一种空战模拟环境中的目标机动在线识别方法

1.本发明属于计算机仿真与人工智能技术领域，具体涉及一种空战模拟环境 中的目标机动在线识别方法。


背景技术：

2.空战对抗游戏和空战模拟系统都是借助于计算机仿真手段对战斗机的整个 作战过程进行细致、逼真的模拟，为了有效提高用户体验的真实性与易操控性， 需要从实际空战角度进行仿真设计。在高动态、强对抗的实际空战中，对抗双 方的作战意图往往通过一系列机动实现，因此目标机动在线识别有利于预测目 标的战术意图，是实现深度态势感知与智能决策的基础。针对空战对抗游戏和 空战模拟系统，进行目标机动在线识别是提升其人机交互与智能化水平的关键， 对于仿真设计的逼真度与可信度具有重要意义。
3.由于空战双方通过连续的机动行为改变所处态势，因此我方机载传感器所 获取到的目标飞行轨迹数据中可能包含一段或多段机动。空战目标机动在线识 别是一个数据挖掘的过程，它从机载传感器所获取到的目标轨迹数据中提取关 键特征信息，并尽可能快速、准确地识别当前所获取到的目标轨迹数据中所包 含的一个或多个机动动作。在线精准识别空战目标机动动作，能够为我机创造 战术先机，提高空战决策效率，从而占据空战优势。
4.该问题的现有研究一般适用于已按照机动片段分割后单一机动轨迹的识 别。或人为引入一些轨迹分段规则对连续机动轨迹分割后进行识别，此类方法 具有明显的局限性，其并不满足空战对抗中对目标未知的连续机动轨迹进行识 别的要求。目前识别方法主要集中于专家系统、支持向量机、贝叶斯网络等理 论的应用。基于专家系统的机动动作识别依赖领域专家的先验知识，某机动识 别规则库只对应某一类特定的空战任务场景，因此其应用难以推广。支持向量 机算法在解决机动识别问题时需要结合决策树或构造多个分类器，其对于大规 模训练样本难以实施。贝叶斯网络能够学习因果类的关系，是一种将先验知识 和数据进行融合的理想模型，但该方法计算较为复杂，导致识别时间长难以在 线识别的时效性需求。
5.综上，目前的识别方法存在对目标的连续多段未知机动轨迹难以识别、以 及大规模训练样本的收敛性较差和识别时间较长的问题。


技术实现要素：

6.为了解决现有技术中存在的上述问题，本发明提供了一种空战模拟环境中 的目标机动在线识别方法。本发明要解决的技术问题通过以下技术方案实现：
7.本发明实施例提供了一种空战模拟环境中的目标机动在线识别方法，包括 步骤：
8.s1、对包含多段连续机动的机载传感器目标轨迹数据进行目标轨迹特征信 息计算，得到目标连续机动轨迹特征信息序列；
9.s2、将所述目标连续机动轨迹特征信息序列以固定长度平均切分为若干子 序列；
10.s3、将所述若干子序列依次输入训练好的机动转换子序列识别网络以识别 每个所述子序列中是否存在机动转换点，得到机动转换子序列集合，并记录每 个机动转换子序列在所述目标连续机动轨迹中的顺序编号；
11.s4、将每个所述机动转换子序列输入训练好的机动转换点定位网络以识别 出所述机动转换子序列中的机动转换点数据位；
12.s5、利用所述顺序编号和所述机动转换点数据位计算每个机动转换点，得 到机动转换点有序集合；
13.s6、将所述目标连续机动轨迹中第一个时刻点特征参数去除后形成新的目 标连续机动轨迹，并重复步骤s2～s5，得到若干新的机动转换点；
14.s7、将每个所述新的机动转换点后移一位，使其回到所述目标连续机动轨 迹的真实数据位，得到新的机动转换点有序集合，并将所述新的机动转换点有 序集合和所述机动转换点有序集合取并集后得到目标轨迹机动转换点识别结 果；
15.s8、利用所述目标轨迹机动转换点识别结果对所述目标连续机动轨迹进行 分段，得到多段单一机动轨迹集合；
16.s9、将每段所述单一机动轨迹集合输入训练好的单一机动识别网络进行机 动类别识别，得到机动类别预测标签序列。
17.在本发明的一个实施例中，步骤s1包括：
18.建立地理坐标系、惯性坐标系和目标航迹坐标系，其中，所述惯性坐标系 随目标运动，所述目标航迹坐标系的原点至x轴方向为目标速度矢量方向且与 机体纵轴保持一致；
