空中目標(biāo)編隊自動分析挖掘算法

徐秋坪, 周潔靜, 季 海, 耿 明, 樂園園

(中國電子科技集團公司第二十八研究所, 江蘇 南京 210007)

0 引 言

隨著現(xiàn)代戰(zhàn)場態(tài)勢信息數(shù)據(jù)量日益增大,從積累的大量態(tài)勢數(shù)據(jù)中分析挖掘其潛在價值,歸納目標(biāo)典型活動規(guī)律,提取敵典型作戰(zhàn)運用知識,為實時戰(zhàn)場態(tài)勢分析研判、作戰(zhàn)指揮決策提供有力支撐,是當(dāng)前國內(nèi)外的熱點研究課題[1-3]?；诜e累的海量目標(biāo)歷史活動數(shù)據(jù),可分析挖掘出空襲重點目標(biāo)[4],可對目標(biāo)歷史活動航跡特征進行聚類分析,挖掘出目標(biāo)典型活動規(guī)律[5-6]以輔助支撐軌跡預(yù)測[7-8],但是對于深層次的目標(biāo)間協(xié)同作戰(zhàn)編隊知識的分析挖掘研究相對較少。因此,有必要開展從海量歷史活動數(shù)據(jù)里分析敵目標(biāo)間關(guān)聯(lián)關(guān)系并挖掘出目標(biāo)編隊的算法模型研究。

針對從歷史活動數(shù)據(jù)中自動分析挖掘空中目標(biāo)編隊知識問題,目前國內(nèi)外研究文獻很少,大多側(cè)重于實時戰(zhàn)場態(tài)勢下編隊目標(biāo)識別判性、編隊威脅評估以及編隊隊形識別等方面研究。文獻[9-14]針對實時戰(zhàn)場態(tài)勢下編隊目標(biāo)屬性、類型等基本信息識別,以及與編隊目標(biāo)頻繁起批相關(guān)問題開展了研究,并提出了相應(yīng)解決算法模型。文獻[15-23]針對實時戰(zhàn)場態(tài)勢編隊威脅分析評估方面做了相關(guān)研究工作,運用機器學(xué)習(xí)知識從不同維度構(gòu)建了編隊目標(biāo)威脅綜合評價模型,分析實時戰(zhàn)場威脅態(tài)勢。文獻[24-28]針對實時戰(zhàn)場態(tài)勢下艦艇編隊隊形識別問題,從模板匹配、圖形處理等不同層面提出了不同的編隊隊形識別模型。上述研究主要是針對實時戰(zhàn)場態(tài)勢下進行目標(biāo)編隊分析的,考慮日常記錄的目標(biāo)歷史活動信息為非實時數(shù)據(jù),并且是無規(guī)則的離散數(shù)據(jù)集,存在活動時間跨度大、活動區(qū)域分布廣等特征,如何快速從海量歷史活動數(shù)據(jù)中自動分析出目標(biāo)之間的編隊信息是文本研究的重點工作。

本文綜合考慮掌握的目標(biāo)歷史活動信息有限、活動航跡分布廣及離散性特征,分析基于非實時歷史活動航跡數(shù)據(jù)的目標(biāo)間關(guān)聯(lián)特征,構(gòu)建兩兩目標(biāo)關(guān)聯(lián)識別以及多目標(biāo)編隊自動提取模型,提出了一種簡單、易于工程實現(xiàn)的目標(biāo)編隊自動識別算法,可為敵目標(biāo)作戰(zhàn)編隊規(guī)律知識和戰(zhàn)術(shù)戰(zhàn)法知識挖掘、戰(zhàn)場態(tài)勢事后分析以及實時戰(zhàn)場作戰(zhàn)編隊?wèi)B(tài)勢識別等方面的實際工程應(yīng)用提供一定的技術(shù)支撐,具有較大的工程應(yīng)用價值。

