吳廣宇 史紅權 邱楚楚

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

1 引言

空中目標意圖識別作為態(tài)勢感知的重要組成部分，通過作用于目標的威脅判斷過程，進而對艦船指揮員的指揮決策產生重要的影響。因此，準確、快速地識別空中目標意圖，不僅是艦船指揮員正確進行指揮決策和及時處置應對的前提和基礎，更是艦船對空防御中的關鍵環(huán)節(jié)。

國內外的研究中，用于意圖識別的方法主要包括基于貝葉斯推理的方法［1～2］、基于證據理論的方法［3］、基于模糊Petri網的方法［4］、基于模版匹配的方法［5］和基于深度學習的方法［6］等。其中前四種方法的識別結果受模型內部參數設置的影響較大，且參數一般依據專家經驗設定，在參雜主觀成分的同時對于復雜戰(zhàn)場環(huán)境的適應能力不強。而基于深度學習的方法雖能通過自主學習獲取參數，減少人為主觀影響，但需要龐大的樣本數據進行學習訓練，對數據要求較高。

支持向量機（SVM）［7］作為一種基于統(tǒng)計學習理論的機器學習算法，通過對樣本數據的自主學習，獲取分類平面，可減小人為主觀的影響，同時，它以結構風險最小化為原則，在小樣本、多維數據的處理上效果較好，對數據的要求較低。因此，支持向量機可以較好地克服上述方法的不足。而支持向量機結果的好壞則取決于懲罰參數C和核參數，故如何尋找獲取更優(yōu)的懲罰參數C和核參數是研究的重點。文獻［8］和［9］分別采用了傳統(tǒng)的網格搜索算法（GSA）和粒子群算法（PSO）對上述參數進行尋優(yōu)，雖然均可的到較好的結果，但卻無法克服GSA存在的搜索速度慢和PSO存在的尋優(yōu)能力不足導致準確率相對較低的問題。因而這兩種方法用于艦船對空中目標意圖識別時均無法做到既準確又快速。針對該問題，本文提出了一種基于麻雀搜索算法優(yōu)化支持向量機（SSA-SVM）的空中目標意圖識別方法，利用麻雀搜索算法（SSA）對支持向量機的懲罰參數C和核參數進行尋優(yōu)，建立了基于SSA-SVM的空中目標意圖識別模型，進行意圖識別，使結果同時滿足準確性和快速性的需要，并通過仿真實驗對GSA-SVM、PSO-SVM和SSA-SVM的識別效果進行了對比。結果表明，SSA-SVM相比于GSA-SVM和PSO-SVM，同時具有較高的識別準確率和較短的識別運算時間，能夠確保意圖識別的準確性與快速性，具有更好的識別效果，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，學習策略是間隔的最大化，在小樣本分析時優(yōu)勢明顯［10］。

對于一個分類問題，SVM首先通過核函數將樣本數據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建一個分類超平面作為決策面，使不同標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，樣本數據集合為{(xi,yi)|1≤i≤n}，xi為各樣本數據的特征向量集合，yi為樣本數據的類型標簽，K(xi,x)為核函數，決策面函數為 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C和核參數的影響。

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)作進行覓食和反捕食。在覓食的過程中，根據分工的不同，所有麻雀可被分為三類。第一類是發(fā)現(xiàn)者，它們負責尋找食物的來源，并引導后續(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)者的引導下接近并獲取食物；第三類是警戒者，它們負責種群捕食過程中的警戒工作，當警戒值高于安全閾值時，及時發(fā)出警報，使種群放棄食物，向安全的區(qū)域聚集，避免成為被捕食對象。因此，SSA尋優(yōu)的實質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］進行。

式（2）為發(fā)現(xiàn)者的位置更新，其中，t是當前代數，Tmax為最大迭代次數，為第i只麻雀第t代時所處的位置，為行向量形式，維數為d，α為(0,1]的一個隨機數，Q為服從正態(tài)分布的隨機數，L為一個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，服從(0,1)正態(tài)分布，K為[-1,1]的一個隨機數，fi為當前麻雀個體的適應度值，fb為當前全局中的最佳適應度值，fw為當前全局中的最差適應度值，ε為一個最小的常數，避免 fi=fw時，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的空中目標意圖識別模型

本節(jié)以艦船對空警戒探測為背景，針對巡邏機、偵察機和預警機的來襲意圖，構建SSA-SVM模型進行意圖識別。

4.1 空中目標的意圖類別

根據所研究的目標對象，結合艦船指揮員不同的處置決策及相關領域的專業(yè)人員的研究分析，三種飛機的意圖類別主要有以下四種：

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

2）特征收集：指目標為了解艦船的性能特征而采取的行動，包括實施電磁信號偵測、光學、紅外、雷達成像偵察，從而獲取艦船的電磁、光學、紅外、雷達特性。

3）區(qū)域偵察：指目標為掌握海區(qū)內艦船的分布和運用情況，以及收集海區(qū)內的水文、氣象、電磁信號等信息而采取的行動。

4）監(jiān)視：指目標為實時掌握艦船的動態(tài)變化和行動信息，保持長時間的持續(xù)跟蹤，并指揮引導其它目標活動而采取的行動。

4.2 空中目標的意圖識別參數

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

表1 意圖識別參數信息

4.3 模型的組成及功能

基于SSA-SVM的空目標意圖識別模型由數據預處理部分、SSA尋優(yōu)部分和SVM識別部分組成。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）數據預處理部分