19.在所述地理坐标系中、所述惯性坐标系中和所述目标航迹坐标系中对所述 机载传感器目标轨迹数据进行航迹倾角、航迹偏角变化率、航迹倾角变化率、 高度变化率和水平位移变化率计算，得到特征信息；
20.对所述特征信息进行归一化处理，得到所述目标连续机动轨迹特征信息序 列。
21.在本发明的一个实施例中，t时刻目标的航迹偏角为：
[0022][0023]
其中，δx(t)、δy(t)、δz(t)为连续两个时刻目标在地理坐标系中的位置变 化；
[0024]
t时刻目标的所述航迹倾角为：
[0025][0026]
其中，δx(t)、δy(t)、δz(t)为连续两个时刻目标在地理坐标系中的位置变 化；
[0027]
δx(t)＝x(t)-x(t-1)，δy(t)＝y(t)-y(t-1)，δz(t)＝z(t)-z(t-1)，
[0028]
其中，(x(t),y(t),z(t))为t时刻目标在地理坐标系的位置坐标， (x(t-1),y(t-1),z(t-1))为t-1时刻目标在地理坐标系的位置坐标；
[0029]
t时刻目标的水平面位移为：
[0030][0031]
其中，(x0,y0,z0)为目标的初始坐标，(x(t),y(t),z(t))为t时刻目标在地理 坐标系的位置；
[0032]
t时刻目标的所述航迹偏角变化率为：
[0033]
t时刻目标的所述航迹倾角变化率为：
[0034]
t时刻目标的所述高度变化率为：
[0035]
t时刻目标的所述水平位移变化率为：
[0036]
其中，h为仿真步长。
[0037]
在本发明的一个实施例中，所述训练好的机动转换子序列识别网络、所述 训练好的机动转换点定位网络、所述训练好的单一机动识别网络均包括依次连 接的掩膜层、长短期记忆网络时序特征提取层和softmax层。
[0038]
在本发明的一个实施例中，所述长短期记忆网络时序特征提取层的网络模 型为：
[0039]it
＝σ(wix
t
+u
iht-1
+bi)
[0040]ft
＝σ(wfx
t
+ufh
t-1
+bf)
[0041]ot
＝σ(wox
t
+u
oht-1
+bo)
[0042]et
＝tanh(wex
t
+ueh
t-1
+be)
[0043]ct
＝f
t
⊙ct-1
+i
t
⊙et
[0044]ht
＝o
t
⊙
tanh(c
t
)
[0045]
其中，f
t
,i
t
,o
t
分别为长短期记忆网络时序特征提取层当前时刻遗忘门、 输入门、输出门三者的输出状态，c
t
为内部单元状态，h
t
为隐藏层外部状态，e
t
是当前时刻输入及上一时刻隐藏层外部状态的拼接向量由双曲正切tanh激活后 所得到的候选状态，σ表示sigmoid激活函数，x
t
为当前时刻输入网络的特征向 量，wi,wf,wo,we为长短期记忆网络时序特征提取层所对应的第一权重矩阵， ui,uf,uo,ue为长短期记忆网络时序特征提取层所对应的第二权重矩阵， bi,bf,bo,be为长短期记忆网络时序特征提取层所对应的偏执向量。
[0046]
在本发明的一个实施例中，所述softmax层的网络模型为：
[0047][0048]
其中，为网络输出该份轨迹样本属于第k个类别的概率，hi由长短期记 忆网络时序特征提取层输出各时刻的隐藏层状态h
t
所构成，wk,bk为softmax层 所对应的权重向量和偏置项。
[0049]
在本发明的一个实施例中，所述训练好的机动转换子序列识别网络、所述 训练好的机动转换点定位网络和所述训练好的单一机动识别网络的训练方法包 括步骤：
[0050]
获取原始目标轨迹子序列训练样本、原始目标机动转换子序列训练样本和 原始目标单一机动训练样本；
[0051]
对所述原始目标轨迹子序列训练样本进行过采样和归一化处理，对所述原 始目标机动转换子序列训练样本和所述原始目标单一机动训练样本进行归一化 处理，得到目标轨迹子序列训练样本、目标机动转换子序列训练样本和目标单 一机动训练样本；
