一种多源集中式空中目标类型综合识别方法

doi:10.3969/j.issn.1009-086x.2023.04.007

摘要/Abstract

摘要：

与单传感器相比，多源传感器收集的多方面、多类型信息对目标类型识别更有意义。针对当前空中类型识别方法特征单一，分类结果无法交叉验证、准确率低的问题，提出一种融合多源传感器特征的目标类型综合识别方法。该方法首先利用深度学习模型提取目标飞行器的光电图像、运动轨迹、RCS以及电子侦收特征。考虑到真实环境下各传感器特征的重要程度会动态变化，采用注意力机制和距离参数对特征权重进行动态分配。在仿真数据集上的实验结果表明，与单传感器模型相比，集中式方法识别准确率平均提升12.89%，识别效果提升明显；与基于层次分析法投票的分布式模型相比，集中式方法不仅能够更有效地融合多源特征，提升识别效果，并且具有更强的鲁棒性，能适应复杂环境的变化。

关键词: 空中目标, 类型识别, 多源特征, 集中式, 注意力机制, 层次分析法

Abstract:

Compared with single sensors， the multi-faceted and multi-type information collected by multi-source sensors is more valuable for air target classification. In view of the current problems of air target recognition methods having single features， inability to cross-validate classification results and low recognition accuracy， an attention-based centralized air target recognition method with dynamic fusion of multi-source sensor features is proposed. This method uses deep learning models to extract the photoelectric image， motion trajectory， RCS and electromagnetic features of the target vehicle. Considering that the importance of each sensor feature will change dynamically in the real environment， the attention mechanism and the distance parameter are used to dynamically allocate the feature weights. The experimental results on the simulation dataset show that compared with the single-sensor model， the centralized method improves the recognition accuracy by 12.89% on average， which is a significant improvement in recognition effect； compared with the distributed model based on hierarchical analysis voting， the centralized method is more robust and better adapted to complex environments while fusing multi-source features more effectively.

Key words: air target, object classification, multi-source features, centralized model, attention mechanism, analytic hierarchy process（AHP）

中图分类号:

TP391

李喆, 童逸琦, 夏文博, 应宇欣. 一种多源集中式空中目标类型综合识别方法[J]. 现代防御技术, 2023, 51(4): 53-62.

Zhe LI, Yiqi TONG, Wenbo XIA, Yuxin YING. A Multi-source Centralized Air Target Classification Method[J]. Modern Defense Technology, 2023, 51(4): 53-62.

图/表 11

图1 集中式目标类型识别模型的整体处理流程

Fig. 1 Overall framework of the proposed model

图2 SSD模型架构

Fig. 2 Architecture of the SSD model

图3 LSTM模型架构

Fig. 3 Architecture of the LSTM model

表 1 单传感器模型和多传感器模型的总体识别效果

Table 1 Overall recognition results of single-sensor and multi-sensor models

模型	数据类型	准确率/%
SSD	图像	62.37
LSTM	轨迹	83.17
GRU	轨迹	84.17
LSTM	RCS	80.58
GRU	RCS	80.00
LSTM	电子侦收	68.25
GRU	电子侦收	84.00
分布式综合识别	图像、轨迹、RCS、电侦	86.50
集中式综合识别	图像、轨迹、RCS、电侦	90.67

表 2 不同距离参数设置下的模型识别效果对比

Table 2 Recognition results of different distance parameters

$δ$	$ε$	准确率/%
1	5	87.83
2	5	90.50
3	5	90.67
5	5	90.67

表 2 不同距离参数设置下的模型识别效果对比

Table 2 Recognition results of different distance parameters

$δ$	$ε$	准确率/%
1	5	87.83
2	5	90.50
3	5	90.67
5	5	90.67

表 3 优先级设置为雷达>电子侦收>光电时各设备的权重和分布式模型的识别效果

Table 3 Recognition results of the model when the voting priority is set to radar > electronic detection > photoelectric

设备	光电	雷达	电子侦收	权重	准确率/%
光电	1	1/5	1/3	0.102 1	74.83
雷达	5	1	5	0.686 4
电子侦收	3	1/5	1	0.211 3

表 4 优先级设置为电子侦收>雷达>光电时各设备的权重和分布式模型的识别效果

Table 4 Recognition results of the model when the voting priority is set to electronic detection > radar > photoelectric

设备	光电	雷达	电子侦收	权重	准确率/%
光电	1	1/3	1/5	0.106 1	86.50
雷达	3	1	1/3	0.260 4
电子侦收	5	3	1	0.633 4

表 5 优先级设置为光电>电子侦收>雷达时各设备的权重和分布式模型的识别效果

Table 5 Recognition results of the model when the voting priority is set to photoelectric > electronic detection > radar

