岳龍飛,楊任農(nóng),楊文達(dá),左家亮,劉會(huì)亮,許凌凱

(1.海軍工程大學(xué) 電磁能技術(shù)全國(guó)重點(diǎn)實(shí)驗(yàn)室, 武漢 430033; 2.空軍工程大學(xué) 空管領(lǐng)航學(xué)院, 西安 710051; 3.西安衛(wèi)星測(cè)控中心, 西安 710043; 4.中國(guó)人民解放軍95882部隊(duì))

0 引言

機(jī)動(dòng)動(dòng)作識(shí)別是空戰(zhàn)智能決策中的關(guān)鍵問(wèn)題,準(zhǔn)確快速識(shí)別敵方飛機(jī)機(jī)動(dòng)動(dòng)作類型有利于我方在空戰(zhàn)中快速?zèng)Q策機(jī)動(dòng),奪取有利態(tài)勢(shì)。隨著人工智能技術(shù)的飛速發(fā)展,戰(zhàn)爭(zhēng)節(jié)奏越來(lái)越快,戰(zhàn)場(chǎng)信息量越來(lái)越大,空戰(zhàn)也變得越來(lái)越智能[1-3]。面對(duì)空戰(zhàn)中復(fù)雜多變的態(tài)勢(shì)和海量高維的飛行數(shù)據(jù),采用新型人工智能方法進(jìn)行機(jī)動(dòng)動(dòng)作識(shí)別顯得尤為重要。

目前主要有2種機(jī)動(dòng)動(dòng)作識(shí)別方法,一種是知識(shí)驅(qū)動(dòng)的方法,另一種是數(shù)據(jù)驅(qū)動(dòng)的方法。

知識(shí)驅(qū)動(dòng)的方法主要是依靠領(lǐng)域?qū)＜胰斯ぷR(shí)別機(jī)動(dòng)動(dòng)作的先驗(yàn)知識(shí),通過(guò)觀察飛機(jī)機(jī)動(dòng)時(shí)航向角、滾轉(zhuǎn)角、高度等參數(shù)的變化規(guī)律,來(lái)推理出其最有可能采取的機(jī)動(dòng)動(dòng)作。孟光磊等[4]通過(guò)分析飛機(jī)的各飛行參數(shù)信息,利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型自動(dòng)識(shí)別機(jī)動(dòng)動(dòng)作,實(shí)時(shí)性較高;鐘友武等[5]參考人的思維過(guò)程,利用模糊推理方法識(shí)別基本機(jī)動(dòng)動(dòng)作;倪世宏等[6]根據(jù)領(lǐng)域?qū)＜蚁闰?yàn)知識(shí)和飛行參數(shù)變化規(guī)律,構(gòu)建飛行動(dòng)作識(shí)別知識(shí)庫(kù),并采用正向精確推理識(shí)別各種機(jī)動(dòng)動(dòng)作。這種方法從飛行參數(shù)據(jù)變化規(guī)律出發(fā),對(duì)領(lǐng)域?qū)＜抑R(shí)要求較高,識(shí)別準(zhǔn)確率較高,對(duì)大規(guī)模數(shù)據(jù)的特征提取能力不足。

數(shù)據(jù)驅(qū)動(dòng)的方法主要是通過(guò)對(duì)機(jī)動(dòng)動(dòng)作樣本庫(kù)歷史數(shù)據(jù)的學(xué)習(xí),訓(xùn)練出一個(gè)分類器數(shù)據(jù)模型,進(jìn)而對(duì)新輸入的機(jī)動(dòng)動(dòng)作進(jìn)行識(shí)別分類。楊俊等[7]利用模糊支持向量機(jī)優(yōu)良的分類能力,對(duì)6種飛行動(dòng)作進(jìn)行識(shí)別,識(shí)別準(zhǔn)確率較高;楊俊等[8]也建立了基于模糊最小二乘支持向量機(jī)的飛行動(dòng)作識(shí)別模型,提高了多分類的識(shí)別準(zhǔn)確率;張振興等[9]把機(jī)動(dòng)識(shí)別問(wèn)題看成方向狀態(tài)和動(dòng)作狀態(tài)的時(shí)間序列數(shù)據(jù)的識(shí)別問(wèn)題,采用隱馬爾科夫模型識(shí)別9種基本飛行動(dòng)作。這種方法分類器比較簡(jiǎn)單,易于實(shí)現(xiàn),存在特征提取能力不足的問(wèn)題。