[0052]
利用所述目标轨迹子序列训练样本、所述目标机动转换子序列训练样本和 所述目标单一机动训练样本分别对依次级联的机动转换子序列识别网络、机动 转换点定位网络和单一机动识别网络进行训练，得到所述训练好的机动转换子 序列识别网络、所述训练好的机动转换点定位网络和所述训练好的单一机动识 别网络。
[0053]
在本发明的一个实施例中，步骤s9包括：
[0054]
将所述多段单一机动轨迹集合中的每段单一机动轨迹长度统一到固定值， 得到新的多段单一机动轨迹集合；
[0055]
将所述新的多段单一机动轨迹集合中每段单一机动轨迹输入所述训练好的 单一机动识别网络进行识别，得到所述机动类别预测标签序列。
[0056]
在本发明的一个实施例中，所述机动类别预测标签序列中的机动类别包括 定常平飞、水平左盘旋、水平右盘旋、急跃升、战术俯冲、破-s、半斤斗、左 中断、右中断、左战斗转弯、右战斗转弯中的至少一种。
[0057]
与现有技术相比，本发明的有益效果：
[0058]
本发明的目标机动在线识别方法利用机动转换子序列识别网络识别机动转 换点、利用机动转换点定位网络识别机动转换点数据位、利用单一机动识别网 络识别机动类别，将目标机动在线识别问题转化为机动转换子序列识别、机动 转换点定位、单一机动识别三个易于求解的分类问题，克服了目标的连续多段 未知机动轨迹难以识别问题；同时采用级联的机动转换子序列识别网络、机动 转换点定位网络和单一机动识别网络，实现机动轨迹到类别标签序列的映射， 解决了大规模训练样本的收敛性和时效性问题；从而，该识别方法实现了无人 机自主空战中目标机动在线识别，提升了对抗游戏和模拟系统人机交互与智能 化水平。
附图说明
[0059]
图1为本发明实施例提供的一种空战模拟环境中的目标机动在线识别方法 的流程示意图；
[0060]
图2为本发明实施例提供的一种目标运动坐标系与相关参数示意图；
[0061]
图3为本发明实施例提供的一种子序列真实标签示意图；
[0062]
图4为本发明实施例提供的一种机动转换子序列数据位真实标签示意图；
[0063]
图5为本发明实施例提供的一种目标机动在线识别流程示意图；
[0064]
图6为本发明实施例提供的一种测试集上机动转换子序列识别混淆矩阵示 意图；
[0065]
图7为本发明实施例提供的一种测试集上机动转换子序列识别混淆矩阵示 意图；
[0066]
图8为本发明实施例提供的一种测试集上单一机动识别混淆矩阵示意图；
[0067]
图9为本发明实施例提供的一种目标连续多段机动三维轨迹示意图。
具体实施方式
[0068]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式 不限
于此。
[0069]
实施例一
[0070]
请参见图1，图1为本发明实施例提供的一种空战模拟环境中的目标机动 在线识别方法的流程示意图，该空战模拟环境中的目标机动在线识别方法包括 步骤：
[0071]
s1、对包含多段连续机动的机载传感器目标轨迹数据进行目标轨迹特征信 息计算，得到目标连续机动轨迹特征信息序列。具体包括步骤：
[0072]
s11、建立地理坐标系、惯性坐标系和目标航迹坐标系，其中，惯性坐标系 随目标运动，目标航迹坐标系的原点至x轴方向为目标速度矢量方向且与机体 纵轴保持一致。
[0073]
请参见图2，图2为本发明实施例提供的一种目标运动坐标系与相关参数 示意图。图2中，oxgygzg为地理坐标系；o
t
x
gtygtzgt
为惯性坐标系，其随目标 运动；o
t
x
htyhtzht
为目标航迹坐标系。忽略攻角与侧滑角，航迹坐标系o
t
x
ht
轴方 向为目标速度矢量v方向且与机体纵轴保持一致。θ表示目标航迹倾角，即目标 速度方向与水平面的夹角，速度矢量在o
tygt
轴上的分量为正值时θ为正，反之 为负，其取值范围为θ∈[-π/2,π/2]。φ表示目标航迹偏角，即目标速度矢量 在水平面的投影与o
