本发明涉及机器学习领域，尤其涉及一种基于深度学习的飞行器机动识别系统。
背景技术：
1、飞行器机动，即飞行器在飞行过程中产生的具有一定战术意义的飞行动作。对飞行器机动的识别分析是空战博弈中战术动作理解任务的重要组成部分，有助于辅助飞行员判断敌机的动向，提前完成对应战术反制。因此我们结合深度学习，采取有效手段进行飞行器机动的识别，有重要的科学意义和现实意义。
2、在空战博弈中，对飞行员战术动作进行分析和理解是提高空战技巧、提升空战水平的重要手段。准确理解飞行员的战术动作非常具有挑战，这需要从记录的飞行轨迹中找到并识别独立的战术动作，进而理解飞行员的战术意图。这一过程需要具有专业知识的领域专家通过观看长时的飞行视频来分析和理解，非常耗时耗力。
3、传统机动轨迹生成和跟随问题的解决方案多是基于机动轨迹库的方法。通过查找标准战术动作的机动轨迹，根据飞机的状态变量对标准轨迹进行插值近似，求出适应于当前情况的推荐轨迹，该方法需要庞大的标准战术动作机动轨迹库，并且要对不同的机动动作具体分析，泛化性不够强。
4、从飞行轨迹里检测和识别独立战术动作是一个难点。这主要来自于两方面的挑战。一方面，由于飞机的型号和飞行员的个人操作习惯不同，同种战术动作可能轨迹变化很大且长度不一，且轨迹的参数(如速度、方向、加速度等)在时刻变化，导致同种战术动作的轨迹变化非常大，给识别模型提出了挑战；另一方面，飞行轨迹是一个复杂的序列，由多个战术动作构成，因此除了能够区分不同的战术动作外，识别模型需要首先在连续飞行轨迹中定位战术动作位置，然后才能对该动作进行识别，是一个检测与分类同时进行的任务。
技术实现思路
1、在本发明中，我们使用人工智能技术，对记录下来的飞行轨迹进行识别和标注，将飞行轨迹转换成战术动作的序列，从而帮助领域专家更好的分析和理解飞行员战术动作，提高分析效率，提升分析质量。
2、本发明的目的是提供一套基于深度学习的飞行器机动识别系统，该系统该专题针对空战博弈中的战术动作理解任务，进行飞行器的独立机动和连续机动动作的检测、识别和分析等工作。该识别分析系统包含数据采集模块、数据预处理模块、数据归一化模块、模型训练模块、模型预测模块和结果可视化模块。通过样本数据采集模块中的飞行器机动轨迹采集装置采集飞行器机动轨迹数据，随后，在数据预处理模块、数据归一化模块中，采集到的飞行器机动轨迹数据进行预处理，使其满足模型训练、预测时的要求。在模型训练模块中，基于深度学习方法训练得到飞行器机动识别模型，其中包括独立机动识别模型、连续机动识别模型两个主要部分；对于新的飞行器机动样本，通过模型预测模块，利用训练得到的独立机动识别模型预测样本的所属机动类别；对于新的连续机动样本，利用训练得到的连续机动识别模型预测样本中的各个独立机动及对应起止时间；最后，结果可视化模块生成预测机动样本的识别可视化结果。
3、其中，针对连续机动轨迹数据样本不足的问题，通过独立机动数据样本使用数据仿真合成的方法生成仿真连续机动轨迹训练数据。基于深度方法的预测系统通过训练数据学习飞行器机动轨迹的一般时空特征，用于预测新的机动样本的机动类别概率，对于输入连续轨迹，预测新机动样本的各个组成机动，生成对各个机动的机动类别、开始时间、结束时间的预测识别结果。并通过绘制图表的方式可视化机动识别结果。
4、本发明提出了一种基于深度学习的飞行器机动识别系统，该系统包含以下模块：
5、1、数据采集模块：所述数据采集模块用于采集飞行器的机动轨迹数据。对于独立机动轨迹采集，包括机动的轨迹数据以及对应的机动类别标签；对于连续机动轨迹数据，包括轨迹中每个子机动的类别标签、起始时间、终止时间；
