非完备信息下的超视距空战双机协同战术识别_孟光磊.pdf

http:/DOI:10.13700/j.bh.1001-5965.2021.0251非完备信息下的超视距空战双机协同战术识别孟光磊1，*，张慧敏1，朴海音2，周铭哲1(1.沈阳航空航天大学自动化学院，沈阳110136；2.航空工业沈阳飞机设计研究所，沈阳110135)摘要：针对超视距（BVR）空战过程中，受探测装置性能限制和敌方干扰等原因，导致目标信息易缺失，从而难以实时准确地识别敌方协同空战战术的问题，提出了一种基于动态贝叶斯网络（DBN）与参数学习的超视距空战双机协同战术识别方法。分析了超视距空战条件下的双机协同战术特征，根据长机和僚机的职能分工、当前态势及机动动作，构建了识别网络模型；为提高模型对双机协同战术的识别概率，采用期望最大参数学习方法优化网络参数；基于自回归模型对缺失目标信息进行修补，提出非完备信息下的双机协同战术识别推理算法。通过开展空战对抗仿真实验，验证了双机协同战术识别方法对于非完备信息下的超视距空战双机协同战术具有较高的识别概率和较好的实时性。关键词：协同空战；战术识别；动态贝叶斯网络；双机协同战术；参数学习中图分类号：V221+.3；TB553文献标志码：A文章编号：1005-5965（2023）02-0284-11在现代空战中，多机协同空战与单机空战相比，具备更高的作战能力和作战效率，已成为空战的主要形式。超视距（beyond-visual-range，BVR）空战亦称中远距空战，是指交战双方飞行员在目视观察范围以外使用中远距拦截导弹进行的空战。随着空战技术的不断发展，飞机性能越来越强，空空导弹的射程越来越远，空战交战区域的范围也越来越大，超视距空战在未来空战中占有主导地位1。超视距多机协同空战的主要核心是以双机编队为基础进行协同战术指派，其中，二对一空战作为主要作战模式扮演着重要的角色。但在实际战场环境下，由于传感器性能的局限及敌方实施干扰、欺骗等原因，通常会出现采样信息不完备的情况，如何基于获取的不确定性战场态势信息实时、准确地识别敌机编队协同战术，从而为己方提供可靠的决策依据，是取得空战胜利的关键2。因此，非完备信息下的敌方双机协同战术识别问题具有重要的研究价值和意义。双机编队协同战术识别结果反映了飞行员的作战意图。目前，国内外从不同方面对战术识别和意图推理问题进行了研究，运用的方法主要包括多实体贝叶斯网络(multi-entityBayesiannetwork，ME-BN)3、区间灰关联度4-5、信息熵6-7、神经网络8-9和深度学习10-11等。邓海军等3提出了基于 MEBN的战术意图识别方法，基于专家经验构建 MEBN 模型，采用一阶网络来表示意图影响因素，克服了传统贝叶斯网络方法对复杂问题缺乏表示能力的问题，但是没有给出大样本条件下模型识别准确率的实验结论。Zhao 和 Yang4提出了一种基于灰关联度的群体冲突决策图模型，通过计算目标特征区间值，进行目标战术意图推理。Zhou 等6结合长短时记忆网络和决策树的优点，提出了一种基于信息熵的目标意图预测方法，但该方法由先验知识提取规则，具有较强的主观性。周旺旺等9提出了基于神经网络的目标意图识别方法，可以在领域专家先验知识不足的情况下较好地解决目标意图识别问收稿日期：2021-05-13；录用日期：2021-07-23；网络出版时间：2021-08-2519：33网络出版地址： J.北京航空航天大学学报，2023，49（2）：284-294.MENG G L，ZHANG H M，PIAO H Y，et al.Cooperative tactical recognition of dual-aircraft formation under incomplete information inBVR air combatJ.Journal of Beijing University of Aeronautics and Astronautics，2023，49（2）：284-294（in Chinese）.2023年2月北京航空航天大学学报February2023第49卷第2期JournalofBeijingUniversityofAeronauticsandAstronauticsVol.49No.2题。