近年來(lái)以深度學(xué)習(xí)[10-12]為代表的人工智能技術(shù)取得了巨大進(jìn)步,自動(dòng)編碼器作為其中一種十分重要的無(wú)監(jiān)督學(xué)習(xí)方法,能夠?qū)Υ罅繜o(wú)標(biāo)簽數(shù)據(jù)進(jìn)行降維,并自動(dòng)學(xué)習(xí)、抽象、提取出蘊(yùn)含在數(shù)據(jù)中的重要特征,因此已成功應(yīng)用于模式識(shí)別、數(shù)據(jù)分類、異常檢測(cè)等問(wèn)題中[13]。面對(duì)大量的、時(shí)序的、高維的飛行機(jī)動(dòng)動(dòng)作數(shù)據(jù),如果能從中提取出重要特征,然后結(jié)合支持向量機(jī)(support vector machines,SVM)良好的分類性能,對(duì)不同的機(jī)動(dòng)動(dòng)作進(jìn)行分類識(shí)別,將大大提高機(jī)動(dòng)動(dòng)作識(shí)別的準(zhǔn)確率。

因此,提出一種基于正則化自動(dòng)編碼器-支持向量機(jī)(regularized auto-encoder-support vector machines,RAE-SVM)的飛機(jī)機(jī)動(dòng)動(dòng)作識(shí)別新方法。首先依靠飛機(jī)機(jī)動(dòng)動(dòng)作數(shù)據(jù)的變化特征和領(lǐng)域?qū)＜胰斯ぷR(shí)別機(jī)動(dòng)動(dòng)作的先驗(yàn)知識(shí),建立飛機(jī)機(jī)動(dòng)動(dòng)作識(shí)別樣本庫(kù);然后構(gòu)建基于RAE-SVM的機(jī)動(dòng)動(dòng)作識(shí)別模型,通過(guò)構(gòu)建的樣本庫(kù)對(duì)模型進(jìn)行訓(xùn)練,確定了RAE網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和SVM最優(yōu)參數(shù);最后與其他幾種典型機(jī)動(dòng)識(shí)別模型進(jìn)行準(zhǔn)確性和實(shí)時(shí)性對(duì)比,并采用真實(shí)機(jī)動(dòng)數(shù)據(jù)進(jìn)行實(shí)例評(píng)估。仿真結(jié)果表明,該方法能夠快速準(zhǔn)確地識(shí)別飛機(jī)機(jī)動(dòng)動(dòng)作。

1 問(wèn)題描述

由于飛機(jī)在做機(jī)動(dòng)的過(guò)程中,常常伴隨著大量飛行參數(shù)數(shù)據(jù)的變化,如航向角、滾轉(zhuǎn)角、高度、俯仰角、速度等,因此飛機(jī)機(jī)動(dòng)動(dòng)作識(shí)別問(wèn)題可以看成一個(gè)時(shí)間序列數(shù)據(jù)的識(shí)別問(wèn)題。

飛機(jī)機(jī)動(dòng)動(dòng)作一般分為戰(zhàn)術(shù)機(jī)動(dòng)動(dòng)作和基本飛行動(dòng)作2種。其中,戰(zhàn)術(shù)機(jī)動(dòng)動(dòng)作如左爬升、高速搖一搖等相對(duì)復(fù)雜,基本飛行動(dòng)作如轉(zhuǎn)彎、爬升等相對(duì)簡(jiǎn)單。考慮到各類復(fù)雜的戰(zhàn)術(shù)機(jī)動(dòng)動(dòng)作都可以由簡(jiǎn)單的飛行動(dòng)作組合而成,因此本文中只考慮簡(jiǎn)單飛行動(dòng)作,將飛機(jī)機(jī)動(dòng)動(dòng)作分為左轉(zhuǎn)彎、右轉(zhuǎn)彎、爬升和俯沖4種,如圖1所示。當(dāng)飛機(jī)沒(méi)有做以上4種機(jī)動(dòng)動(dòng)作時(shí)認(rèn)為其保持平飛狀態(tài)。下面以4種典型機(jī)動(dòng)動(dòng)作為例進(jìn)行分析。

