摘  要： 針對現有空中目標機動模式識別算法魯棒性和抗噪性差的問題，提出了利用卷積神經網絡直接對航跡數據進行非人工特征提取，從而實現機動模式識別的算法。針對目標機動段難以分割的現實情況，提出了滑動時間窗口的模式識別方法，并給出了基于滑動時間窗口的機動模式識別流程。對空中目標進行了航跡仿真，并進行了數據預處理，為卷積神經網絡提供了合理訓練樣本。通過仿真實驗確定了適合于機動模式識別的卷積神經網絡的結構和參數，實驗結果表明，構造好的卷積網絡對機動模式的識別率達98.4%，并且在結合機動觸發點后，對連續航跡的識別取得了良好效果。

　　關鍵詞： 機動模式識別；卷積神經網絡；滑動時間窗口；航跡仿真；數據預處理

0 引言

　　隨著高新技術的快速發展，空中作戰目標機動性能得到了大幅提高，更大規模的多飛行器協同作戰，使得空中的情報信息呈現爆炸式增長，這不僅對指揮員的判斷與決策造成了很大困難，也使防空武器系統面臨著巨大的威脅。利用空中戰場態勢估計來輔助智能化決策[1]是處理空中復雜情報信息的重要研究內容，而空中目標戰術機動模式識別是實現空中戰場態勢估計的重要環節。

　　目前均是人工提取機動模式的幾何或運動參量特征來進行機動模式的分類。由于目標機動性能、飛行人員操作水平的不同、探測器精度的影響及自然條件因素的變換，同一種機動模式數據有著復雜的變化。人工提取的特征分類往往有很強的局限性，只適合較為特殊的情況，魯棒性和抗噪性能較差。

　　神經網絡模型有著強大的非線性映射能力，是實現分類、預測任務的一種重要模型[2]。卷積神經網絡能夠通過訓練，實現對數據的非人工特征提取，這種非人工提取的特征在很多應用上取得了比人工提取的特征更好的效果。本文利用卷積神經網絡的這一優點，設計了基于卷積神經網絡的機動模式分類器，實現了對空中目標戰術機動模式的特征提取和分類工作。

1 滑動時間窗口的目標機動模式識別方法

　　1.1 目標典型機動模式

　　本文主要針對的空中目標是作戰飛機和巡航導彈。

　　不考慮作戰飛機在近距離博弈時的格斗動作，其典型的機動類型包括直線、圓弧轉彎、盤旋、爬高、俯沖、蛇形機動等[3-4]；巡航導彈一般是根據目標位置事先設定了飛行航路，其動作類型較為單一，主要為直線運動，在進入攻擊段時會進行蛇形機動來規避炮火襲擊，之后再進行躍升俯沖對目標實施打擊[5]。圖1為典型的巡航導彈攻擊航路。

　　1.2 滑動時間窗口的機動模式識別方法

　　機動段的分割在現實中很難實現，這是機動模式識別存在的一大難題。機動模式識別存在的另一個問題是，由于各種機動模式特征的不同，往往不知道該組合哪些特征來實現對多機動模式的識別。

　　針對這些問題，本文提出了滑動時間窗口的機動模式識別方法。該方法先利用拐點檢測法檢測出機動“觸發點”，在得到機動“觸發點”后，對目標航跡按照一定的時間窗口進行劃分，滑動窗口不停地進行機動模式識別；定義一些機動模式為退出機動模式，在識別到該種模式后即停止進行模式識別，重新開始尋找機動“觸發點”進行下一輪的機動模式識別。整個識別流程如圖2所示。

2 基于卷積神經網絡的機動模式分類器設計

　　圖2所示的識別流程中，是利用已經訓練好的分類器進行時間窗口內的機動模式識別，本節主要探討5 s時間窗口內的機動模式分類器是如何設計和訓練的。

　　目標因為過載承受能力等限制，在5 s的時間內無法完成盤旋機動，所以5 s的時間窗口中可能出現直線、蛇形機動、圓弧轉彎、圓弧直線過渡段、躍升、俯沖、躍升俯沖過渡段這7種機動類型，設計的分類器即要能夠實現對這7種機動模式的分類。

　　2.1 卷積神經網絡簡介

　　2.1.1 卷積神經網絡的網絡結構[6-7]

　　卷積神經網絡是一個多層神經網絡，每層由多個二維平面組成，每個平面由多個獨立神經元組成。圖3為典型的卷積神經網絡結構圖。輸入層經過多個卷積核卷積后得到多個特征圖組成的卷積層C1，每個特征圖再經過池化，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，連成一個列向量后輸入到傳統的神經網絡。

　　2.1.2 卷積層

　　卷積層利用局部連接和權值共享，減少網絡自由參數個數，降低網絡參數選取復雜度。在一個卷積層中，用一個可學習的卷積核與上一層若干個特征圖進行卷積，再通過一個激活函數f（如Sigmoid函數等），利用式（1）就可以得到相應的輸出特征[6]。

　　其中，l表示層數，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據相關性原理進行子抽樣，在減少數據處理量的同時保留有用信息。通常是對前一層對應的特征圖中向量特征進行池化操作。池化分為平均池化和最大池化等[8]。由于本文輸入數據維數不大，采用非重疊池化即可。

