陳　浩, 任卿龍, 滑　藝, 邱宇寧

(哈爾濱工業(yè)大學(xué)電子與信息工程學(xué)院, 黑龍江 哈爾濱 150001)

?

基于模糊神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)戰(zhàn)術(shù)意圖識(shí)別

陳浩, 任卿龍, 滑藝, 邱宇寧

(哈爾濱工業(yè)大學(xué)電子與信息工程學(xué)院, 黑龍江 哈爾濱 150001)

傳統(tǒng)的基于遙感解譯獲取的海面目標(biāo)信息分析戰(zhàn)術(shù)意圖的方法,需要大量的專家知識(shí)確定輸入目標(biāo)屬性與輸出意圖間的網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)系,而模糊神經(jīng)網(wǎng)絡(luò)只需利用輸入和輸出訓(xùn)練網(wǎng)絡(luò),減少了專家知識(shí)的需求。針對(duì)常用的高木-關(guān)野模糊模型不適用于戰(zhàn)術(shù)意圖識(shí)別要求的輸出與輸入非線性的問(wèn)題,設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型,利用目標(biāo)屬性與對(duì)應(yīng)的戰(zhàn)術(shù)意圖形成訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò),分別獲得輸入條件的模糊隸屬度以及面向不同意圖的輸出函數(shù),據(jù)此識(shí)別海面目標(biāo)戰(zhàn)術(shù)意圖。仿真實(shí)驗(yàn)結(jié)果表明,獲得的目標(biāo)戰(zhàn)術(shù)意圖的準(zhǔn)確度高,與想定情況均相符。

戰(zhàn)術(shù)意圖識(shí)別; 模糊神經(jīng)網(wǎng)絡(luò); 模糊隸屬度; 誤差回傳學(xué)習(xí)算法

0　引　言

現(xiàn)代戰(zhàn)爭(zhēng)的戰(zhàn)場(chǎng)環(huán)境越來(lái)越復(fù)雜,能否準(zhǔn)確、及時(shí)地結(jié)合參戰(zhàn)的各方面力量的部署情況、外部環(huán)境條件等因素判斷目標(biāo)的戰(zhàn)術(shù)意圖,直接影響到指揮人員的指揮決策[1]。海面目標(biāo)特性復(fù)雜多變,艦船是典型的海面目標(biāo),海面戰(zhàn)場(chǎng)的目標(biāo)通常以編隊(duì)的形式出現(xiàn),機(jī)動(dòng)性較強(qiáng),編隊(duì)組成、隊(duì)形、運(yùn)動(dòng)方向、運(yùn)動(dòng)范圍都隨著任務(wù)的不同而發(fā)生變化。目標(biāo)的型號(hào)差異、所處編隊(duì)類型的差異和目標(biāo)所處的位置和機(jī)動(dòng)類型,都會(huì)對(duì)目標(biāo)的戰(zhàn)術(shù)意圖產(chǎn)生影響[2]。遙感技術(shù)是獲取海面目標(biāo)信息的有效途徑,通過(guò)遙感圖像,能夠獲得海面上目標(biāo)的位置、隊(duì)形、類型等屬性信息,通過(guò)對(duì)這些信息的整合與分析,可以判斷目標(biāo)可能的進(jìn)一步戰(zhàn)術(shù)意圖。

海面目標(biāo)的戰(zhàn)術(shù)意圖,具有對(duì)抗性、動(dòng)態(tài)性、穩(wěn)定性、欺騙性等特征[3]。根據(jù)任務(wù)類型的差異,在不同的戰(zhàn)時(shí),目標(biāo)會(huì)存在不同的戰(zhàn)術(shù)目的,包括“顯示存在”、“攻擊”、“偵察”、“撤退”、“掩護(hù)”、“支援”等等,這些意圖可能同時(shí)存在,但有所側(cè)重。本文的研究基于單組海上艦船編隊(duì)進(jìn)行,因此沒(méi)有考慮“掩護(hù)”、“支援”等意圖。

然而,在實(shí)際判斷中,隨著海軍作戰(zhàn)樣式的改變和各種遠(yuǎn)程攻擊武器的使用,單獨(dú)依靠敵方艦艇的機(jī)動(dòng)來(lái)識(shí)別敵方的意圖已經(jīng)變得越來(lái)越困難[3]。多變的目標(biāo)信息和相對(duì)較少的戰(zhàn)時(shí)先驗(yàn)知識(shí),不同意圖之間相互交雜,都是海面目標(biāo)戰(zhàn)術(shù)意圖識(shí)別時(shí)的困難所在。實(shí)際應(yīng)用時(shí),人工判斷難以保證準(zhǔn)確性和速度,而利用信息融合技術(shù)等可靠手段,能夠有力保障我方作戰(zhàn)部署和指揮。

