基于SSA-SVM的空中目標(biāo)意圖識(shí)別方法?

吳廣宇 史紅權(quán) 邱楚楚

（1.海軍大連艦艇學(xué)院 大連 116018）（2.中國人民解放軍91991部隊(duì) 舟山 316041）

1 引言

空中目標(biāo)意圖識(shí)別作為態(tài)勢感知的重要組成部分，通過作用于目標(biāo)的威脅判斷過程，進(jìn)而對(duì)艦船指揮員的指揮決策產(chǎn)生重要的影響。因此，準(zhǔn)確、快速地識(shí)別空中目標(biāo)意圖，不僅是艦船指揮員正確進(jìn)行指揮決策和及時(shí)處置應(yīng)對(duì)的前提和基礎(chǔ)，更是艦船對(duì)空防御中的關(guān)鍵環(huán)節(jié)。

國內(nèi)外的研究中，用于意圖識(shí)別的方法主要包括基于貝葉斯推理的方法［1～2］、基于證據(jù)理論的方法［3］、基于模糊Petri網(wǎng)的方法［4］、基于模版匹配的方法［5］和基于深度學(xué)習(xí)的方法［6］等。其中前四種方法的識(shí)別結(jié)果受模型內(nèi)部參數(shù)設(shè)置的影響較大，且參數(shù)一般依據(jù)專家經(jīng)驗(yàn)設(shè)定，在參雜主觀成分的同時(shí)對(duì)于復(fù)雜戰(zhàn)場環(huán)境的適應(yīng)能力不強(qiáng)。而基于深度學(xué)習(xí)的方法雖能通過自主學(xué)習(xí)獲取參數(shù)，減少人為主觀影響，但需要龐大的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，對(duì)數(shù)據(jù)要求較高。

支持向量機(jī)（SVM）［7］作為一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，通過對(duì)樣本數(shù)據(jù)的自主學(xué)習(xí)，獲取分類平面，可減小人為主觀的影響，同時(shí)，它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，在小樣本、多維數(shù)據(jù)的處理上效果較好，對(duì)數(shù)據(jù)的要求較低。因此，支持向量機(jī)可以較好地克服上述方法的不足。而支持向量機(jī)結(jié)果的好壞則取決于懲罰參數(shù)C和核參數(shù)，故如何尋找獲取更優(yōu)的懲罰參數(shù)C和核參數(shù)是研究的重點(diǎn)。文獻(xiàn)［8］和［9］分別采用了傳統(tǒng)的網(wǎng)格搜索算法（GSA）和粒子群算法（PSO）對(duì)上述參數(shù)進(jìn)行尋優(yōu)，雖然均可的到較好的結(jié)果，但卻無法克服GSA存在的搜索速度慢和PSO存在的尋優(yōu)能力不足導(dǎo)致準(zhǔn)確率相對(duì)較低的問題。因而這兩種方法用于艦船對(duì)空中目標(biāo)意圖識(shí)別時(shí)均無法做到既準(zhǔn)確又快速。針對(duì)該問題，本文提出了一種基于麻雀搜索算法優(yōu)化支持向量機(jī)（SSA-SVM）的空中目標(biāo)意圖識(shí)別方法，利用麻雀搜索算法（SSA）對(duì)支持向量機(jī)的懲罰參數(shù)C和核參數(shù)進(jìn)行尋優(yōu)，建立了基于SSA-SVM的空中目標(biāo)意圖識(shí)別模型，進(jìn)行意圖識(shí)別，使結(jié)果同時(shí)滿足準(zhǔn)確性和快速性的需要，并通過仿真實(shí)驗(yàn)對(duì)GSA-SVM、PSO-SVM和SSA-SVM的識(shí)別效果進(jìn)行了對(duì)比。結(jié)果表明，SSA-SVM相比于GSA-SVM和PSO-SVM，同時(shí)具有較高的識(shí)別準(zhǔn)確率和較短的識(shí)別運(yùn)算時(shí)間，能夠確保意圖識(shí)別的準(zhǔn)確性與快速性，具有更好的識(shí)別效果，證明了該方法的有效性。