6、所述机动轨迹数据，主要指飞行器在飞行过程中产生的六自由度轨迹数据样本。在单条机动轨迹数据样本中，包含飞行器在飞行过程中产生的若干个时间步的数据。在每一个时间步中，包含飞行器沿预设空间直角坐标轴方向下的移动自由度特征(或等价的经度、纬度、高度特征)、绕这三个坐标轴的转动自由度特征；
7、所述机动类别标签，即输入机动数据是否属于预设机动类别中的一种。其中，预设的机动类别包括终爬升、爬升剖面、俯冲、退出俯冲、半斤斗翻转、斤斗、半滚倒转、大桶滚、矩形桶滚、小桶滚、水平坡度转弯、水平载荷转弯、上升急转、下降急转、置尾机动、置尾蛇形、置尾回转、置尾外转、三九侧对、偏置机动、发射后偏置、跃升攻击、抛射(正)、抛射(偏)、蛇形(正)、蛇形(偏)、潜行迂回、跟踪监视、盘旋(待命)、盘旋(延迟)等类别；
8、所述机动识别标签，即输入连续机动轨迹识别出的组成机动轨迹列表y。其中为连续轨迹的标签矩阵，t为轨迹划分出的时间步数目，yi＝[yi,1,yi,2,…yi,m]，m为连续机动轨迹的类别数目，yi,j表示轨迹内的第i个时间步下第j类机动的标签，而yi,j＝[ci,j,si,j,ei,j]，ci,j为第j类机动在i时间步内的二分类标签，ci,j＝1代表在t时间步内存在第m类机动，即为所述机动类别标签的其中之一，si,j为第j类机动在i时间步内的开始时间、ei,j第j类机动在i时间步内的终止时间，si,j、ei,j被标准化为0至1之间的浮点数，代表机动开始、结束时在对应时间步内的比例。
9、2、数据预处理模块：数据预处理模块用于对飞行器机动轨迹数据进行数据处理。对于输入机动轨迹数据，主要对其进行数据增强，并使用线性插值方法修复有数据缺失的样本，并对数据进行轨迹对齐，使得轨迹长度统一，最终得到用于后续模型训练及预测的飞行器机动轨迹数据，作为后续模型训练及测试的输入数据。飞行器的单条机动轨迹特征(包括独立机动轨迹和连续机动轨迹)表示为f＝[f1,f2,…,fn]，其中，fi表示飞行器机动轨迹在第i个时间步的特征，n表示每条轨迹内共有n个时间步；每个时间步的特征fi是一个6维向量，即fi＝[xi,yi,zi,pi,hi,ri]，其中xi、yi、zi为飞行器沿x、y、z三个空间直角坐标轴方向的移动自由度特征，pi、hi、ri为绕这三个坐标轴的转动自由度特征；对于独立机动轨迹，将轨迹标签处理为机动类别标签y＝[y1,y2,…,ym]，作为后续模型训练及测试的标签，其中yi＝1表示输入机动轨迹被识别为预设m类中的第i类，yi＝0表示输入机动轨迹不属于第i类；对于连续机动轨迹，首先需要将输入机动轨迹预划分为t个时间步，然后将轨迹标签处理为机动识别标签y＝[y1,y2,…,yt]，其中为连续轨迹的标签矩阵，yi表示机动持续时间内第i个时间步的识别结果。
10、所述数据增强包含对样本数据的增广，包括但不限于以下常用的数据增强技术：
11、时间移位：将整个轨迹向前或向后移动一定的时间。这可以帮助模拟轨迹的起始或结束时间的变化，这可能是由于交通模式、天气条件或其他因素发生的变化。
12、空间扰动：引入轨迹坐标的小变化，例如添加噪声或随机偏移点。这可以帮助模拟移动对象的实际路径的变化。
13、旋转和反射：这涉及将轨迹旋转或反射以创建移动对象的方向或方向的变化。这可以帮助模拟飞行方向的变化或环境的变化。
14、缩放：这涉及重新缩放轨迹，以模拟移动对象的速度或行驶距离的变化。这可以帮助模拟对象的速度变化，例如目标的移动速度比平时更快或更慢时。
15、抖动：这涉及随机扰动轨迹点以创建移动对象运动的变化。这可以帮助模拟对象行为的变化，例如当它比平时更加不规则时。
