Research on Maneuvering Flight Action Recognition Method Based on Improved Bop Algorithm

doi:10.3969/j.issn.1009-086x.2025.03.006

Abstract

Abstract:

The recognition of flight maneuvering is primarily utilized for assessing pilot training quality， aiding decision-making in aerial combat， and other related scenarios. This study focuses on realizing flight maneuver recognition through the utilization of the bag of patterns （BoP） algorithm， which has been enhanced to address deficiencies in multi-dimensional time series scenarios. The improved algorithm extracts features from flight attitude data and analyze flight maneuver recognition. Simulation results demonstrate that the enhanced BoP algorithm enhances the accuracy and confidence of flight maneuver recognition， while effectively characterizing specific flight maneuvers through extracted parameter features.

Key words: pattern recognition, multidimensional time series, maneuvering flight maneuvers, feature dimension reduction, flight training

摘要：

飞行机动动作识别主要用于飞行员训练质量评估、飞行作战时的辅助决策等场景。为实现基于飞行参数的飞行机机动识别，研究了模式袋（bag of patterns，BoP）算法，针对算法在多维时间序列应用中的不足进行了改进，利用改进后的算法对飞行姿态数据进行特征提取，并进行飞行机动识别分析。识别仿真结果表明，改进后的BoP算法能提高飞行机动识别的准确率和置信度，通过该算法提取的飞行参数特征能更好地表征具体的飞行机动动作。

关键词: 模式识别, 多维时间序列, 机动飞行动作, 特征降维, 飞行训练

CLC Number:

V271.4

Peng LUO, Ronghua HU, Yang SHU. Research on Maneuvering Flight Action Recognition Method Based on Improved Bop Algorithm[J]. Modern Defense Technology, 2025, 53(3): 49-56.

罗鹏, 胡荣华, 舒杨. 基于改进BoP算法的机动飞行动作识别方法研究[J]. 现代防御技术, 2025, 53(3): 49-56.

Figures/Tables 15

Fig. 1 Flight maneuver recognition process

Fig. 2 Schematic diagram of BoP algorithm

Fig. 3 Attitude data feature bag division

Fig. 4 Original characteristic frequency

Fig. 5 Characteristic frequency of the central region is ignored

Fig. 6 Influence of coupling features on classification

Fig. 7 Relationship between two levels of BoP

Fig. 8 Flight maneuver recognition process

Fig. 9 Identify the training effect of the model

Table 1 Results of maneuvering recognition without coupling characteristics

名称	机动数	正确数	识别率	平均置信度
S形机动	48	46	0.958 3	0.944 7
上升急转	24	22	0.916 7	0.714 0
俯冲	18	16	0.888 9	0.845 9
半筋斗	18	15	0.833 3	0.709 6
右盘旋	27	25	0.925 9	0.819 1
尾冲	4	4	1	0.671 1
左盘旋	27	26	0.963 0	0.803 2
平飞	32	28	0.875 0	0.544 2
横滚	12	4	0.333 3	0.282 5
跃升	23	8	0.347 8	0.444 8
盘旋下降	24	16	0.666 7	0.567 4
筋斗	18	16	0.888 9	0.792 7
共计	275	226		0.712 3

Table 2 Maneuver recognition results with added coupling features

名称	机动数	正确数	识别率	平均置信度
S形机动	48	48	1	0.993 5
上升急转	24	21	0.875 0	0.768 2
俯冲	18	17	0.944 4	0.878 8
半筋斗	18	16	0.888 9	0.905 0
右盘旋	27	25	0.925 9	0.808 0
尾冲	4	2	0.500 0	0.457 4
左盘旋	27	25	0.925 9	0.867 0
平飞	32	28	0.875 0	0.791 7
横滚	12	12	1	0.914 7
跃升	23	20	0.869 6	0.684 3
盘旋下降	24	22	0.916 7	0.820 9
筋斗	18	18	1	0.975 1
共计	275	254		0.853 1

