第4期 2021年4月
Journal of CAEIT
Vol . 16 No . 4
Apr . 2021
doi ： 10.3969/j . issn . 1673-5692.2021.04.008
孟美岐发长文告别火箭少女基于微分思想和卷积神经网络的飞行动作识别
方伟，王玉，闫文君，宫跃 (海军航空大学，山东烟台264001)
摘要：战场态势感知和辅助决策是智能空战的重要组成部分，飞行动作识别是多项关键技术的基 础。文
中提出了一种基于微分思想和卷积神经网路的高效飞行动作识别方法。首先，对训练数据 按照微分思想进行分割；然后，通过卷积神经网络对飞参数据的训练实现飞行动作特征的自动提 取、对飞参数据进行飞行动作识别，该方法扩展性好，有利于快速处理大量飞参数据；最后，对四种 基本飞行动作单元进行仿真实验，仿真结果表明，该方法具有良好的有效性和准确性。关键词：飞参数据；动作识别；基本飞行动作单元；卷积神经网路；微分思想
中图分类号：V 249 文献标志码：A 文章编号：1673-5692(2021 )04-34747
Flight Action Recognition Based on Differential Idea and
Convolutional Neural Network
FANG Wei , W ANG Yu , YAN Wen -jun , G O NG Yue
(Naval Aviation University , Yantai 264001 , China )
Abstract ： Battlefield situational awareness and aided decision making are im portant components of intel
ligent air combat , and flight action recognition is the basis of many key technologies , an effi
cient flight ac tion recognition method based on convolutional neural network is proposed . Firstly , the automatic extrac tion of flight action features is realized through the training of flight parameters data by network . The net w ork training updates the weights through the back propagation method,and finally determines the weights to complete the network training,and then uses the weights to recognize flight movements from flight pa ram eters . This method has good expansibility and is beneficial to processing a large number of flight data quickly . Finally,four basic flight movements are simulated , and simulation results show that the proposed m ethod has good effectiveness and accuracy .Key words ： flight data；action recognition；basic flight action unit ； convolutional neural network ； differ ential thought
〇引言
2020年8月20日，由美国防高级研究计划局 (DARPA )举办的“阿尔法”空中格斗竞赛中，苍鹭 系统公司的人工智能空战系统以5: 0的战绩击败
美空军F -16人类飞行员获得冠军，标志着智能空战
技术又一次重大突破，智能空战技术可能成为现代 空战的下一个发展目标。空战和人工智能的结合有
诸多优点，第一，通过人工智能可以辅助飞行员进行 决策，甚至由智能系统直接进行部分决策，大大提高 决策效率；第二，通过人工智能可以提高态势感知能
收稿日期：202丨4)丨-18 修订日期：202丨>034)2