信息融合技術(shù)是協(xié)同利用多源信息,對(duì)來(lái)自多個(gè)傳感器的數(shù)據(jù)進(jìn)行相互補(bǔ)充,以獲得對(duì)同一事物和目標(biāo)更本質(zhì)認(rèn)識(shí)的信息綜合處理技術(shù)[4]。文獻(xiàn)[5]和文獻(xiàn)[6]使用的Dempster-Shafer(D-S)證據(jù)理論方法推斷分析軍事目標(biāo)狀態(tài),文獻(xiàn)[7-9]則利用貝葉斯網(wǎng)絡(luò)預(yù)測(cè)和描述敵方戰(zhàn)術(shù)意圖,都取得了不錯(cuò)的結(jié)果及應(yīng)用價(jià)值。上述方法比較依賴先驗(yàn)知識(shí)構(gòu)建目標(biāo)屬性和意圖之間的關(guān)系,例如,貝葉斯網(wǎng)絡(luò)需要設(shè)定節(jié)點(diǎn)間的條件概率。若專家知識(shí)不足,意圖將難以識(shí)別。而且,對(duì)于意圖之間的模糊部分,如“攻擊”與“突防”意圖可能同時(shí)存在時(shí),必然有目標(biāo)主要的戰(zhàn)術(shù)目的,這時(shí)存在的模糊部分利用這些方法很難表達(dá)。

模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network,FNN)是神經(jīng)網(wǎng)絡(luò)與模糊邏輯的有機(jī)結(jié)合[10],在系統(tǒng)控制、狀態(tài)預(yù)測(cè)、人工智能等領(lǐng)域應(yīng)用廣泛[11-13]。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)是目的在于模擬人類腦組織的結(jié)構(gòu)及其功能的信息處理系統(tǒng)[14]。1986年McClelland和Rumelbart等提出的誤差反向傳播訓(xùn)練算法[15]大大推動(dòng)了其發(fā)展。ANN在學(xué)習(xí)和自動(dòng)模式識(shí)別等方面具有優(yōu)勢(shì),能自適應(yīng)地訓(xùn)練系統(tǒng)節(jié)點(diǎn);而引入模糊系統(tǒng)則能夠很有效地表示信息的模糊性與不確定性,使建立的系統(tǒng)模型更接近于實(shí)際。模糊神經(jīng)網(wǎng)絡(luò)常用的高木-關(guān)野模型(Takagi-Sugeno model,TSM)對(duì)輸入空間的分割是線性的,系統(tǒng)的輸出與輸入條件也是線性關(guān)系。但是在目標(biāo)戰(zhàn)術(shù)意圖的識(shí)別中,輸入?yún)?shù)之間互相影響,輸出的意圖與輸入并不是簡(jiǎn)單的線性關(guān)系。因此,為了適應(yīng)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的需求,需要對(duì)模型規(guī)則做出適當(dāng)調(diào)整。

綜上考慮基于遙感圖像海上目標(biāo)戰(zhàn)術(shù)意圖的需求和模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),本文提出了一種采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行海上目標(biāo)戰(zhàn)術(shù)意圖分析的方法,首先設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型,利用目標(biāo)屬性與對(duì)應(yīng)的戰(zhàn)術(shù)意圖形成訓(xùn)練樣本進(jìn)行訓(xùn)練,采用一個(gè)神經(jīng)網(wǎng)絡(luò)計(jì)算輸入條件的模糊隸屬函數(shù),結(jié)合其他神經(jīng)網(wǎng)絡(luò)面向不同意圖計(jì)算給出的輸出結(jié)果,得到目標(biāo)最終的戰(zhàn)術(shù)意圖。

1　基于ANN集成的模糊系統(tǒng)模型

1.1高木-關(guān)野模型

1987年,文獻(xiàn)[10]結(jié)合模糊邏輯和神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究,此后模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的研究與實(shí)際應(yīng)用發(fā)展迅速。模糊邏輯利用隸屬度函數(shù)表征一個(gè)元素對(duì)于某個(gè)集合的隸屬程度,其取值一般在(0,1)的范圍內(nèi),隸屬度越接近于1,說(shuō)明該元素對(duì)這個(gè)集合的隸屬程度越高。