Fig. 10 Recognition effect of traditional BoP algorithm for an S-shaped maneuver

Fig. 11 Recognition effect of improved BoP algorithm for an S-shaped maneuver

Fig. 12 Recognition effect of traditional BoP algorithm for a roll maneuver

Fig. 13 Recognition effect of improved BoP algorithm for a roll maneuver

References 17

1	沈一超，倪世宏，张鹏. 基于贝叶斯网络的飞行动作识别方法［J］. 计算机工程与应用， 2017， 53（24）： 161-167， 218.
	SHEN Yichao， NI Shihong， ZHANG Peng. Flight Action Recognition Method Based on Bayesian Network［J］. Computer Engineering and Applications， 2017， 53（24）： 161-167， 218.
2	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.
3	王辉，张保峰. 基于模糊自适应飞行模拟器体感算法的研究［J］. 系统仿真学报， 2019， 31（10）： 2052-2057.
	WANG Hui， ZHANG Baofeng. Research on Fuzzy Adaptive Somatosensory Algorithm for Flight Simulator［J］. Journal of System Simulation， 2019， 31（10）： 2052-2057.
4	陆惠良. 载人离心机及其应用［M］. 北京：国防工业出版社， 2004.
	LU Huiliang. Human Centrifuge and Its Application［M］. Beijing： National Defense Industry Press， 2004.
5	胡荣华. 动态飞行模拟器停机运动控制方法［J］. 计算机仿真， 2015， 32（12）： 41-45， 93.
	HU Ronghua. Shutdown Movement Control for Dynamic Flight Simulator［J］. Computer Simulation， 2015， 32（12）： 41-45， 93.
6	李鸿利，单征，郭浩然. 基于MDTW的飞行动作识别算法［J］. 计算机工程与应用， 2015， 51（9）： 267-270.
	LI Hongli， SHAN Zheng， GUO Haoran. Flight Action Recognition Algorithm Based on MDTW［J］. Computer Engineering and Applications， 2015， 51（9）： 267-270.
7	孟光磊，张慧敏，朴海音，等. 自动化飞行训练评估中的战机机动动作识别［J］. 北京航空航天大学学报， 2020， 46（7）： 1267-1274.
	MENG Guanglei， ZHANG Huimin， PIAO Haiyin， et al. Recognition of Fighter Maneuver in Automatic Flight Training Evaluation［J］. Journal of Beijing University of Aeronautics and Astronautics， 2020， 46（7）： 1267-1274.
8	钟友武，柳嘉润，申功璋. 自主近距空战中敌机的战术动作识别方法［J］. 北京航空航天大学学报， 2007， 33（9）： 1056-1059.
	ZHONG Youwu， LIU Jiarun， SHEN Gongzhang. Recognition Method for Tactical Maneuver of Target in Autonomous Close-in Air Combat［J］. Journal of Beijing University of Aeronautics and Astronautics， 2007， 33（9）： 1056-1059.
9	童奇，李建勋，童中翔，等. 基于机动识别的空战意图威胁建模与仿真［J］. 现代防御技术， 2014， 42（4）： 174-184.
	TONG Qi， LI Jianxun， TONG Zhongxiang， et al. Air Combat Intention Threat Modeling and Simulation Based on Maneuver Recognition［J］. Modern Defence Technology， 2014， 42（4）： 174-184.
10	YE Lexiang， KEOGH E. Time Series Shapelets： A New Primitive for Data Mining［C］∥Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2009： 947-956.
11	LIN J， KHADE R， LI Yuan. Rotation-Invariant Similarity in Time Series Using Bag-of-Patterns Representation［J］. Journal of Intelligent Information Systems， 2012， 39（2）： 287-315.
12	LIN J， KEOGH E， WEI Li， et al. Experiencing SAX： A Novel Symbolic Representation of Time Series［J］. Data Mining and Knowledge Discovery， 2007， 15（2）： 107-144.
13	JADHAV S A， SOMAYAJULU D V L N， NAGESH BHATTU S， et al. Context Dependent Bag of Words Generation［C］∥2013 International Conference on Advances in Computing， Communications and Informatics （ICACCI）. Piscataway： IEEE， 2013： 1526-1531.
14	GAO Xin， ZHANG Jie， WEI Zhi. Deep Learning for Sequence Pattern Recognition［C］∥2018 IEEE 15th International Conference on Networking， Sensing and Control （ICNSC）. Piscataway： IEEE， 2018： 1-6.
15	张涛，郭基联，徐西蒙，等. 基于Elman神经网络的战斗机空战轨迹预测［J］. 飞行力学， 2018， 36（5）： 86-91.
	ZHANG Tao， GUO Jilian， XU Ximeng， et al. Air Combat Trajectory Prediction of a Fighter Based on Elman Neural Network［J］. Flight Dynamics， 2018， 36（5）： 86-91.
16	马超红，翁小清. 基于PAA的时间序列早期分类［J］. 计算机科学， 2018， 45（2）： 291-296， 317.
	MA Chaohong， WENG Xiaoqing. Early Classification of Time Series Based on Piecewise Aggregate Approximation［J］. Computer Science， 2018， 45（2）： 291-296， 317.
17	刘浩，王昊，孟光磊，等. 基于动态贝叶斯网络和模糊灰度理论的飞行训练评估［J］. 航空学报， 2021， 42（8）： 243-254.
	LIU Hao， WANG Hao， MENG Guanglei， et al. Flight Training Evaluation Based on Dynamic Bayesian Network and Fuzzy Gray Theory［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 243-254.