圖1(a)為飛機(jī)進(jìn)行左轉(zhuǎn)彎?rùn)C(jī)動(dòng),飛機(jī)先保持平飛狀態(tài),滾轉(zhuǎn)角基本保持在0°,航向角緩慢變化,其他參數(shù)基本保持穩(wěn)定;當(dāng)開始進(jìn)行左轉(zhuǎn)彎?rùn)C(jī)動(dòng)時(shí),滾轉(zhuǎn)角立即增加到一個(gè)比較大的數(shù)(一般為60°左右),航向角也開始劇烈變化,這個(gè)點(diǎn)稱為左轉(zhuǎn)彎起始點(diǎn);之后滾轉(zhuǎn)角穩(wěn)定在一個(gè)數(shù)值附近,航向角保持勻速變化,飛機(jī)保持左轉(zhuǎn)彎狀態(tài),持續(xù)一段時(shí)間;當(dāng)結(jié)束左轉(zhuǎn)彎?rùn)C(jī)動(dòng)時(shí),滾轉(zhuǎn)角快速回到0°附近,航向角緩慢變化,其他參數(shù)又回到基本穩(wěn)定狀態(tài),這個(gè)點(diǎn)稱為左轉(zhuǎn)彎結(jié)束點(diǎn)。左轉(zhuǎn)彎起始點(diǎn)和結(jié)束點(diǎn)之間飛機(jī)進(jìn)行左轉(zhuǎn)彎?rùn)C(jī)動(dòng)。圖1(b)為飛機(jī)進(jìn)行右轉(zhuǎn)彎?rùn)C(jī)動(dòng),類似地,定義右轉(zhuǎn)彎起始點(diǎn)、結(jié)束點(diǎn),兩點(diǎn)之間飛機(jī)進(jìn)行右轉(zhuǎn)彎?rùn)C(jī)動(dòng)。

圖1 4種典型機(jī)動(dòng)動(dòng)作

圖1(c)為飛機(jī)進(jìn)行爬升機(jī)動(dòng),飛機(jī)先保持平飛狀態(tài),高度基本保持穩(wěn)定,俯仰角保持在一個(gè)比較小的數(shù)值附近;當(dāng)開始進(jìn)行爬升機(jī)動(dòng)時(shí),高度迅速增加,速度減小,俯仰角保持在一個(gè)數(shù)值附近,這個(gè)點(diǎn)稱為爬升起始點(diǎn);之后高度保持勻速增加,俯仰角基本保持穩(wěn)定,飛機(jī)保持爬升狀態(tài),持續(xù)一段時(shí)間;當(dāng)結(jié)束爬升機(jī)動(dòng)時(shí),俯仰角快速回到一個(gè)小的數(shù)值附近,高度和速度保持穩(wěn)定,這個(gè)點(diǎn)稱為爬升結(jié)束點(diǎn)。兩點(diǎn)之間飛機(jī)進(jìn)行爬升機(jī)動(dòng)。圖1(d)為飛機(jī)進(jìn)行俯沖機(jī)動(dòng),類似地,定義俯沖起始點(diǎn)、結(jié)束點(diǎn),兩點(diǎn)之間飛機(jī)進(jìn)行俯沖機(jī)動(dòng)。

因此,只要識(shí)別出飛機(jī)機(jī)動(dòng)起始點(diǎn)和結(jié)束點(diǎn),也就識(shí)別出了機(jī)動(dòng)動(dòng)作?？紤]到飛機(jī)機(jī)動(dòng)是一個(gè)持續(xù)的過(guò)程,一個(gè)機(jī)動(dòng)動(dòng)作往往需要數(shù)秒甚至幾十秒來(lái)完成,因此本文中將機(jī)動(dòng)識(shí)別問(wèn)題看作基于時(shí)間段數(shù)據(jù)特征[14]的時(shí)間序列數(shù)據(jù)識(shí)別問(wèn)題。

2 機(jī)動(dòng)動(dòng)作樣本庫(kù)

2.1 構(gòu)建機(jī)動(dòng)動(dòng)作特征數(shù)據(jù)