2 SVM的基本原理

SVM的基本模型定義為特征空間上間隔最大的線性分類器，學(xué)習(xí)策略是間隔的最大化，在小樣本分析時(shí)優(yōu)勢明顯［10］。

對(duì)于一個(gè)分類問題，SVM首先通過核函數(shù)將樣本數(shù)據(jù)的特征向量由低緯空間映射到高緯空間中，然后在高緯空間中構(gòu)建一個(gè)分類超平面作為決策面，使不同標(biāo)簽類型樣本間的隔離邊緣至該平面的距離最大化。SVM的分類原理如圖1所示。

圖1 SVM分類原理圖

圖1中，樣本數(shù)據(jù)集合為{(xi,yi)|1≤i≤n}，xi為各樣本數(shù)據(jù)的特征向量集合，yi為樣本數(shù)據(jù)的類型標(biāo)簽，K(xi,x)為核函數(shù)，決策面函數(shù)為 f(x)，其中a*為最佳拉格朗日因子，且0≤a*≤C，b*為最佳偏移量，可表示為

因此，決策面的分類性能主要受懲罰參數(shù)C和核參數(shù)的影響。

3 SSA的基本原理

SSA［11］是由薛建凱于2020年提出的一種全新的仿生算法，它通過麻雀種群的覓食行為和反捕食行為進(jìn)行最優(yōu)解的搜索。

麻雀作為一種群居性的鳥類，依靠種群間的協(xié)作進(jìn)行覓食和反捕食。在覓食的過程中，根據(jù)分工的不同，所有麻雀可被分為三類。第一類是發(fā)現(xiàn)者，它們負(fù)責(zé)尋找食物的來源，并引導(dǎo)后續(xù)的麻雀向食物所在方向接近；第二類是加入者，它們在發(fā)現(xiàn)者的引導(dǎo)下接近并獲取食物；第三類是警戒者，它們負(fù)責(zé)種群捕食過程中的警戒工作，當(dāng)警戒值高于安全閾值時(shí)，及時(shí)發(fā)出警報(bào)，使種群放棄食物，向安全的區(qū)域聚集，避免成為被捕食對(duì)象。因此，SSA尋優(yōu)的實(shí)質(zhì)就是通過每代種群中發(fā)現(xiàn)者、加入者和警戒者的位置更新變化，逐步找到食物能量最高的位置，即最優(yōu)解。三者的位置更新分別按式（2）～（4）［12］進(jìn)行。

式（2）為發(fā)現(xiàn)者的位置更新，其中，t是當(dāng)前代數(shù)，Tmax為最大迭代次數(shù)，為第i只麻雀第t代時(shí)所處的位置，為行向量形式，維數(shù)為d，α為(0,1]的一個(gè)隨機(jī)數(shù)，Q為服從正態(tài)分布的隨機(jī)數(shù)，L為一個(gè)d維且各元素均是1的行向量，R2為警戒值，ST為安全閾值。

式（4）為警戒者的位置更新，其中，β為步長控制參數(shù)，服從(0,1)正態(tài)分布，K為[-1,1]的一個(gè)隨機(jī)數(shù)，fi為當(dāng)前麻雀個(gè)體的適應(yīng)度值，fb為當(dāng)前全局中的最佳適應(yīng)度值，fw為當(dāng)前全局中的最差適應(yīng)度值，ε為一個(gè)最小的常數(shù)，避免 fi=fw時(shí)，分母為0。

SSA的尋優(yōu)過程如圖2所示。

圖2 SSA尋優(yōu)過程圖

4 基于SSA-SVM的空中目標(biāo)意圖識(shí)別模型

本節(jié)以艦船對(duì)空警戒探測為背景，針對(duì)巡邏機(jī)、偵察機(jī)和預(yù)警機(jī)的來襲意圖，構(gòu)建SSA-SVM模型進(jìn)行意圖識(shí)別。

4.1 空中目標(biāo)的意圖類別

根據(jù)所研究的目標(biāo)對(duì)象，結(jié)合艦船指揮員不同的處置決策及相關(guān)領(lǐng)域的專業(yè)人員的研究分析，三種飛機(jī)的意圖類別主要有以下四種：

1）情況察證：指目標(biāo)為掌握艦船當(dāng)前狀態(tài)而采取的行動(dòng)，包括確認(rèn)艦船的國籍、型號(hào)等基本信息，以及獲取艦船當(dāng)前行動(dòng)、各設(shè)備的配置和工作等情況。

