該值的歸一化曲線如圖5所示。

圖5 當(dāng)前消耗彈藥量的歸一化曲線

5）我方當(dāng)前武器線與敵我平臺(tái)連線夾角的歸一化函數(shù)為：

考慮我方為裝甲車輛，針對(duì)我方的特點(diǎn)，敵方武器威力u（W）歸一化為：具有穿甲能力時(shí)為1，不具有穿甲能力時(shí)為0。

3.3 目標(biāo)威脅等級(jí)分類規(guī)則

考慮以下的規(guī)則，將目標(biāo)的威脅等級(jí)分為4等并打上標(biāo)簽［Treat Label］：非常危險(xiǎn)［4］，危險(xiǎn)［3］，較危險(xiǎn)［2］、不危險(xiǎn)［1］。當(dāng)出現(xiàn)非常危險(xiǎn)或者危險(xiǎn)的目標(biāo)時(shí)，需要操作人員立即干預(yù)并打擊該目標(biāo)。

超過我方射程，且在敵方射程內(nèi)時(shí)，敵方武器威力越大越危險(xiǎn)；超過敵方射程，且在我方射程內(nèi)，不危險(xiǎn)；雙方均在對(duì)方射程內(nèi)，敵方武器威力越大越危險(xiǎn)；雙方均在對(duì)方射程外，不危險(xiǎn)；敵方相對(duì)于我方的相向速度分量越大越危險(xiǎn)；雙方航向越接近，越危險(xiǎn)；我方的彈藥量越滿越安全；我方武器線越靠近射擊時(shí)武器線越安全。

圖6 我方當(dāng)前武器線與敵我平臺(tái)連線夾角的歸一化函數(shù)曲線

3.4 仿真分析

采用LIBSVM工具箱在Matlab環(huán)境下，對(duì)分類模型進(jìn)行測(cè)試。假設(shè)我方為中型坦克，射程4500m，敵方有4種類型，分別是重型坦克、輕型裝甲運(yùn)輸車、反坦克武器1、反坦克武器2，射程分別為5 000 m、3 000 m、4 000 m、10 000 m，敵方威脅等級(jí)分別是非常危險(xiǎn)［4］、危險(xiǎn)［3］、較危險(xiǎn)［2］、不危險(xiǎn)［1］，在12*12 km的范圍內(nèi)隨機(jī)生成250組*4類樣本數(shù)據(jù)，對(duì)其預(yù)處理并按照分類規(guī)則，人工對(duì)其打上標(biāo)簽。

將每類的前200組數(shù)據(jù)作為訓(xùn)練集（共200*4組），后50組作為測(cè)試集（共50*4組），下頁表2列出了訓(xùn)練集中的12組數(shù)據(jù)。令懲罰參數(shù)C=2，核函數(shù)參數(shù)g=1，選用高斯核，使用訓(xùn)練集對(duì)SVM進(jìn)行訓(xùn)練，并用訓(xùn)練好的SVM對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，預(yù)測(cè)的正確率為96 %（192/200），如下頁圖7所示。

上面使用的C和g是任意給定的，下面使用交叉驗(yàn)證（Cross Validation，CV）的方法選擇最優(yōu)的SVM參數(shù)（懲罰參數(shù)c和核函數(shù)參數(shù)g），它的基本思想是當(dāng)C和g在一定范圍內(nèi)，將訓(xùn)練集分成N等分，將其中的某一部分作為測(cè)試集進(jìn)行預(yù)測(cè)，其余的N-1部分作為訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練，并尋找在訓(xùn)練集條件下達(dá)到最高準(zhǔn)確度的C和g參數(shù)。N=3 時(shí)，C，g在［2-10，210］范圍內(nèi)進(jìn)行查找，交叉驗(yàn)證的過程如圖8所示。由圖8可知，最優(yōu)C=12.125 7，g=0.757 86，并使用最優(yōu)參數(shù)作為懲罰參數(shù)和核函數(shù)參數(shù)訓(xùn)練SVM，并用訓(xùn)練后的SVM對(duì)目標(biāo)的威脅程度進(jìn)行分類。

表2 參與訓(xùn)練的12組數(shù)據(jù)

圖7 給定C=2，g=1時(shí)SVM分類結(jié)果

圖8 采用交叉驗(yàn)證的方法尋找SVM的最優(yōu)參數(shù)

仿真結(jié)果為，測(cè)試集測(cè)試SVM分類的準(zhǔn)確率為97%（194/200）。仿真結(jié)果表明，在處理目標(biāo)威脅等級(jí)分類問題時(shí)，通過對(duì)大量與目標(biāo)威脅度相關(guān)的歷史經(jīng)驗(yàn)數(shù)據(jù)訓(xùn)練，SVM方法能夠準(zhǔn)確找到同等威脅等級(jí)數(shù)據(jù)之間的內(nèi)在關(guān)系，并能夠?qū)⑼{等級(jí)的目標(biāo)數(shù)據(jù)挖掘出來。因此，SVM方法是在關(guān)鍵事件覺察時(shí)進(jìn)行目標(biāo)威脅等級(jí)分類的一種有效方法，將有助坦克裝甲車輛作戰(zhàn)人員對(duì)高威脅等級(jí)的目標(biāo)做出快速反應(yīng)并進(jìn)行打擊決策。

圖9 優(yōu)化參數(shù)的SVM分類結(jié)果

4 結(jié)論

關(guān)鍵事件察覺是解決網(wǎng)絡(luò)化火控系統(tǒng)“信息炫目”問題的重要手段，本文在分析態(tài)勢(shì)察覺模型的基礎(chǔ)上，提出了一種關(guān)鍵事件察覺模型，并以SVM提取威脅等級(jí)為例，研究了該類關(guān)鍵事件的察覺方法，通過仿真分析，該方法具有一定的實(shí)用性和準(zhǔn)確度，是一種可行的方法。