方 偉，張婷婷，余應(yīng)福，譚凱文

（1.海軍航空大學(xué)，山東煙臺(tái) 264001；2.海戰(zhàn)場(chǎng)信息感知與融合技術(shù)國(guó)家級(jí)實(shí)驗(yàn)教學(xué)中心，山東煙臺(tái) 264001）

現(xiàn)代科技發(fā)展迅速，空中戰(zhàn)場(chǎng)環(huán)境愈發(fā)復(fù)雜，作戰(zhàn)模式趨向智能化，掌握對(duì)敵方戰(zhàn)機(jī)進(jìn)行快速準(zhǔn)確地威脅評(píng)估對(duì)于我方戰(zhàn)機(jī)的意義凸顯[1]?？諔?zhàn)威脅評(píng)估既為我機(jī)的火力分配和戰(zhàn)時(shí)部署決策提供了理論依據(jù)[2-3]，也是空戰(zhàn)態(tài)勢(shì)感知的迫切需求[4]，是戰(zhàn)機(jī)奪取作戰(zhàn)主動(dòng)權(quán)的關(guān)鍵因素[5]。

在現(xiàn)有的評(píng)估方法中，建模法[6-10]能夠提高威脅評(píng)估的準(zhǔn)確率，但由于計(jì)算時(shí)間受到模型復(fù)雜度和數(shù)據(jù)量的制約，實(shí)時(shí)性較差，不滿足空戰(zhàn)實(shí)際需求。數(shù)據(jù)法由于不需要建模而節(jié)省了大量時(shí)間，提高了計(jì)算效率，但評(píng)估準(zhǔn)確率較低，不能為空戰(zhàn)飛行員提供可靠的參考依據(jù)[11-12]。

針對(duì)以上兩種方法存在的問(wèn)題，文中提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的空戰(zhàn)威脅評(píng)估模型[13-15]。首先基于作戰(zhàn)任務(wù)背景對(duì)空戰(zhàn)要素進(jìn)行分析，提取主要威脅指標(biāo)；然后構(gòu)建威脅指數(shù)函數(shù)，以威脅要素為輸入，輸出威脅值；最后將威脅值量化后生成訓(xùn)練樣本數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)空戰(zhàn)目標(biāo)的及時(shí)準(zhǔn)確的威脅評(píng)估。

1 威脅評(píng)估影響要素提取

對(duì)于單機(jī)空戰(zhàn)，對(duì)敵方飛機(jī)的威脅評(píng)估主要考慮敵我雙方的作戰(zhàn)態(tài)勢(shì)、機(jī)載武器裝備的性能以及電子干擾等因素，該模型訓(xùn)練時(shí)設(shè)定敵我兩機(jī)作戰(zhàn)實(shí)力相當(dāng)，空戰(zhàn)能力威脅不納入考慮。選取敵方飛機(jī)的飛行速度Vb(km/h)、我方飛機(jī)的飛行速度Vr(km/h)、相對(duì)飛行高度Hb(km)、相對(duì)距離R(km)和敵我兩機(jī)航向角φb、φr六個(gè)因素[16-18]，計(jì)算威脅指數(shù)。

1.1 敵機(jī)速度

敵機(jī)速度指敵方飛機(jī)的飛行速度。速度越快，機(jī)動(dòng)時(shí)間越短，越容易取得優(yōu)勢(shì)，對(duì)我方造成的威脅越大。速度威脅指數(shù)如下：

其中，Tv表示速度威脅指數(shù)，Vb為敵機(jī)飛行速度，Vr為我機(jī)飛行速度。當(dāng)敵機(jī)速度小于我機(jī)速度的0.6 倍時(shí)，我機(jī)占據(jù)主要優(yōu)勢(shì)，當(dāng)面臨威脅時(shí)可以通過(guò)加速遠(yuǎn)離敵方攻擊范圍；當(dāng)敵機(jī)速度在我機(jī)速度的0.6 倍和1.5 倍之間時(shí)，由于速度相差較小，敵機(jī)對(duì)我方威脅增大，很難僅憑加減速度奪取戰(zhàn)場(chǎng)優(yōu)勢(shì)；當(dāng)敵機(jī)速度大于我機(jī)速度1.5 倍時(shí)，敵方占據(jù)有利條件，我方飛機(jī)受到的威脅最大。