基金项目：国家自然基金资助项目（91538201 )；泰山学者工程专项经费基金资助项目（ts 201511020)；信息系统安全技术
重点实验室基金资助项目（
6142111190404)。
348f碭龙s與f嗜叫‘J tf爱2021年第4期
力，进而快速夺取战场主动权；第三，在飞行训练中 可以进行有效的飞行质量评估，提高飞行员能力水 平。其中，飞行动作识别是智能空战技术中的核心 技术之一。
近几年，飞行动作识别受到了国内外学者的广 泛重视，飞行动作识别方法主要可以分成三类1: 1)基于专家系统的识别方法m;2)基于概率图模 型的识别方法，如贝叶斯网络模型(bayesian network,BN)，支持向量机 6—7_(support vector m achine,SVM)等；3) 神经网络[8] 的识别方法。专家 系统的识别方
法依赖于规则判据，而规则判据的确 定需要大量的先验知识，受到知识库不完备的影响，容易出现错识别和漏识别现象。基于概率图模型的 识别方法，能够运用机器学习的知识形成飞行动作 的模型，准确率高，但由于计算复杂，存在所需识别 时间长的缺点。早期的神经网络以全连接为主要网 络结构，通过遍历可行状态转移图的方式实现飞行 动作识别，状态转移关系受全连接层数限制且无法 在线识别。
随着深度学习的不断发展，卷积神经网络^"*1在图像识别、语音识别、自然语言处理中的优异表 现，本文提出了一种基于卷积神经网络（convolutional neural networks,CNN)的飞行动作识别方法，利用 飞参数据的时序特点，通过卷积神经网络自动提取 状态特征，进而实现飞行动作识别，能够较好地提高 识别准确率和识别速度。
1飞参数据选择与特征提取
飞参数据[n]是由飞行参数记录系统（黑匣子）采集获取的整个飞行过程的所有数据信息，数据类 型多，可以提供飞行动作识别所需的参数，通过这些 参数可以复现整个飞行过程，实现人工判读识别飞
图1坐标系示意图行动作，本文的目的就是通过深度学习的方法，实现 机器快速识别飞行动作。
根据飞行动力学模型[12M3]，以机体坐标系为基 础，得飞机在三轴线上的动力学方程为：
m(~r + ~ + ms sind-
d v Y\
—+ v x〇)z -vz〇j x+m g c o s d c o s y F, (1)
dt;2
^7+ vy(〇x-v x〇j r+ m^cos^siny F:
式中:m为飞机质量;h、i;_,、t；__为速度三轴分量;、%为三轴角速度分量;0为俯仰角;7为滚转角；
厂、^为合力在三轴上的分量。根据刚体转动 定律，得三轴转动的力矩平衡方程组为：
)-M x
-(A--)w.wv)=
M,(2)
-IV)(〇X C〇Y--
wj)=
式中：乂、/：为三轴转动惯量乂，为惯性积，假设飞 机为完全对称的刚体，则L =〇；似、、％、财，为三轴 合力矩。公式（1)和公式（2)组成飞机六自由度动 力学方程。
飞机六自由度动力学方程中U_V、K、w,、w：的可以通过飞参数据中的高度//、经度L0/V、纬度 W7\航向角<A、俯仰角I滚转角y坐标变换得到，故本文选取高度、经度、纬度、航向角、俯仰角、滚转 角作为飞行动作识别的特征参数，构成特征参数向 量a二（//,«W，L47>,0，7)。同时，可以利用航向 角、俯仰角、滚转角作为卷积神经网络的训练集添加 标签参数，高度、经度、讳度作为验证参数。
飞参数据的特征参数矩阵在经过卷积层的卷积 核计算后形成飞行动作单元特征图（如图2所示），从图中可以看出四种飞行动作单元明显不同，能够 充分体现其特征，故卷积神经网络可以实现飞行动 作单元的快速有效识别。
军用飞机的飞行动作主要分为两类：1)简单动 作，如盘旋、上升转弯、下降转弯等;2)复杂动作，如 斤斗、半斤、半滚倒转、高低y〇-y〇等。假设将飞机 看作质点，简单动作和复杂动作可以从时间和空间 分割成基本飞行动作单元。基本飞行动作单元应具 有普遍性和独特性的特点，即在整航段分布上具有 普遍性，
在特征参数表现上具有独特性。结合以上
2021年第4期方伟等：基于微分思想和卷积神经网络的飞行动作识别349
(a)上升0■!
(b)平飞
H i
(C)下降(d)转弯
图2飞行动作单元特征图
两个特点和专家的先验知识，飞行动作可以分为四 种基本飞行动作单元：平飞、上升、下降、转弯，如表 1中S, ~S4所示。本文以基本飞行动作单元为主要 研究内容，利用卷积神经网络实现飞行的动作单元 的快速识别。
表1飞机动作单元特征参数
编号飞行动作单元H/m e/(°) y/{°)
S，平飞=0 =0
s2上升>0>0 «0
S3下降<0<0 «0
S4转弯«0«0 #0
2飞行参数微分思想