设备	光电	雷达	电子侦收	权重	准确率/%
光电	1	5	3	0.633 4	26.17
雷达	1/5	1	1/3	0.106 1
电子侦收	1/3	3	1	0.260 4

表 6 传感器上报信息缺失时，模型的识别效果对比

Table 6 Recognition results of the model when the reporting information is missing

模型	缺失比例	准确率/%
分布式综合识别	0	86.50
	5	83.17
	10	76.33
	15	70.50
集中式综合识别	0	90.67
	5	85.83
	10	80.50
	15	72.83

表 7 传感器上报信息不完整时，模型的识别效果对比

Table 7 Comparison of the recognition effect of the model when the information reported by the sensor is incomplete

模型	缺失比例	准确率/%
分布式综合识别	0	86.50
	1	85.17
	5	73.50
	10	66.33
集中式综合识别	0	90.67
	1	88.17
	5	75.67
	10	67.83

表 8 模型推理性能对比

Table 8 Model inference performance comparision

模型	批大小	推理速度/（条·s^-1）
集中式综合识别	1	1.44
	4	4.96
	16	20.70
	64	51.74
分布式综合识别	1	1.54
	4	6.03
	16	23.20
	64	54.87

参考文献 18

1	孟光磊，龚光红.证据源权重的计算及其在证据融合中的应用［J］.北京航空航天大学学报，2010，36（11）：1365-1368.
	MENG Guanglei， GONG Guanghong.Weight Calculation for Evidence Sources and It’s Application in Evidence Fusion［J］.Journal of Beijing University of Aeronautics of Astronautics，2010，36（11）：1365-1368.
2	李威，卢盈齐.基于聚类组合赋权的空袭目标威胁评估方法［J］.现代防御技术，2022，50（3）：17-24.
	LI Wei， LU Yingqi. Threat Assessment Method of Air Attack Target Based on Clustering Combination Weighting ［J］.Modern Defence Technology，2022，50（3）：17-24.
3	史志富，张安，何胜强.基于贝叶斯网络的多传感器目标识别算法研究［J］.传感技术学报，2007（4）：921-924.
	SHI Zhifu， ZHANG An， HE Shengqiang.Research on Multisensor Target Recognition Algorithm Based on Bayesian Networks［J］.Chinese Journal of Sensors and Actuators，2007（4）：921-924.
4	雷阳，雷英杰，冯有前，等.基于直觉模糊推理的目标识别方法［J］.控制与决策，2011，26（8）：1163-1168，1174.
	LEI Yang， LEI Yingjie， FENG Youqian，et al.Techniques for Target Recognition Based on Intuitionistic Fuzzy Reasoning［J］.Control and Decision， 2011， 26（8）： 1163-1168，1174.
5	田瑞娟，杨帆.基于空中目标识别的特征提取与选择［J］.兵工自动化，2014，33（3）：80-83.
	TIAN Ruijuan， YANG Fan.Feature Extraction and Selection of Air Target Recognitions［J］.Ordnance Industry Automation，2014，33（3）：80-83.
6	TONG Yiqi， ZHUANG Fuzhen， ZHANG Huajie， et al. Improving Biomedical Named Entity Recognition by Dynamic Caching Inter-Sentence Information［J］. Bioinformatics， 2022， 38（16）： 3976-3983.
7	梁复台，李宏权，刘安波，等.基于CNN的窄带雷达空中目标识别方法［J］.火力与指挥控制，2020，45（6）：85-90.
	LIANG Futai， LI Hongquan， LIU Anbo，et al.Research on Aerial Target Recognition Method for Narrow-Band Radar Based on CNN［J］.Fire Control & Command Control，2020，45（6）：85-90.
8	张凯，王凯迪，杨曦，等.基于DNET的空中红外目标抗干扰识别算法［J］.航空学报，2021，42（2）：236-251.
	ZHANG Kai， WANG Kaidi， YANG Xi， et al.Anti-interference Recognition Algorithm Based on DNET for Infrared Aerial Target［J］.Acta Aeronautica et Astronautica Sinica，2021，42（2）：236-251.
9	刘宜成，廖鹭川，张劲，等.基于轨迹和形态识别的无人机检测方法［J］.计算机工程，2020，46（12）：283-289，298.
	LIU Yicheng， LIAO Luchuan， ZHANG Jin， et al.Unmanned Aerial Vehicle Detection Based on Trajectory and Pattern Recognition［J］.Computer Engineering，2020，46（12）： 283-289，298.
10	赵佳欢，杨海明，邱令存.基于循环神经网络的空中目标类型识别［J］.航天控制，2020，38（3）：47-53.
	ZHAO Jiahuan， YANG Haiming， QIU Lingcun.Recognition of Aerial Target Types Based on Recurrent Neural Network［J］.Aerospace Control，2020，38（3）：47-53.
11	LIU Wei， ANGUELOV D， ERHAN D， et al. Ssd： Single Shot Multibox Detector［C］∥European Conference on Computer Vision， Springer， Cham， 2016： 21-37.
12	SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition［J］. arXiv preprint arXiv：， 2014.
13	裴伟，许晏铭，朱永英，等.改进的SSD航拍目标检测方法［J］.软件学报，2019，30（3）：738-758.
	PEI Wei， XU Yanming， ZHU Yongying，et al.The Target Detection Method of Aerial Photography Images with Improved SSD［J］.Journal of Software，2019，30（3）：738-758.
14	HOCHREITER S， SCHMIDHUBER J. Long Short-term Memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.
15	TONG Yiqi， YE Peigen， FU Biao， et al. A Chinese Main Location Extraction Method based on IDLSTM+ CRF）［C］∥Proceedings of the 20th Chinese National Conference on Computational Linguistics， 2021： 792-802.
16	CHUNG J， GULCEHRE C， CHO K H， et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling［J］. arXiv Preprint arXiv：， 2014.
17	邓雪，李家铭，曾浩健，等.层次分析法权重计算方法分析及其应用研究［J］.数学的实践与认识，2012，42（7）：93-100.
	DENG Xue， LI Jiaming， ZENG Haojian， et al.Research on Computation Method of AHP Weight Vector and Its Applications ［J］.Mathematics in Practice and Theory，2012，42（7）：93-100.
18	KINGMA D P， BA J. ADAM： A Method for Stochastic Optimization［J］. arXiv Preprint arXiv：， 2014.