1.2 敵機(jī)高度

敵機(jī)高度指敵方飛機(jī)在垂直方向上與我方飛機(jī)的距離。在近距單機(jī)空戰(zhàn)過(guò)程中，敵方飛機(jī)比我方飛機(jī)越高，對(duì)我方造成的威脅越大，若敵機(jī)在我機(jī)下方，則我機(jī)占據(jù)有利態(tài)勢(shì)。高度威脅指數(shù)如下：

其中，TH表示高度威脅指數(shù)，Hb表示敵機(jī)高度，正值表示敵機(jī)在我機(jī)垂直上方，負(fù)值表示敵機(jī)在我機(jī)垂直下方。當(dāng)敵機(jī)在我方飛機(jī)垂直上方超過(guò)5 000 km 距離時(shí)，對(duì)我機(jī)造成的威脅最大，敵機(jī)在我方飛機(jī)垂直下方超過(guò)5 000 km 距離時(shí)，對(duì)我機(jī)造成的威脅最小。

1.3 敵機(jī)距離

敵機(jī)距離指敵方飛機(jī)與我方飛機(jī)的連線距離。敵機(jī)與我機(jī)之間的距離越小，我機(jī)越容易進(jìn)入敵機(jī)武器裝備攻擊范圍，所得機(jī)動(dòng)決策的時(shí)間越短，對(duì)我機(jī)的威脅越大；同理可知敵機(jī)距離越大，對(duì)我機(jī)的威脅越小。距離威脅指數(shù)如下：

其中，Tr表示距離威脅指數(shù)，R為敵機(jī)距離，Rb為敵機(jī)武器攻擊距離，Rm為我機(jī)武器攻擊距離，Rr為雷達(dá)最大跟蹤距離。

1.4 敵機(jī)航向角

敵機(jī)航向角是指我機(jī)與敵機(jī)連線與敵我兩機(jī)飛行軌跡方向的夾角。夾角越大，敵機(jī)對(duì)我機(jī)的威脅越大，夾角越小，敵機(jī)對(duì)我機(jī)的威脅越小。角度威脅指數(shù)如下：

其中，TA表示角度威脅指數(shù)，φb為敵機(jī)速度矢量方向與敵我兩機(jī)連線的夾角，φr為我機(jī)速度矢量方向與敵我兩機(jī)連線的夾角。根據(jù)公式可以看出，角度威脅指數(shù)隨著兩個(gè)夾角的增大而增大。

根據(jù)文獻(xiàn)[19]可知，敵機(jī)的威脅值為角度威脅因子與距離威脅因子乘積后與其他因子加權(quán)得到，即：

其中，a1、a2、a3為各威脅因子的權(quán)重。文中取權(quán)重系數(shù)為a1=a2=1、a3=1.5。

2 威脅評(píng)估網(wǎng)絡(luò)模型

2.1 威脅評(píng)估樣本數(shù)據(jù)的構(gòu)建

根據(jù)上述方法提取評(píng)估要素并計(jì)算相應(yīng)威脅評(píng)估指標(biāo)，然后，結(jié)合各威脅因子的權(quán)重計(jì)算得到每組數(shù)據(jù)中敵機(jī)對(duì)我機(jī)的威脅值，為了便于訓(xùn)練，減少訓(xùn)練時(shí)間，將所得威脅值進(jìn)行量化，文中將空戰(zhàn)威脅值分為三個(gè)等級(jí)，0、1、2 分別代表威脅程度較小、威脅程度中等、威脅程度較大。最后，以空戰(zhàn)威脅要素為輸入、量化后的威脅評(píng)估等級(jí)為輸出，組成威脅評(píng)估模型樣本數(shù)據(jù)。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

