基于改进支持向量回归的空战飞行动作识别

doi:10.3969/j.issn.1009-086x.2024.01.007

摘要/Abstract

摘要：

针对空战中飞机的飞行动作愈发复杂导致识别准确率低的问题，提出了改进支持向量回归的空战飞行动作识别方法，该方法采用高斯核函数作为线性核函数，利用混沌初始化和反向学习策略改进麻雀搜索算法，利用改进后的麻雀算法优化支持向量回归算法，具体表现为对支持向量回归算法中高斯核函数的参数进行优化，通过优化后的支持向量回归算法进行飞机动作识别。采用了五种基本的飞行动作和几种复杂的飞行动作验证该方法的识别准确率。仿真表明，优化后的支持向量回归算法与传统的支持向量回归算法、模糊支持向量机算法、传统聚类算法、神经网络算法相比，对基本飞行动作的平均识别率至少提升了2.2%，对复杂飞行动作的平均识别率至少提升了3.7%。

关键词: 空战, 支持向量回归, 强化麻雀搜索算法, 飞行动作识别, 复杂动作

Abstract:

Aiming at the problem of low recognition accuracy due to the increasing complexity of aircraft flight movements in air combat， this paper proposes an air combat flight situation recognition method based on enhanced support vector regression. The sparrow search algorithm is improved by using pinhole imaging and chaos initialization. The improved sparrow algorithm is used to optimize the support vector regression algorithm， which is specifically represented by the optimisation of the parameters of the Gaussian kernel function in the support vector regression algorithm. The optimized support vector regression algorithm is used to identify aircraft movements.Five basic flight actions and complex flight actions are used to verify the recognition accuracy of the method. Simulation shows that the optimised support vector regression algorithm improves the average recognition rate of basic flight manoeuvres by at least 2.2%， and the average recognition rate of complex flight action by at least 3.7%， compared with the traditional support vector regression algorithm， fuzzy support vector machine algorithm， traditional clustering algorithm， and neural network algorithm.

Key words: air combat, support vector regression, intensify sparrow search algorithm, flight action recognition, complex action

中图分类号:

TP391.41

刘庆利, 李蕊, 乔晨昊. 基于改进支持向量回归的空战飞行动作识别[J]. 现代防御技术, 2024, 52(1): 49-56.

Qingli LIU, Rui LI, Chenhao QIAO. Air Combat Flight Action Recognition Based on Improved Support Vector Regression[J]. Modern Defense Technology, 2024, 52(1): 49-56.