基于上文對(duì)飛機(jī)機(jī)動(dòng)時(shí)飛行參數(shù)數(shù)據(jù)變化規(guī)律的描述,以空戰(zhàn)訓(xùn)練測(cè)量?jī)x(air combat maneuvering instrument,ACMI)記錄的單機(jī)機(jī)動(dòng)數(shù)據(jù)為研究對(duì)象,構(gòu)建機(jī)動(dòng)動(dòng)作特征數(shù)據(jù)。其中,ACMI是一種空戰(zhàn)數(shù)據(jù)記錄設(shè)備[15],以0.25 s的間隔實(shí)時(shí)采集、傳輸并保存飛機(jī)的時(shí)間、位置、姿態(tài)、過(guò)載數(shù)據(jù)。具體構(gòu)建步驟為:

步驟1根據(jù)上文分析,并借鑒楊俊等[8]研究成果選擇機(jī)動(dòng)動(dòng)作數(shù)據(jù)特征,包括航向角、航向角變化量、俯仰角、俯仰角變化量、滾轉(zhuǎn)角、滾轉(zhuǎn)角變化量、高度、高度變化量、速度和速度變化量共10類參數(shù),見表1所示。

表1 機(jī)動(dòng)動(dòng)作數(shù)據(jù)特征

步驟2從飛行第1個(gè)點(diǎn)開始,向前取9 s共36個(gè)點(diǎn)的數(shù)據(jù),每個(gè)點(diǎn)包括10維參數(shù),按照時(shí)間順序連續(xù)排列,形成維度為(1,360)的機(jī)動(dòng)動(dòng)作特征數(shù)據(jù),見圖2所示。

圖2 一組機(jī)動(dòng)動(dòng)作特征數(shù)據(jù)

步驟3以9 s作為一組機(jī)動(dòng)特征數(shù)據(jù)的時(shí)間窗口向后滾動(dòng),直至遍歷整個(gè)飛行時(shí)間。

2.2 構(gòu)建機(jī)動(dòng)動(dòng)作樣本庫(kù)

基于機(jī)動(dòng)動(dòng)作數(shù)據(jù)變化規(guī)律,由3位領(lǐng)域?qū)＜乙揽拷?jīng)驗(yàn)知識(shí)構(gòu)建樣本庫(kù),步驟如下

步驟1專家根據(jù)ACMI三維態(tài)勢(shì)顯示,初步確定機(jī)動(dòng)起始點(diǎn)、結(jié)束點(diǎn)所在的時(shí)間段。

步驟2專家結(jié)合ACMI數(shù)據(jù)中機(jī)動(dòng)動(dòng)作參數(shù)變化規(guī)律,確定左轉(zhuǎn)彎、右轉(zhuǎn)彎、爬升和俯沖機(jī)動(dòng)起始點(diǎn)、結(jié)束點(diǎn)。

步驟3從專家確定的機(jī)動(dòng)起始點(diǎn)、結(jié)束點(diǎn)對(duì)應(yīng)時(shí)刻向前取9 s為一組,構(gòu)造各類機(jī)動(dòng)動(dòng)作特征數(shù)據(jù)。

步驟4各類機(jī)動(dòng)起始點(diǎn)、結(jié)束點(diǎn)之外的數(shù)據(jù)也是9 s為一組,組成非機(jī)動(dòng)點(diǎn)特征數(shù)據(jù)。

經(jīng)過(guò)3位領(lǐng)域?qū)＜遗袛?得到機(jī)動(dòng)動(dòng)作樣本庫(kù)見表2所示。

表2 機(jī)動(dòng)動(dòng)作樣本庫(kù)

3 基于RAE-SVM的飛機(jī)機(jī)動(dòng)動(dòng)作識(shí)別模型結(jié)構(gòu)

3.1 RAE神經(jīng)網(wǎng)絡(luò)

自動(dòng)編碼器是一種無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)模型,由編碼器(Encoder)和解碼器(Decoder)兩部分組成,目標(biāo)函數(shù)是最小化輸入與輸出之間的重構(gòu)誤差[16],其網(wǎng)絡(luò)結(jié)構(gòu)見圖3所示。其中,編碼器和解碼器可以由任意的神經(jīng)網(wǎng)絡(luò)架構(gòu)組成,編碼時(shí)對(duì)原始數(shù)據(jù)逐層進(jìn)行壓縮降維,解碼時(shí)再將壓縮后的隱空間表示逐層解壓升到原始維度,通過(guò)最小化原始數(shù)據(jù)和解壓數(shù)據(jù)之間的誤差,編碼器就可以得到原始數(shù)據(jù)的“精華”,自動(dòng)提取到原始數(shù)據(jù)中的重要特征[17-20]。