圖1是簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

目前的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類型非常豐富,主要可以分為普遍適用的網(wǎng)絡(luò)和專門(mén)用途的網(wǎng)絡(luò),約有十余種[16]。模糊神經(jīng)網(wǎng)絡(luò)的神經(jīng)節(jié)點(diǎn)由模糊神經(jīng)元構(gòu)成,在一般的模糊神經(jīng)元中,輸入信息是通過(guò)模糊規(guī)則來(lái)與其輸出聯(lián)系的,為了描述不確定性和模糊信息,規(guī)則的前提和結(jié)論都用模糊集合來(lái)表示。TSM 1985年由日本的高木和關(guān)野提出,是模糊系統(tǒng)中常用的規(guī)則模型,可用于模糊控制和系統(tǒng)辨識(shí)[17-18]。常見(jiàn)的有n個(gè)輸入變量、單個(gè)輸出、m條模糊規(guī)則的高木-關(guān)野模糊系統(tǒng)具有如下形式的模糊規(guī)則。

(1)

式中,C為實(shí)數(shù)系數(shù)。

圖1　BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

1.2基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型

常用的TSM的系統(tǒng)輸入空間都是線性分割,系統(tǒng)的輸出與輸入條件也是線性關(guān)系,而目標(biāo)的戰(zhàn)術(shù)意圖往往是由多種因素決定的,這些因素之間相互影響,使得輸入條件與輸出結(jié)論之間是非線性的關(guān)系。對(duì)于這種情況,若采用TSM,需要對(duì)輸入空間進(jìn)行精細(xì)地劃分,但這樣一來(lái),模糊規(guī)則的數(shù)量將大量增加。為了避免該問(wèn)題,采用另一種規(guī)則形式。

形式 2IfX∈Rj, theny=fj(X)。其中,Rj為輸入空間按照輸出的不同類型分割后的部分空間,這樣一來(lái)不需要按照形式1對(duì)輸入空間進(jìn)行大量的分割。不過(guò),采用這種規(guī)則形式時(shí),輸入的參數(shù)對(duì)應(yīng)的隸屬度函數(shù)無(wú)法像一般的TSM一樣單獨(dú)獲得,為了解決這個(gè)問(wèn)題,采用一個(gè)神經(jīng)網(wǎng)絡(luò)NNmf來(lái)計(jì)算針對(duì)不同類型輸出的輸入變量隸屬函數(shù),利用另外的幾個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)給出結(jié)論部分的輸出函數(shù)fj(X),計(jì)算輸入條件面向不同輸入結(jié)論的結(jié)果,這樣,構(gòu)建出一個(gè)基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型,如圖2中藍(lán)色區(qū)域所示。利用這個(gè)模型,在獲得輸出結(jié)論的同時(shí),能夠獲得樣本對(duì)不同示意圖的隸屬度結(jié)果。

模糊系統(tǒng)模型中,神經(jīng)網(wǎng)絡(luò)NNmf用于給出輸入信息對(duì)應(yīng)m類結(jié)論的模糊隸屬度,對(duì)應(yīng)的有m項(xiàng)輸出,而另外的幾個(gè)神經(jīng)網(wǎng)絡(luò)NNj(j=1,2,…,m)分別用來(lái)表示網(wǎng)絡(luò)的m類輸出結(jié)論部分的fj(X)。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸出:

(2)

式中,gj對(duì)應(yīng)BP神經(jīng)網(wǎng)絡(luò)NNj(j=1,2,…,m)的輸出,而μj對(duì)應(yīng)各條模糊規(guī)則的模糊隸屬度。

圖2　模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的系統(tǒng)和流程

建立這樣的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng),首先要根據(jù)需要確定系統(tǒng)的模糊規(guī)則條數(shù)m,進(jìn)而建立起適合的神經(jīng)網(wǎng)絡(luò)NNmf來(lái)計(jì)算模糊隸屬度,之后利用收集到的訓(xùn)練樣本的輸入部分對(duì)NNmf進(jìn)行訓(xùn)練,生成結(jié)論部分非線性函數(shù)的神經(jīng)網(wǎng)絡(luò)NNj(j=1,2,…,m)則利用對(duì)應(yīng)不同結(jié)論的訓(xùn)練樣本進(jìn)行訓(xùn)練。