1 問題描述

本文提出的目標(biāo)編隊自動分析挖掘算法運用數(shù)據(jù)為每日積累的敵空中目標(biāo)歷史活動數(shù)據(jù)?？紤]目標(biāo)掌握信息有限,該數(shù)據(jù)主要包含兩類信息:①基本信息,由標(biāo)識、國家地區(qū)、名稱、任務(wù)、發(fā)現(xiàn)時間、消失時間、活動陣位等要素組成;②離散航跡點信息,由時間、位置、速度等要素組成。

目標(biāo)歷史活動數(shù)據(jù)為活動時間跨度大、活動區(qū)域分布廣的離散數(shù)據(jù),如何從這些無規(guī)則離散數(shù)據(jù)中分析出深層次的目標(biāo)間關(guān)聯(lián)關(guān)系并自動挖掘出空中目標(biāo)編隊信息是本文需要解決的問題。本文綜合考慮目標(biāo)掌握信息有限、活動時間和活動區(qū)域的分散性以及單目標(biāo)活動航跡的離散性,從歷史活動信息中提取目標(biāo)間關(guān)聯(lián)特征,構(gòu)建兩兩目標(biāo)關(guān)聯(lián)識別以及目標(biāo)編隊自動提取模型,提出一種簡單、易于工程實現(xiàn)的基于歷史活動信息的空中目標(biāo)編隊自動分析挖掘算法。

2 目標(biāo)編隊分析挖掘

為解決上述問題,首先需要從積累的目標(biāo)歷史活動信息中分析目標(biāo)間的關(guān)聯(lián)特征?；谏鲜瞿繕?biāo)歷史活動數(shù)據(jù)集,存在關(guān)聯(lián)關(guān)系的兩目標(biāo)具有如下特點:兩目標(biāo)飛行時間上具有一定的重合度,在重合時段內(nèi)二者空間距離上需要具有一定的關(guān)聯(lián)度。因此,可從時間和空間兩個維度描述目標(biāo)關(guān)聯(lián)特征,并基于此特征構(gòu)建關(guān)聯(lián)評判模型。

(1) 時間維度:考慮目標(biāo)從出現(xiàn)到消失的整個時間跨度內(nèi)是否與其他目標(biāo)存在時間交集,即時間重合度。如果兩目標(biāo)出現(xiàn)和消失的時間交集小于設(shè)定閾值,則考慮二者不滿足時間維度要求。

(2) 空間維度:目標(biāo)空間位置信息是飛行時間、速度、航向等特征的綜合效果;為避免特征冗余,忽略高度因素對目標(biāo)關(guān)聯(lián)性判別的影響,則可采用不同時刻的位置信息Hi(t,x,y)作為空間維度特征的描述。

空中目標(biāo)編隊自動分析挖掘算法處理流程如圖1所示。首先,對無規(guī)則的目標(biāo)歷史活動信息進行數(shù)據(jù)預(yù)處理,通過飛行時長、航跡點數(shù)量、獨立飛行區(qū)域、獨立飛行時間等多個維度進行分析過濾,并將各目標(biāo)航跡按照出動時序排序。接著,基于時序出動目標(biāo)數(shù)據(jù)集,提取目標(biāo)間的關(guān)聯(lián)特征,分析時間重合度、航跡關(guān)聯(lián)度并計算目標(biāo)間綜合關(guān)聯(lián)度,進而構(gòu)建目標(biāo)關(guān)聯(lián)矩陣。然后,從目標(biāo)關(guān)聯(lián)矩陣中分割出若干關(guān)聯(lián)目標(biāo)群,針對每一個目標(biāo)群中目標(biāo)之間的關(guān)聯(lián)性,運用Prim算法思想構(gòu)建目標(biāo)編隊自動提取模型,挖掘生成目標(biāo)編隊。最后,利用目標(biāo)基本信息特征構(gòu)建映射關(guān)系進行匹配關(guān)聯(lián)，實現(xiàn)目標(biāo)間關(guān)聯(lián)關(guān)系識別和編隊類型研判。