t
x
gt
之间的夹角，由o
t
x
gt
转向目标速度矢量在水平面的投影 方向顺时针时φ为正，反之为负，其取值范围为φ∈[-π,π]。
[0074]
s12、在地理坐标系中、惯性坐标系中和目标航迹坐标系中对机载传感器目 标轨迹数据进行航迹倾角、航迹偏角变化率、航迹倾角变化率、高度变化率和 水平位移变化率计算，得到特征信息。
[0075]
具体的，本实施例选取航迹倾角θ、航迹倾角变化率航迹偏角变化率高度变化率以及水平位移变化率作为目标轨迹特征信息。
[0076]
具体的，t时刻目标在oxgygzg坐标系中的坐标为(x(t),y(t),z(t))，目标的 初始坐标为(x0,y0,z0)即为轨迹起点，t时刻目标的航迹偏角φ(t)为：
[0077][0078]
其中，δx(t)、δy(t)、δz(t)为连续两个时刻目标在地理坐标系oxgygzg中的 位置变化。
[0079]
t时刻目标的航迹倾角θ(t)为：
[0080][0081]
其中，δx(t)、δy(t)、δz(t)为连续两个时刻目标在地理坐标系oxgygzg中的 位置变化。
[0082]
以上两式中δx(t)、δy(t)、δz(t)的计算公式为：
[0083]
δx(t)＝x(t)-x(t-1)
[0084]
δy(t)＝y(t)-y(t-1)
[0085]
δz(t)＝z(t)-z(t-1)
[0086]
其中，(x(t),y(t),z(t))为t时刻目标在地理坐标系的位置坐标， (x(t-1),y(t-1),z(t-1))为t-1时刻目标在地理坐标系的位置坐标。
[0087]
t时刻目标的水平面位移r(t)为：
[0088][0089]
其中，(x0,y0,z0)为目标的初始坐标，(x(t),y(t),z(t))为t时刻目标在地理 坐标系的位置。
[0090]
t时刻目标的航迹偏角变化率为：
[0091]
t时刻目标的航迹倾角变化率为：
[0092]
t时刻目标的高度变化率为：
[0093]
t时刻目标的水平位移变化率为：
[0094]
其中，h为仿真步长。
[0095]
s13、对特征信息进行归一化处理，得到目标连续机动轨迹特征信息序列。
[0096]
具体的，为了避免特征参数量纲的影响，本实施例对特征信息通过各维度 特征参数的最大值和最小值对样本数据进行归一化处理，即其 中，x为某特征参数值，x
min
和x
max
分别为在所有样本中的最小值和最大值，x
′ꢀ
为归一化后的数值，从而得到目标连续机动轨迹特征信息序列。
[0097]
s2、将目标连续机动轨迹特征信息序列以固定长度平均切分为若干子序列。
[0098]
具体的，目标连续机动轨迹特征信息序列中每连续两段机动之间存在一个 机动转换点ps，该点即为轨迹分段点。本实施例将目标连续机动轨迹特征信息 序列seq以固定长度lc平均切分为l个子序列，每个子序列中至多存在一个机 动转换点。
[0099]
s3、将若干子序列依次输入级联的训练好的机动转换子序列识别网络、训 练好的机动转换点定位网络和训练好的单一机动识别网络中进行机动类别识 别，得到机动类别预测标签序列。
[0100]
具体的，本实施例通过设计目标轨迹自动分段与机动识别模型，首先将机 动转换点识别问题分解为机动转换子序列识别问题与机动转换点定位问题，进 而将目标机动在线识别问题转化为机动转换子序列识别、机动转换点定位、单 一机动识别三个分类问题。
[0101]
针对机动转换子序列识别问题，本实施例将其转化为子序列的二分类问题， 存在机动转换点的子序列为“机动转换子序列”，不存在机动转换点的子序列为
ꢀ“
非机动转换子序列”，如图3所示，图3为本发明实施例提供的一种子序列真 实标签示意图。机动转换子序列识别问题可被描述为：求解由目标连续机动轨 迹特征信息序列seq到机动转换子序列sws的集合为mss＝{sw1,sw2,
…
}的映射函 数mss＝fs(seq)。
[0102]