[1]	于勇政, 邵学辉, 高仕博, 蒲治伟, 薛冰. 多平台协同跟踪最优构型设计[J]. 现代防御技术, 2023, 51(3): 107-119.
[2]	何明, 朱梓涵, 翟绪龙, 翟政, 郝程鹏. 基于多分支上下文融合的空对地目标检测算法[J]. 现代防御技术, 2023, 51(3): 91-98.
[3]	杨鑫, 许卫东, 刘朝畅, 贾其, 郝有斌. 基于AHP和集对分析的自适应伪装系统综合评级[J]. 现代防御技术, 2023, 51(2): 109-118.
[4]	陈黎, 李芳芳, 邹长虹. 基于动态贝叶斯网络和模板匹配的空中目标意图识别[J]. 现代防御技术, 2023, 51(2): 62-70.
[5]	岳磊, 袁建虎, 杨柳, 吕婷婷. 一种巡逻执勤目标检测算法研究[J]. 现代防御技术, 2023, 51(1): 67-74.
[6]	李迎博, 谭黎立, 王凯旋, 梁卓, 潘彦鹏. 一种基于构件重要度的软件可靠性评估方法[J]. 现代防御技术, 2022, 50(6): 103-109.
[7]	翟芸, 胡冰, 施端阳. 基于改进AHP-熵权法的雷达装备可靠性评估指标赋权方法[J]. 现代防御技术, 2022, 50(4): 148-155.
[8]	陈致远, 沈堤, 余付平, 谭芮锶, 杨天雨, 黄益恒. 基于空域协同的空中目标综合识别方法[J]. 现代防御技术, 2022, 50(3): 61-77.
[9]	李威, 卢盈齐. 基于聚类组合赋权的空袭目标威胁评估方法[J]. 现代防御技术, 2022, 50(3): 17-24.
[10]	张馨予, 胡冰, 张逸楠, 边志芸. 基于改进Grey-AHP的雷达装备维修性评估方法[J]. 现代防御技术, 2021, 49(5): 78-87.
[11]	姚恺, 黄少罗, 王晋生, 刘月河. 基于优化AHP的远火模拟训练成绩自主评定方法[J]. 现代防御技术, 2021, 49(4): 99-106.
[12]	李海君, 徐廷学. 基于组合赋权-改进灰色关联的导弹状态评估决策[J]. 现代防御技术, 2021, 49(4): 91-98.
[13]	杨剑波, 宗思光. 基于模糊-ADC的反舰导弹武器系统效能评估方法研究[J]. 现代防御技术, 2021, 49(3): 55-62.
[14]	汪浩. 基于OODA的舰艇编队防空体系作战效能评估研究[J]. 现代防御技术, 2020, 48(6): 19-25.
[15]	宋宝军, 冯卉. 基于Vague集加权距离的空中目标类型判别方法[J]. 现代防御技术, 2020, 48(4): 29-33.