飞行参数是一种时序信息，因此，飞行动作具有 所需时间不等长和随时间连续相关变换的时序特 征，这使得在进行识别时需要对飞参数据进行预处 理。在传统的飞行动作识别方法中，一般是通过判 断动作状态变换来确定一种动作的起点和终点，再 对这样分割出的数据进行识别，而这种方法需要对 整段飞参数据进行推理判断，对识别速度和准确率 有较大影响。利用神经网络进行模块化识别能够有 效去除对原始数据的判断过程，但神经网络需要以 等长的数据进行动作模型训练和测试，因此，本文提 出以微分思想的方法对飞行参数进行处理解决这一 问题。飞行参数的微分思想就是将离散采样的
飞行 参数按时间等样分割，得到飞行参数的矩阵形式，将 其时序特征转换为空间（图像）特征，进而可以利用 卷积神经网络对图像处理的优势实现飞行动作的快 速识别。
比如一段长度为的飞参数据，记为（a,，《2,«，，…，力），利用微分思想，以n为采样点个数作为 微分参数，得飞行参数的矩阵为I
(a…，ar…+i，-"，a2J，-"(叫…，〇^+1，".，a r) 1，其中A：= 77；1-1。n的取值可以由先验知识确定，也可以通 过贝叶斯或阿卡克信息标准[141确定。同时，n的取 值也是飞行动作的最小单元数，应与飞行动作单元 相关联，与采样频率有关，采样频率越大，《越大；采 样频率越小，n越小…
3 CNN网络
3.1高效飞行动作识别网络构建
将提取的飞参数据按时间顺序组成特征参数矩 阵(a, ,a2,…，a…)，其中ra为基本动作单兀的采样 个数，将特征参数矩阵输人卷积神经网络，网络的结 构如图3所示，网络包括卷积层、Dropout层和连接 层。卷积层实现每个神经元按步长完成核卷积计 算。首先，为保持边界信息和补齐输入数据差异进 行边缘补充；其次，运用激活函数实现去线性化，使 用线性整流函数（ReLU)实现（最后全连接层后使 用归一化指数函数作为激活函数），最终达到特征 提取的目的。Dropout层让某些神经元的激活值
以 一定的概率停止工作，从而达到防止过拟合的效果。全连接层完成分类任务，使用独热编码的形式输出
图3卷积神经网络模型
1
11
S
f
t
m
3
x
Dense(4)
Dropout
DOPPOSITETO
硬笔书法用什么笔最好S
S
S
56)
Dropout
conv
(64,(2,2))
Dropout
|
conv
(64,{2,2))
«3A
I
I
3502021年第4朗全球快乐国度排行榜
飞行动作单元种类。转弯特征图，如图4所示，由图可知，进行边缘补充利用零补充层对特征参数矩阵进行边缘补充，后，转弯基本动作单元的边缘特征更加明显，因此，大小与核函数相同，以转弯基本动作单元为例，输出 更有利于基本飞行动作单元的识别3
(a)边缘补充后（b)未进行边缘补充
图4转弯特征图
飞参数据的特征参数矩阵经过卷积层的卷积核
计算后，形成相应的特征图。特征图与特征参数矩
阵的关系满足：
xj= X x! '■K)⑶
i e M j
式中为输入的特征参数矩阵;j c f-1为输入的特
征参数矩阵/- 1层卷积层的第i个特征图;J C；为第
/层卷积层的第y_个特征图;<；为卷积核;< 为偏置;
/()为激活函数。
全连接层将特征图转换为列向量形式，对列向
量进行权重加权，实现原始数据从隐层特征空间到
样本标记空间，通过激活函数（softmax函数）输出样
本类型概率。其关系满足：
Y,= 〇■( ^wlk x k + b,)(4)
式中：K表示基本飞行动作单元；为全连接层第i
个神经元与上一层第A•个神经元的权重；七为上一
层特征图A为偏置;<7()为激活函数。
3.2网络训练
根据监督学习的相关知识，输入大小为m的训
练样本丨U,),U2,：V2),…，（u J 1 ，其中
:«:,(1_= 1,2，_"，爪）为输人的参数特征矩阵，兄（；=1，
2,…,m)为独热编码后的基本飞行单元类型标签，
卷积神经网络的训练过程主要分为两个阶段，第一
阶段是数据从前到后传递得到输出与目标值误差，
即向前传播阶段；第二阶段是误差从后到前传递通
过阶梯下降法更新权重和偏置，即反向传播过程。
梯度下降法的公式为 4
v r+1-i r a W,b,x,y)
D W
(5)
b，X b：d j(W,b,x,y)
—〇O L,
c)bl
(6)式中:a为学习率；为交叉熵损失函数；公式(3)、(4)中<、仏和6/、/>，表示为权重怀和偏置h检查W和6的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和
4仿真实验
4.1参数设置
