非完備信息下的超視距空戰雙機協同戰術識別

孟光磊，張慧敏，樸海音，周銘哲

(1.沈陽航空航天大學自動化學院，沈陽 110136；2.航空工業沈陽飛機設計研究所，沈陽 110135)

在現代空戰中，多機協同空戰與單機空戰相比，具備更高的作戰能力和作戰效率，已成為空戰的主要形式。超視距（beyond-visual-range，BVR）空戰亦稱中遠距空戰，是指交戰雙方飛行員在目視觀察范圍以外使用中遠距攔截導彈進行的空戰。隨著空戰技術的不斷發展，飛機性能越來越強，空空導彈的射程越來越遠，空戰交戰區域的范圍也越來越大，超視距空戰在未來空戰中占有主導地位[1]。超視距多機協同空戰的主要核心是以雙機編隊為基礎進行協同戰術指派，其中，二對一空戰作為主要作戰模式扮演著重要的角色。但在實際戰場環境下，由于傳感器性能的局限及敵方實施干擾、欺騙等原因，通常會出現采樣信息不完備的情況，如何基于獲取的不確定性戰場態勢信息實時、準確地識別敵機編隊協同戰術，從而為己方提供可靠的決策依據，是取得空戰勝利的關鍵[2]。因此，非完備信息下的敵方雙機協同戰術識別問題具有重要的研究價值和意義。

雙機編隊協同戰術識別結果反映了飛行員的作戰意圖。目前，國內外從不同方面對戰術識別和意圖推理問題進行了研究，運用的方法主要包括多實體貝葉斯網絡(multi-entity Bayesian network，MEBN)[3]、區間灰關聯度[4-5]、信息熵[6-7]、神經網絡[8-9]和深度學習[10-11]等。鄧海軍等[3]提出了基于MEBN的戰術意圖識別方法，基于專家經驗構建MEBN 模型，采用一階網絡來表示意圖影響因素，克服了傳統貝葉斯網絡方法對復雜問題缺乏表示能力的問題，但是沒有給出大樣本條件下模型識別準確率的實驗結論。Zhao 和Yang[4]提出了一種基于灰關聯度的群體沖突決策圖模型，通過計算目標特征區間值，進行目標戰術意圖推理。Zhou 等[6]結合長短時記憶網絡和決策樹的優點，提出了一種基于信息熵的目標意圖預測方法，但該方法由先驗知識提取規則，具有較強的主觀性。周旺旺等[9]提出了基于神經網絡的目標意圖識別方法，可以在領域專家先驗知識不足的情況下較好地解決目標意圖識別問題。歐微等[11]提出了一種基于棧式自編碼器的意圖識別深度學習模型，將戰場環境信息、目標屬性和目標實時狀態信息作為輸入，識別作戰意圖，該方法能有效識別目標作戰意圖，但模型輸入包含多個時刻目標狀態信息，在模型訓練時會產生累積誤差，影響識別效果。上述方法可以概括為2 類：①根據領域專家主觀經驗建立識別模型，提高模型構建的合理性和效率，但不具備環境適應性的能力；②采用大量樣本數據訓練的方式，修正模型參數，提高模型識別準確率，但缺少了非完備信息下的敵方協同戰術識別與意圖推理。

目前，貝葉斯網絡作為數據處理和分析工具被廣泛應用，特別是用于解決不確定性環境下的問題[12]，采用動態貝葉斯網絡(dynam ic Bayesian network，DBN)既可以根據專家經驗建立決策模型，又能夠基于樣本數據進行模型訓練[13-17]。為滿足非完備信息下超視距協同空戰環境中對雙機編隊協同戰術的識別需求，本文提出了基于動態貝葉斯網絡的雙機協同戰術識別方法。對雙機編隊協同戰術中的長/僚機空間占位和機動特征進行了分析，根據領域專家經驗構建了雙機協同戰術識別網絡模型，通過樣本數據學習優化了網絡參數，采用AR(p)模型對缺失目標信息進行修補，提出非完備信息下的雙機協同戰術識別推理算法。實驗結果表明，非完備信息下的超視距空戰雙機協同戰術識別方法具有較高的識別概率和良好的實時性，具備較好的工程應用價值。

