摘 要：""""" 針對博弈對抗過程目標(biāo)意圖識別中的機(jī)動檢測問題， 設(shè)計(jì)了一種基于似然比檢驗(yàn)的目標(biāo)機(jī)動檢測方法。 該方法利用目標(biāo)實(shí)時觀測數(shù)據(jù)進(jìn)行機(jī)動檢測， 將目標(biāo)機(jī)動檢測問題轉(zhuǎn)化為目標(biāo)觀測時間序列數(shù)據(jù)檢驗(yàn)問題。 首先， 基于極大似然原理對目標(biāo)運(yùn)動狀態(tài)進(jìn)行回歸估計(jì)； 其次， 利用似然比檢驗(yàn)原理設(shè)計(jì)檢測模型， 構(gòu)建目標(biāo)機(jī)動檢測方法。 仿真結(jié)果表明， 該方法在噪聲環(huán)境下具有較好的誤檢測和檢測延遲性能。

關(guān)鍵詞："""" 機(jī)動檢測； 似然比； 回歸估計(jì)； 時間序列估計(jì)

中圖分類號："""""" TJ760

文獻(xiàn)標(biāo)識碼：""" A

文章編號："""" 1673-5048（2024）06-0064-06

DOI： 10.12132/ISSN.1673-5048.2024.0052

0 引" 言

隨著信息化技術(shù)的發(fā)展， 人工智能技術(shù)在空戰(zhàn)領(lǐng)域博弈對抗中的應(yīng)用越來越廣泛， 智能化空戰(zhàn)成為未來空戰(zhàn)的一種重要形式^［1-2］。 如何根據(jù)目標(biāo)的運(yùn)動狀態(tài)快速評估目標(biāo)的意圖， 為己方?jīng)Q策提供支持， 進(jìn)而制定出針對性對抗策略， 成為智能化空戰(zhàn)過程取得勝利的重要性影響因素之一^［3-5］。 基于此， 國內(nèi)外眾多學(xué)者在目標(biāo)意圖提取方面進(jìn)行了大量的探索。 趙智偉等^［6］將目標(biāo)機(jī)動識別信息應(yīng)用于機(jī)動意圖分析， 為空戰(zhàn)態(tài)勢評估提供支持； Li等^［7］將基于目標(biāo)意圖評估應(yīng)用于目標(biāo)軌跡預(yù)測， 可有效提高軌跡預(yù)測精度， 為目標(biāo)攔截方案制定提供支撐； 針對給定運(yùn)動模式， 喬殿峰等^［8］采用分段識別方式， 通過引入STI算法對模型差異小的非預(yù)分段區(qū)航跡進(jìn)行精細(xì)化識別， 提高目標(biāo)行為意圖判斷的準(zhǔn)確性和快速性。 針對預(yù)定的機(jī)動模式， 吳家湖等^［9］采用循環(huán)神經(jīng)網(wǎng)絡(luò)識別方法實(shí)現(xiàn)對目標(biāo)機(jī)動模式的識別； 羅藝等^［10］在分析目標(biāo)運(yùn)動特性的基礎(chǔ)上， 將目標(biāo)的運(yùn)動過程建模為一個馬爾科夫過程， 以分布概率的方式實(shí)現(xiàn)了目標(biāo)的意圖軌跡預(yù)測； 張凱等^［11］通過引入意圖代價函數(shù)， 評估目標(biāo)機(jī)動模式， 提高對目標(biāo)機(jī)動模式的識別準(zhǔn)確度， 進(jìn)而提高目標(biāo)軌跡預(yù)測精度。

上述方法提取意圖過程中， 以目標(biāo)先驗(yàn)機(jī)動模式為基礎(chǔ)， 通過觀測數(shù)據(jù)與先驗(yàn)?zāi)繕?biāo)機(jī)動模式的匹配， 實(shí)現(xiàn)對目標(biāo)的機(jī)動檢測與模式識別。 然而， 目標(biāo)先驗(yàn)機(jī)動模式在對抗中往往難以準(zhǔn)確獲取， 如何直接利用觀測數(shù)據(jù)進(jìn)行機(jī)動檢測與識別成為對抗過程中的一個關(guān)鍵性問題。 在假定目標(biāo)意圖攻擊要地的條件下， 張凱等^［12］利用貝葉斯理論辨識目標(biāo)機(jī)動模式， 借助采樣方法實(shí)現(xiàn)軌跡預(yù)測； 李世杰等^［13］通過分析要地重要性和目標(biāo)可達(dá)域的關(guān)聯(lián)關(guān)系， 對目標(biāo)軌跡參數(shù)進(jìn)行先驗(yàn)預(yù)測， 縮小了目標(biāo)機(jī)動的可能范圍， 實(shí)現(xiàn)了較高精度的中長期軌跡預(yù)測； Hu等^［14］利用貝葉斯原理， 在對目標(biāo)機(jī)動規(guī)律進(jìn)行辨識的基礎(chǔ)上， 借助目標(biāo)意圖得到積分預(yù)測軌跡。