網(wǎng)絡(luò)采用BP算法進(jìn)行訓(xùn)練。訓(xùn)練的過(guò)程是網(wǎng)絡(luò)根據(jù)樣本,不斷地調(diào)整權(quán)值和閾值以適應(yīng)訓(xùn)練樣本的輸入輸出的過(guò)程。當(dāng)網(wǎng)絡(luò)的輸出與樣本的誤差滿足要求或訓(xùn)練次數(shù)達(dá)到設(shè)定值時(shí),訓(xùn)練結(jié)束。網(wǎng)絡(luò)在訓(xùn)練時(shí)可能會(huì)發(fā)生過(guò)學(xué)習(xí)的情況,即由于學(xué)習(xí)樣本的數(shù)量限制,在達(dá)到誤差要求時(shí)系統(tǒng)并不能很好的反應(yīng)輸入?yún)?shù)和輸出結(jié)果的關(guān)系,為此,引入準(zhǔn)則函數(shù):

(3)

2　目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的步驟

基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型對(duì)目標(biāo)戰(zhàn)術(shù)意圖進(jìn)行識(shí)別,其系統(tǒng)和流程如圖2所示,分為以下步驟。

步驟 1選擇符合條件的包含目標(biāo)輸入?yún)?shù)和輸出意圖的樣本集合 (xi,yi),選擇在遙感解譯過(guò)程中可以獲取的目標(biāo)屬性輸入?yún)?shù)。根據(jù)訓(xùn)練的需要,將樣本分為兩個(gè)類別。其中一部分作為訓(xùn)練樣本來(lái)訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò),先要對(duì)這些樣本進(jìn)行歸一化處理,目的是減少輸入?yún)?shù)之間因?yàn)閿?shù)量級(jí)差異造成的影響;另一部分樣本用于在網(wǎng)絡(luò)訓(xùn)練完成后,測(cè)試模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的性能。

步驟 2將全部訓(xùn)練樣本的輸入部分用于訓(xùn)練NNmf,使這個(gè)神經(jīng)網(wǎng)絡(luò)能夠計(jì)算輸入?yún)?shù)對(duì)應(yīng)不同輸出意圖的模糊隸屬度。根據(jù)輸入?yún)?shù)對(duì)應(yīng)的戰(zhàn)術(shù)意圖對(duì)訓(xùn)練樣本進(jìn)行聚類,每一類樣本對(duì)應(yīng)一條模糊規(guī)則,聚類為m組,即有m條規(guī)則。聚類后的每一類樣本用于訓(xùn)練NNj(j=1,2,…,m)等m個(gè)神經(jīng)網(wǎng)絡(luò)。例如,NN1的輸出戰(zhàn)術(shù)意圖為“突防”,那么NN1網(wǎng)絡(luò)對(duì)應(yīng)的所有輸入/輸出樣本就是意圖為“突防”那一類樣本。

當(dāng)樣本中的某一個(gè)樣本xj聚類到第k類時(shí),訓(xùn)練得到的輸出權(quán)值有

(4)

式中，j=1,2,…, m。

網(wǎng)絡(luò)的激勵(lì)函數(shù)的取值表示了該變量屬于某一類的概率,在此選擇Sigmoid函數(shù),考慮到其有時(shí)不能完全取到1/0值,為了提高網(wǎng)絡(luò)的訓(xùn)練速度,用0.9/0.1代替,即

(5)

由于Sigmoid函數(shù)的單調(diào)特性,訓(xùn)練后的網(wǎng)絡(luò)能夠給出輸入?yún)?shù)針對(duì)于不同輸出意圖的隸屬關(guān)系。

步驟 3當(dāng)構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓(xùn)練完成后,輸入待識(shí)別的海面目標(biāo)輸入?yún)?shù),系統(tǒng)根據(jù)訓(xùn)練達(dá)到的權(quán)值等參數(shù)自適應(yīng)地處理樣本參數(shù),之后由NNmf計(jì)算得到輸入?yún)?shù)對(duì)各種意圖的模糊隸屬度μj,NNj(j=1,2,…,m)各個(gè)神經(jīng)網(wǎng)絡(luò)會(huì)計(jì)算得到各網(wǎng)絡(luò)的輸出結(jié)果gj,然后由式(3)求出目標(biāo)對(duì)應(yīng)的戰(zhàn)術(shù)意圖。

3　實(shí)驗(yàn)分析

3.1系統(tǒng)的輸入?yún)?shù)與輸出

分析海上目標(biāo)的戰(zhàn)術(shù)意圖,根據(jù)應(yīng)用背景,首先通過(guò)遙感解譯獲取目標(biāo)的相關(guān)屬性,作為模糊神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),其對(duì)應(yīng)的戰(zhàn)術(shù)意圖將作為輸出。其中,遙感解譯的方法不是本文的研究重點(diǎn),但根據(jù)應(yīng)用背景的要求,選取的目標(biāo)輸入屬性參數(shù)需要滿足以下幾個(gè)條件:

(1) 能夠比較容易地從遙感解譯中獲取;

(2) 與目標(biāo)的軍事意圖有直接的關(guān)聯(lián)和影響;

(3) 便于進(jìn)行數(shù)學(xué)模型量化作為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入。

綜合考慮上述條件,本文選取了“目標(biāo)型號(hào)”“目標(biāo)距我方軍事單位距離”“目標(biāo)前進(jìn)方向”以及“目標(biāo)所處編隊(duì)類型”作為海面目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的輸入變量。目標(biāo)輸出的戰(zhàn)術(shù)意圖選取了“攻擊”“偵察”“突防”和“撤退”[4],這些意圖比較具有代表性,威脅程度各有不同,同時(shí)“攻擊”和“突防”意圖的交叉模糊部分也能夠衡量模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的可靠性。其中,“目標(biāo)型號(hào)”和“目標(biāo)所處編隊(duì)類型”采用整數(shù)表示,選取了5類艦船目標(biāo)以及4種編隊(duì)情況作為研究對(duì)象,如表1和表2所示。

表1　目標(biāo)型號(hào)選取

表2　艦船編隊(duì)工作狀態(tài)

這5類艦船在海上戰(zhàn)場(chǎng)使用最廣泛且具備不同的應(yīng)用價(jià)值和戰(zhàn)略意義,因此以這5類艦船目標(biāo)為主要研究對(duì)象。

為了構(gòu)建模擬樣本庫(kù),根據(jù)相關(guān)領(lǐng)域的專家知識(shí),確認(rèn)了不同輸入?yún)?shù)主要影響的兩類戰(zhàn)術(shù)意圖,在此分別簡(jiǎn)單介紹。

對(duì)目標(biāo)型號(hào)而言,Ⅰ型和Ⅱ型艦船具備較強(qiáng)的攻擊性,而Ⅳ型和Ⅴ型艦船相對(duì)攻擊性較弱,機(jī)動(dòng)偵察能力較強(qiáng),其模擬關(guān)系如表3所示。

表3　目標(biāo)類型與目標(biāo)軍事意圖的關(guān)系

目標(biāo)據(jù)我方主要軍事單位的距離對(duì)目標(biāo)意圖的影響伴隨著不同類型目標(biāo)的攻擊范圍變化而變化。簡(jiǎn)單起見(jiàn),根據(jù)不同目標(biāo)的攻擊范圍初步設(shè)定了一些距離閾值,如表4所示。

表4　目標(biāo)距離與目標(biāo)軍事意圖的關(guān)系

目標(biāo)前進(jìn)角度較小時(shí),說(shuō)明目標(biāo)是向著我方的主要軍事單位前進(jìn),其相應(yīng)威脅也會(huì)較大,其模擬關(guān)系見(jiàn)表5。

表5　目標(biāo)前進(jìn)角度與目標(biāo)軍事意圖的關(guān)系

目標(biāo)所處編隊(duì)的結(jié)構(gòu)組成與目標(biāo)軍事意圖的關(guān)系和目標(biāo)與目標(biāo)編隊(duì)情況的作戰(zhàn)等級(jí)有關(guān),表6給出了其相應(yīng)的關(guān)系。

表6　目標(biāo)編隊(duì)情況與目標(biāo)軍事意圖的關(guān)系

根據(jù)以上關(guān)系,綜合每組樣本數(shù)據(jù)的輸入,根據(jù)專家評(píng)估得到每組樣本對(duì)應(yīng)的輸入意圖,在實(shí)際應(yīng)用中,可以收集大量的實(shí)際數(shù)據(jù)作為系統(tǒng)。這些樣本最終構(gòu)成系統(tǒng)的訓(xùn)練樣本和測(cè)試樣本。本文選取了60組這樣的樣本,其中40組用于訓(xùn)練系統(tǒng)的結(jié)構(gòu),另外20組用于測(cè)試系統(tǒng)的準(zhǔn)確性。

3.2系統(tǒng)的訓(xùn)練

用y代表該樣本對(duì)應(yīng)的戰(zhàn)術(shù)意圖,分別用數(shù)字1～4表示,對(duì)應(yīng)關(guān)系如表7所示。

表7　系統(tǒng)輸出意圖對(duì)應(yīng)數(shù)值

本文選取的40組訓(xùn)練樣本中的一部分樣本如表8所示。(x1,x2,x3,x4)=(目標(biāo)類型,目標(biāo)距我方主要軍事單位距離,目標(biāo)前進(jìn)方向,目標(biāo)編隊(duì)情況),訓(xùn)練樣本的選擇以“典型”為基本原則,表8給出的是系統(tǒng)所采用的訓(xùn)練樣本的一部分。