數據預處理部分首先是對目標數據中的離散型意圖識別參數和各類意圖進行標簽化處理，轉換為相應的數值標簽，再對意圖識別參數進行歸一化處理，避免不同類型參數量綱上差異帶來的影響，然后將數據按比例分為訓練數據和測試數據，最后將訓練數據傳輸給SSA尋優(yōu)部分，將訓練和測試數據傳輸給SVM識別部分。

2）SSA尋優(yōu)部分

SSA尋優(yōu)部分是分別接收來自數據預處理部分的訓練數據和SVM識別部分的懲罰參數C及核參數的取值范圍，利用SSA找出最佳的懲罰參數C和核參數，并返回給SVM識別部分。

3）SVM識別部分

SVM識別部分是先向SSA尋優(yōu)部分傳送懲罰參數C和核參數的取值范圍，使其進行參數尋優(yōu)處理，而后接收尋優(yōu)后的最佳參數，并利用從數據預處理部分接收到的訓練數據進行機器訓練，完畢后對測試數據進行意圖識別，檢驗識別效果。

4.4 模型算法流程

基于SSA-SVM的空中目標意圖識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）數據預處理

將目標數據中的離散型意圖識別參數和各類意圖轉換為數值標簽，而后對意圖識別參數進行歸一化處理，消除量綱上的誤差，并按比例對數據進行隨機分類。

2）構建SVM

選擇SVM的核函數，主要有線性核函數、RBF核函數、多項式核函數和Sigmod核函數四種，并設置懲罰參數C和核參數的取值范圍。

3）初始化麻雀種群

設置種群的數量Size、最大迭代次數Tmax、個體的位置X（X為懲罰參數C和核參數組成的多維坐標），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）確定適應度函數

采用K-CV的分類準確率作為適應度函數值。

5）尋找全局最優(yōu)位置

利用訓練數據求得個體所處位置的適應度值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。若多個位置的 f相同，則最優(yōu)位置為懲罰參數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）迭代次數條件判斷

若當前代數t

8）機器訓練

利用SSA尋優(yōu)獲得的最佳參數和訓練數據對SVM進行訓練。

9）意圖識別和效果檢驗

將測試數據中的意圖識別參數輸入SVM中，輸出運算得到的意圖標簽值，識別目標意圖，并與測試數據中的目標實際意圖進行對比，檢驗識別效果。

5 仿真實驗

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

1）數據預處理

選取418組目標數據，數據中的目標意圖由領域專家根據實際情況結合相關經驗研究分析后給出。部分數據信息如表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 部分目標數據信息

離散型意圖識別參數的標簽化處理按照表1進行。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進行數值標簽轉換。再利用Matlab中的mapminmax函數對意圖識別參數進行歸一化處理。

對標簽化、歸一化處理后的數據按照訓練集/測試集約1/4的比例進行隨機分類，各意圖的訓練集和測試集的比例也滿足1/4，則分類后訓練集有335組、測試集有83組。

2）仿真參數設置

SVM的參數設置：核函數采用應用最廣泛的RBF核函數，核參數為g，設置懲罰參數C和核參數g的取值范圍均為[2-12,212]。

SSA的參數設置：Size=20、Tmax=20、F=0.2、J=0.8、Y=0.2、ST=0.8。

GSA的參數設置：搜索步長l=1。

PSO的參數設置：種群數量和最大迭代次數與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wv=0.9。

3）仿真與分析

為使空中目標意圖識別模型具有更好的泛化能力，同時降低SSA和PSO中在種群初始化階段位置分布的隨機性造成的影響，對目標數據進行50次隨機分類，通過50次實驗進行綜合分析。

經過仿真，可得到三種方法對測試數據的意圖識別準確率和識別運算用時的情況對比，分別如圖5和圖6所示。

圖5 意圖識別準確率對比

圖6 識別運算用時對比

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

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

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

6 結語

本文針對傳統(tǒng)的GSA-SVM和PSO-SVM在艦船對空中目標意圖識別中無法準確、快速地識別目標意圖而導致識別效果較差的問題，提出了一種基于SSA-SVM的空中目標意圖識別方法，建立了基于SSA-SVM的空中目標意圖識別模型，并通過仿真實驗與GSA-SVM和PSO-SVM進行效果對比。結果表明，相比GSA-SVM和PSO-SVM，SSA-SVM既具有較高的識別準確率，也具有較短的識別運算時間，能夠同時滿足準確性和快速性的需要，對空中目標意圖識別的效果最佳，因而可以有效地輔助艦船指揮員正確進行指揮決策和及時處置應對。