2）特征收集：指目標(biāo)為了解艦船的性能特征而采取的行動(dòng)，包括實(shí)施電磁信號(hào)偵測、光學(xué)、紅外、雷達(dá)成像偵察，從而獲取艦船的電磁、光學(xué)、紅外、雷達(dá)特性。

3）區(qū)域偵察：指目標(biāo)為掌握海區(qū)內(nèi)艦船的分布和運(yùn)用情況，以及收集海區(qū)內(nèi)的水文、氣象、電磁信號(hào)等信息而采取的行動(dòng)。

4）監(jiān)視：指目標(biāo)為實(shí)時(shí)掌握艦船的動(dòng)態(tài)變化和行動(dòng)信息，保持長時(shí)間的持續(xù)跟蹤，并指揮引導(dǎo)其它目標(biāo)活動(dòng)而采取的行動(dòng)。

4.2 空中目標(biāo)的意圖識(shí)別參數(shù)

意圖識(shí)別參數(shù)的種類繁多，獲取的難易程度各不相同。本節(jié)主要結(jié)合背景平臺(tái)，選擇艦船自身可獲取的目標(biāo)的相關(guān)信息要素作為意圖識(shí)別參數(shù)。具體的參數(shù)信息如表1所示。

表1 意圖識(shí)別參數(shù)信息

4.3 模型的組成及功能

基于SSA-SVM的空目標(biāo)意圖識(shí)別模型由數(shù)據(jù)預(yù)處理部分、SSA尋優(yōu)部分和SVM識(shí)別部分組成。各部分的功能和相互間的信息傳輸情況如圖3所示。

圖3 模型各部分的功能和相互間信息傳輸情況

1）數(shù)據(jù)預(yù)處理部分

數(shù)據(jù)預(yù)處理部分首先是對(duì)目標(biāo)數(shù)據(jù)中的離散型意圖識(shí)別參數(shù)和各類意圖進(jìn)行標(biāo)簽化處理，轉(zhuǎn)換為相應(yīng)的數(shù)值標(biāo)簽，再對(duì)意圖識(shí)別參數(shù)進(jìn)行歸一化處理，避免不同類型參數(shù)量綱上差異帶來的影響，然后將數(shù)據(jù)按比例分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，最后將訓(xùn)練數(shù)據(jù)傳輸給SSA尋優(yōu)部分，將訓(xùn)練和測試數(shù)據(jù)傳輸給SVM識(shí)別部分。

2）SSA尋優(yōu)部分

SSA尋優(yōu)部分是分別接收來自數(shù)據(jù)預(yù)處理部分的訓(xùn)練數(shù)據(jù)和SVM識(shí)別部分的懲罰參數(shù)C及核參數(shù)的取值范圍，利用SSA找出最佳的懲罰參數(shù)C和核參數(shù)，并返回給SVM識(shí)別部分。

3）SVM識(shí)別部分

SVM識(shí)別部分是先向SSA尋優(yōu)部分傳送懲罰參數(shù)C和核參數(shù)的取值范圍，使其進(jìn)行參數(shù)尋優(yōu)處理，而后接收尋優(yōu)后的最佳參數(shù)，并利用從數(shù)據(jù)預(yù)處理部分接收到的訓(xùn)練數(shù)據(jù)進(jìn)行機(jī)器訓(xùn)練，完畢后對(duì)測試數(shù)據(jù)進(jìn)行意圖識(shí)別，檢驗(yàn)識(shí)別效果。

4.4 模型算法流程

基于SSA-SVM的空中目標(biāo)意圖識(shí)別模型的算法流程如圖4所示。

圖4 模型算法流程圖

算法的主要步驟如下：

1）數(shù)據(jù)預(yù)處理

將目標(biāo)數(shù)據(jù)中的離散型意圖識(shí)別參數(shù)和各類意圖轉(zhuǎn)換為數(shù)值標(biāo)簽，而后對(duì)意圖識(shí)別參數(shù)進(jìn)行歸一化處理，消除量綱上的誤差，并按比例對(duì)數(shù)據(jù)進(jìn)行隨機(jī)分類。