针对机动转换点定位问题，本实施例将其转化为机动转换子序列的多分类 问题，类别对应机动转换点所在数据位，如图4所示，图4为本发明实施例提 供的一种机动转换子序列数据位真实标签示意图；机动转换点定位问题可被描 述为：求解由机动转换子序列
sws的集合mss＝{sw1,sw2,
…
}到机动转换点ps的集 合msp＝{p1,p2,
…
}的映射msp＝f
p
(mss)。识别前机动转换子序列的每一位 数据作为机动转换点的概率相等，但由于机动转换点的特征为在时间维度上发 生了突变；若机动转换点出现在sws的第一位则无法识别，因此此处仅考虑机动 转换点在第二位至末位的情况。为解决识别机动转换点出现在第一位的情况， 本实施例将机动轨迹后移一位重新输入机动转换子序列识别网络和机动转换点 定位网络，再将两次转换点识别结果求并集，由此可将机动转换点在第一位的 情况转换到第二位进行求解。
[0103]
针对单一机动识别问题，本实施例将其转化为多分类问题，类别对应步骤 1目标机动类别集合中的11种机动；目标单一机动识别问题可以描述为：求解 目标单一机动轨迹样本xs到机动类别mk的映射mk＝fm(xs)；将 mss＝fs(seq)，msp＝f
p
(mss)和mk＝fm(xs)级联后，目标机动在线识别问 题转化为求解机动轨迹seq到机动类别序列mk＝[m1,m2,
…
]的映射 mk＝f
msp
(seq)。
[0104]
针对上述三个分类问题，本实施例设计了面向目标轨迹自动分段与机动识 别的级联分类网络结构，该级联分类网络结构包括三个分类网络，即机动转换 子序列识别网络、机动转换点定位网络以及单一机动识别网络用于求解上述三 个分类问题。
[0105]
具体的，三个分类网络具有相同的结构，均包括依次连接的掩膜层、长短 期记忆网络时序特征提取层和softmax层。
[0106]
其中，长短期记忆网络时序特征提取层的网络模型为：
[0107]it
＝σ(wix
t
+u
iht-1
+bi)
[0108]ft
＝σ(wfx
t
+ufh
t-1
+bf)
[0109]ot
＝σ(wox
t
+u
oht-1
+bo)
[0110]et
＝tanh(wex
t
+ueh
t-1
+be)
[0111]ct
＝f
t
⊙ct-1
+i
t
⊙et
[0112]ht
＝o
t
⊙
tanh(c
t
)
[0113]
其中，f
t
,i
t
,o
t
分别为长短期记忆网络时序特征提取层当前时刻遗忘门、 输入门、输出门三者的输出状态，c
t
为内部单元状态，h
t
为隐藏层外部状态，e
t
是当前时刻输入及上一时刻隐藏层外部状态的拼接向量由双曲正切tanh激活后 所得到的候选状态，σ表示sigmoid激活函数，x
t
为当前时刻输入网络的特征向 量，wi,wf,wo,we为长短期记忆网络时序特征提取层所对应的第一权重矩阵， ui,uf,uo,ue为长短期记忆网络时序特征提取层所对应的第二权重矩阵， bi,bf,bo,be为长短期记忆网络时序特征提取层所对应的偏执向量。
[0114]
softmax层的网络模型为：
[0115][0116]
其中，为网络输出该份轨迹样本属于第k个类别的概率，hi由长短期记 忆网络时序特征提取层输出各时刻的隐藏层状态h
t
所构成，wk,bk为softmax层 所对应的权重向量和偏置项。
[0117]
进一步的，对上述级联分类网络结构进行训练，训练方法包括步骤：
[0118]
1)获取原始目标轨迹子序列训练样本、原始目标机动转换子序列训练样本 和原始目标单一机动训练样本。
[0119]
2)对原始目标轨迹子序列训练样本进行过采样和归一化处理，对原始目标 机动转换子序列训练样本和原始目标单一机动训练样本进行归一化处理，得到 目标轨迹子序列训练样本、目标机动转换子序列训练样本和目标单一机动训练 样本。
[0120]
具体的，首先，为避免正负类样本数量不均衡的影响，本实施例采用过采 样方法对原始目标轨迹子序列训练样本数据重新采样；然后为避免特征参数量 纲的影响，本实施例通过各维度特征参数的最大值和最小值对原始目标轨迹子 序列训练样本、原始目标机动转换子序列训练样本和原始目标单一机动训练样本进行归一化处理即其中，x为某特征参数值，x
