机器学习在引战系统设计中的应用研究

2022-08-08朱志鹏迟德建

空天防御 2022年2期

贾岛，陈磊，朱志鹏，余曜，迟德建

（1.上海机电工程研究所，上海 201109；2.重庆红宇精密工业集团有限公司，重庆 402760）

0 引言

随着计算机技术的发展，并行计算变得更快、更便宜、更有效，人工智能开始大爆发。自20 世纪80 年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的关注。特别是近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之一。机器学习不仅在基于知识的系统中得到应用，而且在自然语言理解、非单调推理、机器视觉、模式识别等许多领域也得到了广泛应用。

针对我军未来智能弹药和网络化弹药发展对引战系统的需求，智能引战技术逐渐成为未来引战系统技术的发展方向。本文借助机器学习近年来的研究成果，分析和研究了引战系统研制过程中可利用机器学习的任务和流程，为后续引战系统的智能化发展指出了研究方向。

1 机器学习简介

机器学习是一类算法的总称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类。更具体地说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，不太方便形式化地表达。需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是训练样本。学到的函数适用于新样本的能力，称为泛化能力。

按任务类型分，机器学习模型可以分为回归模型、分类模型和结构化学习模型。从方法的角度分，可以分为线性模型和非线性模型。按照学习理论分，机器学习模型可以分为有监督学习、半监督学习、无监督学习、迁移学习和强化学习。

2 机器学习在引战配合中的应用

2.1 引战配合规律设计及毁伤能力快速评估

1）引战配合规律设计

防空导弹引战配合延迟时间用于在引信探测到目标启动后战斗部最佳炸点位置的调整，以保证导弹对目标的有效毁伤，满足武器系统对典型目标的单发杀伤概率指标要求。图1为引战配合示意图，其中，为弹目相对速度。

图1 引战配合示意图Fig.1 Schematic diagram of fuze-warhead coordination

引战配合延迟时间受相对速度、导弹及目标姿态、脱靶量、脱靶方位等诸多参数影响，无法用简单的公式精确描述。目前，防空导弹引战配合延迟时间主要通过对大量典型弹道进行仿真，拟合出延迟时间与弹目交会条件的插值函数，辅以根据目标类型、弹目距离、交会角等条件进行修正的方法。若弹目交会末段相对速度、交会角、脱靶量等差异较大，现有方法很难同时兼顾，将导致引战配合效率的下降，甚至战斗部无法有效毁伤目标。

误差反向传播（back propagation，BP）神经网络是一种单向传播的多层前向网络，也是目前研究最成熟和应用最广泛的一种网络模型。BP神经网络由输入层、隐含层（也称中间层）和输出层组成。在网络结构中，每一层的神经元只接受前一层神经元的输入。因此，从学习的观点来看，BP网络是一种强有力的学习系统，其结构简单并且易于编程；从系统的观点看，它是一个非线性映射系统，通过简单非线性处理单元的复合映射可以获得复杂的非线性处理能力。BP网络具有以下特点：

（1）非线性映射能力：三层的神经网络就能够以任意精度逼近任何非线性连续函数，这使得其特别适合于求解内部机制复杂的问题。

（2）自学习和自适应能力：能够通过学习自动提取输入、输出数据间的“合理规则”，并自适应地将学习内容记忆于网络的权值中。

（3）泛化能力：具有将学习成果应用于新知识的能力。

利用BP 神经网络，选择弹目交会末段导弹运动参数、目标运动参数和脱靶参数作为输出参数，对防空导弹引战配合最佳延迟时间样本进行训练。表1给出了一种非线性回归模型的主要结构设计参数，图2显示了利用该方法训练的预测模型进行引战延时预测与最佳延时的符合程度。

图2 利用BP网络预测引战延时与最佳延时对比Fig.2 Comparison between predicted delay using BP network and optimal delay

表1 非线性回归模型主要结构设计Tab.1 Main structural design of nonlinear regression model

该方法较传统引战配合延迟时间算法能够显著提高对不同交会条件、脱靶条件的适应性，从而提升防空导弹单发杀伤概率。上述输出参数均能通过导弹飞行过程中雷达、惯导设备、导引头、引信等传感器测量获得，训练得到的神经网络算法简单且易于实施，可以应用在现有硬件条件的防空导弹中。