2）構(gòu)建SVM

選擇SVM的核函數(shù)，主要有線性核函數(shù)、RBF核函數(shù)、多項(xiàng)式核函數(shù)和Sigmod核函數(shù)四種，并設(shè)置懲罰參數(shù)C和核參數(shù)的取值范圍。

3）初始化麻雀種群

設(shè)置種群的數(shù)量Size、最大迭代次數(shù)Tmax、個(gè)體的位置X（X為懲罰參數(shù)C和核參數(shù)組成的多維坐標(biāo)），發(fā)現(xiàn)者、加入者和警戒者的比例F、J、Y，和安全閾值ST。

4）確定適應(yīng)度函數(shù)

采用K-CV的分類準(zhǔn)確率作為適應(yīng)度函數(shù)值。

5）尋找全局最優(yōu)位置

利用訓(xùn)練數(shù)據(jù)求得個(gè)體所處位置的適應(yīng)度值f，值越大代表該位置越優(yōu)，則全局最優(yōu)位置即為f最大的位置。若多個(gè)位置的 f相同，則最優(yōu)位置為懲罰參數(shù)C最小的位置。

6）更新種群位置及全局最優(yōu)位置

按照式（2）～（4）更新種群的位置，按5）更新全局最優(yōu)位置。

7）迭代次數(shù)條件判斷

若當(dāng)前代數(shù)t

8）機(jī)器訓(xùn)練

利用SSA尋優(yōu)獲得的最佳參數(shù)和訓(xùn)練數(shù)據(jù)對(duì)SVM進(jìn)行訓(xùn)練。

9）意圖識(shí)別和效果檢驗(yàn)

將測試數(shù)據(jù)中的意圖識(shí)別參數(shù)輸入SVM中，輸出運(yùn)算得到的意圖標(biāo)簽值，識(shí)別目標(biāo)意圖，并與測試數(shù)據(jù)中的目標(biāo)實(shí)際意圖進(jìn)行對(duì)比，檢驗(yàn)識(shí)別效果。

5 仿真實(shí)驗(yàn)

本節(jié)將對(duì)SSA-SVM、GSA-SVM、PSO-SVM的意圖識(shí)別效果進(jìn)行仿真分析比較。仿真環(huán)境為In?ter Core i5-4200M CPU 2.5GHz，采用Matlab R2016a平臺(tái)和Libsvm工具箱。

1）數(shù)據(jù)預(yù)處理

選取418組目標(biāo)數(shù)據(jù)，數(shù)據(jù)中的目標(biāo)意圖由領(lǐng)域?qū)＜腋鶕?jù)實(shí)際情況結(jié)合相關(guān)經(jīng)驗(yàn)研究分析后給出。部分?jǐn)?shù)據(jù)信息如表2所示。其中意圖為情況察證的有126組，特征收集的有91組，區(qū)域偵察的有72組、監(jiān)視的有129組。

表2 部分目標(biāo)數(shù)據(jù)信息

離散型意圖識(shí)別參數(shù)的標(biāo)簽化處理按照表1進(jìn)行。各類意圖按照情況察證=1、區(qū)域偵察=2、特征收集=3、監(jiān)視=4進(jìn)行數(shù)值標(biāo)簽轉(zhuǎn)換。再利用Matlab中的mapminmax函數(shù)對(duì)意圖識(shí)別參數(shù)進(jìn)行歸一化處理。

對(duì)標(biāo)簽化、歸一化處理后的數(shù)據(jù)按照訓(xùn)練集/測試集約1/4的比例進(jìn)行隨機(jī)分類，各意圖的訓(xùn)練集和測試集的比例也滿足1/4，則分類后訓(xùn)練集有335組、測試集有83組。

2）仿真參數(shù)設(shè)置

SVM的參數(shù)設(shè)置：核函數(shù)采用應(yīng)用最廣泛的RBF核函數(shù)，核參數(shù)為g，設(shè)置懲罰參數(shù)C和核參數(shù)g的取值范圍均為[2-12,212]。

SSA的參數(shù)設(shè)置：Size=20、Tmax=20、F=0.2、J=0.8、Y=0.2、ST=0.8。

GSA的參數(shù)設(shè)置：搜索步長l=1。

PSO的參數(shù)設(shè)置：種群數(shù)量和最大迭代次數(shù)與SSA相同，局部搜索能力c1=1.6、全局搜索能力c2=1.6、彈性系數(shù)wv=0.9。