1 雙機協同戰術識別網絡模型

動態貝葉斯網絡具有對跟隨時間演化的過程進行表示的能力，適合用于構建受毗鄰時間參數變化關系影響的決策模型[18]。在空戰對抗過程中，戰機的飛行參數不斷發生變化，采用動態貝葉斯網絡構建協同戰術識別模型能夠實時監測雙機編隊內各戰機的飛行參數信息，通過前后關聯時刻的節點信息傳遞，實現根據累積證據信息的因果推理，進而在線識別和預測目標雙機編隊一段時間內的協同戰術。另外，根據當前空戰態勢特征，推理目標編隊未來一段時間內執行的協同戰術屬于不確定性推理問題，動態貝葉斯網絡通過概率理論和圖論的結合，可以根據觀測節點概率推理出其他節點的概率，能夠為具有不確定性的問題提供定量化的解決方案。因此，動態貝葉斯網絡適用于解決雙機協同戰術識別問題。

1.1 超視距空戰下的雙機協同戰術分析

超視距協同空戰條件下，以長/僚機空間占位、機動動作和運動趨勢作為雙機戰術意圖特征，基于典型協同戰術隊形衍生出7 種雙機編隊協同戰術。綜合分析長/僚機在不同戰術下的飛行特征，整理得到長機和僚機在各戰術中的特征信息描述分別如表1 和表2 所示。

表1 典型戰術下的長機特征信息描述Table 1 Description of leader characteristics information under typical tactics

表2 典型戰術下的僚機特征信息描述Tab le 2 Description of w ingman characteristics inform ation under typical tactics

1.2 雙機協同戰術識別網絡模型的建立

通過1.1 節的分析，選用目標相對高度、雙機方位角、進入角及機動特征信息作為網絡的觀測節點。綜合分析觀測信息與雙機協同戰術間的因果關系，進而確定網絡中間節點。網絡根節點為協同戰術識別結果，包括表1 中的7 種協同戰術。最終得到基于動態貝葉斯網絡的雙機協同戰術識別模型，如圖1 所示。

圖1 雙機協同戰術識別網絡模型Fig.1 Dual-aircraft cooperative tactical recognition network model

該識別網絡模型共3 層，底層根據目標相對高度推理得出高度保持類協同戰術和具有高度差類協同戰術；第2 層加入目標編隊戰機的方位角和進入角信息，將上一層的高度保持類協同戰術細分為尾后攻擊戰術、前方高度保持類協同戰術和側方高度保持類協同戰術，同時識別出具有高度差的垂直疏開戰術和組合疏開戰術；第3 層結合目標的機動動作信息，對前2 層未能識別出的協同戰術進行推理確認，最終得到典型雙機協同戰術的識別概率，其中“其他戰術”的概率結果表示了不屬于表1 中7 種戰術的可能性。

網絡中各節點含義及狀態集說明如表3 所示。其中，目標相對高度、目標方位角和目標進入角可根據目標探測信息經離散化處理后獲得，目標機動動作識別網絡參照文獻[19]中的方法構建。根據空戰態勢特征，實時計算目標機動動作的分布概率，作為目標機動動作觀測節點的信息輸入。

表3 節點含義及狀態集說明Table 3 Description of node meaning and state set

2 模型訓練與推理

針對雙機協同戰術識別網絡模型，根據動態貝葉斯網絡的知識表達與推理預測能力，可以有效計算不同戰場態勢環境下各種典型協同戰術的概率分布，模型訓練與推理的技術路線如圖2 所示。

圖2 模型訓練與推理技術路線Fig.2 Technical route of model training and reasoning

針對模型訓練部分，采用期望最大（EM）算法，根據雙機協同空戰數據樣本對初始網絡參數進行學習，得到優化的網絡參數。推理計算部分按照動態貝葉斯網絡模型推理算法，計算根節點各狀態的概率分布，進而得到雙機協同戰術識別結果。

2.1 貝葉斯網絡訓練

參數訓練是在給定貝葉斯網絡拓撲結構的情況下，利用客觀數據對鏈路的條件概率進行學習修正的過程[20-22]。目前，關于貝葉斯網絡參數學習的算法主要有最大似然估計法、梯度下降法和EM 算法等。由于雙機協同戰術識別網絡模型的結構已知，考慮到空戰過程中獲取的觀測數據可能存在不完整的情況，采用可以處理缺失樣本數據的EM 算法對該識別網絡模型進行參數學習。