欧微等11提出了一种基于栈式自编码器的意图识别深度学习模型，将战场环境信息、目标属性和目标实时状态信息作为输入，识别作战意图，该方法能有效识别目标作战意图，但模型输入包含多个时刻目标状态信息，在模型训练时会产生累积误差，影响识别效果。上述方法可以概括为 2 类：根据领域专家主观经验建立识别模型，提高模型构建的合理性和效率，但不具备环境适应性的能力；采用大量样本数据训练的方式，修正模型参数，提高模型识别准确率，但缺少了非完备信息下的敌方协同战术识别与意图推理。目前，贝叶斯网络作为数据处理和分析工具被广泛应用，特别是用于解决不确定性环境下的问题12，采用动态贝叶斯网络(dynamicBayesiannetwork，DBN)既可以根据专家经验建立决策模型，又能够基于样本数据进行模型训练13-17。为满足非完备信息下超视距协同空战环境中对双机编队协同战术的识别需求，本文提出了基于动态贝叶斯网络的双机协同战术识别方法。对双机编队协同战术中的长/僚机空间占位和机动特征进行了分析，根据领域专家经验构建了双机协同战术识别网络模型，通过样本数据学习优化了网络参数，采用 AR(p)模型对缺失目标信息进行修补，提出非完备信息下的双机协同战术识别推理算法。实验结果表明，非完备信息下的超视距空战双机协同战术识别方法具有较高的识别概率和良好的实时性，具备较好的工程应用价值。1双机协同战术识别网络模型动态贝叶斯网络具有对跟随时间演化的过程进行表示的能力，适合用于构建受毗邻时间参数变化关系影响的决策模型18。在空战对抗过程中，战机的飞行参数不断发生变化，采用动态贝叶斯网络构建协同战术识别模型能够实时监测双机编队内各战机的飞行参数信息，通过前后关联时刻的节点信息传递，实现根据累积证据信息的因果推理，进而在线识别和预测目标双机编队一段时间内的协同战术。另外，根据当前空战态势特征，推理目标编队未来一段时间内执行的协同战术属于不确定性推理问题，动态贝叶斯网络通过概率理论和图论的结合，可以根据观测节点概率推理出其他节点的概率，能够为具有不确定性的问题提供定量化的解决方案。因此，动态贝叶斯网络适用于解决双机协同战术识别问题。1.1超视距空战下的双机协同战术分析超视距协同空战条件下，以长/僚机空间占位、机动动作和运动趋势作为双机战术意图特征，基于典型协同战术队形衍生出 7 种双机编队协同战术。综合分析长/僚机在不同战术下的飞行特征，整理得到长机和僚机在各战术中的特征信息描述分别如表 1 和表 2 所示。表1典型战术下的长机特征信息描述Table1Descriptionofleadercharacteristicsinformationundertypicaltactics协同战术目标长机空间占位目标长机机动特性目标长机运动趋势尾后攻击(DA)我机后方水平直线飞向我机钳形攻击(PA)我机前方左/右盘旋飞向我机侧方攻击(LA)我机左/右方水平直线飞向我机对头攻击(EA)我机前方水平直线飞向我机水平疏开(HDO)我机左/右/前方左/右盘旋先飞离我机后飞向我机垂直疏开(VDO)我机后方跃升机动飞向我机组合疏开(CDO)我机左上/右上方左上/右上战斗转弯先飞离我机后飞向我机表2典型战术下的僚机特征信息描述Table2Descriptionofwingmancharacteristicsinformationundertypicaltactics协同战术目标僚机空间占位目标僚机机动特性目标僚机运动趋势尾后攻击(DA)我机后方水平直线飞向我机钳形攻击(PA)我机前方左/右盘旋飞向我机侧方攻击(LA)我机左/右方水平直线飞向我机对头攻击(EA)我机前方先水平直线后左/右盘旋飞向我机水平疏开(HDO)我机右/左/前方左/右盘旋先飞离我机后飞向我机垂直疏开(VDO)我机前方俯冲机动飞离我机组合疏开(CDO)我机右/左方右下/左下战斗转弯左/右盘旋先飞离我机后飞向我机1.2双机协同战术识别网络模型的建立通过 1.1 节的分析，选用目标相对高度、双机方位角、进入角及机动特征信息作为网络的观测节点。