一种航迹数据高维特征矩阵提取方法*

吴济洲，张红敏

(信息工程大学数据与目标工程学院，河南 郑州 450001)

随着ads-b与雷达技术的普及与发展,空中目标时空轨迹数据获取难度日益下降,大量航迹数据中包含了目标的众多特性信息,这些信息在智慧城市感知、交通路网监测、群体行为分析和军事目标跟踪识别等领域均具有显著的应用价值。

空中目标航迹通常包括经纬高及速度、航向等数据,这些数据隐含了诸多航迹特征,如飞行空域管制、飞机性能限制以及任务需求等,这些特征可直接服务于一线专家的判决分析。然而由于空中目标,特别是军机目标,存在机动性较强、回波信号信噪比较低且易受电磁干扰等问题,导致航迹质量差、轨迹毛刺多,使得基于航迹的军用飞机识别难度较大,一线仍多根据人工经验进行判别,机型识别效能不高。尽管现今深度学习方法在航迹识别研究中应用日渐增多,但由于该类方法采用直接从数据端到结果端的黑盒分析模式,存在中间数据结构难以解释与理解、难以应对未知型号目标等问题，因此,基于有效特征提取的航迹识别方法仍具有不可替代的重要作用,如何提升航迹特征提取效能，进而提升识别准确率与自动化水平是急需解决的问题。

近年来航迹数据处理与应用的研究逐渐增多,在航迹起始判定与建立上文献[12-16]取得了良好效果;利用航迹匹配方式实现轨迹识别文献[17]展开了深入研究;深度学习方法在航迹处理应用领域也有了较大发展,文献[18-21]采用CNN,GANs等对典型航迹做目标分类，文献[22-24]根据航迹数据部分特征做目标分类。以上方法研究对象大多为有固定飞行路线的民用航空器,对飞行自由度高、轨迹记录不一致的高自由度空中目标航迹的识别能力识别较弱。民航飞机拥有相对固定的飞行路线设计,轨迹在发生偏移后可以匹配路径数据进行及时修正,军用飞机航迹多无路网限制,飞行自由度高、机动性强,使得轨迹灵活多变、常无固定航线、标签样本数据较为欠缺。

为了解决上述问题本文提出了一种航迹数据高维特征矩阵提取方法,该方法从统计特性、巡航特性、机动特性、飞行区域和速度谱多个维度分析航迹数据特性,提取特性描述参数,并形成多维特征矩阵。以多维特征矩阵作为输入,进行了多分类器空中目标识别实验,验证了本文创建的高维特征矩阵具有数据特征较全面、可解释性强、逻辑性较强等特点。本文航迹数据高维特征矩阵提取方法既可为一线判证人员提供一种数字化解读传统航迹数据特征的新思路,也可为自动航迹识别算法提供了更全面的输入特征。

1 空中目标高维特征提取

目标航迹测量信息包含雷达测量飞行目标得到的时间、经度、纬度、速度、高度以及移动方向等信息。分析不同目标特性产生机理与显著特点,尽可能多挖掘航迹中包含的各目标特性,从多个方面、多维度挖掘特定目标特征,提高识别准确率。

航迹特征提取流程如图1所示,在获取雷达接收的航迹数据后,对航迹数据做特征提取,进而获得统计特性分布情况、专家判断所需的飞行时刻、飞行地域、巡航特性等信息以及速度谱等高阶抽象特征,形成高维特征矩阵。为后续利用航迹特征进行多手段信息融合判别提供支撑。

图1 高维特征矩阵提取流程图

表1 特征提取类别与作用

飞行区域特征则是根据空中目标飞行路线规划设计确定,针对固定航线飞行目标,对飞行区域设置具有战术意义的区域分割,对于民航飞机、战斗机与侦察机飞行区域有着不同的航空空域管制,直接利用飞行轨迹以及飞行区域可以做有效划分。

1.1 飞行区域特征

飞行区域是利用航迹提取飞行经行地区。飞行区域划分见表2,执行特定任务的空中目标有固定的飞行航线和飞行轨迹,在重点区域会进行盘旋或者绕行,在航迹中先检索所有经过区域,再对高机动飞行区域和高频活动区域进行重点分析,与热点图进行比较,匹配相应类型目标。

表2 飞行区域划分表

1.2 运动特性

速度计算公式为

(1)

