劉慶利，李蕊，喬晨昊

（大連大學(xué) 通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116622）

0 引言

空軍的強(qiáng)大是一個(gè)國家強(qiáng)大的重要體現(xiàn)，空軍是否強(qiáng)大取決于飛機(jī)的質(zhì)量和飛行員的作戰(zhàn)經(jīng)驗(yàn)，所以通過一些方法使飛行員與飛機(jī)進(jìn)行有效的溝通，是現(xiàn)代戰(zhàn)斗機(jī)的發(fā)展方向。當(dāng)今空戰(zhàn)不僅僅是機(jī)炮、導(dǎo)彈等熱兵器的對(duì)決，更為重要的是電子戰(zhàn)，如何有效提升信息的獲取是本文研究的方向，而準(zhǔn)確的獲取自身和敵機(jī)的飛行狀態(tài)是獲取有效信息最為關(guān)鍵的一環(huán)。

近幾十年來，隨著科技的發(fā)展，出現(xiàn)了越來越多的飛機(jī)飛行動(dòng)作的識(shí)別方法，主要有：支持向量機(jī)、聚類、神經(jīng)網(wǎng)絡(luò)、狀態(tài)規(guī)則匹配法等智能算法。文獻(xiàn)［1］采用基于聚類的方法，先提取飛行數(shù)據(jù)的主要參數(shù)，通過趨勢識(shí)別后得到的機(jī)動(dòng)片段進(jìn)行聚類劃分，缺點(diǎn)在于趨勢識(shí)別的機(jī)動(dòng)片段難以捕捉準(zhǔn)確的機(jī)動(dòng)片段，會(huì)對(duì)聚類的結(jié)果有影響；文獻(xiàn)［2］采用模糊支持向量機(jī)算法（fuzzy support vector machine，F(xiàn)SVM），解決了支持向量機(jī)在處理多分類任務(wù)時(shí)出現(xiàn)的不可分區(qū)域問題，對(duì)分類的結(jié)果有一定準(zhǔn)確性，但是受限于支持向量機(jī)的參數(shù)c和g，如果參數(shù)不能很好地優(yōu)化，得到的模型也必然大打折扣；文獻(xiàn)［3］整體采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行分類，對(duì)飛行數(shù)據(jù)的處理采用微分分割的思想建立神經(jīng)網(wǎng)絡(luò)的輸入，缺點(diǎn)在于神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)來支持模型，對(duì)于較難獲得的飛行數(shù)據(jù)來說，大量數(shù)據(jù)的獲取是關(guān)鍵性問題；文獻(xiàn)［4］采用支持向量機(jī)模型，對(duì)飛行數(shù)據(jù)采用狀態(tài)匹配的方法進(jìn)行處理，但是處理方法需要人工識(shí)別，會(huì)導(dǎo)致無法實(shí)時(shí)地進(jìn)行處理，也會(huì)給飛行員與飛機(jī)的交互造成一定程度的障礙；文獻(xiàn)［5］采用決策樹模型，對(duì)飛機(jī)飛行的動(dòng)作先進(jìn)行分類再進(jìn)行識(shí)別，是一個(gè)實(shí)時(shí)的系統(tǒng)模型，它可以利用真實(shí)數(shù)據(jù)進(jìn)行動(dòng)作識(shí)別，但效率較低，在瞬息萬變、講求效率的戰(zhàn)場上，采用離線的、訓(xùn)練好的模型會(huì)極大縮短時(shí)間，提高效率；文獻(xiàn)［6］采用C-支持向量機(jī)模型，先對(duì)飛行數(shù)據(jù)進(jìn)行降維處理，再將處理后的數(shù)據(jù)進(jìn)行模型化訓(xùn)練，缺點(diǎn)在于C-支持向量機(jī)模型對(duì)多分類問題表現(xiàn)仍然不夠理想；文獻(xiàn)［7］采用智能算法對(duì)飛行規(guī)則進(jìn)行提取，提出了映射突變機(jī)制，對(duì)目標(biāo)函數(shù)的優(yōu)化效果較為理想，該方法對(duì)于飛行規(guī)則提取是可行的，但對(duì)于飛行動(dòng)作識(shí)別是遠(yuǎn)遠(yuǎn)不夠的，需要聯(lián)合人工智能算法實(shí)現(xiàn)；文獻(xiàn)［8］采用建立知識(shí)庫的方式對(duì)飛行動(dòng)作進(jìn)行匹配，這種方法對(duì)于已有的飛行動(dòng)作可以進(jìn)行大概的匹配，對(duì)于要求較為苛刻的空戰(zhàn)和未知的飛行動(dòng)作則顯得難以駕馭；文獻(xiàn)［9］采用樽海鞘群優(yōu)化算法對(duì)飛行數(shù)據(jù)進(jìn)行提取和匹配，但該算法僅對(duì)于部分動(dòng)作有較好的效果，不具有通用性，難以滿足現(xiàn)代化空戰(zhàn)的需要；文獻(xiàn)［10］采用動(dòng)態(tài)時(shí)間調(diào)整與馬爾可夫算法相結(jié)合的方法，對(duì)于實(shí)時(shí)性的表現(xiàn)較好，但是對(duì)于復(fù)雜的機(jī)動(dòng)識(shí)別，應(yīng)提前建立離線的知識(shí)儲(chǔ)備庫來應(yīng)對(duì)。