圖3 自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)

按照?qǐng)D3結(jié)構(gòu),傳統(tǒng)自動(dòng)編碼器的編碼和解碼過(guò)程可以描述為[19]

h1=σ1(W1x+b1)

(1)

h2=σ2(W2h1+b2)

(2)

h3=σ3(W3h2+b3)

(3)

y=σ4(W4h3+b4)

(4)

其中:x代表輸入值;y代表輸出值;h1、h2、h3分別代表第1、2、3隱含層輸出值;W1、b1、σ1、W2、b2、σ2、W3、b3、σ3分別代表第1、2、3隱含層的權(quán)重、偏差與激活函數(shù),激活函數(shù)一般為sigmoid、tanh、ReLU等。

輸入與輸出之間的重構(gòu)誤差一般有2種形式,一種是均方誤差函數(shù),多用于回歸問(wèn)題,如式(5)所示。另一種是交叉熵函數(shù),多用于獨(dú)熱(one_hot)編碼的分類問(wèn)題,如式(6)所示。

(5)

(6)

為了避免傳統(tǒng)自動(dòng)編碼器在訓(xùn)練中容易發(fā)生過(guò)擬合的問(wèn)題,通過(guò)在損失函數(shù)上增加一個(gè)權(quán)重衰減項(xiàng)來(lái)控制權(quán)重的減小程度,得到了RAE。其損失函數(shù)為正則化均方誤差,公式為

(7)

當(dāng)權(quán)重比較大時(shí),損失函數(shù)也相應(yīng)地大一點(diǎn),權(quán)重就要減小快一點(diǎn);當(dāng)權(quán)重比較小時(shí),損失函數(shù)也相應(yīng)地較小,權(quán)重就可以減小慢一點(diǎn),這樣,有利于加快收斂速度,提高網(wǎng)絡(luò)泛化性能。

3.2 SVM算法

SVM是一種理論基礎(chǔ)堅(jiān)實(shí)、數(shù)學(xué)模型簡(jiǎn)單的機(jī)器學(xué)習(xí)方法,在小樣本、非線性和模式識(shí)別問(wèn)題中表現(xiàn)出優(yōu)異性能[21]。SVM的目的是尋找一個(gè)最優(yōu)分類超平面,使得兩類的間隔最大。

以二分類為例,給定訓(xùn)練集(xi,yi),i=1,2,…,n,x∈Rn,y∈{±1},超平面記為wx+b=0,SVM要求所有樣本分類正確且分類間隔最大,即求解下面約束優(yōu)化問(wèn)題

(8)

SVM本身只能實(shí)現(xiàn)二分類,但可以通過(guò)組合多個(gè)SVM來(lái)實(shí)現(xiàn)多分類。常見的組合方法有2種,一種是一對(duì)多法,另一種是一對(duì)一法。一對(duì)多法是訓(xùn)練時(shí)將某個(gè)類別的樣本分為一類,將剩余類別樣本歸為另一類,對(duì)于k分類任務(wù)就要構(gòu)造k個(gè)分類器;一對(duì)一法是在任意兩類樣本中構(gòu)造一個(gè)分類器,對(duì)于k分類任務(wù)就要構(gòu)造k(k-1)/2個(gè)分類器,從而實(shí)現(xiàn)多分類。

3.3 基于RAE-SVM的機(jī)動(dòng)動(dòng)作識(shí)別模型

考慮到自動(dòng)編碼器強(qiáng)大的特征提取能力和SVM優(yōu)異的分類性能,提出先降維后分類的RAE-SVM方法,其結(jié)構(gòu)如圖4所示。

圖4 RAE-SVM分類原理

RAE-SVM是一種將無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)相結(jié)合的方法。先由自動(dòng)編碼器以無(wú)監(jiān)督的方式對(duì)原始高維數(shù)據(jù)進(jìn)行學(xué)習(xí),從而提取高維數(shù)據(jù)中的重要特征;然后利用提取到的特征數(shù)據(jù)對(duì)SVM進(jìn)行訓(xùn)練,確定SVM最優(yōu)參數(shù);最后通過(guò)訓(xùn)練好的SVM進(jìn)行分類。識(shí)別算法流程如圖5所示。