其中,=sin()*sin(-1)+cos()*cos(-1)*cos(--1),为经度数值,为纬度数值。

1.3 运动状态特征

提取完空中目标的常规统计特征后,对速度以及高度数据进一步挖掘统计巡航状态特性,出于空气动力学设计以及任务需求,各飞行目标有设定的理想飞行高度以及速度来解决油耗和飞行管制问题。航迹特征提取目标飞行时长、巡航高度、巡航速度等数值与专家库进行匹配,利用一线经验判断目标类型。目标飞行时长为对数据统计单次飞行总时长,与后台专家库进行比对目标续航能力进行匹配识别。巡航高度与巡航速度是统计目标处于低机动性下的飞行参数表现,由于各类型空中目标动力与任务要求不一致,在低机动性下的巡航状态相关参数会出现显著区别。在实际操作中区分机动性高低通过量化加速度、爬升率与曲率三者乘积进行,计算公式表示如下:

(2)

对航迹序列设置一个当前序列5长度的窗宽进行滑动求取机动性,mean。

(3)

机动性是衡量空中目标改变飞行速度、方向、高度的指标,具体体现在加速度值,转弯半径的大小以及爬升率的高低,此类特征可进一步区分识别空中目标。实际提取中利用经纬度以及各时刻目标移动方向的数据计算目标水平机动特性,再利用高度信息分析目标垂直机动性爬升率的大小。

加速度计算公式:

(4)

爬升率计算公式:

(5)

曲率及转弯半径计算公式:

(6)

1.4 速度谱特征

(7)

如果()在时间段∈[-2,2]上可以用()表示,且()的傅里叶变换为()=[()],其中(·)表示傅里叶变换。当增加时,()以及|()|的能量增加,在速度功率谱的定义中,当→+∞时,()→()此时|()|2π可能趋近于一极限,如果该极限存在,其平均功率亦可以在频域表示:

(8)

即功率谱密度函数可表达如下:

(9)

对航迹进行功率谱分析,是对航迹提取高维抽象的特征,获取其高阶分量特性,分析航迹中出现的机动性特征。通过分析航迹数据生成航迹数据特征矩阵,包含运动特性、巡航特性、机动特性、飞行区域以及速度谱特征,共计28维特征量化指标。通过特征提取工作后将多维数据作为特征数据集输入机器学习分类识别方法进行分类识别验证。

2 实验与分析

2.1 实验数据

本论文采用空中目标真实飞行轨迹构建实验数据集,目标航迹数据集是近两年特定目标的飞行航迹数据,数据集总共有933条航迹,其中300条测试数据集。数据选取四类目标,民航、战斗机1、战斗机2和侦察机分别设定标签1、2、3和4,包括战斗机,民用航空飞机与侦察机四类合计20架次飞机,其中标签1民航飞机包含8架次,战斗机1包括3架次,战斗机2共有2架次,侦察机总计7架次。共包含了多类飞机的运动情况,民航飞行数据多来自于Flight Aware航班跟踪获取的民航航班的航班信息,军机数据来自部队一线积累。数据集中每条航迹由数据标号、飞行时间、经度、纬度、高度以及机型标签六个属性组成。

通过对航迹数据提取多维度特征,全面分析空中目标飞行特性后使用多种识别分类方法进行信息融合判别分析,有助于提高目标识别的准确率。

图2为某民用飞机航班数据特征图,以民航飞机飞行特征可视化为例,可以发现目标飞行运动特征与常规经验分析一致,仍有部分增量特征可以进一步挖掘和研究。由图可以分析得:数据获取平稳,仅在飞行中段出现少量飞行数据缺失的现象,由加速度与速度变化图可得:在起飞阶段快速爬升加速度成高数值正值,中段巡航期保持平稳飞行无明显速度变化,末端飞机缓降,加速度呈低数值负数,由速度分布,加速度分布以及速度谱图中分析可得飞机机动性弱,飞行平稳。由图2a)可得航迹数据采样间隔变化较大,中间段出现部分数据丢失的情况。由b)图可知该目标飞行在始末段飞行出现较大机动性变化,飞行中段时刻平稳,c)、d)、e)图可以分析得出目标飞行速度、加速度详细参数,h)图为目标速度谱信息，g)图为航迹数据经过矫正后的三维航迹图像。

图2 提取部分特征示意图

2.2 对比实验

为了充分验证特征提取的有效性,本文采用最近邻算法(KNN)进行了两类航迹数据特征的分类实验,一类是原始航迹形状特征参数,第二类是本文提出的高维特征矩阵。

图3为选取的分类器识别混淆矩阵图,a)图为该混淆矩阵为对航迹特征采用决策树分类方法所得出的实验结果,可以得出利用高维特征矩阵可以较好分辨标签1即民航机型与标签2即战斗机机型的空中目标,对标签3战斗机机型和标签4侦察机机型的目标出现识别错误的状况。经过分析,数据库中标签1的民航数据飞行平稳,数据质量高,特征区分性好,识别准确率高,且上述选取战斗机与侦察机飞机在飞行中部分轨迹相似,实验所选取的航迹数据主要为巡航段飞行数据,加速度、转弯半径、爬升率特征不明显,速度分量未表现出明显差异且飞行区域重合,从而导致出现2%的误判率,在尽可能获取完整航迹、区域划分合理的情况下可得到更为理想的分类效果。