在解決分類問(wèn)題上，卷積神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的識(shí)別能力，它的學(xué)習(xí)機(jī)制與人工神經(jīng)網(wǎng)絡(luò)相同，由前向傳遞和后向傳遞組成，是在它的一個(gè)或多個(gè)層中使用卷積函數(shù)的一種神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)由特征提取子系統(tǒng)和分類器子系統(tǒng)兩部分組成。特征提取子系統(tǒng)是區(qū)別于卷積神經(jīng)網(wǎng)絡(luò)和其他特征提取方法的重要組成部分，特征提取子系統(tǒng)包括輸入層、卷積層和池化層。卷積層主要用于提取輸入數(shù)據(jù)的全部信息，實(shí)現(xiàn)特征提取功能；池化層用于壓縮數(shù)據(jù)和特征信息，以減少數(shù)據(jù)的空間大小，特征提取子系統(tǒng)的輸出作為卷積神經(jīng)網(wǎng)絡(luò)第二部分分類器子系統(tǒng)的輸入，分類子系統(tǒng)包括全連接層。全連接層主要是將提取的特征加權(quán)之后進(jìn)行非線性變換，然后映射到樣本標(biāo)記空間，實(shí)現(xiàn)分類功能。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，模型訓(xùn)練網(wǎng)絡(luò)參數(shù)如表1 所示。

表1 模型訓(xùn)練網(wǎng)絡(luò)參數(shù)

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.3 威脅評(píng)估模型的構(gòu)建

鑒于模型法準(zhǔn)確度高卻難以保證實(shí)時(shí)性、數(shù)據(jù)法實(shí)時(shí)性高卻準(zhǔn)確率不足的問(wèn)題，文中提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的單機(jī)空戰(zhàn)威脅評(píng)估模型。首先根據(jù)威脅指數(shù)計(jì)算公式得到單機(jī)空戰(zhàn)過(guò)程中每個(gè)時(shí)間點(diǎn)的敵機(jī)威脅值，然后將威脅值量化，生成樣本數(shù)據(jù)，最后利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)單機(jī)空戰(zhàn)環(huán)境中對(duì)敵機(jī)的威脅評(píng)估。模型基本結(jié)構(gòu)如圖2 所示，基本步驟如下：

圖2 單機(jī)空戰(zhàn)威脅評(píng)估網(wǎng)絡(luò)模型基本結(jié)構(gòu)

步驟一：從空戰(zhàn)數(shù)據(jù)中提取威脅評(píng)估影響要素；

步驟二：根據(jù)威脅指數(shù)計(jì)算公式計(jì)算相應(yīng)威脅評(píng)估指數(shù)；

步驟三：確定各威脅指數(shù)權(quán)重；

步驟四：結(jié)合權(quán)重和評(píng)估指數(shù)計(jì)算得出敵機(jī)威脅值；

步驟五：將威脅值進(jìn)行量化，分為0、1、2 三個(gè)等級(jí)；

步驟六：以威脅評(píng)估影響要素為輸入，威脅評(píng)估等級(jí)為輸出，生成訓(xùn)練樣本數(shù)據(jù)；

步驟七：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練樣本數(shù)據(jù)，實(shí)現(xiàn)單機(jī)空戰(zhàn)情境下的威脅評(píng)估。

3 仿真分析

3.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)采用飛行模擬器進(jìn)行真實(shí)單機(jī)對(duì)抗，采集作戰(zhàn)過(guò)程中的數(shù)據(jù)信息，提取實(shí)驗(yàn)所需特征要素，主要包括敵方飛機(jī)的飛行速度Vb(km/h)、我方飛機(jī)的飛行速度Vr(km/h)、兩機(jī)相對(duì)飛行高度Hb(km)、兩機(jī)相對(duì)距離R(km) 和敵我兩機(jī)航向角φb、φr六個(gè)要素，根據(jù)威脅指數(shù)計(jì)算公式得到每組對(duì)應(yīng)的威脅值。其中，實(shí)驗(yàn)設(shè)定敵我雙方飛機(jī)實(shí)力性能相當(dāng)，即武器攻擊范圍相近，有：

將所得威脅值進(jìn)行量化，具體標(biāo)準(zhǔn)如表2 所示，由此得到3 600 組輸入為六項(xiàng)要素，輸出為一項(xiàng)威脅等級(jí)的樣本數(shù)據(jù)。

表2 威脅值量化標(biāo)準(zhǔn)

3.2 仿真實(shí)驗(yàn)

3.2.1 不同樣本數(shù)量對(duì)模型的影響分析實(shí)驗(yàn)