在上述基于目標(biāo)運(yùn)動狀態(tài)的意圖評估中， 目標(biāo)機(jī)動的檢測與快速判斷是一個重要前提， 快速的機(jī)動檢測可有效提高對目標(biāo)運(yùn)動軌跡的跟蹤預(yù)測精度^［15-16］。 對于目標(biāo)機(jī)動檢測問題， 以提高目標(biāo)跟蹤精度為目標(biāo)， 國內(nèi)外學(xué)者對具有目標(biāo)機(jī)動檢測的濾波跟蹤算法進(jìn)行研究^［17］， 試圖在檢測到目標(biāo)機(jī)動后通過目標(biāo)機(jī)動補(bǔ)償提高目標(biāo)跟蹤精度。 這類算法通常將目標(biāo)機(jī)動檢測與濾波跟蹤算法融合設(shè)計(jì)^［17-18］， 以提高跟蹤精度為目標(biāo)， 但機(jī)動檢測的虛警、 延遲等能力有待進(jìn)一步加強(qiáng)^［19-20］。

在基于意圖識別的博弈對抗中， 目標(biāo)機(jī)動檢測的虛警將導(dǎo)致意圖識別錯誤， 影響后續(xù)的決策。 為進(jìn)一步提高目標(biāo)機(jī)動檢測性能， 蘇建敏等^［21］對小波分解后的信號進(jìn)行統(tǒng)計(jì)， 并通過與設(shè)定閾值的對比實(shí)現(xiàn)衛(wèi)星軌道機(jī)動檢測， 但沒有給出閾值選取方法； 崔紅正等^［22］以觀測值殘差比為特征， 分析了不同推力下的目標(biāo)機(jī)動特征； 王慶瑞等^［23］采用概率統(tǒng)計(jì)方法， 基于Neyman-Pearson準(zhǔn)則， 利用相對速度變化量對發(fā)動開機(jī)帶來的目標(biāo)機(jī)動進(jìn)行檢測。 上述機(jī)動目標(biāo)檢測通常以相對速度為特征量， 在高精度相對速度測量條件下， 對于具有階躍過載機(jī)動特性目標(biāo)， 具有較好的檢測性能。 然而， 多數(shù)防空雷達(dá)通常僅能直接測量目標(biāo)位置信息， 同時空氣動力目標(biāo)的機(jī)動過載通常是一個連續(xù)變化量， 往往不會產(chǎn)生瞬時階躍機(jī)動。 針對空氣動力目標(biāo)機(jī)動檢測的這些不同特征， 本文以目標(biāo)位置測量信息為特征， 將基于極大似然原理的目標(biāo)運(yùn)動狀態(tài)回歸估計(jì)與似然比檢驗(yàn)原理相結(jié)合， 設(shè)計(jì)目標(biāo)檢測方法， 為目標(biāo)運(yùn)動狀態(tài)意圖分析提供支撐。

1 問題描述

利用目標(biāo)跟蹤獲取的觀測數(shù)據(jù)（xk， yk）（k=1， 2， …， N）對目標(biāo)機(jī)動與否進(jìn)行判斷實(shí)際上是一種時間序列數(shù)據(jù)的檢測， 本質(zhì)上是一個假設(shè)檢驗(yàn)問題。 若目標(biāo)運(yùn)動狀態(tài)為沒有機(jī)動， 則目標(biāo)運(yùn)動軌跡呈線性關(guān)系。 為簡化問題分析， 文中以二維平面為例進(jìn)行研究， 假定目標(biāo)運(yùn)動軌跡為

y=a·x+b+v（1）

式中： x， y分別為目標(biāo)水平面縱向和橫向的運(yùn)動軌跡坐標(biāo)； a， b為目標(biāo)運(yùn)動狀態(tài)參數(shù)； v為觀測噪聲。