圖1 空中目標(biāo)編隊自動分析挖掘模型Fig.1 Automatic analysis and mining model of air target formation

模型具體設(shè)計過程描述如下。

步驟 1目標(biāo)歷史活動數(shù)據(jù)預(yù)處理

考慮目標(biāo)歷史活動數(shù)據(jù)集的無規(guī)則性,不同目標(biāo)飛行時長不同并且分散在較廣的區(qū)域范圍,為便于設(shè)計和減少計算量,可利用目標(biāo)的基本信息對數(shù)據(jù)集D進行預(yù)處理。

步驟 1.1飛行時長過濾

利用單目標(biāo)基本信息中的開始時間和結(jié)束時間,進行飛行時長過濾,可保證所有待分析目標(biāo)的掌握時長均不小于設(shè)定的時間重合度最小閾值。具體過濾條件如下：

(1)

步驟 1.2航跡點數(shù)量過濾

利用單目標(biāo)基本信息中的航跡點數(shù)量進行過濾,可保證待分析的目標(biāo)具有一定的航跡點數(shù)量,同時可剔除在滿足飛行時長條件下航跡點很少的異常情況。具體過濾條件如下：

n≥n*

(2)

式中：n*為設(shè)定的航跡點過濾閾值。

步驟 1.3獨立飛行時段過濾

利用目標(biāo)基本信息中的開始時間和結(jié)束時間,進行獨立飛行時段過濾;用Δt表征第i個目標(biāo)與第j個目標(biāo)的時間獨立特征,則

Δt=min(tf(Ti)-t0(Tj),tf(Tj)-t0(Ti))

(3)

如果Δt≤0,則說明第i個目標(biāo)與第j個目標(biāo)飛行時間獨立。如果第i個目標(biāo)與其他所有目標(biāo)均時間獨立,則說明第i個目標(biāo)為獨立飛行時段的目標(biāo),需要過濾掉該目標(biāo)。

步驟 1.4獨立飛行區(qū)域過濾

利用目標(biāo)基本信息中的活動陣位數(shù)據(jù)進行區(qū)域過濾,剔除掉除自身外與其他所有目標(biāo)均無活動陣位交集的目標(biāo)。

區(qū)域分布情況如圖2所示,圖中列出了第j個目標(biāo)相對于第i個目標(biāo)的5種可能活動陣位分布,Tj|3～Tj|5分別描述了兩目標(biāo)橫向和縱向均無重合、縱向有重合而橫向無重合、以及橫向有重合而縱向無重合的分布情況,其中d*為設(shè)定的區(qū)域過濾閾值。活動陣位關(guān)聯(lián)判別條件可描述為

(4)

如果滿足式(4)中任意一個條件，則可說明該目標(biāo)為獨立飛行區(qū)域的目標(biāo)。

圖2 區(qū)域分布情況Fig.2 Regional distribution

步驟2兩目標(biāo)關(guān)聯(lián)研判

圖3 時間重合匹配順序Fig.3 Time coincidence matching sequence

步驟2.1時間重合度判別準(zhǔn)則

按照時序排列的目標(biāo)數(shù)據(jù)集中存在的時間重合情況分布，如圖4所示。

圖4 時間重合情況Fig.4 Time coincidence distribution

記當(dāng)前檢測目標(biāo)Ti的發(fā)現(xiàn)和結(jié)束時間分別為t10和t1f;待檢測目標(biāo)Ti+1的發(fā)現(xiàn)和結(jié)束分別為t20和t2f,且t10≥t20。計算目標(biāo)Ti和目標(biāo)Ti+1的重合時長:

t12=min((t1f-t20),(t2f-t20))

(5)