學習樣本數據可以從實際空戰訓練和空戰仿真系統中提取，將戰場數據進行離散化處理后作為學習算法輸入，具體參數學習過程說明如下：

1)數據離散化處理。通過對相關戰術的特征進行分析，將各節點變量的離散狀態按照表3 的分類規則進行狀態劃分，得到動態貝葉斯網絡可進行處理的離散數據。

2)條件概率分布學習。首先，根據專家經驗進行網絡中各個節點概率分布的初始化，然后，通過對客觀訓練數據歸納整理，得到各節點的輸入狀態信息，進而采用EM 算法將初始概率分布修正到更為優化的狀態。

EM 算法的求解過程主要分為以下步驟：

1）期望(E)步：計算貝葉斯網絡參數 θ基于樣本數據 ?的期望對數似然函數，即

式中： ?=(D1,D2,···,Dm)為關于貝葉斯網絡的一組數據樣本集，對其中任一樣本Dl，其包含表2 中變量的狀態信息； ?xl為xl所有可能取值的集合；Xl為Dl中缺值變量的集合； θ代表圖1 所示模型中所有節點間條件概率參數組成的向量； θt為 θ的當前估計。

2）最大化(M)步：求當E 步的期望似然函數值最大時 θ的取值，即

3）收 斂 判 斷。設 定 收 斂 閾 值 δ ，當Q(θ|θt+1)?Q(θ|θt)＆lt;δ時，判定算法收斂，執行步驟4，否則返回步驟1 進行迭代計算。

4）輸出參數學習結果 θt+1。

2.2 貝葉斯網絡推理

動態貝葉斯網絡推理就是通過各節點連成的鏈路進行證據信息的傳遞，并加入時間片概念，即結合上一時刻的推理結果與當前時刻觀測節點的特征信息，推理得到目標節點的狀態信息。

雙機協同戰術識別推理算法流程主要包括以下5 個步驟：

步驟 1缺失樣本數據修補。由于實際空戰環境下存在無法準確獲取目標信息的情況，對缺失樣本數據進行修補處理。

在空戰過程中，目標的觀測數據是通過傳感器在時間序列等間隔采樣獲取的，數據之間存在一定的依附關系。采用 AR(p)模 型對數據進行預測。AR(p)模型定義為

式中：Xt為 第t時刻的觀測數據；a=[a1,a2,···,ap]T為自回歸參數向量，其計算過程采用最小二乘法進行估計；ut為 白噪聲，其階數為p，基于貝葉斯信息準則(Bayesian information criterion，BIC)確定[23-24]。

步驟 2計算當前時刻的協同戰術識別概率。由當前時刻觀測節點的特征提取結果和各條鏈路的條件概率完成各觀測節點到根節點的推理，再將所有鏈路推理結果相乘得到當前時刻的識別概率分布。

步驟 3根據上一時刻推理結果，更新協同戰術識別概率。由于當前時刻的最終識別結果受上一時刻的識別結果影響，根據貝葉斯公式，可求解條件概率分布。

根據上述計算結果，可求解各戰術在綜合歷史證據信息下的識別概率。

步驟 4判斷收斂性。當某協同戰術的識別概率達到90%，且觀測節點特征提取結果不變時，判斷網絡處于收斂狀態。

步驟 5輸出戰術識別結果。若網絡未收斂且未達到最大迭代次數，則返回步驟1 繼續進行推理。否則，輸出識別結果，最終得到的識別結果為推理概率最大值對應的雙機協同戰術。

3 仿真實驗

為了驗證雙機協同戰術識別方法對雙機協同戰術識別的準確性，先開展了典型二對一空戰環境下的仿真實驗，對不完備信息下敵方目標進行雙機協同戰術識別，再基于大量訓練樣本數據進行了統計性實驗，得到該方法對于雙機協同戰術的識別概率。開展實驗之前，先進行參數學習，得到參數優化的識別網絡模型。

3.1 參數學習

針對1.2 節構建的雙機協同戰術識別網絡模型，根據專家經驗對各網絡節點進行初始概率分布設定。由于參數較多此處不做詳述，以高度分類參數設置為例，初始概率分布設置如表4 所示。

表4 初始概率分布設置Table 4 Initial probability distribution setting

針對表1 中的7 種典型雙機協同戰術，分別進行100 次空戰對抗仿真，共得到700 組仿真樣本作為訓練數據。對訓練樣本數據進行預處理，將目標方位角、目標進入角和目標相對高度數據按照表2中的節點狀態集離散化為對應取值。采用2.1 節中所述EM 算法進行參數學習，設定收斂閾值 δ =0.01，不斷迭代對網絡參數概率分布進行修正。以高度分類參數概率分布為例，學習后的取值如表5 所示，參數學習后的各狀態條件概率值均有變化，降低了完全根據主觀經驗確定網絡參數帶來的不確定性影響，達到了參數修正效果。