圖5 識(shí)別算法流程

因此,建立基于RAE-SVM的機(jī)動(dòng)動(dòng)作識(shí)別模型,模型輸入為基于時(shí)間段的10類機(jī)動(dòng)動(dòng)作數(shù)據(jù)特征參數(shù)構(gòu)成的向量,模型輸出為9類機(jī)動(dòng)點(diǎn)類型,見圖6所示。

圖6 基于RAE-SVM的機(jī)動(dòng)動(dòng)作識(shí)別模型

4 仿真實(shí)驗(yàn)與分析

仿真環(huán)境為:Intel i7-7700HQ 2.8 GHz處理器,4 GB內(nèi)存,Win10 64位操作系統(tǒng),運(yùn)行平臺(tái)為PyCharm。為了使實(shí)驗(yàn)結(jié)果更具說(shuō)服力,取10次運(yùn)行的平均值為最終仿真結(jié)果。

4.1 數(shù)據(jù)處理

從上文構(gòu)建的機(jī)動(dòng)動(dòng)作樣本庫(kù)中按照7∶3的比例,隨機(jī)抽取樣本得到1 400組訓(xùn)練集和600組測(cè)試集。

由于機(jī)動(dòng)動(dòng)作特征數(shù)據(jù)中不同特征的量綱不統(tǒng)一,數(shù)據(jù)范圍差異大,因此對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理,將各類特征數(shù)據(jù)統(tǒng)一壓縮到[0,1],這樣有利于加快模型訓(xùn)練速度,改善分類效果。最終將歸一化后的數(shù)據(jù)作為模型輸入。公式為

(9)

式(9)中:x代表某變量的實(shí)際值;xmax代表最大值;xmin代表最小值;x′代表歸一化后的值。

4.2 模型設(shè)置

模型訓(xùn)練前,需要先對(duì)模型學(xué)習(xí)算法、網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)進(jìn)行配置。

1) RAE學(xué)習(xí)算法

學(xué)習(xí)算法采用Adam優(yōu)化算法[22]。Adam優(yōu)化算法是深度學(xué)習(xí)中性能最好的優(yōu)化算法之一,通過(guò)自適應(yīng)調(diào)整學(xué)習(xí)率和動(dòng)量,使得模型收斂速度更快,需要資源更少,學(xué)習(xí)性能更好,其權(quán)值更新公式為

(10)

式(10)中:p為動(dòng)量項(xiàng);v為速度項(xiàng);E為每次訓(xùn)練后得到的誤差和;β1、β2為超參數(shù),設(shè)置β1為0.9,β2為0.999,學(xué)習(xí)率η為0.001。其他參數(shù)設(shè)置見表3所示。

表3 參數(shù)設(shè)置

2) 權(quán)重與偏差初始化

權(quán)重初始化采用截?cái)嚯S機(jī)正態(tài)分布,將初始化的值控制在2倍的標(biāo)準(zhǔn)差之內(nèi),有助于提高計(jì)算穩(wěn)定性;偏差采用均值為0、標(biāo)準(zhǔn)差為1的隨機(jī)正態(tài)分布。

3) RAE網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定

神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)的確定一直沒(méi)有確定性的方法,需要一定經(jīng)驗(yàn)和嘗試。因此通過(guò)對(duì)比不同隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)時(shí)的重構(gòu)誤差大小來(lái)確定。

由圖7可知,重構(gòu)誤差隨隱含層數(shù)的增加呈現(xiàn)先減小后增大的特點(diǎn)。當(dāng)隱含層數(shù)為3時(shí),重構(gòu)誤差最小。故確定隱含層數(shù)為3。

然后確定隱含層節(jié)點(diǎn)數(shù)?？紤]到隱含層主要負(fù)責(zé)降維抽象和特征提取表示,因此設(shè)置第1隱含層節(jié)點(diǎn)數(shù)為200,第2隱含層節(jié)點(diǎn)數(shù)為100。由于第3隱含層節(jié)點(diǎn)數(shù)對(duì)特征提取效果和分類性能尤為重要,因此第3隱含層節(jié)點(diǎn)數(shù)取值設(shè)在(10,50)區(qū)間,步長(zhǎng)為5,根據(jù)重構(gòu)誤差大小確定,見圖8所示。橫坐標(biāo)代表第3隱含層節(jié)點(diǎn)數(shù),縱坐標(biāo)代表其對(duì)應(yīng)的重構(gòu)誤差。