步驟2.2航跡關(guān)聯(lián)度判別準(zhǔn)則

考慮記錄航跡點時間不一致問題,首先需要利用離散航跡點運動特征對兩目標(biāo)進行首位航跡點時刻對準(zhǔn),重合時間段內(nèi)航跡點對準(zhǔn)情況如圖5所示。圖5中，A表征當(dāng)前目標(biāo)時序航跡點序列，B1和B2分別為與之進行關(guān)聯(lián)分析的目標(biāo)時序航跡點序列。然后,在重合段航跡內(nèi)互相插入虛擬航跡點,根據(jù)兩航跡的時間、位置坐標(biāo)、速度等信息,預(yù)測虛擬航跡點位置,實現(xiàn)這兩條待檢測航跡之間時間重合部分的航跡點(含虛擬航跡點)按時序一一對準(zhǔn)。

圖5 時間重合段航跡點對準(zhǔn)情況Fig.5 Alignment of track points in time coincident segment

采用線性插值方法計算虛擬航跡點位置,設(shè)虛擬時間間隔參數(shù)為Δty,假設(shè)時序?qū)?zhǔn)序列中某一時刻ti位于tp和tq之間,tp時刻航跡點信息為(xp,yp,vp),tq時刻航跡點信息為(xq,yq,vq),則預(yù)測虛擬點ti時刻位置信息為

(6)

記Nij為時序?qū)?zhǔn)的兩目標(biāo)航跡點數(shù)量。在得到時序?qū)?zhǔn)的兩目標(biāo)重合時段航跡之后,計算對應(yīng)時刻航跡點距離并判別計算航跡點匹配分值。兩目標(biāo)航跡對應(yīng)時刻點距離Li可采用歐氏距離計算。

(7)

當(dāng)η≥ηN時,則說明兩目標(biāo)滿足航跡關(guān)聯(lián)度要求,其中ηN為設(shè)定的航跡關(guān)聯(lián)點數(shù)量閾值。

步驟2.3綜合關(guān)聯(lián)度計算

當(dāng)不滿足時間重合度要求時,或者滿足時間重合度要求而不滿足航跡關(guān)聯(lián)度要求時,兩目標(biāo)間綜合關(guān)聯(lián)度值為0。

當(dāng)滿足時間重合度要求和航跡關(guān)聯(lián)度要求時,從圖5中可以看出,記兩目標(biāo)的最短飛行時長為tijmin,則

tijmin=min((t0f-t0),(t2f-t20))

(8)

以評分的方式計算時間重合度關(guān)聯(lián)分數(shù)Pt。記Ptmin和Ptmax為滿足時間重合度要求下的時間關(guān)聯(lián)最小和最大分值,當(dāng)任意目標(biāo)飛行時間完全重合，則Pt=Ptmax,當(dāng)僅滿足時間重合閾值時，Pt=Ptmin,當(dāng)重合時間位于二者之間的情況時,按照時間重合比重計算分值。因此,時間重合度關(guān)聯(lián)分數(shù)Pt可表征為

(9)

(10)

進一步,航跡關(guān)聯(lián)度得分Ps可表示為

(11)

兩目標(biāo)間綜合關(guān)聯(lián)度Pij可計算為

Pij=Pt+Ps

(12)

記兩目標(biāo)綜合關(guān)聯(lián)度閾值為P*,則矩陣λ中實際記錄的兩目標(biāo)綜合關(guān)聯(lián)度可表示為

(13)

步驟3目標(biāo)編隊挖掘

圖6 編隊自動提取模型處理流程Fig.6 Processing flow of formation automatic extraction model

步驟4編隊特征分析

考慮掌握的歷史活動信息有限,本文主要對提取的目標(biāo)編隊中目標(biāo)間關(guān)系特征和編隊類型特征進行識別分析。利用戰(zhàn)勤值班人員積累的經(jīng)驗知識構(gòu)建編隊特征識別映射關(guān)系,通過對編隊目標(biāo)的基本信息匹配關(guān)聯(lián)實現(xiàn)目標(biāo)間關(guān)系識別和編隊類型研判。