表8　系統(tǒng)訓(xùn)練樣本(部分)

確定了訓(xùn)練樣本后,要對(duì)訓(xùn)練樣本的輸入進(jìn)行歸一化處理。由于目標(biāo)類型、目標(biāo)編隊(duì)兩類輸入信息都是5以內(nèi)的整數(shù),而目標(biāo)距我方主要軍事單位距離和目標(biāo)前進(jìn)方向的數(shù)量級(jí)相對(duì)很大,會(huì)削弱目標(biāo)類型和編隊(duì)情況對(duì)網(wǎng)絡(luò)訓(xùn)練過(guò)程的影響,因此將每類輸入?yún)?shù)歸一化映射到(0,1)上。部分歸一化后的訓(xùn)練樣本輸入如表9所示。

表9　歸一化后的系統(tǒng)訓(xùn)練樣本(部分)

之后首先訓(xùn)練計(jì)算模糊隸屬度函數(shù)的網(wǎng)絡(luò)NNmf,經(jīng)過(guò)調(diào)整,NNmf有4個(gè)輸入節(jié)點(diǎn)和4個(gè)輸出節(jié)點(diǎn),含有兩個(gè)隱層,節(jié)點(diǎn)數(shù)目均為7,隱層節(jié)點(diǎn)的數(shù)目是根據(jù)式(6)不斷調(diào)整得到的最佳值。

(6)

式中,l,m,n分別表示隱層、輸入層和輸出層的節(jié)點(diǎn)數(shù);a為0～10之間的任意整數(shù)[19]。用訓(xùn)練樣本輸入值進(jìn)行訓(xùn)練,反復(fù)訓(xùn)練4 000次,學(xué)習(xí)效率η=0.009,允許的最大誤差為0.001 8,網(wǎng)絡(luò)要求的精度為0.000 04,輸出為輸入樣本面向不同意圖的模糊隸屬度值,訓(xùn)練得到NNmf網(wǎng)絡(luò)的誤差平方和為0.015 772。NN1～NN4的訓(xùn)練過(guò)程與NNmf類似。NN1～NN4的每個(gè)網(wǎng)絡(luò)均有4個(gè)輸入節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn),含有兩個(gè)隱層,隱層節(jié)點(diǎn)數(shù)為8,每個(gè)網(wǎng)絡(luò)各10組訓(xùn)練樣本。學(xué)習(xí)效率η=0.000 35,允許的最大誤差為0.002,網(wǎng)絡(luò)要求的精度為0.000 5,反復(fù)訓(xùn)練10 000次,即可得到穩(wěn)定的輸出。訓(xùn)練完成后,得到的部分訓(xùn)練樣本的模糊隸屬度如表10所示。

表10　訓(xùn)練樣本的模糊隸屬度訓(xùn)練結(jié)果(部分)

3.3系統(tǒng)的測(cè)試

系統(tǒng)訓(xùn)練完成后,選取了20組測(cè)試樣本用來(lái)測(cè)試系統(tǒng)的性能。選取測(cè)試樣本如表11所示。

表11　系統(tǒng)測(cè)試樣本

當(dāng)網(wǎng)絡(luò)訓(xùn)練完成之后,即可分別將20組測(cè)試樣本輸入系統(tǒng)中進(jìn)行測(cè)試,系統(tǒng)會(huì)根據(jù)訓(xùn)練得到的權(quán)值和閾值的參數(shù),對(duì)測(cè)試樣本反映的目標(biāo)戰(zhàn)術(shù)意圖值和隸屬度關(guān)系進(jìn)行計(jì)算,以此來(lái)對(duì)整個(gè)系統(tǒng)的性能進(jìn)行判斷。計(jì)算得到的測(cè)試樣本針對(duì)不同意圖的模糊隸屬度結(jié)果如表12所示。

表12　測(cè)試樣本的模糊隸屬度測(cè)試結(jié)果

根據(jù)式(2)計(jì)算各輸入樣本的目標(biāo)戰(zhàn)術(shù)意圖值,系統(tǒng)對(duì)測(cè)試樣本的輸出值和期望值如表13所示。其中y′代表系統(tǒng)的輸出結(jié)果。

表13　模糊神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本輸出結(jié)果

由上述的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)測(cè)試樣本計(jì)算得到的輸出值與期望值的對(duì)比如圖3所示。