圖7 不同深度RAE的重構(gòu)誤差

圖8 不同第三隱含層節(jié)點(diǎn)數(shù)時(shí)的重構(gòu)誤差

由圖8可知,當(dāng)?shù)?隱含層節(jié)點(diǎn)數(shù)為35時(shí),重構(gòu)誤差最小,因此最優(yōu)第3隱含層節(jié)點(diǎn)數(shù)為35。最終確定的RAE網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為360-200-100-35-100-200-360,最終提取到重要機(jī)動(dòng)數(shù)據(jù)特征維度為35維。

4) SVM參數(shù)設(shè)置

SVM核函數(shù)選擇徑向基核函數(shù)RBF,懲罰因子C默認(rèn)1,輸入數(shù)據(jù)維度為35,分類函數(shù)選擇SVM多分類中的一對(duì)多分類函數(shù)(OVR),該函數(shù)在解決類別較多的多分類問(wèn)題時(shí),生成分類器數(shù)較少,分類速度快。核函數(shù)系數(shù)γ通過(guò)直接使用樣本訓(xùn)練集數(shù)據(jù)通過(guò)10折交叉驗(yàn)證確定,如圖9所示。圖中橫坐標(biāo)代表不同γ值,縱坐標(biāo)代表其對(duì)應(yīng)的10次實(shí)驗(yàn)的分類準(zhǔn)確度平均值。

由圖9可知,γ值為0.03時(shí)準(zhǔn)確率最高,因此最優(yōu)γ值為0.03。

4.3 正則化對(duì)模型性能的影響

為了分析正則化對(duì)模型性能的影響,將訓(xùn)練集和測(cè)試集分別輸入到有正則化的模型和無(wú)正則化的模型進(jìn)行對(duì)比。結(jié)果如圖10和表4所示。

圖9 γ值10折交叉驗(yàn)證

圖10 正則化對(duì)模型性能的影響

表4 有無(wú)正則化模型分類準(zhǔn)確率

由圖10可知,沒(méi)有正則化的模型比加入正則化的模型均方誤差更小,但加入正則化的模型由于在損失函數(shù)上增加了權(quán)重衰減項(xiàng)使得收斂速度更快。由表4可知,加入正則化的模型分類準(zhǔn)確率更高,這是因?yàn)檎齽t化避免了模型對(duì)訓(xùn)練集的過(guò)度學(xué)習(xí),即“過(guò)擬合”,犧牲了訓(xùn)練時(shí)的均方誤差,提高了模型的泛化性能,故分類準(zhǔn)確率反而提高。

4.4 模型性能對(duì)比

為進(jìn)一步對(duì)比模型的分類準(zhǔn)確率與實(shí)時(shí)性,將模型與粒子群算法(PSO)優(yōu)化的SVM(RBF核函數(shù),γ取0.03,C取1)和經(jīng)典分類器隨機(jī)森林(RF)(最大弱學(xué)習(xí)器個(gè)數(shù)Ne取50,最大深度Dmax取30)進(jìn)行對(duì)比,經(jīng)過(guò)不同數(shù)量的訓(xùn)練集訓(xùn)練后,模型在測(cè)試集上的效果如圖11所示。

圖11 模型效果對(duì)比

由圖11可知,在樣本數(shù)量很少時(shí),RAE-SVM模型分類準(zhǔn)確率和RF模型接近,這是因?yàn)镽F通過(guò)集成學(xué)習(xí),本身對(duì)高維數(shù)據(jù)就有較好的學(xué)習(xí)能力,而RAE-SVM模型需要通過(guò)較多樣本進(jìn)行學(xué)習(xí),才能提取出重要特征,進(jìn)而提高分類準(zhǔn)確率?？傮w上看,RAE-SVM模型較RF和PSO-SVM模型具有更好的識(shí)別準(zhǔn)確率。詳細(xì)性能對(duì)比見表5所示。