綜上所述，主要存在以下幾點(diǎn)問題：一是現(xiàn)有識(shí)別方法處理飛行數(shù)據(jù)的能力存在不足，對(duì)于復(fù)雜的飛行動(dòng)作，僅由基本動(dòng)作組成的方式處理數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的，相似的動(dòng)作極易發(fā)生識(shí)別錯(cuò)誤的情況；需要對(duì)輸入數(shù)據(jù)根據(jù)規(guī)則進(jìn)行逐一判斷，當(dāng)需要處理批量數(shù)據(jù)時(shí)，所需識(shí)別時(shí)間較長；二是識(shí)別飛行動(dòng)作的準(zhǔn)確率還存在提升的空間，因此非常有必要提高模型的分類能力和回歸能力，并提高判斷識(shí)別的準(zhǔn)確度，所以對(duì)空戰(zhàn)中飛機(jī)的飛行動(dòng)作識(shí)別的研究是非常有意義的。針對(duì)以上問題，本文采用麻雀搜索算法（sparrow search algorithm，SSA）和支持向量回歸算法（support vector regression，SVR）相結(jié)合的方式，提出了強(qiáng)化麻雀搜索支持向量回歸（intensify SSA-SVR，ISSA-SVR）的識(shí)別方法，采用高斯核函數(shù)作為線性核函數(shù)［11］，同時(shí)利用混沌初始化和小孔成像反向?qū)W習(xí)策略優(yōu)化麻雀搜索算法，并利用優(yōu)化后的麻雀搜索算法對(duì)支持向量回歸算法的高斯核函數(shù)參數(shù)進(jìn)行優(yōu)化，使其找到最優(yōu)解，從而達(dá)到識(shí)別準(zhǔn)確的效果。

1 空戰(zhàn)飛行態(tài)勢數(shù)據(jù)預(yù)處理

根據(jù)戰(zhàn)斗機(jī)的實(shí)際飛行軌跡和飛行姿態(tài)可以將飛機(jī)的機(jī)動(dòng)動(dòng)作看作是一系列復(fù)雜的機(jī)動(dòng)動(dòng)作，而復(fù)雜的機(jī)動(dòng)動(dòng)作又可以分解為一系列具有時(shí)間序列的基本飛行動(dòng)作［12-15］。國際上較為認(rèn)可的是美國國家航空咨詢委員會(huì)NASA 提出的7 種基本動(dòng)作：原狀態(tài)飛行、加速直線飛行、減速直線飛行、左轉(zhuǎn)飛行、右轉(zhuǎn)飛行、爬升飛行、俯沖飛行。本文將這7 種基本動(dòng)作歸納為平飛、俯沖、轉(zhuǎn)彎、橫滾和爬升五大類。

要對(duì)飛機(jī)動(dòng)作進(jìn)行識(shí)別，首先要將飛行動(dòng)作分解成一系列計(jì)算機(jī)可識(shí)別的數(shù)據(jù)，該過程是由人工完成的，識(shí)別出來的數(shù)據(jù)是一系列具有時(shí)間序列的飛行片段［16-20］。而基本動(dòng)作也可以分解成不同飛行參數(shù)的組合，本文主要研究的飛行參數(shù)包括：偏航角ψ、滾轉(zhuǎn)角Φ、俯仰角γ和高度h，基本動(dòng)作與飛行參數(shù)的關(guān)系由表1 所示。