对比实验使用历史轨迹特征进行识别分类,将历史数据中反复出现的航路做特征提取进行匹配识别,实验结果混淆矩阵如图3b)所示综合识别率为62.3%,由于民航飞机航迹完整连续,数据质量高,所以在该方法的轨迹匹配中对标签1类飞机识别率较为理想,但是针对机动性高的战斗机识别率极不理想,主要原因是该类飞机无固定飞行轨迹,飞行自由度高,仅从轨迹特征中无法有效识别目标类型。针对标签4类目标,该对比方法大量误判为标签1类民航飞机,经实验分析,侦察类飞机飞行平稳,轨迹特征不明显,例如巡航直飞段在轨迹上与民航飞机轨迹直飞段无明显差异,使得识别率极低。可以看到,本文提出的方法可以在目标识别中有较高的鲁棒性,从多纬度对目标进行特征提取,实现稳定的识别性能。换言之,本文方法具有一定的稳定性和抗干扰能力。

图3 分类器识别混淆矩阵

图4为采用机器学习集成学习器中的K近邻分类器的识别率混淆矩阵,由图可得仅有1%以下的标签3样本被误判为标签4,其余各类判别结果准确,综合识别率达到99%,实现了利用特征矩阵识别目标的目的。

图4 基于历史轨迹特征匹配识别混淆矩阵

2.3 不同分类器实验

为了充分验证特征提取的有效性,本文对处理后的数据特征集采用了多种机器学习分类识别算法进行测试,经过回归分类决策树、最近邻算法、支持向量机SVM、集成学习(Ensemble Learning)方法等4类算法进行验证,各类机器学习实验结果准确率见表3。对航迹数据提取多维特征矩阵耗时较短,一条包含2 000个采样时刻的航迹数据总运算时长在CPU3.0 GHz计算机设备上低于30 s,运算速度处于可接受范围内。

表3 机器学习实验结果准确率

表3机器学习实验结果准确率图,分别采用了基于有监督学习的回归分类决策树、支持向量机、朴素贝叶斯分类器、无监督学习中的多策略最近邻算法、高斯混合模型以及集成学习的Boosting算法进行验证,数据表明在多类分类识别的验证中均有较好的识别效果。综合以上多类分类器效果,航迹高维特征矩阵提取方法验证平均识别率达到92.4%。从平均识别率与运算时长可见,本文提出的航迹数据预处理与特征提取方法可以有效提升空中目标识别效能。

图5为对航迹高维特征矩阵做Parallel coordinates plot高维数据进行特征可视化分析图，分类器采用机器学习KNN算法，分类正确率达到84.8%时。图中每一列均为一维特征，四种颜色分别对应实验数据四类目标，纵坐标对应的数值表示该项特征的数值大小，在图上观察相同颜色数据分布是否集中，不同类别区分差异是否足够明显可以评估特征有效性。可以发现利用单一维度均不能对航迹数据产生较好的分类识别效果，通过多类不相关特征联合识别可以达到较高的分类识别效果。

图5 航迹特征数值可视化

图6为特征向量图,即从高维特征矩阵中选取二维特征进行比对,各特征组合可得到不同的识别效果,从a)图可以看出利用特征矩阵中的巡航特征加速度量化指标与机动阶段爬升率指标进行联合分析时得到的平面分布图,较为准确区分各类型机型,可以发现利用上述指标对实验中四类目标区分效果良好,第2类飞机与其他类目标界限明显,标签3飞机与标签4飞机特征分布出现较大重合,需要采用其他高维特征进行分析。从b)图可以看出,利用机动飞行阶段爬升率与目标运动特性速度区间联合,第1类辨识度强,第3类与第4类区分明显。通过利用分类器对航迹高维特征矩阵的联合判证可以实现目标的分类识别。

图6 二维特征分析图

3 结束语

针对雷达航迹数据特征提取不充分导致空中目标特别是军机目标识别率偏低的问题,本文提出了一种航迹数据高维特征矩阵提取方法。从机动性、巡航性、飞行区域以及高阶特征等方面进行航迹数据分析,进而在不同维度统计数据特征，实现对原始数据的多层次特征分析,形成航迹数据高维特征矩阵。实测航迹数据实验验证了方法的有效性与稳定性,实验也表明在未获取完整航迹、特别是高机动段数据条件下,本文方法性能也存在一定衰减,因此后续需开展航迹残缺及小样本条件下的空中目标识别方法研究。.