[发明专利]一种空战模拟环境中的目标战术意图分层识别方法

说明书

本发明公开了一种空战模拟环境中的目标战术意图分层识别方法，首先提取目标航迹特征信息和敌我相对态势信息，其中目标航迹特征信息包括瞬时特征信息和累积特征信息；然后根据目标航迹偏角和目标航迹倾角的四种情况寻找目标航迹分解特征点，并将目标航迹分解为一系列连续的机动元；接下来分别设计超视距空战中的目标机动元状态集、战术机动状态集和战术意图状态集；最后设计面向目标战术意图分层识别的级联支持向量机多分类算法架构，实现目标战术意图分层识别。本发明有效克服了特征信息维度和训练样本数量较大时的收敛性和时效性难题，实现了对目标战术意图的多维度在线精准识别。

技术领域

本发明属于飞行技术领域，具体涉及一种目标战术意图分层识别方法。

背景技术

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、强对抗的实际空战环境中精准识别目标战术意图是实现深度态势感知与智能决策的重要基础，也是提升对抗游戏和模拟系统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。

空战目标战术意图识别是一个数据挖掘与在线推理的过程，它从机载传感器所获取到的目标运动状态中提取关键特征信息，并尽可能快速、准确地感知当前目标行为和相对态势以逐步挖掘目标潜在的战术意图。在线精准识别空战目标战术意图，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。

该问题的现有研究一般是从任务角度将目标意图归纳为监视、侦察、干扰、掩护与攻击等类别，但对实际空战对抗过程而言，一方面，仅通过目标航迹信息难以有效实现这类目标意图的识别；另一方面，从战术战法角度识别目标更为具体的对抗行为意图则更具现实意义。目前识别方法主要集中于专家系统和机器学习等理论的应用。专家系统虽然具有较强的知识表达与推理能力，但需构建完备的规则体系，导致其学习与容错能力低，难以概括空战的复杂演变规律。贝叶斯网络作为一种具有较强因果概率推理性能的机器学习方法，通过网络参数的动态更新适应空战态势变化，但其网络模型较为复杂，其中先验概率和条件概率等网络参数的确定同样依赖于专家经验，主观性较高。也有部分文献采用神经网络等方法将意图识别转化为数据分类的模式识别问题，其不足之处在于，隐式映射关系导致了识别结果不易解释，无法直观分析战术意图构成；从高维度数据中直接学习目标战术意图也会消耗大量的时间和计算成本，从而降低算法收敛性；此外，对于航迹信息中关键时序特征的引入和模型泛化能力的加强也是该类方法有待提高的方面。

发明内容

为了克服现有技术的不足，本发明提供了一种空战模拟环境中的目标战术意图分层识别方法，首先提取目标航迹特征信息和敌我相对态势信息，其中目标航迹特征信息包括瞬时特征信息和累积特征信息；然后根据目标航迹偏角和目标航迹倾角的四种情况寻找目标航迹分解特征点，并将目标航迹分解为一系列连续的机动元；接下来分别设计超视距空战中的目标机动元状态集、战术机动状态集和战术意图状态集；最后设计面向目标战术意图分层识别的级联支持向量机多分类算法架构，实现目标战术意图分层识别。本发明有效克服了特征信息维度和训练样本数量较大时的收敛性和时效性难题，实现了对目标战术意图的多维度在线精准识别。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：提取目标航迹特征信息和敌我相对态势信息，其中目标航迹特征信息包括瞬时特征信息和累积特征信息；

瞬时特征信息包括航迹倾角θ_t、航迹倾角变化率航迹偏角变化率和高度变化率累积特征信息包括航迹倾角变化量C_θ、航迹偏角变化量C_φ；

敌我相对态势信息包括目标方位角q_f、进入角q_j和相对距离变化率