若目標(biāo)在此期間進(jìn)行了機(jī)動， 則運(yùn)動軌跡將相對該狀態(tài)發(fā)生偏移， 可表示如下：

y=a·x+b+f（x， y）+v（2）

式中： f（x， y）為目標(biāo)機(jī)動帶來的偏移量。

從上述分析可以看出， 根據(jù)目標(biāo)觀測數(shù)據(jù)對目標(biāo)進(jìn)行機(jī)動檢測， 可描述為如下關(guān)于新觀測數(shù)據(jù)相比歷史運(yùn)動狀態(tài)偏移量是否存在的判斷問題， 即

H0：yk－a·xk－b=vkk=1， 2， …， N

H1：yk－a·xk－b≠vkk=1， 2， …， N（3）

式中： H0表示目標(biāo)未機(jī)動； H1表示目標(biāo)進(jìn)行了機(jī)動。

2 目標(biāo)機(jī)動檢測原理

考慮在實(shí)際對抗過程中， 對目標(biāo)數(shù)據(jù)的觀測是一個周期性的動態(tài)過程； 因此， 對目標(biāo)的機(jī)動檢測， 可描述為新觀測數(shù)據(jù)相對歷史運(yùn)動狀態(tài)變化判斷的動態(tài)過程。 基于上述分析對目標(biāo)進(jìn)行機(jī)動檢測， 可分為兩個環(huán)節(jié)： 一是對目標(biāo)歷史運(yùn)動狀態(tài)參數(shù)的估計(jì)； 二是以新獲取目標(biāo)數(shù)據(jù)為輸入， 基于目標(biāo)歷史運(yùn)動狀態(tài)信息對目標(biāo)機(jī)動與否進(jìn)行判斷。

2.1 目標(biāo)運(yùn)動狀態(tài)參數(shù)估計(jì)模型

假定目標(biāo)在觀測窗口期間沒有發(fā)生機(jī)動， 同時假定測量噪聲服從均值為0、 方差為σ2的獨(dú)立正態(tài)分布， 則目標(biāo)的運(yùn)動狀態(tài)參數(shù)估計(jì)可轉(zhuǎn)化為回歸問題。

假定目標(biāo)歷史狀態(tài)沒有機(jī)動， 定義如下的條件概率密度函數(shù)：

p（（x， y）|H0）=

1（2πσ2）^N/2exp－12σ2∑Nk=1（yk－a·xk－b）2（4）

利用極大似然原理， 可以得到目標(biāo)運(yùn)動狀態(tài)參數(shù)估計(jì)為^［24］

a^b^=A^－1B（5）

式中： A=∑Nk=1x2k∑Nk=1xk

∑Nk=1xkN； B=∑Nk=1xkyk

∑Nk=1yk。

2.2 目標(biāo)機(jī)動檢測模型

基于假設(shè)檢驗(yàn)原理， 若觀測序列（xk， yk）（k=1， 2， …， N）在條件H0和條件H1下的概率密度函數(shù)分布為p（（x， y）|H0）和p（（x， y）|H1）， 則似然比函數(shù)^［25］為

p（（x， y）|H1）p（（x， y）|H0）=

1（2πσ2）^N/2exp－12σ2∑Nk=1（yk－a·xk－b－μ-）21（2πσ2）^N/2exp－12σ2∑Nk=1（yk－a·xk－b－μ）2（6）

式中： μ為目標(biāo)運(yùn)動狀態(tài)測量誤差均值， 對于給定假設(shè)vk， 該值為0； μ-為目標(biāo)觀察數(shù)據(jù)誤差的最大似然估計(jì)均值。

似然比描述了觀測序列（xk， yk）（k=1， 2， …， N）屬于H0和H1的可能性比值。 根據(jù)似然比檢驗(yàn)原理， 選取

p（x|H1）p（x|H0）gt;c（7）

式中： c∈（0， 1）為檢測閾值。

根據(jù)式（7）， 若拒絕假設(shè)H1， 接受假設(shè)H0， 即認(rèn)為目標(biāo)未機(jī)動； 否則， 認(rèn)為目標(biāo)進(jìn)行了機(jī)動。