16、3、数据标准化模块：数据预处理模块用于将得到的飞行器机动轨迹特征进行数据标准化操作，最终得到用于后续模型训练及测试的数据集，所述数据集中的每一个数据样本包括飞行器归一化后的机动轨迹特征及该机动对应的类别标签，所述数据集由训练集和测试集两部分构成。
17、其中，因为连续机动样本的训练数据数目较少，收集成本高，难以为连续机动识别模型提供充足的训练数据，而独立机动数据样本数量相对较多，所以可以考虑通过使用独立机动数据辅助连续机动识别模型的训练。然而，独立机动轨迹数据与连续机动轨迹数据在数据的分布上有着不同，不能直接将其用于连续机动识别模型的训练，而是应该通过拼接合成的方式，将若干段独立机动轨迹数据进行拼接，并对不同独立轨迹作均值偏移，使其能够形成连贯的连续机动轨迹数据。通过这种方式，可以缓解连续机动数据样本不足的问题，降低模型训练难度。
18、独立机动识别的训练集由独立机动轨迹全部数据集样本的90％的数据集样本构成，测试集由独立机动轨迹的10％的数据集样本构成；连续机动识别的训练集由独立机动数据集合成数据集的全部和真实连续机动轨迹数据集的70％组成，测试集由真实连续机动轨迹数据集的30％组成。
19、所述数据标准化指通过如下公式将临床数据特征映射到标准正态分布，避免因为数据范围相差过大，增加模型训练的难度；
20、
21、上式中，fi表示对应飞行器机动轨迹数据特征f中的第i个特征，μi表示第i条机动轨迹中所有轨迹点中特征的均值，σi表示第i条机动轨迹中所有轨迹点中特征的方差；∈为数值误差项，避免σi＝0时出现数值溢出问题。xi表示第i个特征被归一化之后的标准特征值，最终归一化之后的机动轨迹数据特征表示为x＝[x1,x2,…,xn]；并将独立机动轨迹数据的类别概率表示为
22、4、深度学习模型训练模块：所述深度学习模型训练模块通过基于深度学习的方法，训练构建飞行器机动轨迹识别模型，用于后续的飞行器机动轨迹识别；所述飞行器机动轨迹识别模型分为独立机动轨迹识别模型和连续机动轨迹识别模型两个部分，其中独立机动识别模型负责接受单一机动轨迹输入，输出机动轨迹类别，而连续机动接受由多个独立机动组成的连续机动轨迹输入，输出每个组成子机动的类别及起止时间；两个模型均采用迭代训练方法进行训练，对于一个给定的输入的训练集数据样本，首先判断输入的数据样本是独立机动数据还是连续机动数据，当输入数据样本为独立机动数据时，使用独立机动轨迹模型进行机动类别的识别，并依照标签对模型进行训练更新；当输入数据样本为连续机动数据时，使用连续机动轨迹模型进行每个组成机动类别及起止时间的识别，并依照标签对模型进行训练更新；最终，当飞行器机动轨迹识别模型的识别精度满足预设阈值要求，停止训练；
23、其中，所述独立机动识别模型在训练过程中，使用损失函数其中，m为独立机动的类别数目，yi为数据标签中的第i个分量，为独立机动识别模型输出的概率向量的第i个分量；所述连续机动识别模型在训练过程中，使用损失函数其中为第i类个时间步下第j类机动的类别损失，具体表示如下：
24、
25、上式中，λ为平衡类别损失与时间损失的超参数，ci,j为第j类机动在i时间步内的二分类标签，ci,j＝1代表在t时间步内存在第m类机动，si,j为第j类机动在i时间步内的开始时间、ei,j第j类机动在i时间步内的终止时间。