min
和x
max
分别 为在所有训练样本中的最小值和最大值，x
′
为归一化后的数值，从而得到目标 轨迹子序列训练样本、目标机动转换子序列训练样本和目标单一机动训练样本。
[0121]
进一步的，获取得到目标轨迹自动分段与机动识别的训练样本，目标轨迹 子序列训练样本为子序列到其属于“机动转换子序列”或“非机动转换子序列
”ꢀ
类别的映射。目标机动转换子序列训练样本为机动转换子序列到机动转换点所 在数据位的映射。目标单一机动训练样本为单一机动轨迹到机动类别的映射。
[0122]
3)利用目标轨迹子序列训练样本、目标机动转换子序列训练样本和目标单 一机动训练样本分别对依次级联的机动转换子序列识别网络、机动转换点定位 网络和单一机动识别网络进行训练，得到训练好的机动转换子序列识别网络、 训练好的机动转换点定位网络和训练好的单一机动识别网络。
[0123]
具体的，在训练过程中，由于输入单一机动识别网络中的空战目标机动轨 迹具有一定的随机性，从而导致目标执行某一机动轨迹长度也十分随机，因此， 在输入单一机动识别网络之前，将输入的机动轨迹长度统一到固定值。具体的， 将输入的机动轨迹长度统一到固定值的方法为：设置一固定值，对长度小于固 定值的过短轨迹样本以固定值填充，对长度大于固定值的过长轨迹样本等间隔 抽样的方法，从而将机动轨迹长度统一到固定值maxlen。
[0124]
当训练满足收敛条件后，得到训练好的机动转换子序列识别网络、训练好 的机动转换点定位网络和训练好的单一机动识别网络。其中，收敛条件可以为 训练达到训练次数，例如训练次数达到800次。
[0125]
请参见图5，图5为本发明实施例提供的一种目标机动在线识别流程示意 图。利用训练好的级联分类网络结构对步骤s2得到的若干子序列进行目标轨迹 自动分段与机动识别，具体包括步骤：
[0126]
s31、将若干子序列依次输入训练好的机动转换子序列识别网络以识别每个 子序列中是否存在机动转换点，得到机动转换子序列集合，并记录每个机动转 换子序列在目标连续机动轨迹中的顺序编号。
[0127]
具体的，将l个子序列依次输入机动转换子序列识别网络识别出每一输入 子序列是否为机动转换子序列，机动转换子序列sws将构成集合 mss＝{sw1,sw2,
…
}，并记录机动转换子序列sws在目标连续机动轨迹特征信息序 列seq中相应的顺序编号为nss。
[0128]
s32、将每个机动转换子序列输入训练好的机动转换点定位网络以识别出机 动转换子序列中的机动转换点数据位。
[0129]
具体的，将识别出的机动转换子序列sws作为机动转换点定位网络识别的输 入序列，识别出机动转换子序列sws中机动转换点ps所在数据位nps。
[0130]
s33、利用顺序编号和机动转换点数据位计算每个机动转换点，得到机动转 换点有序集合。
[0131]
具体的，利用顺序编号为nss和机动转换点数据位nps计算机动转换点 ps＝nss·
lc+nps，则目标连续机动轨迹特征信息序列seq中所有机动转换点ps构成机动转换点有序集合msp＝{p1,p2,
…
}。
[0132]
s34、将目标连续机动轨迹中第一个时刻点特征参数去除后形成新的目标 连续机动轨迹，并重复步骤s2、s31、s32、s33，得到若干新的机动转换点。
[0133]
具体的，将目标连续机动轨迹特征信息序列seq第一个时刻点特征参数去 除后形成新的目标连续机动轨迹特征信息序列seq
′
，将seq
′
作为另一目标轨迹 重新输入机动转换子序列识别网络与机动转换点定位网络，得到一系列机动转 换点ps′
。
[0134]
s35、将每个新的机动转换点后移一位，使其回到目标连续机动轨迹的真 实数据位，得到新的机动转换点有序集合，并将新的机动转换点有序集合和机 动转换点有序集合取并集后得到目标轨迹机动转换点识别结果。
