智能算法在空中目标识别问题中的应用

2016-11-02周超胡晓峰郑书奎刘潇

指挥与控制学报 2016年2期

周超胡晓峰郑书奎刘潇

1.国防大学信息作战与指挥训练教研部北京100091

随着信息技术的迅速发展,空袭武器呈现出了样式多样化和作战意图识别复杂化的特点[1].如何准确迅速识别敌方空中目标意图,有针对性地采取有效的防空行动是一个必须要解决的作战课题.空中目标识别是战场态势估计的基础,也是作战决策的重要依据[2].

1 目标特征属性数据可视化分析

为了研究不同意图的空中目标在方位角、距离、水平速度、航向角、高度和雷达反射面积的分布规律,从已知目标意图的目标数据库中提取12组数据,将空中目标各属性值0-1标准化后分别显示在坐标轴上,通过对图1的观察,我们发现目标各特征属性值并不集中,是散落在坐标系中,且同类目标各属性特征值分布也没什么明显规律,这就说明基于简单的线性模型是无法发现其中的规则,需要建立非线性模型来解决目标识别问题[3].

2 模型的建立

2.1 基于朴素贝叶斯的目标意图识别模型

朴素贝叶斯分类是一类利用概率统计知识进行分类的算法,其分类原理是贝叶斯定理[4].朴素贝叶斯分类器首先对于已分类样本进行训练,训练出的分类器模型就可以根据给出的待分类项的特征值,求解在此项出现的条件下各个类别出现的概率,哪个类别出现的概率最大,就认为此待分类项属于哪个类别.

图1 目标特征属性数据可视化图

朴素贝叶斯分类器建立在一个类条件独立性假设基础之上:给定类节点后,各属性节点之间相互独立.根据朴素贝叶斯的类条件独立假设,则有:

条件概率P(X1|Ci),P(X2|Ci),...,P(Xn|Ci)可以从训练数据集求得.根据此方法,对一个未知类别的样本X,可以先分别计算出X属于每一个类别Ci的概率P(X|Ci)P(Ci),然后选择其中概率最大的类别作为其类别.本文目标类型意图分为掩护、侦察、监视、其他、攻击.目标的特征属性有方位角、指挥舰艇距离、目标移动速度、航向角、高度、雷达反射面、目标属性.考虑到目标属性是根据雷达反射面直接判断的,因此在建模时,建立目标特征属性时去掉目标属性.那么对于方位角、指挥舰艇距离、目标移动速度、航向角、高度、雷达反射面这6个属性值是否有很强的相互独立性将是能否使用朴素贝叶斯网络建模的关键.建立基于朴素贝叶斯网络的目标识别模型:

1)设空中目标x={a1,a2,···,am}为一个待分类项,而每个a为x的一个特征属性,m=6；

2)有目标意图集合{掩护,侦察,监视,其他,攻击},则定义模型的 |类别集合C={y1,y2,···,yn},n=5；

3)计算P(y1|x),P(y2|x),···,P(yn|x)；

4)如果P(yk|x)=max{P(y1|x),(y2|x),···,(yn|x)},则x∈yk.

各类别下每个特征属性的条件概率估计,即:

如果各个特征属性是条件独立的,则贝叶斯定理有如下推导:

因为分母对于所有类别为常数,因此,只要将分子最大化即可,又因各特征属性是条件独立的,所以有:

该模型具体流程图如图2所示.

2.2 基于概率神经网络的目标意图识别模型

图2 朴素贝叶斯目标识别算法流程图

概率神经网络是一种径向基神经网络模型,采用由高斯函数为核函数形成联合概率密度分布的估计方法和贝叶斯决策理论[5].PNN作为径向基网络的一种,适合于模式分类.在模式分类问题上,PNN比BP网络有较大优势,一方面BP网络隐含层的选取没有确定的法则,需要根据经验反复试算得到,而PNN需要调节的参数少,不需确定隐藏层数,隐藏层中的神经元个数等网络结构;另一方面,PNN总收敛于Bayes优化解,稳定性高[6].所以建立基于PNN的空中目标意图识别模型.PNN的层次模型,由输入层、模式层、求和层、输出层共4层组成.

建立目标属性特征向量V(β,D,V,θ,H,σ),将特征向量传递给网络,其神经元数目和样本矢量的维数相等.模型第2层是模式层,计算输入特征向量与训练集中各个模式的匹配关系,模式层神经元的个数等于各个类别训练样本数之和,该层每个模式单元的输出为

式中Wi为输入层到模式层连接的权值,δ为平滑因子[7].

第3层是求和层,分别求出掩护类、侦察类、其他类、攻击类和监视类的概率累计,按上式计算,从而得到空中目标意图模式的估计概率密度函数.每一类只有一个求和层单元,求和层单元与只属于自己类的模式层单元相连接,而与模式层中的其他单元没有连接.因此,求和层单元将属于自己的模式层单元的输出相加,而与属于其他类别的模式层单元的输出无关.求和层单元的输出与各类基于内核的概率密度的估计成比例,通过输出层的处理,就能得到各类的概率估计,如图3所示.网络的输出决策层由阈值辨别器组成,其作用是在各个目标识别模式的估计概率密度中选择一个具有最大后验概率密度的神经元作为整个系统的输出.输出层神经元是一种竞争神经元,每个神经元分别对应于一个空中目标意图类型,它接收从求和层输出的各类概率密度函数,概率密度函数最大的那个神经元输出为1,即所对应的神经元所映射的目标意图就是待识别的目标意图类别,其他神经元的输出全为0.