步驟4.1編隊類型研判

定義編隊類型主要包括:戰(zhàn)斗機編隊、轟炸機編隊、預(yù)警機編隊、偵察機編隊、干擾機編隊、殲擊機編隊、直升機編隊、復(fù)合編隊、其他編隊。本文主要針對這些編隊類型進行分析研判。

研判具體思路為:首先,根據(jù)戰(zhàn)勤值班人員積累的經(jīng)驗知識,構(gòu)建目標(biāo)名稱與所屬型號類型的映射關(guān)系模型以及所屬型號類型與編隊類型的映射關(guān)系模型;然后,以編隊中k個目標(biāo)的基本信息中名稱特征為輸入數(shù)據(jù)G={S1 m,S2m,…,Skm},根據(jù)映射關(guān)系判別各目標(biāo)所屬的型號類型,并統(tǒng)計型號類型J={J1,J2,…,Jl},1≤l≤k;進一步,根據(jù)編隊類型映射關(guān)系,判別各型號類型對應(yīng)的編隊類型B={B1,B2,…,Bl},1≤l≤k,如果編隊類型數(shù)量大于1則輸出編隊類型為復(fù)合編隊;否則輸出為映射的編隊類型。具體的編隊類型研判模型處理流程如圖7所示。

圖7 編隊類型研判模型處理流程Fig.7 Processing flow of formation type judgment model

步驟4.2目標(biāo)間關(guān)系識別

定義目標(biāo)間關(guān)系類型主要包括:協(xié)同關(guān)系、指控關(guān)系、信息支援關(guān)系、空中加油關(guān)系。本文主要針對這些關(guān)系類型進行識別。

識別具體思路為:首先,根據(jù)戰(zhàn)勤值班人員積累的經(jīng)驗知識,結(jié)合目標(biāo)名稱與所屬型號類型的映射關(guān)系模型,建立目標(biāo)間關(guān)系識別規(guī)則庫。例如:當(dāng)兩目標(biāo)屬于同一型號類型時,則識別為協(xié)同關(guān)系,當(dāng)兩目標(biāo)中存在加油機時,則識別為加油機,當(dāng)兩目標(biāo)中存在偵察機且另一目標(biāo)不屬于加油機時,則識別為信息支援關(guān)系,當(dāng)兩目標(biāo)中存在預(yù)警機且另一目標(biāo)不屬于偵察機和加油機時,則識別為指控關(guān)系。然后,以兩關(guān)聯(lián)目標(biāo)的基本信息中名稱特征為輸入數(shù)據(jù){Sim,Sjm},根據(jù)目標(biāo)名稱與所屬型號類型的映射關(guān)系模型,判別兩目標(biāo)分別所屬的型號類型。進一步,根據(jù)構(gòu)建的型號類型與目標(biāo)間關(guān)系映射知識準(zhǔn)則,自動識別兩目標(biāo)間的關(guān)聯(lián)關(guān)系類型，具體的識別模型處理流程如圖8所示。

圖8 目標(biāo)間關(guān)系識別模型處理流程Fig.8 Processing flow of target relationship recognition model

上述構(gòu)建的目標(biāo)關(guān)系和編隊類型等編隊特征自動識別模型,可視為已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。因目前掌握的歷史活動信息要素以及積累的經(jīng)驗知識有限,若能提供更多的信息要素,則可對上述編隊類型模型和目標(biāo)關(guān)系識別模型進行擴展,或者運用神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練學(xué)習(xí),識別更多的編隊類型或關(guān)系,甚至構(gòu)建更深層次的編隊任務(wù)特征識別模型,豐富目標(biāo)編隊識別信息。

3 仿真分析

本節(jié)通過若干案例來分析驗證所提出的空中目標(biāo)編隊自動分析挖掘算法的可行性和有效性。在C++環(huán)境下進行仿真驗證,每日積累的歷史活動信息存儲在數(shù)據(jù)庫中約幾百條,模型參數(shù)設(shè)置如表1所示。仿真中涉及距離計算時需將經(jīng)緯度坐標(biāo)轉(zhuǎn)換成投影坐標(biāo)系[29]。