表5 最終概率分布設置Table 5 Final probability distribution setting

3.2 非完備信息下的典型協同戰術識別實驗

以典型二對一協同空戰為例進行仿真實驗，空戰對抗中紅藍雙方的初始空間占位參數如表6 所示。設定識別網絡模型推理周期為50ms，最大迭代次數為20。在仿真對抗過程中，藍方雙機編隊采用協同戰術對紅機進行攻擊，二對一協同空戰飛行對抗仿真軌跡如圖3 所示。

表6 空間占位初始參數設置Table 6 Initial parameter setting of space occupancy

圖3 二對一協同空戰飛行仿真軌跡Fig.3 Flight simulation trajectory of two-to-one cooperative air combat

3.2.1 空間占位特征提取

在實際空戰仿真過程中，存在目標樣本數據缺失的情況，對370～371s 時間段內，每5 0ms 為一周期進行等間隔采樣，以目標高度和目標方位角數據樣本為例，如表7 和表8 所示。

表7 高度數據樣本信息Table 7 Height data sam p le inform ation

表8 目標方位角數據樣本信息Table 8 Target azim uth data sam p le inform ation

對飛行過程中藍方雙機飛行參數進行特征提取，若當前時刻觀測節點數據缺失，則進行觀測節點數據預測。根據BIC 準則，確定模型階數，利用最小二乘法進行參數估計，得到目標雙機方位角、高度的預測模型參數，如表9 所示。

表9 目標雙機方位角、高度的預測模型參數Table 9 Parameters of azimuth and altitude prediction model for dual aircraft

根據目標觀測數據預測模型進行數據修補，修補數據前后的雙機方位角、進入角和高度特征提取結果具體如圖4 和圖5 所示。

圖4 未進行數據修補的藍方雙機空間占位特征Fig.4 Space occupying feature of blue dual aircrafts without data patching

圖5 數據修補后藍方雙機空間占位特征Fig.5 Space occupying feature of blue dual aircraft after data patching

經過數據修補后分析可知，藍方1 號機的方位角特征提取結果按時間依次為前方、右方、后方和前方；藍方2 號機的方位角特征提取結果依次為前方、左方和后方。針對目標雙機的進入角特征，提取得到藍方1 號機進入角特征起初為飛向我機，后變為飛離我機；藍方2 號機的進入角特征始終為飛向我機。藍方1 號機的高度特征提取結果由基準面變為低于我機；藍方2 號機的高度特征提取結果由基準面變為高于我機。

3.2.2 機動動作特征提取

利用戰機機動動作識別算法對此空戰仿真實驗中的藍方雙機飛行軌跡進行機動動作識別[19]。在藍方雙機機動動作識別收斂處對識別結果進行取樣，得到藍方雙機機動動作識別概率如圖6 所示。

圖6 藍方雙機機動動作識別概率Fig.6 Probability of maneuver recognition for dual aircraft in blue side

由識別結果可知，在整個飛行對抗仿真階段，藍方1 號機依次進行左盤旋、右盤旋、水平直線飛行和俯沖機動；藍方2 號機依次進行右盤旋、左上戰斗轉彎、水平直線飛行和躍升機動。

3.2.3 網絡推理

將圖4 和圖5 提取得到的空間占位信息和目標機動動作信息輸入識別網絡模型，按照2.2 節模型推理的算法步驟進行協同戰術識別。最終得到藍方雙機協同戰術識別概率如圖7 所示，其中紅色線段標記出了識別結果收斂的部分。為便于觀察被識別機動動作的切換變化過程，采樣時間坐標軸的單位長度設定為1 s（20 個程序周期），并對識別結果收斂后保持時間較長的部分進行了省略化表示。

圖7 參數學習后識別概率分布Fig.7 Probability distribution of recognizing after parameter learning

分析可知，輸入的觀測節點狀態特征改變后，網絡推理得到的概率分布結果也迅速隨之改變。在2.80 s 處，模型推理首次達到收斂狀態，得到水平疏開戰術識別結果。之后，網絡模型根據證據信息的變化重新進行推理，在82.85 s 處再次收斂，識別得到組合疏開戰術。同理，在192.75s 和283.30s處，模型收斂，對應的識別結果分別為尾后攻擊戰術和垂直疏開戰術。