定義誤差序列：

Δk=yk－a·xk－b "k=1， 2， …， N （8）

將式（6）， （8）代入式（7）， 并對兩邊取對數(shù)， 簡化可得

－12σ2∑Nk=1（Δk－μ-）2+12σ2∑Nk=1（Δk－μ）2gt;lnc（9）

利用恒等式：

∑Nk=1（Δk－μ-）2=∑Nk=1（Δk－μ）2+N（μ－μ-）2（10）

則式（9）變?yōu)?/p>

（μ－μ-）2lt;－2σ2Nlnc （11）

從式（11）可以看出， 目標(biāo)機(jī)動的檢測問題實(shí)際變?yōu)樾碌挠^察數(shù)據(jù)與目標(biāo)歷史運(yùn)動狀態(tài)之間的軌跡統(tǒng)計(jì)值判斷問題。 滿足式（11）則可認(rèn)為目標(biāo)沒有發(fā)生機(jī)動。

2.3 目標(biāo)機(jī)動檢測方法

基于上述模型進(jìn)行目標(biāo)機(jī)動檢測， 可將觀測數(shù)據(jù)（xk， yk）（k=1， 2， …， N）分為兩段， 將前段作為目標(biāo)運(yùn)動狀態(tài)參考窗口， 描述目標(biāo)當(dāng)前運(yùn)動狀態(tài)， 認(rèn)為目標(biāo)沒有機(jī)動， 采用式（5）獲取目標(biāo)運(yùn)動狀態(tài)信息； 將包含最新觀測數(shù)據(jù)的后段作為檢測窗口， 當(dāng)目標(biāo)沒有機(jī)動時， 目標(biāo)運(yùn)動狀態(tài)不發(fā)生變化， 可認(rèn)為誤差統(tǒng)計(jì)量不發(fā)生變化， 按照式（11）對目標(biāo)進(jìn)行機(jī)動檢測判斷。

基于上述思想進(jìn)行目標(biāo)機(jī)動檢測， 基本步驟如下：

（1） 在每一工作周期獲取最新觀測數(shù)據(jù)， 構(gòu)建檢測窗口數(shù)據(jù)集合{（xk， yk）（k=1， 2， …， N）}， 并分割觀測數(shù)據(jù)， 得到檢測參考窗口Rk=（xk， yk）（k=1， 2， …， N1）和機(jī)動檢測窗口Tk=（xk， yk）（k=N－M+1， …， N）；

（2） 目標(biāo)運(yùn)動狀態(tài)估計(jì)， 利用參考窗口Rk， 按照式（5）估計(jì)目標(biāo)歷史狀態(tài)參數(shù)；

（3） 目標(biāo)運(yùn)動狀態(tài)誤差統(tǒng)計(jì)量估計(jì)， 利用參考窗口Rk， 根據(jù)式（8）計(jì)算誤差量， 并采用最大似然原理估計(jì)參考窗口中的統(tǒng)計(jì)量μ， σ2；

（4） 利用步驟（3）中的誤差統(tǒng)計(jì)量和機(jī)動檢測窗口Tk， 計(jì)算檢測窗口誤差統(tǒng)計(jì)量μ-， 根據(jù)式（11）對目標(biāo)進(jìn)行機(jī)動檢測判斷。

檢測算法流程如圖1所示。

需要說明的是， 本檢測算法以目標(biāo)濾波跟蹤數(shù)據(jù)為輸入， 通過運(yùn)動參數(shù)估計(jì)與誤差統(tǒng)計(jì)進(jìn)行目標(biāo)檢測， 每一次檢測與后續(xù)檢測之間具有相互獨(dú)立性， 降低了前一次檢測過程中目標(biāo)運(yùn)動狀態(tài)估計(jì)不準(zhǔn)對后續(xù)檢測的影響； 同時， 盡管在實(shí)際運(yùn)動過程中很難保證目標(biāo)不機(jī)動， 但文中檢測過程實(shí)質(zhì)是以窗口中的一段數(shù)據(jù)作為基準(zhǔn)， 對另一段數(shù)據(jù)進(jìn)行檢測， 當(dāng)測量數(shù)據(jù)率較高且窗口不是很長時， 可近似認(rèn)為參考段數(shù)據(jù)所反映目標(biāo)運(yùn)動沒有機(jī)動。 故而， 此檢測方法具有一定的適用性。

3 仿真驗(yàn)證與分析

采用仿真分析方法驗(yàn)證本文設(shè)計(jì)目標(biāo)機(jī)動檢測方法的有效性。

3.1 仿真場景設(shè)置

假定觀測設(shè)備配置于原點(diǎn)， 測量誤差為均值為0、 均方差為20 m的白噪聲， 數(shù)據(jù)率選擇為50 Hz， 目標(biāo)速度為300 m/s， 目標(biāo)運(yùn)動過程按照表1中的方式進(jìn)行機(jī)動。 目標(biāo)運(yùn)動軌跡與運(yùn)動狀態(tài)變化如圖2～3所示。