表1 基本動(dòng)作與飛行參數(shù)的關(guān)系Table 1 Basic flight action division

基本動(dòng)作往往只是最基本的飛行方式，遠(yuǎn)遠(yuǎn)不能滿足空戰(zhàn)的需要，而飛行員需要掌握復(fù)雜的飛行方式，尤其是優(yōu)秀的飛行員可以熟練使用各種復(fù)雜的飛行方式。本文研究的復(fù)雜飛行動(dòng)作有：斤斗、半滾倒轉(zhuǎn)、水平橫滾、上升轉(zhuǎn)彎、俯沖轉(zhuǎn)彎、半斤斗倒轉(zhuǎn)和急規(guī)避轉(zhuǎn)彎7 種，其編號(hào)和動(dòng)作組成如表2所示。

表2 復(fù)雜飛行動(dòng)作描述Table 2 Description of complex flight movements

以半斤斗倒轉(zhuǎn)為例，將機(jī)動(dòng)動(dòng)作可以拆分為3類片段：爬升、平飛和橫滾。這些動(dòng)作對(duì)于飛行員而言，是最基本的飛行態(tài)勢，但不會(huì)保持一個(gè)固定的參數(shù)，會(huì)允許該參數(shù)在一個(gè)小范圍內(nèi)浮動(dòng)。

對(duì)于復(fù)雜的飛行動(dòng)作，僅僅由基本動(dòng)作組成的方式處理數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的，相似的動(dòng)作極易發(fā)生識(shí)別錯(cuò)誤的情況，這種情況是災(zāi)難性的，因此準(zhǔn)確識(shí)別一個(gè)復(fù)雜動(dòng)作還需要對(duì)變化量及其他條件進(jìn)行限制。本文對(duì)復(fù)雜動(dòng)作進(jìn)行如下處理：

（1）對(duì)于飛行過程中，飛機(jī)航向角由350°變?yōu)?°的這種極端情況，飛行實(shí)際上只變化了10°，但是計(jì)算機(jī)處理時(shí)，會(huì)認(rèn)為轉(zhuǎn)彎了340°，由此對(duì)飛行參數(shù)進(jìn)行條件限制，角度的變化量為

（2）對(duì)于爬升轉(zhuǎn)彎和俯沖轉(zhuǎn)彎，角度的變化量都是相似的，計(jì)算機(jī)很難識(shí)別飛機(jī)的飛行姿態(tài)，所以對(duì)于高度而言，爬升是正變化量，俯沖是負(fù)變化量，假設(shè)高度變化量為Δh，爬升則是+Δh，俯沖則是-Δh。

（3）對(duì)于俯仰角，其變化量不超過90°，否則會(huì)造成失速，導(dǎo)致飛機(jī)處于危險(xiǎn)的情況，假設(shè)俯仰角變化量為Δγ，則Δγ＜ 90°。

2 改進(jìn)支持向量回歸算法

2.1 支持向量回歸算法

SVR 是從支持向量機(jī)算法（support vector machine，SVM）中衍生出來的，主要針對(duì)的是回歸問題。通過SVR 算法，可以找到一個(gè)回歸平面并使得一個(gè)集合中的所有數(shù)據(jù)距離該平面的距離最短。SVR 的模型是一個(gè)線性函數(shù)f(x) =wTx+b，w和b為不確定的參數(shù)，區(qū)別于線性回歸的地方在于損失函數(shù)和目標(biāo)函數(shù)，SVR 在線性函數(shù)兩側(cè)制造出一個(gè)邊緣界限，所有落入其中的樣本，都不計(jì)算損失，這樣通過與邊緣界限的距離與總的損失來優(yōu)化模型，達(dá)到最優(yōu)的效果。SVR 的數(shù)學(xué)模型：；前一部分表示優(yōu)化目標(biāo)；后一部分表示代價(jià)函數(shù)；c為懲罰因子；m為樣本個(gè)數(shù)。損失函數(shù)為