表5 不同模型性能對(duì)比

由表5可知,RAE-SVM模型在測(cè)試集上性能較PSO-SVM模型和RF模型更好。RAE-SVM模型準(zhǔn)確率達(dá)到92.75%,單組數(shù)據(jù)分類運(yùn)行時(shí)間為2 ms,滿足數(shù)據(jù)實(shí)時(shí)傳輸要求,內(nèi)存占用率峰值為1.96%,對(duì)硬件要求較低,具有實(shí)用性。

4.5 實(shí)例分析測(cè)試

本文中選取某次空戰(zhàn)訓(xùn)練中ACMI記錄的飛機(jī)做典型機(jī)動(dòng)時(shí)的數(shù)據(jù)共330個(gè)點(diǎn),進(jìn)行機(jī)動(dòng)點(diǎn)類型識(shí)別,從而得到機(jī)動(dòng)類型,用來(lái)評(píng)估模型的準(zhǔn)確性。經(jīng)3名專家判定,得到評(píng)估樣本的機(jī)動(dòng)類型分布見圖12所示。

圖12 機(jī)動(dòng)類型分布

結(jié)合ACMI三維態(tài)勢(shì)觀察和圖12可知,飛機(jī)依次進(jìn)行了平飛、左轉(zhuǎn)彎、平飛、左轉(zhuǎn)彎、平飛、爬升、右轉(zhuǎn)彎、俯沖機(jī)動(dòng)。然后使用訓(xùn)練好的模型對(duì)評(píng)估樣本進(jìn)行識(shí)別,識(shí)別結(jié)果如圖13所示。

圖13 機(jī)動(dòng)識(shí)別結(jié)果

由圖13可以看出,模型總體上可以識(shí)別出飛機(jī)的機(jī)動(dòng)起始點(diǎn)和結(jié)束點(diǎn),進(jìn)而得到機(jī)動(dòng)動(dòng)作,準(zhǔn)確性較高。但在識(shí)別機(jī)動(dòng)結(jié)束點(diǎn)和復(fù)雜機(jī)動(dòng)時(shí)容易出現(xiàn)誤判。如對(duì)左轉(zhuǎn)彎結(jié)束點(diǎn)識(shí)別不準(zhǔn)確,導(dǎo)致將左轉(zhuǎn)彎識(shí)別為平飛;飛機(jī)在進(jìn)行爬升、轉(zhuǎn)彎再俯沖的復(fù)雜機(jī)動(dòng)時(shí),識(shí)別效果稍差。因此,模型可以較為準(zhǔn)確地進(jìn)行飛機(jī)機(jī)動(dòng)動(dòng)作識(shí)別。

5 結(jié)論

本文中構(gòu)造了基于時(shí)間段數(shù)據(jù)特征的機(jī)動(dòng)動(dòng)作樣本庫(kù),并提出了基于RAE-SVM的機(jī)動(dòng)動(dòng)作識(shí)別模型,先對(duì)高維的機(jī)動(dòng)動(dòng)作特征數(shù)據(jù)進(jìn)行降維,再利用SVM優(yōu)良的分類性能進(jìn)行分類識(shí)別。主要得出以下結(jié)論:

1) 結(jié)合機(jī)動(dòng)數(shù)據(jù)規(guī)律和專家知識(shí),構(gòu)建了飛機(jī)機(jī)動(dòng)動(dòng)作樣本庫(kù),解決了飛機(jī)機(jī)動(dòng)動(dòng)作樣本庫(kù)缺失的問(wèn)題。

2) RAE具有強(qiáng)大的特征提取能力,通過(guò)對(duì)原始數(shù)據(jù)降維,可以抽象提取出原始數(shù)據(jù)中的重要特征。通過(guò)引入正則化,提高了自動(dòng)編碼器的泛化性能。

3) 基于RAE-SVM的機(jī)動(dòng)動(dòng)作識(shí)別模型識(shí)別準(zhǔn)確率較高,實(shí)時(shí)性較好,實(shí)用性強(qiáng)。

下一步研究將豐富飛機(jī)機(jī)動(dòng)動(dòng)作,構(gòu)建更加貼近實(shí)戰(zhàn)的機(jī)動(dòng)動(dòng)作樣本庫(kù),提出更好更優(yōu)的機(jī)動(dòng)動(dòng)作識(shí)別模型。