采用經(jīng)典kalman濾波方法對目標(biāo)軌跡進(jìn)行跟蹤濾波處理， 跟蹤誤差如圖4所示。

3.2 仿真結(jié)果分析

3.2.1 檢測性能分析

為驗(yàn)證本文檢測方法的檢測性能， 選取目標(biāo)觀測數(shù)據(jù)長度為N=200， 與文獻(xiàn)［16］、 文獻(xiàn)［20］、 文獻(xiàn)［21］、 文獻(xiàn)［23］中的方法進(jìn)行對比仿真分析。 仿真過程中， 選取前半段數(shù)據(jù)為參考數(shù)據(jù)， 后半段數(shù)據(jù)為檢測數(shù)據(jù)， 對目標(biāo)進(jìn)行機(jī)動檢測， 對比檢測結(jié)果如圖5所示。

從圖5中的對比仿真可以看出， 本文檢測方法與文獻(xiàn)中方法均能在目標(biāo)機(jī)動時檢測出目標(biāo)的機(jī)動， 但由于受到噪聲的影響都存在錯誤檢測和檢測延遲的情況。

（1） 錯誤檢測情況分析

為了進(jìn)一步分析本文所設(shè)計(jì)檢測方法的檢測性能， 采用蒙特卡洛仿真方法對錯誤檢測率進(jìn)行仿真分析。 仿真條件同上， 仿真次數(shù)設(shè)置為500次， 仿真結(jié)果如圖6所示。

這里， 錯誤檢測率定義為錯誤檢測累計(jì)時間與總時間的比值。 錯誤檢測率仿真統(tǒng)計(jì)結(jié)果如表2所示。

從圖6與表2可以看出， 文獻(xiàn)［16］與文獻(xiàn)［20］中的方法直接利用濾波跟蹤過程新息與其協(xié)方差之間的關(guān)系進(jìn)行機(jī)動檢測， 受到噪聲的影響， 錯誤檢測率較高； 文獻(xiàn)［21］ 中的方法采用小波變換方法進(jìn)行處理， 可在一定程度上降低錯誤檢測率； 文獻(xiàn)［23］與本文方法均基于極大似然原理進(jìn)行檢測， 錯誤檢測率相對較低； 本文在基于極大似然原理基礎(chǔ)上引入回歸估計(jì)可進(jìn)一步降低錯誤檢測率。

（2） 檢測延遲情況分析

檢測過程中， 當(dāng)目標(biāo)剛開始機(jī)動時， 一方面機(jī)動帶來的偏差相對較小， 另一方面由于噪聲的存在， 小的偏差可能會被噪聲淹沒， 難以快速檢測出來， 使得對目標(biāo)的機(jī)動檢測總存在一定的延遲， 往往不能在目標(biāo)剛機(jī)動時就檢測出目標(biāo)機(jī)動。 為分析本文設(shè)計(jì)方法對目標(biāo)機(jī)動檢測的延遲特性， 采用蒙特卡洛仿真方法進(jìn)行延遲時間仿真分析。 仿真條件同上， 仿真次數(shù)設(shè)置為500次， 仿真結(jié)果如圖7所示。

這里， 延遲時間定義為目標(biāo)狀態(tài)發(fā)生變化的時間與機(jī)動檢測出目標(biāo)狀態(tài)變化的時間之差。 延遲時間仿真統(tǒng)計(jì)結(jié)果如表3所示。 文獻(xiàn)［16］中的方法直接利用當(dāng)前濾波新息進(jìn)行機(jī)動檢測判斷， 若滿足條件則認(rèn)為目標(biāo)發(fā)生機(jī)動。 因此， 從檢測角度只考慮錯誤檢測的情況， 檢測延遲情況未進(jìn)行分析。

從圖7與表3可以看出， 在干擾條件下目標(biāo)機(jī)動檢測過程中， 本文方法相比文獻(xiàn)中幾種方法， 檢測延遲時間均有一定提升。 需要說明的是， 檢測延遲時間受到窗口寬度的影響， 減小窗口寬度可能進(jìn)一步縮短延遲時間。

3.2.2 檢測性能影響因素分析

從圖6與圖7可以看出， 由于噪聲的存在， 以及從機(jī)動開始到位置產(chǎn)生顯著偏差需要經(jīng)歷一個過程等因素的影響， 目標(biāo)機(jī)動檢測會有一定的延遲， 同時也存在一定的錯誤檢測率。 本文采用蒙特卡洛仿真方法對檢測性能影響因素進(jìn)行分析。

