軍用機型復雜飛行動作提取與識別的方法研究

李超 張原 汲萬峰 司曉鋒 李璇

引用格式：李超，張原，汲萬峰，等.軍用機型復雜飛行動作提取與識別的方法研究［J］.航空兵器，2023，30（1）：127-134.

LiChao，ZhangYuan，JiWanfeng，etal.ResearchonExtractionandRecognitionofMilitaryAircraftComplexFlightAction［J］.AeroWeaponry，2023，30（1）：127-134.（inChinese）

摘要：飛行動作識別及其對應飛參數據的提取是飛行訓練質量分析的關鍵內容。現階段的飛參數據量大、維度高、冗余數據多，為此提出了無監督聚合動態時間規整（UADTW）算法，降低動態時間規整（DTW）算法復雜度，幫助人工快速建立樣本集，并提取標準序列相關性特征。同時，根據復雜飛行動作特點，構造深度神經網絡模型學習飛行動作序列特征、差量特征和標準序列相關性，并在此基礎上設計了自選擇特征層，提出自選擇深度神經網絡（SDNN）模型，該模型能夠自主選擇對飛行動作識別較大貢獻的特征，進一步提高特征表示對飛參數據的刻畫。本文所提出的UADTW和SDNN飛行動作提取及識別方法能夠減少人工成本，并有效提升了飛行動作識別的準確率。

關鍵詞：飛行動作；自選擇機制；動態時間規整；神經網絡；飛參數據

中圖分類號：TJ760；V271.4

文獻標識碼：A

文章編號：1673-5048（2023）01-0127-08

DOI：10.12132/ISSN.1673-5048.2022.0080

0引言

飛行訓練一直是提高飛行員飛行技術、保障飛行安全的一項重要內容。飛行訓練質量的客觀分析可通過飛參數據回放進行評估，但飛參數據量大、維度高，對于飛行訓練質量分析、操縱品質檢測來說，大部分數據為冗余數據。飛行動作識別及其飛參序列數據的提取可快速定位關鍵的飛參數據，提高工作的高效性和準確性。為此，飛行動作識別與分析對于飛行員提高飛行駕駛技術、保障飛行安全具有重要意義［1］。

飛參數據記錄了整個飛行過程中的參數，但并沒有對所訓練的飛行動作進行特別標記，完整的飛行動作識別過程應包含飛參數據的提取及其分類。目前，飛參數據的提取方法主要是由該領域專家通過人工基于規則的方式［2-3］提取，但飛參數據數量多、維度高，此種方式浪費大量的人工成本，且可擴展性差。飛行動作識別方法主要包含相似性匹配的方法［4-7］和基于典型機器學習的方法［8-12］。在飛行動作識別的兩類方法中，模型構造較為簡單且易實現，但相似度匹配的方法很難區分相近的飛行動作，如大盤度盤旋和大坡度轉彎，且閾值不能客觀定義；貝葉斯、支持向量機等飛行動作識別方法在處理

多維時間序列數據時，通常將多維拉平為一維，將破壞在橫向時間維度上的規律，不能很好地學習到此刻飛行狀態特征與前后時間上飛行狀態特征之間的關系。

根據當前飛行動作識別及其飛參數據提取的問題，本文提出一種新的解決思路，通過改進動態時間規整算法，提高算法效率，輔助標記飛行動作樣本，降低人工成本，并提出自選擇深度神經網絡模型（Self-SelectiveDeepNeuralNetwork，SDNN），自主選擇對飛行動作識別較大貢獻特征，進一步提高飛行動作識別率。該方法能夠準確識別飛行動作并提取其對應的飛參數據，已得到相關領域人員的驗證和應用。

1相關工作

1.1飛行動作識別

因氣象等客觀條件的不同和駕駛員操縱的差異，使得同一飛行動作的飛參數據和飛行時間存在差異，即相同飛行動作的序列特征不同和序列不定長。動態時間規整（DTW）算法可進行“扭曲匹配”實現數據對齊，適合計算飛行動作不定長的相似性，李鴻利等［6］利用DTW的思想識別飛行動作，同時針對多元時間序列進行多維融合提出多元動態時間規整（MDTW）的算法。張玉葉等［7］為降低DTW的計算復雜度，提出利用主成分分析（PCA）