26、5、在所述独立机动识别模型中，通过深度学习方法，构建并训练基于tarnet架构的独立机动检测模型，用于后续的独立机动概率预测。所述独立机动检测模型训练方法，采用迭代训练方法训练。对于一个给定的预处理与标准化后的独立机动训练集数据样本x＝[x1,x2,…,xn]，将其输入基于tarnet架构的神经网络模型中。其中，tarnet神经网络使用基于自注意力机制的网络结构来对机动轨迹数据中的时空特征进行建模，具有能够处理不同长度和不同频率的时序数据而无需对齐或插值、可以并行计算所有时间步的输出、能够学习到时序数据中的复杂和非线性模式等优点。在训练过程中，网络首先通过位置编码层将时序数据中的位置信息加入到输入向量中，在该层可以使用正弦函数、学习式编码、时间特征等方法对输入向量进行编码；随后，编码器层由多个子注意力编码器模块堆叠而成，每个编码器模块包含一个多头自注意力子层、一个前馈神经网络子层、残差连接子层和层归一化子层；最后，输出层将编码器层学习得到的特征转换为目标特征向量，可以使用全连接层、卷积层、激活函数等方法。
27、所述基于tarnet架构的神经网络模型将输入的独立机动轨迹映射到高维的特征空间中，在高维空间内学习识别独立机动类别，并将特征转化为机动分类概率向量通过损失函数进行误差反向传播，使得不断向真实概率向量y趋近。最终，当独立机动识别模型的准确度满足要求时，停止训练。
28、6、在所述连续机动检测模型中，通过深度学习方法，构建并训练基于yolo架构的连续机动检测模型，用于后续的连续机动预测。所属连续机动检测模型训练方法，采用迭代训练方法训练。在所述连续机动检测模型中，将机动轨迹的边界检测问题转化为机动边界的回归问题，而不是基于滑动窗口的独立机动识别问题。此方法使用不同的神经元对机动的类别、开始时间、终止时间分别进行学习，得到输出矩阵再经数据后处理过程将输出矩阵转化为最终的识别机动列表。
29、对于一个给定的预处理与标准化后的输入训练集数据样本x＝[x1,x2,…,xn]，将其输入到基于yolo架构的卷积神经网络。该卷积神经网络主要由编码层、由多个卷积子层构成的特征提取层、输出层组成。编码层主要将输入数据特征进行升维，将低维的6自由度轨迹数据映射到高维的特征空间内进行编码；特征提取层由多个卷积子层、残差子层、池化层构成，利用卷积及池化操作从高维空间中学习机动的特征表示；输出层将学习到的特征表示映射到最终的的输出矩阵，构成包含机动类别、起止时间信息的识别结果。
30、预测结果为连续轨迹的标签矩阵，其中yi表示机动持续时间内第i个时间步的识别结果。通过使用均方误差损失函数
31、来使得预测结果不断向真实标签y趋近。其中ci,j为第j类机动在i时间步内的二分类标签，ci,j＝1代表在t时间步内存在第m类机动，si,j为第j类机动在i时间步内的开始时间、ei,j第j类机动在i时间步内的终止时间。
32、7、模型预测模块：在该模块中，使用深度学习模型训练模块中训练得到独立机动识别模型、连续机动识别模型来对新数据样本进行识别预测。
33、在采用训练得到的独立机动识别模型对输入的新独立机动轨迹数据样本进行识别时，只需要将输入数据预处理模块、数据标准化模块得到待测试的独立机动轨迹数据样本的数据特征x＝[x1,x2,…,xn]，将提取到的机动轨迹数据特征直接输入独立机动识别模型中，训练得到的独立机动识别模型即可以通过基于tarnet架构的神经网络输出机动轨迹数据对应的各个机动类别的概率向量向量中的每个分量是识别为对应机动类别的概率。