（1） 噪聲對檢測性能影響分析

采用與3.2.1節(jié)中同樣的條件， 并選擇檢測窗口寬度為200， 對噪聲影響進(jìn)行蒙特卡洛仿真分析。 不同噪聲環(huán)境下的檢測性能仿真結(jié)果如圖8～9所示。

從圖8～9的仿真結(jié)果可以看出， 隨著噪聲標(biāo)準(zhǔn)差變大， 其強(qiáng)度變大， 錯誤檢測率呈現(xiàn)上升趨勢， 即測量誤差越大， 目標(biāo)越不容易準(zhǔn)確檢測出來。 通過對比可以看出， 采用基于極大似然原理的本文方法與文獻(xiàn)［23］中的方法相比文獻(xiàn)［16］， ［20］， ［21］在錯誤檢測概率與平均檢測延遲時間方面具有更好的性能； 同時， 本文引入回歸估計(jì)之后可進(jìn)一步降低噪聲對檢測的影響， 檢測性能相比文獻(xiàn)［23］有進(jìn)一步改善。

（2） 檢測窗口寬度對檢測性能影響分析

檢測窗口寬度描述了檢測過程采用的數(shù)據(jù)的數(shù)量。 采用與3.2.1節(jié)中同樣的條件， 并且選擇噪聲標(biāo)準(zhǔn)差為30 m， 對檢測窗口寬度進(jìn)行蒙特卡洛仿真分析。 不同檢測窗口寬度下的檢測性能仿真結(jié)果如圖10～11所示。

從圖10～11的仿真結(jié)果可以看出， 隨著檢測窗口寬度增加， 檢測延遲總體變大， 本文檢測方法相比文獻(xiàn)中方法均有所改善。 當(dāng)檢測窗口過小時， 由于數(shù)據(jù)量較少， 檢測過程受到噪聲影響變大， 導(dǎo)致錯誤檢測概率增加， 因此在檢測過程中需要合理選擇檢測窗口寬度。

4 結(jié)" 論

針對博弈對抗過程中， 目標(biāo)意圖識別對目標(biāo)機(jī)動提出的高效快速檢測需求， 本文設(shè)計(jì)了一種基于似然比檢驗(yàn)的目標(biāo)機(jī)動檢測方法。 將目標(biāo)機(jī)動檢測問題轉(zhuǎn)化為目標(biāo)觀察時間序列數(shù)據(jù)檢測問題， 通過引入似然比檢驗(yàn)原理， 設(shè)計(jì)檢驗(yàn)方法。 該方法利用目標(biāo)實(shí)時觀測數(shù)據(jù)進(jìn)行機(jī)動檢測， 仿真結(jié)果分析表明， 該方法在噪聲環(huán)境下的誤檢測率和檢測延遲時間方面具有較好的檢測性能。

參考文獻(xiàn)：

［1］ 孫智孝， 楊晟琦， 樸海音， 等. 未來智能空戰(zhàn)發(fā)展綜述［J］. 航空學(xué)報， 2021， 42（8）： 525799.

Sun Zhixiao， Yang Shengqi， Piao Haiyin， et al. A Survey of Air Combat Artificial Intelligence［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525799.（in Chinese）

［2］ 樊會濤， 閆俊. 空戰(zhàn)體系的演變及發(fā)展趨勢［J］. 航空學(xué)報， 2022， 43（10）： 527397.

Fan Huitao， Yan Jun. Evolution and Development Trend of Air Combat System［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（10）： 527397.（in Chinese）

［3］ Yang Q M， Zhang J D， Shi G Q， et al. Maneuver Decision of UAV in Short-Range Air Combat Based on Deep Reinforcement Learning［J］. IEEE Access， 2020， 8： 363-378.

［4］ 紀(jì)毅， 王偉， 張宏巖， 等. 面向高機(jī)動目標(biāo)攔截任務(wù)的空空導(dǎo)彈制導(dǎo)方法綜述［J］. 航空兵器， 2022， 29（6）： 15-25.

Ji Yi， Wang Wei， Zhang Hongyan， et al. A Survey on Guidance Method of Air-to-Air Missiles Facing High Maneuvering Targets［J］. Aero Weaponry， 2022， 29（6）： 15-25.（in Chinese）

［5］ Berntorp K. Online Bayesian Inference and Learning of Gaussian-Process State-Space Models［J］. Automatica， 2021， 129： 109613.