式中：ε為線性函數(shù)；f(x)與邊緣界限的距離；|z|為線性函數(shù)f(x)與樣本點(diǎn)之間的距離。

此時(shí)的模型還不是最優(yōu)模型，需要加入松弛變量ξi和進(jìn)行優(yōu)化，得

其中：ξi為隔離帶上邊緣之上樣本點(diǎn)的縱坐標(biāo)值，與對(duì)應(yīng)橫坐標(biāo)在“上邊緣超平面”上投影的差；而為隔離帶下邊緣之下樣本點(diǎn)，到隔離帶下邊緣上的投影，與該樣本點(diǎn)縱坐標(biāo)值的差。

在此基礎(chǔ)上再次引入拉格朗日乘子μi，，ai，得

使得式（4）左邊對(duì)各參數(shù)的偏導(dǎo)為0，得

滿足最優(yōu)解就需要滿足KKT 條件，即

最終得到最優(yōu)解為

式中：為SVR 較為優(yōu)秀的高斯核函數(shù)。

2.2 強(qiáng)化麻雀搜索算法

麻雀搜索算法雖然具有流程簡單、尋優(yōu)能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)，但與其他的智能優(yōu)化算法一樣，麻雀搜索算法自身也有一定的局限性，因此，本文先對(duì)麻雀搜索算法進(jìn)行以下幾方面改進(jìn)。

2.2.1 混沌初始化

借助Logistic 映射產(chǎn)生的混沌序列可以解決初始值不敏感的問題，本文利用Logistic 混沌策略來初始化麻雀種群，既可以使種群更加全面地對(duì)空間進(jìn)行搜索，又可以解決因初始值選擇不合適而使搜索時(shí)間延長的問題。Logistic 混沌策略如下：

式中：X為混沌變量；λ為混沌系數(shù)，當(dāng)λ= 4 時(shí)混沌變量X處于全混沌狀態(tài)。給X賦一個(gè)初值x0，便可產(chǎn)生一個(gè)麻雀的中期序列［x1，xm］，這個(gè)序列就是一個(gè)混沌變量，該序列一直迭代下去可不重復(fù)地遍歷混沌范圍。

2.2.2 強(qiáng)化反向?qū)W習(xí)策略

在混沌初始化之后開始迭代發(fā)現(xiàn)者的階段，當(dāng)R2＜ST時(shí)，麻雀的數(shù)量以及多樣性會(huì)逐步減少，這意味著該算法會(huì)隨著麻雀數(shù)量的減少而陷入局部最優(yōu)，其中，R1，R2∈[0，1)為預(yù)警值；ST∈[0.5，1)為安全值。因此利用類似小孔成像的方式，將反向原理運(yùn)用到學(xué)習(xí)策略中解決麻雀搜索算法的問題，如圖1 所示。

圖1 小孔成像反向?qū)W習(xí)原理圖Fig. 1 Schematic diagram of keyhole imaging reverse learning

假設(shè)每只麻雀位置變化的范圍是［ai，bi］，高度為h的火焰在x軸上的投影為麻雀種群中發(fā)現(xiàn)者的位置，其透過小孔成像得到一個(gè)高度為h′的倒影，此時(shí)的橫坐標(biāo)為，由三角形相似原理可得

當(dāng)k= 1 時(shí)，可得

k= 1 時(shí)，小孔成像反向?qū)W習(xí)就退化為基本的反向?qū)W習(xí)策略，此時(shí)解為固定解，而小孔成像的策略可以通過比例系數(shù)k來調(diào)整解的空間，得到更完全的解。

本文利用改進(jìn)后的反向?qū)W習(xí)策略更新發(fā)現(xiàn)者的位置，通過式（8）映射到空間中得到最優(yōu)解，將原本發(fā)現(xiàn)者位置的適應(yīng)度值與改進(jìn)后的適應(yīng)度值進(jìn)行比較，保留最優(yōu)的適應(yīng)度值。小孔成像反向?qū)W習(xí)策略可以大幅增加發(fā)現(xiàn)者的尋優(yōu)方向，使每只麻雀可以在不固定的區(qū)域?qū)ふ易顑?yōu)位置，該策略大大增加了種群的多樣性，并增強(qiáng)了麻雀全局搜索的能力，減少局部收斂的概率。