表1 模型參數(shù)

以某一日記錄的目標(biāo)歷史活動數(shù)據(jù)為例,自動分析挖掘出3個目標(biāo)編隊,分別為:①地區(qū)1的1架F-16和1架IDF組成的戰(zhàn)斗編隊1;②地區(qū)2的1架E-2C、1架EP-3和1架F-15組成的復(fù)合編隊2;③地區(qū)3的1架RC-135與1架KC-135組成的復(fù)合編隊3,詳細結(jié)果如表2所示。

表2 目標(biāo)編隊挖掘結(jié)果

編隊1中目標(biāo)間關(guān)聯(lián)關(guān)系以及綜合關(guān)聯(lián)度如表3所示,相應(yīng)的歷史活動航跡如圖9所示?？梢钥闯?F-16飛行一段時間之后發(fā)現(xiàn)IDF,然后組成協(xié)同關(guān)系一起飛行,二者飛行軌跡相似度很高,其綜合關(guān)聯(lián)度評分相對較高,并且二者都屬于戰(zhàn)斗機類型,故自動研判為戰(zhàn)斗編隊。

表3 編隊1的目標(biāo)關(guān)系及綜合關(guān)聯(lián)度

圖9 編隊1目標(biāo)歷史運動關(guān)聯(lián)航跡Fig.9 Target historical motion association trajectories of formation 1

編隊2中目標(biāo)間的關(guān)聯(lián)關(guān)系以及綜合關(guān)聯(lián)度如表4所示,相應(yīng)的歷史活動航跡如圖10所示。可以看出,E-2C、F-15和EP-3相繼出現(xiàn),該編隊中存在預(yù)警機、偵察機、戰(zhàn)斗機等多種類型飛機,自動研判為復(fù)合編隊。根據(jù)目標(biāo)間關(guān)系識別規(guī)則,E-2C分別與F-15組成指控關(guān)系,與EP-3組成信息支援關(guān)系。

表4 編隊2的目標(biāo)關(guān)系及綜合關(guān)聯(lián)度

圖10 編隊2目標(biāo)歷史運動關(guān)聯(lián)航跡Fig.10 Target historical motion association trajectories of formation 2

編隊3中目標(biāo)間的關(guān)聯(lián)關(guān)系以及綜合關(guān)聯(lián)度如表5所示,相應(yīng)的歷史活動航跡如圖11所示。可以看出,編隊3中存在加油機,KC-135與RC-135組成空中加油關(guān)系;在運動航跡的中間段,加油機KC-135與偵察機RC-135航跡相似度很高,考慮到二者屬于的不同飛機類型,故自動研判為復(fù)合編隊。

表5 編隊3的目標(biāo)關(guān)系及綜合關(guān)聯(lián)度

圖11 編隊3目標(biāo)歷史運動關(guān)聯(lián)航跡Fig.11 Target historical motion association trajectories of formation 3

4 結(jié) 論

本文提出的空中目標(biāo)編隊自動分析挖掘算法能夠快速、有效地從無規(guī)則的目標(biāo)歷史活動信息中挖掘出深層次的目標(biāo)編隊,并能夠?qū)δ繕?biāo)間的關(guān)聯(lián)關(guān)系以及編隊類型等編隊特征進行有效識別。該方法簡單可行,易于工程實現(xiàn),能夠為海量目標(biāo)關(guān)聯(lián)規(guī)律知識挖掘、敵典型戰(zhàn)術(shù)戰(zhàn)法分析、實時戰(zhàn)場大規(guī)模作戰(zhàn)編隊識別研判等方面的態(tài)勢智能化分析提供一定的技術(shù)支撐,具有較大的工程實際應(yīng)用價值。