　　池化輸出的特征圖可用式（2）計算：

　　其中，是相應權值，b是相應偏置，down（·）表示下采樣函數。

3 仿真實驗

　　卷積神經網絡層的參數是分類器設計的核心，將預處理好的航跡數據送入定義好的網絡中進行實驗，通過不斷改變網絡的參數最終得到適宜于機動模式分類的分類器。

　　3.1 樣本生成

　　設定目標不同的機動時間長短、機動幅度、初始位置等，利用MATLAB進行仿真，每種機動模式仿真生成1 000個樣本，共7 000個樣本。將這7 000個樣本隨機分為4 000個訓練樣本、2 000個驗證樣本和1 000個測試樣本。

　　樣本數據要經過一定預處理才可送入網絡中。航跡數據與目標的起始位置有很大關系，而機動主要在于三維（x，y，z）的波動，與起始位置無關，故需去掉目標起始位置這樣的“直流信號”，本文采取的方法是每個航跡樣本減去該航跡數據的均值。

　　神經網絡輸入數據通常要進行歸一化，一方面可加快收斂速度，一方面防止數量級大的輸入數據對權重的影響過大導致無法訓練。本文參考常規的神經網絡數據預處理過程，將數據歸一化到0.1~0.9。

　　3.2 分類器設計實現

　　通過仿真實驗，得到效果最好的分類器如圖4所示，在該分類器下7種機動模式的分類準確率為98.4%。

　　該分類器共有兩層卷積網絡，第一個卷積層卷積核為1*10，共20個卷積核，卷積步長為1，卷積后將輸入的3個通道變成1個通道，得到1×241維數據，20個卷積核則產生20×1×241維數據；池化采用非重疊最大池化，池化時先將卷積得到的數據加了一個的邊（pad），數據變為20×1×243，池化核為1*3，步長為3，池化后數據變為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；經過第二層池化后數據進入全連接層，設置隱藏單元數50；再將數據連接Softmax分類器。

　　圖5（a）為在分類器下，訓練集訓練迭代次數和訓練集損失函數曲線圖。在訓練集迭代訓練網絡同時，每間隔一定迭代次數向網絡送入驗證集，用以觀察是否發生過擬合等現象。圖5（b）為訓練集迭代次數和驗證集損失函數曲線圖，圖5（c）為訓練集迭代次數和驗證集識別準確率曲線圖。

　　由圖5可看出，隨著迭代次數的增加，訓練集損失函數值不斷減少，網絡逐漸開始擬合。在迭代到2 000次時到達最小值附近，開始出現波動。訓練集損失函數波動是由于數據本身不平穩造成的，無法避免。驗證集損失函數大小隨著訓練集同步減少，說明沒有出現過擬合現象，并且在2 000次迭代左右，驗證集的識別率基本達到飽和，達到98%左右，如圖5（c）所示。

　　將訓練好的網絡對1 000個測試樣本進行測試，得到識別率為98.4%。

　　3.3 最佳分類器在連續航路下的識別效果

　　將機動觸發點結合進目標機動模式識別，可實現連續航路的機動模式判斷。

　　假定敵方空中目標從（10 000，10 1000，1 000）m處朝我方軍事目標飛進，先做圓弧機動改變航向，再直線飛行一段距離，進入攻擊區后做了兩個蛇形機動以規避火力，再躍升再躍升俯沖機動對軍事目標進行打擊。

　　本文暫時將直線、圓弧直線過渡段、俯沖機動均作為退出機動模式。利用課題前期研究的拐點檢測算法找到機動觸發點后，不斷將間隔5 s的數據送入訓練好的網絡中進行識別，直到出現退出機動模式。識別停止后重新開始尋找機動觸發點，循環往復，實現對連續航路的機動模式識別。

　　圖6為對上述連續航路的識別效果圖。訓練好的網絡對航路預測結果分別為2、3、1、1、3、4、6、5，由3.1小節可知分別對應于圓弧轉彎、圓弧直線過渡段、蛇形機動、蛇形機動、圓弧直線過渡段、躍升、躍升俯沖過渡段、俯沖機動。由圖6可看出分類器對連續航路的識別達到了預期效果。

4 結論

　　本文提出了利用卷積神經網絡直接對坐標數據進行特征提取從而進行機動模式分類的算法。針對航跡機動模式難以分割的實際情況，提出了滑動固定時間窗口的模式識別方法，并通過仿真實驗確定了機動模式識別的卷積神經網絡結構和參數。實驗結果表明，構造好的卷積網絡對航跡類型識別率達98.4%，并且在結合機動觸發點后，對連續航跡識別取得了良好效果，為空中目標戰術機動模式識別提供了一個可行的方法。

　　參考文獻

　　[1] 丁全心.現代空戰中的戰術輔助決策技術[J].電光與控制，2009，16（12）：1-4.

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

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

　　[4] 杜永翔，林新.態勢推演系統在飛機過渡段航跡規劃算法研究[J].系統仿真學報，2013，25（8）：1721-1725.

　　[5] 張宏.巡航導彈的作戰使用特點及對抗途徑[J].艦船電子對抗，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.