2.3 強(qiáng)化麻雀搜索優(yōu)化的支持向量回歸算法

本文利用強(qiáng)化麻雀搜索算法來優(yōu)化支持向量回歸算法，形成新的算法：強(qiáng)化ISSA-SVR 算法。利用該算法的特點(diǎn)進(jìn)行飛機(jī)飛行動(dòng)作的預(yù)測與回歸，該算法由強(qiáng)化麻雀搜索算法和支持向量回歸兩部分組成：

（1） 輸入：處理飛行數(shù)據(jù)，進(jìn)行歸一化處理；

（2） 構(gòu)建預(yù)測與回歸的支持向量回歸算法；

（3） 利用ISSA 優(yōu)化SVR 的目標(biāo)函數(shù)，其中包括確定麻雀的參數(shù)、混沌初始化麻雀的位置、利用小孔成像原理更新發(fā)現(xiàn)者的位置、躲避發(fā)現(xiàn)者的位置。

（4） 計(jì)算最佳適應(yīng)度函數(shù)，滿足目標(biāo)則停止迭代，否則繼續(xù)執(zhí)行3）

（5） 輸出：得到最優(yōu)的SVR 的參數(shù)c和g，并以此建立最終的預(yù)測與回歸的模型，并得到識(shí)別的準(zhǔn)確率。

ISSA-SVR 的算法迭代圖如圖2 所示。

圖2 ISSA-SVR 算法流程圖Fig.2 ISSA-SVR algorithm flow chart

3 仿真校驗(yàn)

本文采用識(shí)別動(dòng)作的準(zhǔn)確率來對(duì)算法進(jìn)行評(píng)價(jià)，準(zhǔn)確率=正確識(shí)別的飛行動(dòng)作個(gè)數(shù)/輸入的飛行動(dòng)作總和，首先進(jìn)行參數(shù)設(shè)置，選取好參數(shù)后進(jìn)行仿真，對(duì)基本動(dòng)作和復(fù)雜動(dòng)作都進(jìn)行了仿真驗(yàn)證，然后用相同的參數(shù)對(duì)SVM 算法、FSVM 算法、基于高斯混和模型的聚類算法（Gaussian mixture model，GMM）［20］以及基于自組織圖的人工神經(jīng)網(wǎng)絡(luò)方法（neural gas）進(jìn)行仿真對(duì)比。

3.1 參數(shù)設(shè)置

設(shè)置算法參數(shù)，對(duì)算法的最大迭代次數(shù)、種群數(shù)量、發(fā)現(xiàn)者占比、意識(shí)到危險(xiǎn)的麻雀數(shù)量、懲罰因子、高斯核參數(shù)進(jìn)行取值，具體參數(shù)設(shè)置如表3所示。

表3 ISSA-SVR 參數(shù)設(shè)置Table 3 ISSA-SVR parameter setting

3.2 基本動(dòng)作仿真分析

如表4 所示，ISSA-SVR 對(duì)平飛、俯沖、轉(zhuǎn)彎、橫滾、爬升等飛行基本動(dòng)作的識(shí)別率最低達(dá)到了99.03%，最高達(dá)到了100%。

表4 ISSA-SVR 對(duì)基本動(dòng)作的識(shí)別率Table 4 ISSA-SVR recognition rate of basic actions

從圖3 可以明顯看出，ISSA-SVR 算法相較其他幾種算法對(duì)基本動(dòng)作識(shí)別的準(zhǔn)確性有了明顯提高。ISSA-SVR 算法對(duì)基本飛行動(dòng)作的平均識(shí)別率為99.7%，SVR 算法、FSVM 算法、GMM 算法以及Neural Gas 算法的平均識(shí)別率分別為97%，97.5%，88.72%，92.34 %。相較之下，ISSA-SVR 算法對(duì)基本飛行動(dòng)作的平均識(shí)別率至少提升了2.2%。

圖3 5 種算法的基本動(dòng)作識(shí)別率Fig. 3 Basic action recognition rate of five algorithms