可以看出,系統(tǒng)測(cè)試樣本取得的結(jié)果比較準(zhǔn)確,所產(chǎn)生的數(shù)值誤差都比較低,對(duì)目標(biāo)戰(zhàn)術(shù)意圖的計(jì)算數(shù)值與期望值相差很小,再由式(7)計(jì)算測(cè)試樣本的標(biāo)準(zhǔn)差,得D=0.022 0,可以看出,系統(tǒng)測(cè)試結(jié)果對(duì)實(shí)際結(jié)果擬合效果比較好。

(7)

圖3　測(cè)試樣本的運(yùn)算輸出值與期望值的比較

4　結(jié)　論

面對(duì)復(fù)雜多變的海戰(zhàn)場(chǎng)環(huán)境,準(zhǔn)確地判斷出感興趣目標(biāo)的動(dòng)向和意圖,對(duì)于指揮員的指揮決策起著重要的影響,也是整個(gè)態(tài)勢(shì)生成和構(gòu)建的基礎(chǔ)。本文針對(duì)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別輸入輸出非線性的特點(diǎn),設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型和戰(zhàn)術(shù)意圖識(shí)別方法,通過(guò)對(duì)測(cè)試樣本的測(cè)試分析說(shuō)明,方法對(duì)目標(biāo)戰(zhàn)術(shù)意圖的識(shí)別取得了良好的結(jié)果。在下一步的工作中,將對(duì)方法的實(shí)用性進(jìn)行進(jìn)一步的提高和驗(yàn)證,并對(duì)系統(tǒng)的時(shí)效性進(jìn)行提升。

[1] Peng J X, Xin D S. Research on operational scenario generation technique for naval battlefield situation analysis[J].CommandControlandSimulation,2011,33(3):39-42.(彭建雄,辛登松.海戰(zhàn)場(chǎng)態(tài)勢(shì)分析作戰(zhàn)想定生成技術(shù)研究[J].指揮控制與仿真,2011,33(3):39-42.)

[2] Leng H P, Wu X F, Yu Y Q. Study on surface ship maneuvering type recognition[J].ShipScienceandTechnology, 2007, 29(4): 51-53. (冷畫(huà)屏, 吳曉鋒, 余永權(quán). 水面目標(biāo)機(jī)動(dòng)類型識(shí)別研究[J].艦船科學(xué)技術(shù), 2007, 29(4): 51-53. )

[3] Niu X B, Zhao H, Zhang Y C. Naval vessel intention recognition based on decision tree[J].OrdnanceIndustryAutomation, 2010, 29(6): 44-53. (牛曉博, 趙虎, 張玉冊(cè). 基于決策樹(shù)的海戰(zhàn)場(chǎng)艦艇意圖識(shí)別[J].兵工自動(dòng)化, 2010, 29(6): 44-53.)

[4] Zhu A F, Jing Z R, Chen W J, et al. Data fusion based on ANFIS and evidence theory[J].JournalofNorthUniversityofChina(NaturalScienceEdition),2009,30(1):74-79.(朱安福,景占榮,陳煒軍,等.基于ANFIS和證據(jù)理論的信息融合研究[J].中北大學(xué)學(xué)報(bào)(自然科學(xué)版),2009, 30(1): 74-79.)

[5] Sun Y L, Bao L, Chen H D. Research on recognition technique of target tactical intentions in sea battlefield[C]∥Proc.ofInternationalSymposiumonComputationalIntelligenceandDesign,2012:130-133.

[6] Sun Y L, Dai R. Research on recognition technique of target tactical intentions in sea battlefield[C]∥Proc.oftheChineseSocietyofNavalArchitectsandMarineEngineers(SectionA), 2013:302-306.(孫越林,戴榮.海戰(zhàn)場(chǎng)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別技術(shù)研究[C]∥中國(guó)造船工程學(xué)會(huì)學(xué)術(shù)論文集(A集),2013:302-306.)

[7] Johansson F, Falkman G. Implementation and integration of a Bayesian network for prediction of tactical intention into a ground target simulator[C]∥Proc.ofthe9thInternationalConferenceonInformationFusion, 2006: 1-7.

[8] Ge S, Xia X Z. DSBN used for recognition of tactical intention[J].SystemsEngineeringandElectronics, 2014, 36(1): 76-83. (葛順, 夏學(xué)知. 用于戰(zhàn)術(shù)意圖識(shí)別的動(dòng)態(tài)序列貝葉斯網(wǎng)絡(luò)[J].系統(tǒng)工程與電子技術(shù), 2014, 36(1): 76-83.)