提取其參數相關度統計特征，先進行粗分類，再使用DTW的算法細分類。DTW的思想主要是通過相似度匹配的方法識別飛行動作，而基于機器學習的方法可通過機器自主學習飛參數據規律。沈一超等［8］融合多個描述特征構建貝葉斯網絡識別飛行動作，其特征的構建需要定義大量閾值，特征表示主觀性較強。顏廷龍等［9］使用馬爾可夫隨機場（MRF）模型表示時間序列中相鄰飛參數據的相關關系，進而描述其飛行動作的特征，能夠減少標注樣本的人工成本，但在識別差異性較小的飛行動作上表現一般。王志剛等［10］基于支持向量機（SVM）算法識別飛行動作，但對于多維時間序列數據，不能很好地學習到橫向時間維度上的規律。方偉等［11］提出一種基于神經網絡符號化模型的方法，將時間特征轉換為圖像特征，通過串聯CNN和LSTM實現對飛行動作模塊化處理。該方法的實驗數據使用模擬數據，將復雜的飛行動作拆分成一系列的基本飛行動作，相比實際飛參數據，該方法過于理想化。本文同樣采用深度學習的方法，根據實際飛參數據的特點，結合了動態時間規整和深度學習兩者的優勢提取并學習飛行動作特征，相比經典機器學習的方法，該方法更適合處理多維時序的飛參數據。

1.2DTW模型

動態時間規整（DTW）是一種衡量兩個時間序列之間相似度的算法，當兩個時間序列在時間線上不對齊時，DTW算法能夠對某個時間序列在時間軸上進行扭曲（Warping），使得兩個序列的形態盡可能的一致，以達到最大可能的相似。但DTW算法適合處理一維數據且復雜度高，不適合處理高維度復雜飛行動作，而飛參數據是多元的時間序列數據，若將多元空間的數據拉平至一維空間數據，不僅忽略了縱向上各個參數之間的關系，而且算法執行效率較低。在算法復雜度方面，許多學者對DTW算法進行了改進，Al-Naymat等［13］使用稀疏矩陣表示扭曲矩陣；Keogh等［14］提出了下界函數LB_Keogh，將特征序列構建新的上、下包絡線；李海林等［15］利用分段聚合近似方法對時間序列進行特征提取和降維；Adwan等［16］利用重新拼接的時間序列進行分段聚合。目前，減小DTW計算復雜度的主要思想是通過減少搜索距離矩陣空間和通過聚合縮短時間序列長度。本文針對飛行動作序列的特點，利用無監督學習的方法，提出無監督聚合的動態時間規整算法（UnsupervisedAggregationDynamicTimeWarping，UADTW），保證縱向參數之間關系的同時縮短序列長度。該算法通過降低序列維度、縮小距離空間來減小DTW算法復雜度，提高算法執行效率。

2基于UADTW和SDNN的飛行動作提取及識別算法

本文飛行動作提取及識別的算法流程如圖1所示。具體步驟如下：

（1）飛行動作數據提取。依據專家經驗從飛參數據中提取飛行動作的標準序列數據作為基準數據，并根據飛行動作標準序列Q=（q1，q2，…，qm），將飛參數據F=（f1，f2，…，fn）切割，做相似度計算生成飛行動作片段。

（2）飛行動作初步判斷并確定樣本。利用UADTW計算飛行動作片段和飛行動作標準序列Q的相似性，進一步篩選飛行動作的類別，生成候選樣本，并經最終人工確定樣本X，標注類別標簽Y。同時，將無監督模型學習到相關性特征向量W作為飛行動作識別模型的部分輸入。

（3）建立模型數據集。根據樣本集數據提取飛行狀態序列X、計算差量特征D，并與規整距離向量W共同構建模型數據集（X，W，D，Y）。

（4）構造飛行動作識別模型并訓練。構建自選擇深度神經網絡模型（SDNN），學習與識別飛行動作相關性較強的飛參特征表征，并通過迭代訓練生成模型，用于對候選樣本的分類。

2.1飛行動作數據提取算法

飛參數據量巨大，且冗余數據較多，人工提取樣本難度巨大，為減少人工提取成本，本文設計了多層提取及篩選飛行動作數據的方法，該方法可獲取樣本候選集，為進一步提高樣本質量，人工對候選集進行確定及標注，最終形成飛行動作樣本集。同時，該方法可提取出與飛行動作標準序列相關性較高的特征，用于飛行動作識別。