此外，推理結果以各戰術識別概率值的形式呈現，當敵機編隊已經開始執行某種戰術，但該戰術并未執行完畢時，識別算法將具有最大概率的識別結果判斷為當前時刻敵機編隊采用的協同戰術。以組合疏開戰術為例，在80.05 s 時目標雙機的高度特征提取結果發生改變，識別算法在2.80 s 后模型收斂識別出該協同戰術，此時目標雙機的空間位置與協同戰術形態未發生明顯改變，依據主觀經驗難以判別。綜上分析，基于貝葉斯網絡的非完備信息下雙機協同戰術識別方法可以在目標雙機切換戰術特征出現的較短時間內識別出協同戰術，具有較好的實時性與準確性。因此，基于貝葉斯網絡的非完備信息下雙機協同戰術識別方法能夠提前預判敵機意圖，具備戰術預測功能，可為己方做出正確決策提供依據。

3.2.4 實時性對比

在相同實驗條件下，當識別網絡中的先驗概率及狀態轉移概率分布根據先驗知識確定，即不進行參數學習時，具體識別過程中的概率分布如圖8 所示。分析可知，未進行參數學習時，識別網絡模型在3.85s、83.75s、193.70s 和284.25s 處推理完成，網絡收斂。

圖8 參數學習前識別概率分布Fig.8 Probability distribution of recognizing before parameter learning

將3.2.3 節參數學習后的網絡模型識別結果同參數學習前的識別結果進行對比，每一種協同戰術的具體識別時間如圖9 所示。參數學習使得網絡參數更加擬合客觀數據規律，因此對于相同的仿真實驗輸入數據，識別結果的推理時間縮短。根據學習前后識別時間對比，可以得出學習后的平均識別時間較之前提高了26.5%。

圖9 協同戰術識別實時性對比Fig.9 Real-time comparison of cooperative tactical recognition

3.3 不同空戰態勢下算法的有效性驗證

為了驗證超視距空戰雙機協同戰術識別方法的有效性，開展了迎頭態勢、側方態勢、尾后態勢等不同空戰態勢下的仿真實驗，并對不同態勢下算法的識別概率和實時性進行了分析。

3.3.1 迎頭態勢下的藍方協同戰術識別

迎頭態勢下，空戰對抗中紅藍雙方的初始空間占位參數如表10 所示，紅藍雙方飛行軌跡如圖10 所示。

圖10 迎頭態勢下雙方飛行軌跡Fig.10 Flight path of both sides in face-on situation

表10 迎頭態勢下空間占位初始參數設置Table 10 Initial param eter setting of space occupancy in face-on situation

采用基于貝葉斯網絡的雙機協同戰術識別方法對藍方雙機進行協同戰術識別，得到藍方雙機協同戰術識別概率如圖11 所示。分析可知，識別網絡模型在2.65s 和75.50s 處推理完成，網絡收斂，識別結果為對頭攻擊戰術與鉗形攻擊戰術。

圖11 迎頭態勢下協同戰術識別概率分布Fig.11 Probability distribution of cooperative tactical identification in face-on situation

3.3.2 側方態勢下的藍方協同戰術識別

側方態勢下，空戰對抗中紅藍雙方的初始空間占位參數如表11 所示，紅藍雙方飛行軌跡如圖12所示。

圖12 側方態勢下雙方飛行軌跡Fig.12 Flight trajectory of both sides in lateral situation

表11 側方態勢下空間占位初始參數設置Table 11 Initial parameter setting of space occupancy in lateral situation

采用基于貝葉斯網絡的雙機協同戰術識別方法對藍方雙機進行協同戰術識別，得到藍方雙機協同戰術識別概率如圖13 所示。分析可知，識別網絡模型在3.25s 和120.05s 處推理完成，網絡收斂，識別結果為側方攻擊戰術與垂直疏開攻擊戰術。

圖13 側方態勢下協同戰術識別概率分布Fig.13 Probability distribution of cooperative tactical identification in lateral situation

3.3.3 尾后態勢下的藍方協同戰術識別

尾后態勢下，空戰對抗中紅藍雙方的初始空間占位參數如表12 所示，紅藍雙方飛行軌跡如圖14所示。

圖14 尾后態勢下雙方飛行軌跡Fig.14 Flight trajectory of both sides in rear situation

表12 尾后態勢下空間占位初始參數設置Table 12 Initial param eter setting of space occupancy in rear situation

采用基于貝葉斯網絡的雙機協同戰術識別方法對藍方雙機進行協同戰術識別，得到藍方雙機協同戰術識別概率如圖15 所示。分析可知，識別網絡模型在3.75s 和152.65s 處推理完成，網絡收斂，識別結果為組合疏開攻擊戰術與尾后攻擊戰術。