［6］ 趙智偉， 袁偉偉， 關(guān)東海. 基于Multivariate BiLSTM-FCNs的機(jī)動實(shí)時識別方法［J］. 航空計(jì)算技術(shù)， 2023， 53（2）： 65-69.

Zhao Zhiwei， Yuan Weiwei， Guan Donghai. A Real-Time Identification Method for Maneuvers Based on Multivariate BiLSTM-FCNs［J］. Aeronautical Computing Technique， 2023， 53（2）： 65-69.（in Chinese）

［7］ Li M J， Zhou C J， Shao L， et al. Intelligent Trajectory Prediction Algorithm for Reentry Glide Target Based on Intention Inference［J］. Applied Sciences， 2022， 12（21）： 10796.

［8］ 喬殿峰， 梁彥， 張會霞， 等. 具有自動回溯的機(jī)動目標(biāo)航跡精細(xì)化分段識別［J］. 航空學(xué)報， 2021， 42（4）： 524744.

Qiao Dianfeng， Liang Yan， Zhang Huixia， et al. Automatic Backtracking-Based Refined Segment Recognition of Maneuvering Target Track［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524744.（in Chinese）

［9］ 吳家湖， 熊華， 宗睿， 等. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的目標(biāo)轉(zhuǎn)彎機(jī)動類型識別［J］. 廣東工業(yè)大學(xué)學(xué)報， 2020， 37（2）： 67-73.

Wu Jiahu， Xiong Hua， Zong Rui， et al. Target Turning Maneuver Type Recognition Based on Recurrent Neural Networks［J］. Journal of Guangdong University of Technology， 2020， 37（2）： 67-73.（in Chinese）

［10］ 羅藝， 譚賢四， 王紅， 等. 一種高超聲速飛行器攻擊意圖預(yù)測方法［J］. 西安電子科技大學(xué)學(xué)報， 2019， 46（5）： 113-119.

Luo Yi， Tan Xiansi， Wang Hong， et al. Method for Predicting the Attack Intention of Hypersonic Vehicles［J］. Journal of Xidian University， 2019， 46（5）： 113-119.（in Chinese）

［11］ 張凱， 熊家軍. 高超聲速滑翔飛行器長期軌跡預(yù)測問題探討［J］. 戰(zhàn)術(shù)導(dǎo)彈技術(shù)， 2018（4）： 13-17.

Zhang Kai， Xiong Jiajun. Discussion on Long-Term Trajectory Prediction of Hypersonic Gliding Reentry Vehicle［J］. Tactical Missile Technology， 2018（4）： 13-17.（in Chinese）

［12］ 張凱， 熊家軍， 李凡， 等. 基于意圖推斷的高超聲速滑翔目標(biāo)貝葉斯軌跡預(yù)測［J］. 宇航學(xué)報， 2018， 39（11）： 1258-1265.

Zhang Kai， Xiong Jiajun， Li Fan， et al. Bayesian Trajectory Prediction for a Hypersonic Gliding Reentry Vehicle Based on Intent Inference［J］. Journal of Astronautics， 2018， 39（11）： 1258-1265.（in Chinese）

［13］ 李世杰. 臨近空間高超聲速滑翔目標(biāo)跟蹤及軌跡預(yù)測方法研究［D］. 西安： 空軍工程大學(xué)， 2020.

Li Shijie. Research on Tracking and Trajectory Prediction Technology for Near Space Hypersonic Glide Vehicles［D］. Xi’an： Air Force Engineering University， 2020. （in Chinese）

［14］ Hu Y D， Gao C S， Li J L， et al. Novel Trajectory Prediction Algorithms for Hypersonic Gliding Vehicles Based on Maneuver Mode on-Line Identification and Intent Inference［J］. Measurement Science and Technology， 2021， 32（11）： 115012.

［15］ Li M J， Zhou C J， Shao L， et al. An Intelligent Trajectory Prediction Algorithm for Hypersonic Glide Targets Based on Maneuver Mode Identification［J］. International Journal of Aerospace Engineering， 2022， 2022： 4625001.

［16］ 張娜， 王銳， 蔡炯. 基于機(jī)動檢測的參數(shù)自適應(yīng)跟蹤算法［J］. 信號處理， 2022， 38（2）： 367-374.