2.1.1飛參數據切割并計算

通過與標準序列數據比對，快速去除冗余數據，提取飛行動作候選序列。給定長度為n的飛參時間序列F=（f1，f2，…，fn），根據i類飛行動作的標準序列Qi=（qi1，qi2，…，qim）的長度m定義滑動窗口長度。飛參時間序列F通過窗口滑動生成（n－m+1）個子序列（如圖2所示），每個子序列用f′i表示，那么（n－m+1）個子序列構成的新數據序列為F′=（f′1，f′2，…，f′n－m+1），利用歐式距離（ED）計算每個子序列f′i與i類飛行動作的標準序列Qi的距離dDis=（d1i，d2i，…，d（n－m+1）i）：

dji=ED（f′j，Qi）=（f′j1－q1）2+…+（f′jm－qm）2（1）

定義i類飛行動作的閾值Ni，若dj

2.1.2無監督聚合的動態時間規整算法

為提高飛行動作序列的準確度，進一步減少人工篩選樣本的時間成本，采用UADTW算法獲取更高準確率的樣本。為更好地保證縱向參數之間關系，從多元序列降低到一元序列維度，以獲取較小的DTW距離空間，本文構建了無監督網絡模型（如圖3），利用2.1.1節初步判定的飛行動作序列E作為訓練集，學習飛行動作飛參數據的特征表示。該模型主要包含兩個過程：

（1）輸入層E到隱藏層H的編碼過程。根據飛行動作序列E具有時序性的特點，模型隱藏層ht與輸入層et和上一節點的隱藏層ht－1相關：

ht=σ（wht－1+ujt+b）（2）

（2）隱藏層H到輸出層E*的解碼過程。模型將編碼后的H重新解碼得到E*：

e*t=σ（vht+b）（3）

其重構誤差損失函數：

f（u，v，w，b）=1N∑Nr=1（Er－E*r）2（4）

式中：u，v，w，b為參數；N為總飛行動作片段數量。

迭代訓練后，模型隱藏層H可作為飛行動作序列的特征表征。初選的飛行動作序列E和飛行動作標準序列Q利用飛行動作無監督聚合模型分別獲得其隱藏層的特征表征E′i=（e′i1，e′i2，…，e′im），Q′i=（q′i1，q′i2，…，q′im）。根據特征序列E′i和Q′i的元素值建立距離矩陣D，如圖4所示，為找到兩個時間序列性距離最短的代價路徑K，利用動態規劃算法計算累積距離矩陣r，最后可以得到兩個時間序列的距離表示Dis（J′i，Q′i）=r（m，m）。

算法1無監督聚合的動態時間規整算法：

輸入：時間序列Qi=（qi1，qi2，…，qim）和Ei=（ei1，ei2，…，eim）

輸出：Dis（E′i，Q′i）

（1）根據訓練后的飛行動作無監督聚合模型，利用式（2）計算時間序列Qi和Ei的特征表征，得到E′i和Q′i。

（2）建立距離矩陣D={d（k，j）}，其中d（k，j）=（e′i1－q′i1）2。

（3）建立距離累計矩陣r。設定k，j的初始值為1，則r（1，1）=d（1，1）。

（4）k=k+1，j=2。

（5）計算累積距離矩陣：

r（k，j）=d（k，j）+min（r（k-1，j-1），r（k-1，j），r（k，j-1））

（6）若k=m，則執行第（8）步，否則執行下一步。

（7）若j

（8）Dis（E′i，Q′i）=r（m，m）。

（9）若Dis（E′i，Q′i）小于i類飛行動作閾值，則將飛行動作片段Ei歸屬到i類候選飛行動作集合Si=（si1，si2，…，sin）。

多元時間序列Qi和Ei，通過無監督聚合網絡聚合成一元特征序列E′i和Q′i后的動態時間規整，如圖5所示。由算法可知，無監督聚合的動態時間規整算法的時間復雜度為O（m2），若多元時間序列Ei中每個時刻的飛行狀態ei1有n維數據，則時間復雜度將減少n2倍。

通過無監督聚合的動態時間規整算法獲得的候選樣本集合S，再經人工篩選便可獲得最終樣本集（X，Y）。實驗表明，無監督聚合的動態時間規整算法能夠得到相對較好的飛行動作識別率，并且能夠從大量的飛參數據中自動提取飛行動作序列，大大降低了人工提取成本。同時圖4中最短代價路徑K所對應的距離數據為兩個序列之間的最短距離，表示其之間的相似性，可作為飛行動作識別特征。