2）毁伤能力快速评估

型号研制过程中，往往需要频繁计算各类交会条件下的导弹单发杀伤概率，以评估导弹的毁伤能力。如方案论证阶段的总体参数设计和优化、工程研制阶段的杀伤区搜索、全空域杀伤概率计算及飞行试验方案的确定等。对这类计算量大且不要求得到详细计算数据的任务，可利用机器学习的学习能力记忆导弹的“毁伤特性”，形成对给定交会条件的杀伤结果快速分类的能力，实现给定条件下对导弹毁伤性能的快速评估。

利用深度学习中的非线性分类模型对导弹毁伤结果进行训练和预测，分类模型主要结构设计如表2所示。利用该方法对某导弹245条全空域弹道的毁伤能力进行快速预测，并与引战配合仿真计算结果进行对比，如表3所示，结果显示经过学习的分类预测效果较好。

表2 分类模型主要结构设计Tab.2 Main structure design of classification model

表3 分类预测结果与仿真结果对比Tab.3 Comparison between classification prediction results and simulation results

2.2 试验数据生成

引战系统设计是涉及引信、战斗部、安全执行装置等硬件设备和引战配合规律、工作时序等软件模型的多因素复杂过程，且由于战斗部的特殊性，除飞行试验外，很难在地面进行全系统的验证。一般利用系统部分单机设备的地面试验数据，结合大量数字仿真开展全系统验证。引战系统在各种条件下的性能验证需要大量的单机试验数据，但由于成本限制，例如引信动态交会试验、战斗部静爆试验、动爆试验和侵彻试验等试验次数有限，无法覆盖全部工作条件。因此，试验数据的获取，对引战系统设计及仿真具有重要意义。

生成式对抗网络（generative adversarial network ，GAN）是一种深度学习模型，是近年来对复杂分布上无监督学习最具前景的方法之一。该模型通过框架中至少两个模块——生成模型（generative model）和判别模型（discriminative model）的互相博弈学习产生相当好的输出。GAN 最常应用的领域包括数据生成和数据增强方面。

利用GAN可在现有有限的试验数据的基础上发现数据中隐含的分布规律，并生成接近真实的试验数据。该方法可解决有限试验次数下的数据获取难题，为引信、战斗部及引战系统性能仿真评估提供了宝贵的数据支撑。

表4 为利用GAN 生成侵彻引信过载试验数据的模型结构。图3为生成曲线与实际曲线的对比情况。

图3 GAN生成曲线与实际曲线对比Fig.3 Comparison between generated curve using GAN and actual curve

表4 GAN模型主要结构设计Tab.4 Main structure design of GAN model

2.3 目标结构及要害部位智能识别

针对防空导弹对超高速目标的毁伤需求，引战系统发展了基于制导引信一体化（guidance integrated fuze，GIF）的前向探测+慢速抛撒杀伤增强装置的技术方案。其中，GIF引信基于有源相控阵导引头平台，充分利用制导系统的硬件资源并综合引信与导引头等处理信息，可实现制导引信一体化一维距离高分辨或距离-速度二维高分辨，形成目标一维或二维空间像。若引战系统能够根据该成像结果实时判别目标要害部位，自适应调整引战延迟时间，实现高效毁伤和智能毁伤，可大幅提高武器的作战效能、拓展武器的任务能力。图4为GIF引信探测目标的成像结果。

图4 GIF引信成像探测结果Fig.4 GIF fuze imaging detection results

卷积神经网络在图像识别方面具有独特的优势。它具有3个重要的特征：局部连接、权重共享以及时间或空间上的次采样。在卷积神经网络中，可以将图像的一小部分即局部感受区域作为输入，信息再一次传递到各个层次，每层通过特定的数字滤波器去观测数据所具有的最显著特征。这种特性使得卷积神经网络具有一定程度的平移、缩放和扭曲不变性这对于识别的准确性和适应性具有很好的提升效果。

基于典型目标的物理模型和引信探测参数，利用典型结构要素的特征，建立目标的三维模型，并通过仿真计算和地面试验完成目标典型结构特征和要害特征成像的预估与建模，建立目标典型结构特征、要害特征与引信成像参数之间的关联，形成深度学习样本库。利用深度学习算法训练得到地面及空中目标结构要害部位识别模型，为引战系统最佳起爆智能决策提供依据。表5 为识别模型主要结构设计，图5 为典型飞机目标要害部位分类识别结果。