图/表 9

参考文献 20

1	刘羽. 基于卫星遥感的苹果果园分类和估产模型研究［D］. 西安：西安科技大学， 2021.
	LIU Yu. Research on Apple Orchard Classification and Yield Estimation Model Based on Satellite Remote Sensing［D］. Xi'an： Xi'an University of Science and Technology， 2021.
2	张夏阳，殷之平，刘飞，等. 飞机机动划分的数据挖掘方法［J］. 西北工业大学学报， 2016， 34（1）： 33-40.
	ZHANG Xiayang， YIN Zhiping， LIU Fei， et al. An Aircraft Maneuver Partition Method Based on Data Mining［J］. Journal of Northwestern Polytechnical University， 2016， 34（1）： 33-40.
3	杨俊，谢寿生. 基于模糊支持向量机的飞机飞行动作识别［J］. 航空学报， 2005， 26（6）： 84-88.
	YANG Jun， XIE Shousheng. Fuzzy Support Vector Machines Based Recognition for Aeroplane Flight Action［J］. Acta Aeronautica et Astronautica Sinica， 2005， 26（6）： 84-88.
4	方伟，王玉，闫文君，等. 基于微分思想和卷积神经网络的飞行动作识别［J］. 中国电子科学研究院学报， 2021， 16（4）： 347-353.
	FANG Wei， WANG Yu， YAN Wenjun， et al. Flight Action Recognition Based on Differential Idea and Convolutional Neural Network［J］. Journal of China Academy of Electronics and Information Technology， 2021， 16（4）： 347-353.
5	谢川，倪世宏，张宗麟，等. 基于状态匹配与支持向量机的飞行动作识别方法［J］. 弹箭与制导学报， 2004， 24（增3）： 240-242， 245.
	XIE Chuan， NI Shihong， ZHANG Zonglin， et al. Recognition Method of Acrobatic Maneuver Based on State Matching and Support Vector Machines［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2004， 24（S3）： 240-242， 245.
6	王凤芹，徐廷学，颜廷龙. 基于CART决策树算法的飞行动作识别研究［J］. 舰船电子工程， 2021， 41（8）： 51-53， 109.
	WANG Fengqin， XU Tingxue， YAN Tinglong. Research on Flight Action Recognition Based on CART Decision Tree Algorithm［J］. Ship Electronic Engineering， 2021， 41（8）： 51-53， 109.
7	李丹丹，路辉，郎荣玲. 基于主成分分析和支持向量机的飞参阶段划分研究［J］. 现代电子技术， 2010， 33（8）： 134-137.
	LI Dandan， LU Hui， LANG Rongling. Classification of Flight Data Based on Principal Components Analysis and Support Vector Machine［J］. Modern Electronics Technique， 2010， 33（8）： 134-137.
8	苏晨，倪世宏，王彦鸿. 一种改进人工免疫的飞行状态规则提取方法［J］. 计算机工程与应用， 2011， 47（3）： 237-239.
	SU Chen， NI Shihong， WANG Yanhong. Method of Rule Acquirement of Flight State Based on Improved AIS［J］. Computer Engineering and Applications， 2011， 47（3）： 237-239.
9	王玉伟，高永. 基于飞行基本动作对复杂动作识别方法研究［J］. 舰船电子工程， 2018， 38（10）： 74-76， 168.
	WANG Yuwei， GAO Yong. Research on Complex Motion Recognition Method Based on Basic Flying Motion［J］. Ship Electronic Engineering， 2018， 38（10）： 74-76， 168.
10	王乐，黄长强，魏政磊. 基于SSA算法的飞行动作规则自动提取［J］. 计算机工程与应用， 2019， 55（14）： 203-208.
	WANG Le， HUANG Changqiang， WEI Zhenglei. Automatic Extraction of Flight Maneuver Rules Based on SSA［J］. Computer Engineering and Applications， 2019， 55（14）： 203-208.
11	姚佩阳，周旺旺，张杰勇，等. 基于动态时间规整的空中目标机动识别［J］. 火力与指挥控制， 2018， 43（9）： 15-18， 24.
	YAO Peiyang， ZHOU Wangwang， ZHANG Jieyong， et al. Aerial Target Maneuvering Recognition Based on Dynamic Time Warping［J］. Fire Control & Command Control， 2018， 43（9）： 15-18， 24.
12	周超，樊蓉，张戈，等. 基于多元时间序列融合的飞行动作识别方法［J］. 空军工程大学学报（自然科学版）， 2017， 18（4）： 34-39.
	ZHOU Chao， FAN Rong， ZHANG Ge， et al. A Flight Action Recognition Based on Multivariate Time Series Fusion［J］. Journal of Air Force Engineering University（Natural Science Edition）， 2017， 18（4）： 34-39.
13	孟光磊，陈振，罗元强. 基于动态贝叶斯网络的机动动作识别方法［J］. 系统仿真学报， 2017， 29（增1）： 140-145.
	MENG Guanglei， CHEN Zhen， LUO Yuanqiang. Maneuvering Action Identify Method Based on Dynamic Bayesian Network［J］. Journal of System Simulation， 2017， 29（S1）： 140-145.
14	周亚楠，聂帅. 基于循环神经网络的飞行机动识别方法及仿真研究［J］. 中国电子科学研究院学报， 2020， 15（6）： 539-546.
	ZHOU Yanan， NIE Shuai. A Flight Maneuver Recognition Approach and Simulation Study Based on Recurrent Neural Network［J］. Journal of China Academy of Electronics and Information Technology， 2020， 15（6）： 539-546.
15	杨俊，段种，谢寿生. 基于模糊最小二乘支持向量机的飞机飞行动作识别［J］. 弹箭与制导学报， 2004， 24（增6）： 395-398.
	YANG Jun， DUAN Chong， XIE Shousheng. Fuzzy Least Square Support Vector Machines Based Recognition for Aeroplane Flight Action［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2004， 24（S6）： 395-398.
16	CHEN Bo， HUA Chunsheng， LI Decai， et al. Intelligent Human-UAV Interaction System with Joint Cross-Validation over Action-Gesture Recognition and Scene Understanding［J］. Applied Sciences， 2019， 9（16）： 3277.
17	OFODILE I， HELMI A， CLAPÉS A， et al. Action Recognition Using Single-Pixel Time-of-Flight Detection［J］. Entropy， 2019， 21（4）： 414.
18	ZHANG Kai， WEI Jiayi， WANG Tiantian， et al. Air Target Recognition Algorithm Based on Mixed Depth Features in the Interference Environment［J］. Optik， 2021， 245： 167535.
19	SONG Pengwei， SI Hongyu， ZHOU Hua， et al. Feature Extraction and Target Recognition of Moving Image Sequences［J］. IEEE Access， 2020， 8： 147148-147161.
20	BANFIELD J D， RAFTERY A E. Model-Based Gaussian and Non-Gaussian Clustering［J］. Biometrics， 1993， 49（3）： 803-821.

基本动作类	ψ	Φ	γ	h
平飞	不变	不变	不变	不变
俯冲	不变	不变	减小	减小
转弯	变化	不变	不变	不变
横滚	不变	变化	不变	不变
爬升	不变	不变	增加	增加

基本动作类	ψ	Φ	γ	h
平飞	不变	不变	不变	不变
俯冲	不变	不变	减小	减小
转弯	变化	不变	不变	不变
横滚	不变	变化	不变	不变
爬升	不变	不变	增加	增加

动作编号	复杂动作类型	动作组成
1	斤斗	爬升+俯冲
2	半滚倒转	平飞+横滚+俯冲
3	水平横滚	平飞+横滚
4	上升转弯	爬升+转弯
5	俯冲转弯	俯冲+转弯
6	半斤斗倒转	爬升+平飞+横滚
7	急规避转弯	平飞+转弯+横滚

动作编号	复杂动作类型	动作组成
1	斤斗	爬升+俯冲
2	半滚倒转	平飞+横滚+俯冲
3	水平横滚	平飞+横滚
4	上升转弯	爬升+转弯
5	俯冲转弯	俯冲+转弯
6	半斤斗倒转	爬升+平飞+横滚
7	急规避转弯	平飞+转弯+横滚

参数	取值
最大迭代次数	200
种群数量	200
发现者占比	0.2
意识到危险的麻雀	20
惩罚因子c	［0.001，1 000］
高斯核参数g	［0.001，1 000］