將樣本數(shù)據(jù)等比例分成訓(xùn)練集樣本和測(cè)試集樣本，設(shè)置模型參數(shù)為卷積層為四層、卷積核為1×5、迭代次數(shù)300 次、批樣本數(shù)量為64，對(duì)模型進(jìn)行訓(xùn)練。分別輸入2 000 組、2 500 組和3 600 組樣本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，分析樣本數(shù)量對(duì)模型性能的影響，選取損失函數(shù)和識(shí)別準(zhǔn)確率作為衡量模型性能優(yōu)劣的標(biāo)準(zhǔn)。圖3 和圖4 分別展示了樣本數(shù)量為2 000 組時(shí)的損失函數(shù)和識(shí)別準(zhǔn)確率，圖5 和圖6 分別展示了樣本數(shù)量為2 500 組時(shí)的損失函數(shù)和識(shí)別準(zhǔn)確率，圖7 和圖8 分別展示了樣本數(shù)量為3 600 組時(shí)的損失函數(shù)和識(shí)別準(zhǔn)確率。

圖3 2 000組樣本訓(xùn)練時(shí)的損失值

圖4 2 000組樣本訓(xùn)練時(shí)的識(shí)別準(zhǔn)確率

圖5 2 500組樣本訓(xùn)練時(shí)的損失值

圖6 2 500組樣本訓(xùn)練時(shí)的識(shí)別準(zhǔn)確率

圖7 3 600組樣本訓(xùn)練時(shí)的損失值

圖8 3 600組樣本訓(xùn)練時(shí)的識(shí)別準(zhǔn)確率

根據(jù)以上仿真實(shí)驗(yàn)可知，2 000組、2 500組、3 600組樣本數(shù)據(jù)下模型訓(xùn)練的平均識(shí)別準(zhǔn)確率分別為98.27%、98.50%、98.06%，說(shuō)明該網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率受樣本數(shù)量影響較小，均能達(dá)到98%以上，對(duì)于處理大樣本數(shù)據(jù)，同樣具有較強(qiáng)的適用性。根據(jù)對(duì)比損失函數(shù)和識(shí)別準(zhǔn)確率變化，可以看到模型訓(xùn)練過(guò)程中損失函數(shù)較小，該模型魯棒性較好，且識(shí)別準(zhǔn)確率變化幅度較小，說(shuō)明該模型穩(wěn)定性較好。

3.2.2 算法識(shí)別性能比較

將文中網(wǎng)絡(luò)模型與標(biāo)準(zhǔn)化全連接殘差網(wǎng)絡(luò)模型[20]和基于加權(quán)動(dòng)態(tài)云貝葉斯網(wǎng)絡(luò)模型[21]進(jìn)行仿真，對(duì)比結(jié)果如表3 所示。從表中可以看出，引入卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，有效提升了模型的特征提取能力，同時(shí)，將威脅值量化為三個(gè)威脅等級(jí)后，縮短了模型的訓(xùn)練時(shí)間，使該網(wǎng)絡(luò)模型更加符合空中對(duì)抗的實(shí)時(shí)性要求，仿真對(duì)比表明，該網(wǎng)絡(luò)模型在單機(jī)空戰(zhàn)威脅評(píng)估上具有更高的識(shí)別準(zhǔn)確率。

表3 網(wǎng)絡(luò)模型訓(xùn)練結(jié)果對(duì)比

4 結(jié)論

文中針對(duì)傳統(tǒng)的空戰(zhàn)威脅評(píng)估方法中建模法準(zhǔn)確率較高，但由于計(jì)算時(shí)間受到模型復(fù)雜度和數(shù)據(jù)量的制約，實(shí)時(shí)性較差；數(shù)據(jù)法提高了計(jì)算效率，但評(píng)估準(zhǔn)確率較低的問(wèn)題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的空戰(zhàn)威脅評(píng)估模型。首先基于作戰(zhàn)任務(wù)背景對(duì)空戰(zhàn)要素進(jìn)行分析，提取主要威脅指標(biāo)；然后構(gòu)建威脅指數(shù)函數(shù)，以威脅要素為輸入，輸出威脅值；最后將威脅值量化后生成訓(xùn)練樣本數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)空戰(zhàn)目標(biāo)的威脅評(píng)估。該模型能夠在提高單機(jī)空戰(zhàn)威脅評(píng)估準(zhǔn)確率的同時(shí)，兼顧運(yùn)算實(shí)時(shí)性，既滿足了實(shí)戰(zhàn)需求，為飛行員提供了機(jī)動(dòng)決策的理論依據(jù)，也為奪取空中戰(zhàn)場(chǎng)的勝利貢獻(xiàn)了重要的作用。