3）仿真與分析

為使空中目標(biāo)意圖識(shí)別模型具有更好的泛化能力，同時(shí)降低SSA和PSO中在種群初始化階段位置分布的隨機(jī)性造成的影響，對(duì)目標(biāo)數(shù)據(jù)進(jìn)行50次隨機(jī)分類，通過50次實(shí)驗(yàn)進(jìn)行綜合分析。

經(jīng)過仿真，可得到三種方法對(duì)測試數(shù)據(jù)的意圖識(shí)別準(zhǔn)確率和識(shí)別運(yùn)算用時(shí)的情況對(duì)比，分別如圖5和圖6所示。

圖5 意圖識(shí)別準(zhǔn)確率對(duì)比

圖6 識(shí)別運(yùn)算用時(shí)對(duì)比

圖5中，從整體上看，SSA-SVM與GSA-SVM的識(shí)別準(zhǔn)確率相當(dāng)，SSA-SVM的平均準(zhǔn)確率為99.1325%，GSA-SVM的平均準(zhǔn)確率為98.8916%，且均高于PSO-SVM，PSO-SVM的平均準(zhǔn)確率為94.6265%。由此可見，在空中目標(biāo)意圖識(shí)別的準(zhǔn)確性方面，SSA-SVM與GSA-SVM優(yōu)于PSO-SVM。

圖6中，從整體上看，SSA-SVM與PSO-SVM的識(shí)別運(yùn)算用時(shí)相當(dāng)，SSA-SVM的平均用時(shí)為15.54846s，PSO-SVM的平均用時(shí)為 16.10552s，且均比GSA-SVM的用時(shí)少，GSA-SVM的平均用時(shí)為35.16882s。由此可見，在空中目標(biāo)意圖識(shí)別的快速性方面，SSA-SVM與PSO-SVM優(yōu)于GSA-SVM。

綜上分析可知，GSA-SVM進(jìn)行意圖識(shí)別時(shí)，雖然具有較好的識(shí)別準(zhǔn)確性，但在快速性方面較差，需要更多的時(shí)間才能識(shí)別出目標(biāo)意圖，不利于艦船指揮員及時(shí)進(jìn)行處置應(yīng)對(duì)。PSO-SVM進(jìn)行意圖識(shí)別時(shí)，雖然識(shí)別用時(shí)較短，能夠滿足快速性的要求，但在識(shí)別準(zhǔn)確性上相對(duì)較差，不利于艦船指揮員對(duì)目標(biāo)情況的準(zhǔn)確掌握。因此，兩者均無法同時(shí)做到既準(zhǔn)確又快速地識(shí)別目標(biāo)意圖。而SSA-SVM進(jìn)行意圖識(shí)別時(shí)，既具有較好的識(shí)別準(zhǔn)確性，也能保證識(shí)別的快速性，能夠滿足意圖識(shí)別的需要，使識(shí)別效果最佳。因此，采用SSA-SVM進(jìn)行意圖識(shí)別，將有利于艦船指揮員正確進(jìn)行指揮決策和及時(shí)處置應(yīng)對(duì)。

6 結(jié)語

本文針對(duì)傳統(tǒng)的GSA-SVM和PSO-SVM在艦船對(duì)空中目標(biāo)意圖識(shí)別中無法準(zhǔn)確、快速地識(shí)別目標(biāo)意圖而導(dǎo)致識(shí)別效果較差的問題，提出了一種基于SSA-SVM的空中目標(biāo)意圖識(shí)別方法，建立了基于SSA-SVM的空中目標(biāo)意圖識(shí)別模型，并通過仿真實(shí)驗(yàn)與GSA-SVM和PSO-SVM進(jìn)行效果對(duì)比。結(jié)果表明，相比GSA-SVM和PSO-SVM，SSA-SVM既具有較高的識(shí)別準(zhǔn)確率，也具有較短的識(shí)別運(yùn)算時(shí)間，能夠同時(shí)滿足準(zhǔn)確性和快速性的需要，對(duì)空中目標(biāo)意圖識(shí)別的效果最佳，因而可以有效地輔助艦船指揮員正確進(jìn)行指揮決策和及時(shí)處置應(yīng)對(duì)。