2.2基于自選擇深度神經網絡的飛行動作識別算法

本文借助深度學習的思想，針對飛行動作的數據特點，構造自選擇深度神經網絡模型（SDNN），該模型能夠根據不同類別的飛行動作選擇對自己貢獻較大的特征。模型構造思想從以下三個方面考慮：（1）在2.1節中得到的候選樣本集Si與標準飛行動作的序列Qi的相關性對飛行動作識別有較大貢獻，本文利用全連接層學習其相關性特征。（2）受飛行空域、任務等因素的影響，部分重要的飛參數據需要重新提取差量特征，利用模型學習其特征表示；（3）在飛參序列數據中，關鍵的特征表征可以更好地區分飛行動作類別，自選擇機制可自主選擇其貢獻較大的特征，利于提高飛行動作的識別率。同時，飛行動作序列特征的學習選用雙向長短時記憶神經網絡模型（BiLSTM），學習飛行動作在時間維度上特征表示。

圖6為自選擇深度神經網絡的飛行動作識別模型，模型左邊部分的輸入數據為飛行動作序列數據X，學習其序列特征表征；模型中間部分學習其序列數據與標準飛行動作序列數據的相關性特征。飛行狀態序列X與標準飛行動作序列Q利用UADTW算法可獲取2.1節距離矩陣中最短代價路徑K對應的距離數據，作為相關性特征向量；模型右邊部分的輸入數據為差量特征D，學習重要的差量特征表征。三部分特征通過全連接層（FC）學習其融合特征，作為模型分類依據，此部分為深度神經網絡（DNN）層。在此基礎上，加入模型自選擇層C，讓模型自主選擇對飛行動作識別的較大貢獻特征，以進一步提高特征表示對飛參數據的刻畫，提高飛行動作識別準確率。

2.2.1深度神經網絡模型構造

飛行動作識別的深度神經網絡模型（DeepNeuralNetwork，DNN）構造如圖7所示。模型可分為差量特征學習、標準飛行動作序列相關度學習，以及BiLSTM模型學習飛行動作序列特征表征。

（1）差量特征學習。在飛行訓練中，飛行動作通常比較重視進入時的飛機狀態和改出時的飛機狀態，特別是參數前后的差值變化，如飛機高度。因空域不同，不同高度都可能進行飛行動作訓練，高度不能直接作為一項重要的特征，而完成飛行動作前后高度差及其變化率卻是一項非常重要的特征，計算公式如下：

dj=（h1－h2）/t（5）

式中：h1為飛行動作進入前的高度；h2為飛行動作改出后的高度；t為完成飛行動作所需要的時間。

同理，本文提取了飛參數據中航向、油門、速度等特征，將完成飛行動作前后的變化量及其變化率作為差量特征。如圖7所示，差量特征向量D={d1，d2，…，dm}，通過全連接層學習，其差量特征表示Pd：

Pd=σ（wD+b）（6）

（2）標準飛行動作序列相關度學習。在2.1節飛行動作飛參數據提取的工作中，為計算候選飛行動作序列與標準飛行動作序列的相似性，構建了距離矩陣（如圖4所示），該相似性可作為飛行動作識別的重要依據。在距離矩陣中，最短的代價路徑K可表示與標準飛行動作序列的距離，其路徑K對應的值作為規整距離向量W。模型通過該距離向量W學習與標準飛行動作序列相關度的特征表示Pw：

Pw=σ（uW+b）（7）

（3）飛行動作序列特征學習。飛參數據是一種多元的時間序列，并且綜合考慮利用前后飛機狀態加強模型對當前飛行狀態的理解。本文利用雙向長短時記憶神經網絡（BiLSTM）對飛行狀態序列進行顯式建模，捕捉長時依賴特征。Graves［17］深入剖析了LSTM記憶單元的結構及其性能表現。圖7中，Xt為飛行動作t時刻的飛參數據，即t時刻的飛行狀態，所包含的飛參主要有俯仰角、傾斜角、X軸角速度、Y軸角速度、Z軸角速度、指示空速、升降速度、油門桿位置、升降舵位置、副翼位置、方向舵位置、進氣壓力。三角符號代表LSTM模型中的記憶單元，t時刻的輸出FPt和BPt是由輸入Xt和t－1刻隱藏層的輸出St－1共同決定的。即對于飛行動作序列數據來說，t時刻的飛機狀態輸出與當前飛機參數Xt、之前時刻的飛機狀態輸出FPn、之后時刻的飛機狀態輸出BPn共同決定，模型以Pn作為最終飛行動作序列特征表示，與差量特征表示Pd、標準飛行動作序列相關度的特征表示Pw融合，并學習特征表示H：