[0135]
具体的，将每一机动转换点ps′
后移一位，使其回到目标连续机动轨迹特征 信息序列seq中的真实数据位，得到目标连续机动轨迹特征信息序列seq的新 的转换点有序集合msp
′
＝{p1′
,p2′
,
…
}，对msp与msp
′
取并集后重新赋值给 msp作为最终目标轨迹机动转换点识别结果。
[0136]
s36、利用目标轨迹机动转换点识别结果对目标连续机动轨迹进行分段， 得到多段单一机动轨迹集合。
[0137]
具体的，利用目标轨迹机动转换点识别结果msp集合对目标连续机动轨迹 特征信息序列seq进行分段，得到多段单一机动轨迹集合xs＝{x1,x2,
…
}。
[0138]
s37、将多段单一机动轨迹集合中每段单一机动轨迹输入训练好的单一机动 识别网络进行机动类别识别，得到机动类别预测标签序列。具体包括步骤：
[0139]
s371、将多段单一机动轨迹集合中的每段单一机动轨迹长度统一到固定值， 得到新的多段单一机动轨迹集合。
[0140]
具体的，设置一固定值，对长度小于固定值的过短轨迹样本以固定值填充， 对长度大于固定值的过长轨迹样本等间隔抽样的方法，从而将单一机动轨迹长 度统一到固定值maxlen，得到新的多段单一机动轨迹集合xs
′
。
[0141]
s372、将新的多段单一机动轨迹集合中每段单一机动轨迹输入训练好的单 一机动识别网络进行识别，得到机动类别预测标签序列。
[0142]
具体的，将新的多段单一机动轨迹集合xs
′
中的每段单一机动轨迹逐一输 入单一机动识别网络进行识别，最终得到机动类别预测标签序列 mk＝[m1,m2,
…
]。
[0143]
具体的，本实施例设计无人机自主空战中的目标机动类别集合 m＝{m1,m2,...,mn}包含定常平飞、水平左盘旋、水平右盘旋、急跃升、战术 俯冲、破-s、半斤斗、左中断、右中断、左战斗转弯、右战斗转弯等11种机动， 因此，机动类别预测标签序列中的机动类别包
括上述11中机动中的至少一种。
[0144]
综上，本实施例的目标机动在线识别方法利用机动转换子序列识别网络识 别机动转换点、利用机动转换点定位网络识别机动转换点数据位、利用单一机 动识别网络识别机动类别，将目标机动在线识别问题转化为机动转换子序列识 别、机动转换点定位、单一机动识别三个易于求解的分类问题，克服了目标的 连续多段未知机动轨迹难以识别问题；同时采用级联的机动转换子序列识别网 络、机动转换点定位网络和单一机动识别网络，级联的每个网络均采用长短期 记忆分类网络与算法识别逻辑，实现机动轨迹到类别标签序列的映射，解决了 大规模训练样本的收敛性和时效性问题；因此，该方法实现了无人机自主空战 中目标机动在线识别，满足了目标机动在线识别的时效性需求，提升了对抗游 戏和模拟系统人机交互与智能化水平。
[0145]
实施例二
[0146]
在实施例一的基础上，本实施例通过以下仿真对空战模拟环境中的目标机 动在线识别方法进一步说明。
[0147]
本实施例程序运行计算机环境为：inter core i7 2.9ghz处理器，8g内存， windows10 64位操作系统。程序编写语言为python3，并利用keras第三方库进 行网络搭建。仿真步长为0.01s。
[0148]
首先在一定范围内随机选取初始航迹偏角、航迹倾角、速度、高度以及过 程控制量利用三自由度飞行仿真程序生成大量目标轨迹样本。将目标轨迹以固 定长度20进行切分，根据切分后的子序列中是否存在机动转换点赋予类别标 签，构成轨迹特征参数子序列样本集。本实施例共生成11486份数据构成网络 训练集、3633份数据构成网络验证集和3575份数据构成网络测试集。
[0149]
每两段机动轨迹中只有一个点为机动转换点，随机产生的轨迹序列切分为 多个子序列后机动转换子序列为少数，非机动转换子序列为大多数，因此会出 现两类样本数量并不均衡的问题。本实施例采用过采样的方法对机动子序列类 别训练样本集进行处理，以扩充少数类别样本并通过验证集时刻监控网络训练 进程。