Zhang Na， Wang Rui， Cai Jiong. Parameter Adaptive Tracking Algorithm Based on Maneuver Detection［J］. Journal of Signal Processing， 2022， 38（2）： 367-374.（in Chinese）

［17］ 范紅旗， 王勝， 付強(qiáng). 目標(biāo)機(jī)動檢測算法綜述［J］. 系統(tǒng)工程與電子技術(shù)， 2009， 31（5）： 1064-1070.

Fan Hongqi， Wang Sheng， Fu Qiang. Survey of Algorithms of Target Maneuver Detection［J］. Systems Engineering and Electronics， 2009， 31（5）： 1064-1070.（in Chinese）

［18］ Karsaz A， Khaloozadeh H， Pariz N， et al. A New Algorithm Based on Generalized Target Maneuver Detection［C］∥ IEEE International Conference on Control and Automation， 2007： 3034-3039.

［19］ Xu Y， Fang Y W， Wu Y L， et al. A Weight-Based Multi-Innovation Intelligent Tracking Algorithm with Maneuver Detection［C］∥" 38th Chinese Control Conference， 2019： 3367-3372.

［20］ Chan Y T， Couture F. Manoeuvre Detection and Track Correction by Input Estimation［J］. IEE Proceedings F-Radar and Signal Processing， 1993， 140（1）： 21-28.

［21］ 蘇建敏， 董云峰. 利用小波分析在軌識別空間目標(biāo)軌道機(jī)動［J］. 空間科學(xué)學(xué)報， 2012， 32（3）： 412-416.

Su Jianmin， Dong Yunfeng. Detection of Space Target Orbit Maneuver on Board by Wavelet Analysis［J］. Chinese Journal of Space Science， 2012， 32（3）： 412-416.（in Chinese）

［22］ 崔紅正， 劉文玲， 唐歌實(shí)， 等. 不同推力下的非合作空間目標(biāo)軌道機(jī)動檢測［J］. 宇航學(xué)報， 2016， 37（3）： 253-261.

Cui Hongzheng， Liu Wenling， Tang Geshi， et al. Different Thrust Maneuvers Detection of Uncooperative Space Objects［J］. Journal of Astronautics， 2016， 37（3）： 253-261.（in Chinese）

［23］ 王慶瑞， 鄒江威， 吳文振， 等. 基于Neyman-Pearson準(zhǔn)則的空間目標(biāo)軌道機(jī)動檢測方法［J］. 中國空間科學(xué)技術(shù)， 2021， 41（2）： 96-103.

Wang Qingrui， Zou Jiangwei， Wu Wenzhen， et al. Orbital Maneuver Detection Method of Space Target Based on Neyman-Pearson Criterion［J］. Chinese Space Science and Technology， 2021， 41（2）： 96-103.（in Chinese）

［24］ 王格格， 魯鈺， 吳劉倉. 偏正態(tài)數(shù)據(jù)下眾數(shù)混合專家回歸模型的參數(shù)估計(jì)［J］. 應(yīng)用數(shù)學(xué)， 2021， 34（4）： 929-939.

Wang Gege， Lu Yu， Wu Liucang. The Parameter Estimation of the Mixture of Expert Regression for Mode Models with Skew-Normal Data［J］. Mathematica Applicata， 2021， 34（4）： 929-939.（in Chinese）

［25］ 桑會平. 基于線性模型廣義似然比檢驗(yàn)的突發(fā)信號檢測方法［J］. 通信技術(shù)， 2023， 56（9）： 1051-1055

Sang Huiping. Burst Signal Detection Method Based on Generali-zed Likelihood Ratio Test of Linear Model［J］. Communications Technology， 2023， 56（9）： 1051-1055.（in Chinese）

Target Maneuver Detection Method Based on Likelihood Ratio Test

Shao Lei^1*， He Yangchao1， Zhao Jin2

（1. Air and Missile Defense College， Air Force Engineering University， Xi’an 710051， China;

2. The Institute of Huanghe Group， Xi’an 710043， China）

Abstract： Aiming at the target maneuver detection in antagonistic process， a detection method is proposed based on likelihood ratio test. Based on the target real time observation data， the target detection problem is translated into the problem of time series data validation. Firstly， the maximum likelihood principle is applied to target regression state estimation. Then， the detection model is designed based on the principle of likelihood ratio detection， and the target maneuver detection method is constructed. Simulation result shows the improved misdetection and detection delay performance of the proposed method in the interference environment.

Key words： maneuver detection; likelihood ratio; regression estimation; time series estimation