圖15 尾后態勢下協同戰術識別概率分布Fig.15 Probability distribution of cooperative tactical identification in rear situation

從以上實驗結果的分析可以看出，非完備信息下的超視距空戰雙機協同戰術識別方法能夠準確地識別迎頭、側方、尾后態勢下的藍方典型雙機協同戰術，并且能夠在協同戰術特征出現后快速得到識別結果，具有較高的實時性。

3.4 相同實驗環境下識別概率對比分析

為了驗證雙機協同戰術識別方法對于非完備信息下雙機編隊協同戰術識別的準確性，開展了相同環境下的實驗結果統計分析。合適的高度環境是保證各協同戰術成功執行的重要因素，將戰場環境劃分為高空層、中間層和低空層3 種類型。根據7 種雙機協同戰術的長僚機飛行特性，得到不同飛行高度下的執行可行性，每種戰場環境下的具體可選擇雙機協同戰術如表13 所示。

表13 戰場環境與戰術合理性選擇Table 13 Rational selection of battlefield environm ent and tactics

依據表13 設定的戰術選擇規則，同時考慮各雙機協同戰術的銜接合理性，根據飛行過程中的高度變化，利用構建的空戰仿真系統開展蒙特卡羅模擬實驗[25-26]，對當前戰場中可執行的雙機協同戰術進行隨機調用。在相同實驗樣本與相同實驗環境下，隨機設置缺失數據樣本，其數據量占總樣本數據量的15.8%，使用文獻[9]中基于深度神經網絡的空中目標作戰意圖識別方法與基于貝葉斯網絡的非完備信息下雙機協同戰術識別方法進行8 000 組實驗。采用文獻[9]中基于深度神經網絡的空中目標作戰意圖識別方法構建的雙機協同戰術識別神經網絡的訓練樣本規模為30000 組典型協同戰術樣本數據，隨機抽取90%數據構成訓練數據庫，剩余10%構成測試數據庫，神經網絡學習率為0.01，超參數為0.9、0.999，平滑項10?8，其算法用于上述案例的核心步驟如下：

步驟 1從各類傳感器中提取目標特征數據，包括目標飛行速度、目標飛行高度、目標雷達狀態以及目標機動類型等信息，并根據實際作戰結果和領域專家判斷對其標記戰術標簽。

步驟 2調整網絡結構，根據數據維數和分類數確定隱藏層數和節點數。

步驟 3將訓練數據庫中所有數據輸入到構建好的深度神經網絡中，采用梯度下降法更新深度神經網絡節點網絡權值，將輸出的戰術識別結果與標簽對比，計算識別概率。

步驟 4將驗證數據庫中的數據輸入到訓練好的深度神經網絡中，計算識別概率。

步驟 5將測試數據庫中的目標特征數據輸入到訓練好的深度神經網絡中，計算識別概率，判定模型識別效果。

步驟 6將待識別戰術的目標特征數據輸入模型，識別出其協同戰術。

通過實驗得到2 種不同的方法對表1 中7 種雙機協同戰術的識別概率如圖16 所示。其中，基于貝葉斯網絡的非完備信息下雙機協同戰術識別方法的平均識別概率為98.34%，文獻[9]的平均識別概率為97.17%?？梢园l現，基于貝葉斯網絡的非完備信息下雙機協同戰術識別方法對各典型雙機協同戰術均具有較高的識別概率。

圖16 協同戰術識別概率Fig.16 Recognition accuracy of cooperative tactics

4 結 論

針對非完備信息下的雙機協同空戰戰術識別問題，做了深入分析與研究，仿真實驗結果表明，非完備信息下的超視距空戰雙機協同戰術識別方法對敵方雙機協同戰術識別概率高、實時性好，具備較好的工程應用價值。

1)雙機協同戰術識別方法對非完備信息下的雙機協同戰術具有較高的識別概率。在實驗測試中，對協同戰術的識別概率均達到95%以上。

2)雙機協同戰術識別網絡模型通過參數學習后，在典型協同戰術仿真實驗中使平均識別速率提高了26.5%，可在較短的時間內識別出協同戰術，具有較好的實時性。

3)雙機協同戰術識別方法以戰場中可以直接在線獲取到的信息為推理依據，具備戰術預測功能，在空戰決策領域中可為威脅評估和目標作戰意圖推理提供支撐。