Pn=σ（w（BPn‖FPn）+b）（8）

H=σ（w（Pn‖Pd‖Pw）+b）（9）

2.2.2自選擇機制構建

為更好地刻畫飛行動作識別的飛參特征，本文提出自選擇深度神經網絡模型，其自選擇模塊是在2.2.1節模型中加入一個額外的“前饋神經網絡”模塊，該模塊負責自動學習特征貢獻權重a（如圖8），該權重包含各個時刻飛機狀態、差量特征及標準飛行動作序列相關度對飛行動作識別的貢獻值，分別用ai，ad，aw表示，對飛行動作識別影響較大的特征能夠獲得較大的權重。該模塊利用與飛行動作特征表示H之間的相關性學習貢獻值，再利用貢獻值權重a和每個時刻的飛行狀態的特征表示Pt、差量特征表示Pd、標準飛行動作序列相關度Pw相乘，計算相關性特征表示C。該特征表示C能夠更好地表征飛行動作識別的飛參特征，并與特征表示H共同作為分類器的輸入。

權重a和相關性特征表示C計算公式如下：

aj=exp（σ（wT（H‖Pj）））F（H，P）（10）

F（H，P）=exp（f（H，Pd））+exp（f（H，Pw））+∑ni=1exp（f（H，Pi））（11）

f（A，B）=σ（wT（A‖B））（12）

C=∑ni=1aiPi+adPd+awPw（13）

式中：j={1，2，3，…，n，d，w}；權重a1+a2+…+an+ad+aw=1。

自選擇深度神經網絡模型計算過程如算法2描述。

算法2基于自選擇深度神經網絡模型的動作識別算法。

輸入：飛行動作序列數據X、差量輸入向量D、距離向量W。

輸出：參數θ={w，v，u，b}。

（1）初始化所有模型參數為小的隨機值；

（2）while不收斂do。

·輸入沿網絡前向傳播

序列特征Pn←BiLSTM模型學習飛行動作序列特征表示；

學習標準飛行動作相關度：Pw=tanh（wW+b）；

學習差量特征表示：Pd=tanh（wD+b）；

特征表示：H=σ（w（Pn‖Pd‖Pw）+b）；

相關性特征表示C根據式（2）～（3）計算飛行動作分類的概率計算：p=Softmax（w［H‖C］+b）；

優化函數：

JJ（θ）←－1N∑Nj=1∑Mi=1yjilg（pji）。

·反向傳播更新模型權值θ

計算Δθ=J（θ）/θ；

更新θ←θ+Δθ；

endwhile。

其中：M為類別數量；N為樣本數量；θ為模型的所有參數。如果樣本j的真實類別為i，則yji取1，否則取0。pji為樣本j屬于類別i的概率。

3實驗

3.1數據集

軍用飛機在基本駕駛技術訓練階段常見的飛行動作訓練科目包含簡單特技動作（小坡度盤旋、升降轉彎等）和復雜特技動作（半滾倒轉、草花斤斗等）［2］，根據當前軍用機型的實際訓練科目，主要包含10種飛行動作和1種非飛行動作的其他類型，共11個類別。本文實驗的訓練數據集有3643個，測試數據集有911個，數據集的分布情況如表1所示。

表2中列出了SDNN網絡模型主要的參數設計。在SDNN模型結構中，BiLSTM為兩層的雙向LSTM層，差量特征和規整距離特征分別是由全連接層（FClayer）學習，其神經元個數為20。實驗為離線訓練，使用交叉驗證方法確定的最佳參數。在迭代過程中，交叉熵損失達到1.2后逐漸趨于穩定，同時根據收斂速度，使用Adam方法調整學習速度，初始學習率為10-3。模型訓練中記錄最佳參數模型為最終飛行動作識別模型，該模型的實時檢測時間達到10-2s，滿足實際應用要求。

3.2飛行動作識別實驗

為了驗證本文提出的自選擇深度神經網絡模型在飛行動作識別方面的有效性，與2.1節初步篩選飛行動作的UADTW算法和2.2.1節中DNN算法進行對比。本實驗采用分類領域中最基本的評價指標［18］：準確率（P）、召回率（R）和F1值。表3和圖9列出了本文所涉及的3種算法在飛行動作數據集上的實驗結果。

圖9展示了本文主要3種算法在11類飛行動作上的F1值分布。UADTW算法的評估結果相對較低，SDNN算法在11類飛行動作中評估結果較好。表3顯示，大坡度盤旋、半斤斗翻轉、半滾倒轉、急上升轉彎4個飛行動作的評價得分較高，其中SDNN算法的F1值都在95%以上。這4種飛行動作都有較明顯的飛行動作特征，自選擇機制可以更好地捕捉到其特征，對比DNN模型，在F1值上表現出較好優勢。