34、在采用训练得到的连续机动识别模型对输入的新独立机动轨迹数据样本进行识别时，只需要将输入数据预处理模块、数据标准化模块得到待测试的连续机动轨迹数据样本的数据特征x＝[x1,x2,…,xn]，将提取到的机动轨迹数据特征直接输入连续机动识别模型中，训练得到的独立机动识别模型即可以通过基于yolo架构的神经网络输出机动轨迹数据的识别矩阵在中，表示机动持续时间内第i个时间步的识别结果，包括了3m个0至1间的识别结果。在我们的预设机动类别下，包含m＝30类机动类别，因此yi的3m＝90个向量分量分别对应于30种机动类别。即对于第j种机动动作aj，对应于三个分量的数据。其中，是一个二进制分类标志，表示在第i时刻是否存在机动aj，而则表示对应的机动起始、终止时间。需要注意的是，只有当为1时的时间才有意义。因此，在获得了输出识别矩阵后，还需要经过一步数据后处理，将无效的输出去除，整理得到最终的识别结果。
35、8、可视化模块：可视化模块生成预测机动样本的识别可视化结果。
36、本发明使用深度学习技术，对飞行器机动轨迹进行识别和标注，将独立机动轨迹转换成机动类别、连续机动轨迹转化成机动的组成列表，从而帮助领域专家更好的分析和理解飞行员战术动作，提高分析效率，提升分析质量。
1.基于深度学习的飞行器机动识别系统，其特征在于，针对空战博弈中的战术动作理解任务，进行飞行器的独立机动和连续机动动作的检测、识别和分析工作；识别分析系统包含数据采集模块、数据预处理模块、数据归一化模块、模型训练模块、模型预测模块和结果可视化模块；通过样本数据采集模块中的飞行器机动轨迹采集装置采集飞行器机动轨迹数据，随后，在数据预处理模块、数据归一化模块中，采集到的飞行器机动轨迹数据进行预处理，使其满足模型训练、预测时的要求；在模型训练模块中，基于深度学习方法训练得到飞行器机动识别模型，其中包括独立机动识别模型、连续机动识别模型两个主要部分；对于新的飞行器机动样本，通过模型预测模块，利用训练得到的独立机动识别模型预测样本的所属机动类别；对于新的连续机动样本，利用训练得到的连续机动识别模型预测样本中的各个独立机动及对应起止时间；最后，结果可视化模块生成预测机动样本的识别可视化结果。
2.如权利要求1所述的系统，其特征在于，针对连续机动轨迹数据样本不足的问题，通过独立机动数据样本使用数据仿真合成的方法生成仿真连续机动轨迹训练数据；基于深度方法的预测系统通过训练数据学习飞行器机动轨迹的一般时空特征，用于预测新的机动样本的机动类别概率，对于输入连续轨迹，预测新机动样本的各个组成机动，生成对各个机动的机动类别、开始时间、结束时间的预测识别结果；并通过绘制图表的方式可视化机动识别结果。
3.如权利要求2所述的系统，其特征在于，系统包含以下模块：数据采集模块、数据预处理模块、数据标准化模块、深度学习模型训练模块、独立机动识别模型、连续机动检测模型、模型预测模块、可视化模块。
4.如权利要求3所述的系统，其特征在于，数据采集模块：所述数据采集模块用于采集飞行器的机动轨迹数据；对于独立机动轨迹采集，包括机动的轨迹数据以及对应的机动类别标签；对于连续机动轨迹数据，包括轨迹中每个子机动的类别标签、起始时间、终止时间；
5.如权利要求3所述的系统，其特征在于，数据预处理模块：数据预处理模块用于对飞行器机动轨迹数据进行数据处理；对于输入机动轨迹数据，主要对其进行数据增强，并使用线性插值方法修复有数据缺失的样本，并对数据进行轨迹对齐，使得轨迹长度统一，最终得到用于后续模型训练及预测的飞行器机动轨迹数据，作为后续模型训练及测试的输入数据；飞行器的单条机动轨迹特征表示为f＝[f1,f2,…,fn]，其中，fi表示飞行器机动轨迹在第i个时间步的特征，n表示每条轨迹内共有n个时间步；每个时间步的特征fi是一个6维向量，即fi＝[xi,yi,zi,pi,hi,ri]，其中xi、yi、zi为飞行器沿x、y、z三个空间直角坐标轴方向的移动自由度特征，pi、hi、ri为绕这三个坐标轴的转动自由度特征；对于独立机动轨迹，将轨迹标签处理为机动类别标签y＝[y1,y2,…,ym]，作为后续模型训练及测试的标签，其中yi＝1表示输入机动轨迹被识别为预设m类中的第i类，yi＝0表示输入机动轨迹不属于第i类；对于连续机动轨迹，首先需要将输入机动轨迹预划分为t个时间步，然后将轨迹标签处理为机动识别标签y＝[y1,y2,…,yt]，其中为连续轨迹的标签矩阵，yi表示机动持续时间内第i个时间步的识别结果；