[0150]
在本实施例所设计的机动转换子序列识别网络中，网络输入样本维度为 [20
×
5]；长短期记忆网络时序特征提取层深度为2，神经元数目分别为8和4； softmax层作为网络输出层，神经元数量对应类别数2；迭代次数为800次并采 用adam优化器对网络参数进行优化。对机动转换点识别网络进行训练，网络 训练效果由测试集进行测试，请参见图6，图6为本发明实施例提供的一种测 试集上机动转换子序列识别混淆矩阵示意图，横轴上数值为真实样本标签，纵 轴数值为预测样本标签，标签为“1”代表该样本为机动转换子序列，标签为“0
”ꢀ
代表该样本为非机动转换子序列。在机动转换子序列识别问题上，训练完成的 网络对测试集的识别准确率为99.1％，召回率为98.7％.
[0151]
在本实施例所设计的机动转换点定位网络中，网络输入样本维度为 [20
×
5]；长短期记忆网络时序特征提取层深度为2，神经元数目分别为16和8； softmax层作为网络输出层，神经元数量对应类别数19；迭代次数为300次并 采用adam优化器对网络参数进行优化。该网络训练集样本数为2564，验证集 样本数为848，测试集样本数为851，请参见图7，图7为本发明实施例提供的 一种测试集上机动转换子序列识别混淆矩阵示意图，横轴上数值为机动转换点 真实数据位，纵轴数值为算法预测机动转换点所在数据位。在机动转换点定
位 问题上，测试集识别准确率为97.3％，测试集召回率为97.3％；由混淆矩阵可 知，错分样本数较少，算法能够较为准确地识别出机动转换点所在之处。
[0152]
在本实施例所设计的单一机动识别网络中，网络输入样本维度为[100
×
5]； 长短期记忆网络时序特征提取层深度为2，神经元数目分别为16和8；softmax 层作为网络输出层，神经元数量对应类别数量即为11；迭代次数为300次并采 用adam优化器对网络参数进行优化。本实施例共产生3473份单一机动样本构 成训练集，1240份样本构成验证集，1136份样本构成测试集。利用测试集对训 练效果进行测试，请参见图8，图8为本发明实施例提供的一种测试集上单一 机动识别混淆矩阵示意图。在单一机动识别问题上，测试集识别准确率为 98.9％，测试集召回率为98.9％。
[0153]
本实施例随机产生2段到8段连续机动轨迹各100条构成测试集，并利用 此测试集对级联分类网络进行测试；利用滑动相似度对机动类别预测标签序列 与机动类别真实标签序列间相似度进行计算以评估上述级联网络识别效果，实 验结果如表1所示。
[0154]
表1 级联网络识别效果
[0155][0156]
由表1可知，在2段到8段连续机动轨迹测试上，级联网络分段错误数与 识别错误数较少，预测标签序列与真实标签序列间平均相似度较高均为93％以 上。
[0157]
请参见图9，图9为本发明实施例提供的一种目标连续多段机动三维轨迹 示意图。根据本实施例所设计的目标轨迹自动分段与机动识别模型和算法，同 时结合上述实验中离线训练得到的各级分类网络模型，对图9中的目标机动轨 迹进行在线分割与机动识别，按照每一秒增加10个仿真步长的机动轨迹数据进 行网络输入。表2记录了目标各机动时间段与真实机动类别。
[0158]
表2 目标各机动时间段与真实机动类别
[0159][0160]
由表2可知，本实施例所提出方法在每一机动结束之前就已经能够对其先 前轨迹进行分割，并准确识别出相应机动动作，验证了本实施例所提出目标机 动在线识别方法的
可行性与有效性。
[0161]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不 能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通 技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替 换，都应当视为属于本发明的保护范围。