[9] Deng H J, Yin Q J, Hu J W, et al. Tactical intention recognition based on multi-entity Bayesian network[J].SystemsEngineeringandElectronics,2010,32(11):2374-2379.(鄧海軍,尹全軍,胡記文,等.基于MEBN的戰(zhàn)術(shù)意圖識(shí)別[J].系統(tǒng)工程與電子技術(shù), 2010, 32(11): 2374-2379.)

[10] Chiroma H, Abdulkareem S, Abubakar A, et al. Co-active neuro-fuzzy inference systems model for predicting crude oil price based on OECD inventories[C]∥Proc.oftheInternationalConferenceonResearchandInnovationinInformationSystems, 2013: 232-235.

[11] Wu G D, Huang P H. A vectorization optimization method based type-2 fuzzy neural network for noisy data classification[J].IEEETrans.onFuzzySystems, 2013, 21(1): 1-15.

[12] Li D Z, Wang W, Ismail F. Fuzzy neural network technique for system state forecasting[J].IEEETrans.onCybernetics, 2013, 43(5): 1484-1494.

[13] Han H G, Wu X L, Qiao J F. Nonlinear systems modeling based on self-organizing fuzzy neural network with adaptive computation algorithm[J].IEEETrans.onCybernetics, 2014, 44(4): 554-564.

[14] Mao J, Zhao H D, Yao J J. Development and application of ANN[J].ElectronicDesignEngineering,2011,24(19):62-65.(毛健,趙紅東, 姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程, 2011, 24(19): 62-65.)

[15] Singh B, Arya S R. Back-propagation control algorithm for power quality improvement using DSTATCOM[J].IEEETrans.onIndustrialElectronics, 2014, 61(3): 1204-1212.

[16] Gu X P. Study on the adaptive network-based fuzzy inference system and its simulation[J].FireControlandCommandControl, 2010, 35(2): 48-49, 53. (顧秀萍. 自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J].火力與指揮控制, 2010, 35(2): 48-49, 53.)

[17] Dong Y K, Kwae H Y, Ju H K, et al. Prediction of leak flow rate using fuzzy neural networks in severe post-LOCA circumstances[J].IEEETrans.onNuclearScience, 2014, 61(6): 3644-3652.

[18] Wai R J, Muthusamy R. Fuzzy neural network inherited sli-ding-mode control for robot manipulator including actuator dynamics[J].IEEETrans.onNeuralNetworksandLearningSystems, 2013, 24(2): 274-287.

[19] Sabna N, Kamal S, Supriya M H, et al. Implementation of an underwater image classifier using neural networks[C]∥Proc.oftheInternationalSymposiumonOceanElectronics, 2011: 145-151.

Fuzzy neural network based tactical intention recognition for sea targets

CHEN Hao, REN Qing-long, HUA Yi, QIU Yu-ning

(School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin 150001, China)

Traditional methods of tactical intention analysis for sea targets, which are based on the information obtained from remote sensing interpretation, need plenty of expert knowledge to confirm the relationship of network nods between input target property and output intention. However, the fuzzy neural network only utilizes input and output samples in the network training process, reducing the requirement of expert knowledge. In tactical intention recognition for sea targets, the relationship between inputs and outputs is nonlinear so that the typical Takagi-Sugeno model cannot handle this situation. Thus, a fuzzy system model based on integrated neural networks is established, in which target property and the intention are used to train neural networks to obtain the degree of fuzzy membership and output functions of different intentions. Using that model, the tactical intention of sea targets is then recognized. Experimental results present high accuracy of tactical intention recognition and are consistent with the situation.

tactical intention recognition; fuzzy neural network; degree of fuzzy membership; error back propagation

2015-08-31；

2016-01-19；網(wǎng)絡(luò)優(yōu)先出版日期：2016-03-22。

E 83

A

10.3969/j.issn.1001-506X.2016.08.20

陳浩(1978-),男,副教授,博士,主要研究方向?yàn)閳D像與視頻壓縮、遙感數(shù)據(jù)解譯與人工智能。

E-mail:hit_hao@hit.edu.cn

任卿龍(1993-),男,碩士研究生,主要研究方向?yàn)檫b感數(shù)據(jù)解譯與模糊神經(jīng)網(wǎng)絡(luò)。

E-mail:eric0628@126.com

滑藝(1991-),女,碩士研究生,主要研究方向?yàn)槎鄷r(shí)相圖像變化檢測(cè)與動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。

E-mail:1652746930@qq.com

邱宇寧(1993-),男,主要研究方向?yàn)槟繕?biāo)檢測(cè)與圖像處理。

E-mail:18686811860wsqyn@sina.com

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20160322.1143.004.html