6.如权利要求3所述的系统，其特征在于，数据标准化模块：数据预处理模块用于将得到的飞行器机动轨迹特征进行数据标准化操作，最终得到用于后续模型训练及测试的数据集，所述数据集中的每一个数据样本包括飞行器归一化后的机动轨迹特征及机动对应的类别标签，所述数据集由训练集和测试集两部分构成；
7.如权利要求3所述的系统，其特征在于，深度学习模型训练模块：所述深度学习模型训练模块通过基于深度学习的方法，训练构建飞行器机动轨迹识别模型，用于后续的飞行器机动轨迹识别；所述飞行器机动轨迹识别模型分为独立机动轨迹识别模型和连续机动轨迹识别模型两个部分，其中独立机动识别模型负责接受单一机动轨迹输入，输出机动轨迹类别，而连续机动接受由多个独立机动组成的连续机动轨迹输入，输出每个组成子机动的类别及起止时间；两个模型均采用迭代训练方法进行训练，对于一个给定的输入的训练集数据样本，首先判断输入的数据样本是独立机动数据还是连续机动数据，当输入数据样本为独立机动数据时，使用独立机动轨迹模型进行机动类别的识别，并依照标签对模型进行训练更新；当输入数据样本为连续机动数据时，使用连续机动轨迹模型进行每个组成机动类别及起止时间的识别，并依照标签对模型进行训练更新；最终，当飞行器机动轨迹识别模型的识别精度满足预设阈值要求，停止训练；
8.如权利要求3所述的系统，其特征在于，在所述独立机动识别模型中，通过深度学习方法，构建并训练基于tarnet架构的独立机动检测模型，用于后续的独立机动概率预测；所述独立机动检测模型训练方法，采用迭代训练方法训练；对于一个给定的预处理与标准化后的独立机动训练集数据样本x＝[x1,x2,…,xn]，将其输入基于tarnet架构的神经网络模型中；其中，tarnet神经网络使用基于自注意力机制的网络结构来对机动轨迹数据中的时空特征进行建模，具有能够处理不同长度和不同频率的时序数据而无需对齐或插值、可以并行计算所有时间步的输出、能够学习到时序数据中的复杂和非线性模式优点；在训练过程中，网络首先通过位置编码层将时序数据中的位置信息加入到输入向量中，在该层可以使用正弦函数、学习式编码、时间特征方法对输入向量进行编码；随后，编码器层由多个子注意力编码器模块堆叠而成，每个编码器模块包含一个多头自注意力子层、一个前馈神经网络子层、残差连接子层和层归一化子层；最后，输出层将编码器层学习得到的特征转换为目标特征向量，可以使用全连接层、卷积层、激活函数方法；
9.如权利要求3所述的系统，其特征在于，在所述连续机动检测模型中，通过深度学习方法，构建并训练基于yolo架构的连续机动检测模型，用于后续的连续机动预测；所属连续机动检测模型训练方法，采用迭代训练方法训练；在所述连续机动检测模型中，将机动轨迹的边界检测问题转化为机动边界的回归问题，而不是基于滑动窗口的独立机动识别问题；此方法使用不同的神经元对机动的类别、开始时间、终止时间分别进行学习，得到输出矩阵再经数据后处理过程将输出矩阵转化为最终的识别机动列表；
10.如权利要求3所述的系统，其特征在于，模型预测模块：在模块中，使用深度学习模型训练模块中训练得到独立机动识别模型、连续机动识别模型来对新数据样本进行识别预测；