本实验所用的硬件环境为Intel(K)C〇re(T M) i5-1035Gl C P U；操作系统为 WindmvslO；通过 f i g h t-gear 软件产生飞行动作； 飞参数据存储频率为8〇H z；算法仿真为Python3.7，模型的训练和测试在Keras深度学习框架下完成。
利用fightgear软件仿真生成基本飞行动作，并下载120 000个飞参数据样本，以高度//、经度LO/V、祎度L47\航向角0、俯仰角《A、滚转角7这6个参数作为输人特征，因此采样样本维度为6 x 120 0003利用微分思想，按时间顺序每10个采样点构成一个维度为6 x 10的样本元，形成6 x 10 x 12 000的飞行动作识别训练测试集，每种基本飞行动作单元3 000个样本，根据基本飞行单元的类型设置相应标签，随机选取6 000个样本作为训练集，6 000个样本作为测试集，如表2所示。将1 024个样本组成一个小批量，将模型训练1()〇个轮次。
表2基本飞行动作单元仿真数据集
基本飞行动作单元样本数类型标签独热编码上升 3 0000[1000]
平飞 3 0001[0 100]
下降 3 0002[0 0 10]
转弯 3 0003[0001]
4.2识别性能测试
4.2.1实验1：网络参数的影响
网络参数对网络性能有非常大的影响，
本实验
2021年第4期
方伟等：基于微分思想和卷积神经网络的飞行动作识别
351
作进行识别分类得到训练损失与验证损失及训练准
确率与验证准确率如图5所示，从图中可以看出，网 络的收敛速度快，最终准确率达到99. 8%。
1.0
主要从三个方面进行实验分析，1)卷积核大小对网 络性能的影响;2)不同卷积层单元个数对网络性能 的影响;3)卷积层层数对网络性能的影响。
在卷积神经网络中，提取基本飞行单元的特征 维度取决于卷积核的大小，能够影响基本飞行动作 单元识别准确率和收敛性，卷积核尺寸过大会导致 特征细节丢失，尺寸过小又会导致特征提取不准确, 故为提高网络性能应选取合适的卷积核大小。为进 一步研究卷积核大小对基本飞行动作单元识别性能 的影响，本实验固定其他网络参数不变，输入维度为 6x 10的样本，设置卷积核尺寸分别为2 x 2、2 x 3、 3 x 2、3 x 3、3 x 4、4 x 3、4 x 4，对比在不同卷积核大 小下的网络识别准确率（如表3所示），当卷积核大 小为2 x 2时网络识别的准确率最高，故我们选用 2x 2的卷积核。
表3
不同卷积核尺寸准确率
卷积核尺寸2x 2 2x 33x 23x 33x 44x 34x 4准确率/%
99.8
74.8
75. 1
75.3
75.8
88.5
75.3
通过设计不同的卷积层层数和卷积层单元个 数，可改变网络所需计算参数个数，进而影响网络训 练速度和准确度，选取适当的卷积层数和单元个数 可以有效提高训练速度和准确度。本实验在卷积核 大小为2x 2的条件下，设置卷积层层为2和3，通 过实验发现，当卷积层为2时，网络达到收敛训练结 束的时间为709 s ，准确率为99. 8% ；当卷积层为3 时，网络达到收敛训练结束的时间为605 s ，准
确率 为77. 2%。综合比较训练时间和模型准确率，最合适 的卷积层数为2。确定卷积层数后，改变相应的卷积层 单元数分别为8、16、32加、128、256和512。但网络达 到收敛时，训练时间和准确率如表4所示，综合比较训 练时间和模型准确率，选择卷积层单元数为64
表4
不同卷积层单元数网络训练时间与准确率
卷积层单元数
训练时间/s
准确率/%84474.3163986.3326191.66424999.812848599.925671199.9512
1 530
99.9
4. 2.2实验2：卷积神经网络识别性能分析
根据4.2. 1节确定的网络参数，对基本飞行动
训练次数/次
(b)训练准确率与验证准确率对比图
图5卷积神经网络模型性能
运用训练好的模型参数识别测试数据，得到识
别的类型标签个数，与真实标签个数n T 的比值 为识别率p ，计算公式为
p
-
nR /nT (7)
画出混淆矩阵如图6所示，混淆矩阵中的数值表 示识别率，从图中可以看出，四种基本飞行单元颜 区分明显，并且真实标签与网络识别标签一致，证明 本网络对四种基本飞行单元具有较好的分类效果。
上升-0.9990.00.0010.0
平飞-0.0010.9990.00.002
下降-
0.00.001
0.9970.0
转弯-0.0
0.0
关于长城的英语作文尾兽0.001
0.998
上升下1降“弯
0.8
■
0.6
0.4
0.2
0.0
图6混淆矩阵
$
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论