3.3 復(fù)雜動(dòng)作仿真分析

如表5 所示，ISSA-SVR 對(duì)飛行復(fù)雜動(dòng)作的平均識(shí)別率為95.3%，相較于簡單動(dòng)作，識(shí)別率有所降低，這是因?yàn)閺?fù)雜的飛行動(dòng)作的時(shí)間序列連貫性較高，在短時(shí)間內(nèi)會(huì)產(chǎn)生多個(gè)基本動(dòng)作，導(dǎo)致識(shí)別率下降。斤斗、半滾倒轉(zhuǎn)、半斤斗倒轉(zhuǎn)動(dòng)作的識(shí)別率分別為93.0%，87.5%，94.5%，相較其他復(fù)雜動(dòng)作識(shí)別率偏低，這是因?yàn)楸疚牟捎玫氖歉咚购撕瘮?shù)，對(duì)非線性的飛行動(dòng)作識(shí)別率會(huì)有所降低。

表5 ISSA-SVR 對(duì)復(fù)雜動(dòng)作的識(shí)別率Table 5 ISSA-SVR Recognition rate of complex actions

從圖4 可以明顯看出，在對(duì)復(fù)雜動(dòng)作的識(shí)別中，ISSA-SVR 算法依舊保持優(yōu)勢，這是因?yàn)镮SSA-SVR算法前期是由ISSA 進(jìn)行目標(biāo)函數(shù)優(yōu)化的，得到的最優(yōu)解遠(yuǎn)好于其他幾種算法。幾種算法對(duì)復(fù)雜飛行動(dòng)作的平均識(shí)別率分別為95.3%，90.8%，91.6%，87%，78.1%。ISSA-SVR 算法對(duì)比其他兩種算法的平均識(shí)別率至少提升了3.7%。

圖4 5 種算法的復(fù)雜動(dòng)作識(shí)別率Fig. 4 Complex action recognition rate of five algorithms

3.4 態(tài)勢識(shí)別結(jié)果分析

根據(jù)圖3，4 可以得出以下結(jié)論：

（1）對(duì)于簡單的飛行動(dòng)作，幾種算法的識(shí)別率都非常高，識(shí)別率幾乎接近100%，因?yàn)榛镜娘w行動(dòng)作時(shí)間序列較為連貫，不易出現(xiàn)短時(shí)間內(nèi)產(chǎn)生多個(gè)飛行片段的現(xiàn)象，ISSA-SVR 在識(shí)別基本動(dòng)作時(shí)略好于其他幾種算法。

（2）對(duì)于復(fù)雜的飛行動(dòng)作，幾種算法的識(shí)別率有所下降，這是因?yàn)閺?fù)雜飛行動(dòng)作的時(shí)間序列連貫性較高，在短時(shí)間內(nèi)會(huì)有多個(gè)飛行片段，產(chǎn)生多個(gè)基本動(dòng)作，在復(fù)雜的飛行動(dòng)作下，由于SVR 會(huì)由ISSA 進(jìn)行目標(biāo)函數(shù)優(yōu)化，得到的最優(yōu)解遠(yuǎn)好于其他幾種算法，識(shí)別率也有較大的提升。

（3）對(duì)于斤斗、半滾倒轉(zhuǎn)、半斤斗倒轉(zhuǎn)等動(dòng)作的識(shí)別率相較其他復(fù)雜動(dòng)作識(shí)別率偏低，是由于幾種算法均采用的是線性核函數(shù)，對(duì)非線性的飛行動(dòng)作識(shí)別率會(huì)有所降低。

4 結(jié)束語

針對(duì)傳統(tǒng)算法識(shí)別飛機(jī)的飛行動(dòng)作精確度低的問題，本文采用支持向量回歸算法，解決了普通的支持向量機(jī)在處理多分類任務(wù)時(shí)出現(xiàn)不可分區(qū)域的問題，從而有效解決了飛行動(dòng)作分類與回歸的問題，在此基礎(chǔ)上使用強(qiáng)化麻雀搜索算法優(yōu)化了支持向量回歸算法，使得支持向量回歸算法的精確度有了一定的提升。仿真結(jié)果表明，ISSA-SVR 算法較SVR 算法、FSVM 算法、GMM 聚類算法以及神經(jīng)網(wǎng)絡(luò)算法在識(shí)別飛機(jī)飛行動(dòng)作的準(zhǔn)確率上有所提升，尤其是對(duì)復(fù)雜動(dòng)作的識(shí)別率有大幅度的提升。