综合分析观测信息与双机协同战术间的因果关系，进而确定网络中间节点。网络根节点为协同战术识别结果，包括表 1 中的 7 种协同战术。最终得到基于动态贝叶斯网络的双机协同战术识别模型，如图 1 所示。该识别网络模型共 3 层，底层根据目标相对高度推理得出高度保持类协同战术和具有高度差类协同战术；第 2 层加入目标编队战机的方位角和进入角信息，将上一层的高度保持类协同战术细分为尾后攻击战术、前方高度保持类协同战术和侧方高度保持类协同战术，同时识别出具有高度差的垂直疏开战术和组合疏开战术；第 3 层结合目标的机动动作信息，对前 2 层未能识别出的协同战术进行推第2期孟光磊，等：非完备信息下的超视距空战双机协同战术识别285理确认，最终得到典型双机协同战术的识别概率，其中“其他战术”的概率结果表示了不属于表 1 中7 种战术的可能性。网络中各节点含义及状态集说明如表 3 所示。其中，目标相对高度、目标方位角和目标进入角可根据目标探测信息经离散化处理后获得，目标机动动作识别网络参照文献 19 中的方法构建。根据空战态势特征，实时计算目标机动动作的分布概率，作为目标机动动作观测节点的信息输入。CTTMI2ICTt机动特性层方位层高度层SCTCTTMI2TAZ2TAZ1ALT2ICTALT1SCTt1TMI1TMI1ALT2ALT1TEA1 TEA2TAZ2TAZ1TEA1 TEA2图1双机协同战术识别网络模型Fig.1Dual-aircraftcooperativetacticalrecognitionnetworkmodel表3节点含义及状态集说明Table3Descriptionofnodemeaningandstateset变量变量含义状态集ALT1ALT2目标相对高度高于我机(ALT400m)基准面(400mALT400m)低于我机(ALT400m)TAZ1TAZ2目标方位角前方(40o40o)、右方(40o140o)、左方(140o40o)后方(140o180o&140o180o)TEA1TEA2目标进入角飞向我机(90o180o)飞离我机(0o90o)TMI1TMI2目标机动动作水平直线飞行、俯冲、跃升、左盘旋、右盘旋、半滚倒转、斤斗、左上战斗转弯、右上战斗转弯、蛇形机动ICT高度分类协同战术高度保持类协同战术集(HK)高度差类协同战术集(HD)SCT方位分类协同战术前方高度保持类协同战术(FHK)、侧方高度保持类协同战术(LHK)、垂直疏开战术(VDO)、组合疏开战术(CDO)、尾后攻击战术(DA)CT协同战术对头攻击战术(EA)、侧方攻击战术(LA)、尾后攻击战术(DA)、钳形攻击战术(PA)、水平疏开战术(HDO)、垂直疏开战术(VDO)、组合疏开战术(CDO)、其他战术2模型训练与推理针对双机协同战术识别网络模型，根据动态贝叶斯网络的知识表达与推理预测能力，可以有效计算不同战场态势环境下各种典型协同战术的概率分布，模型训练与推理的技术路线如图 2 所示。针对模型训练部分，采用期望最大（EM）算法，根据双机协同空战数据样本对初始网络参数进行学习，得到优化的网络参数。推理计算部分按照动态贝叶斯网络模型推理算法，计算根节点各状态的概率分布，进而得到双机协同战术识别结果。参数学习离散化数据数据离散化处理概率分布先验概率观测概率转移概率EM 算法动态贝叶斯网络模型双方空间态势状态集选取结果数据特征提取历史空战对抗数据AR(p)模型实时空战对抗数据AR(p)模型图2模型训练与推理技术路线Fig.2Technicalrouteofmodeltrainingandreasoning2.1贝叶斯网络训练参数训练