圖10展示了4類典型飛行動作注意力權重a的權值分布，其中橫坐標1～17的權重a表示不同時刻飛行狀態對飛行動作識別的貢獻，橫坐標18～19對應的權重a為差量特征、標準飛行動作序列相關度的貢獻。如半滾倒轉的飛行動作，在半滾后會有個明顯倒轉的動作，其特征貢獻權重a的權值在6～11s波動較大，符合半滾倒轉的動作特征，同時標準飛行動作序列相關度貢獻也較大。斤斗動作在其圓形運動軌跡中，最上、最下、最右、最左有較明顯的特征，其貢獻值較大。橫滾和大坡度盤旋的動作相對較為均勻，其貢獻值相差不大。此外，從圖10中可以看出，差量特征及UADTW算法所獲取的標準飛行動作序列相關度的貢獻相對較大。

3.3對比實驗

本文算法與同類工作的對比實驗是在同一數據集上以加權平均準確率（PAvg）、加權平均召回率（RAvg）和加權平均F1（F1Avg）值作為綜合評價指標：

PAvg=∑ni=1NiNPi（14）

RAvg=∑ni=1NiNRi（15）

F1Avg=∑ni=1NiNF1i（16）

式中：N為評價數據的總數；Ni為某類別的數量；n為類別數。

表4展示了在飛行動作識別領域的主流算法與本文算法的比較，這些算法中都涉及到動態時間規劃算法（DTW）。李鴻利［6］、張玉葉［7］等通過改進DTW算法用來識別飛行動作；顏廷龍［9］、王志剛［10］等主要使用DTW算法對飛行動作序列提取或劃分；方偉［11］等與本文主要采用了深度學習的方法識別飛行動作。本文通過改進DTW算法，在獲取飛行動作序列數據的同時，提取與標準飛行動作序列相關性特征，通過實驗證明其有效性（見圖10）。同時，本文提出了自選擇深度神經網絡模型（SDNN），該模型能夠學習高度差、航向差等差量特征，以及與標準飛行動作序列相關性特征，其自選擇機制可重點關注某些時刻飛行狀態自選擇貢獻度較高的特征，能夠更好地對飛參數據特征刻畫，其F1Avg達到0.93，表現出較好成績，驗證了方法的可行性。

本文算法UADTW+SDNN0.930.940.93

4結束語

本文分析了飛行動作領域主要存在兩個的問題，并針對這兩個問題提出了無監督聚合的動態時間規整算法，降低了DTW算法的復雜度，減少人工提取飛參數據的成本。同時，該算法提取了飛行動作標準序列相關性特征，與飛參數據的差量特征、BiLSTM模型學習的序列特征進行融合，并利用本文提出的自選擇機制層自主學習飛行動作重要的特征表征。借助模型訓練實驗，該模型能夠較好地識別出飛機訓練的飛行動作，在大坡度盤旋等類別上的準確率達到95%以上。

參考文獻：

［1］謝川，倪世宏，張宗麟，等.一種基于知識的特技飛行動作快速識別方法［J］.計算機工程，2004，30（12）：116-118.

XieChuan，NiShihong，ZhangZonglin，etal.AKnowledge-BasedFastRecognitionMethodofAcrobaticManeuver［J］.ComputerEngineering，2004，30（12）：116-118.（inChinese）

［2］倪世宏，史忠科，謝川，等.軍用戰機機動飛行動作識別知識庫的建立［J］.計算機仿真，2005，22（4）：23-26.

NiShihong，ShiZhongke，XieChuan，etal.EstablishmentofAvionInflightManeuverActionRecognizingKnowledgeBase［J］.ComputerSimulation，2005，22（4）：23-26.（inChinese）

［3］王樂，黃長強，魏政磊.基于SSA算法的飛行動作規則自動提取［J］.計算機工程與應用，2019，55（14）：203-208.

WangLe，HuangChangqiang，WeiZhenglei.AutomaticExtractionofFlightManeuverRulesBasedonSSA［J］.ComputerEngineeringandApplications，2019，55（14）：203-208.（inChinese）

［4］方偉，王玉，閆文君，等.基于DTW的復雜飛行動作快速評估方法研究［J］.中國電子科學研究院學報，2022，17（1）：44-49.

FangWei，WangYu，YanWenjun，etal.ResearchontheRapidEvaluationMethodofComplexFlightActionBasedonDTW［J］.JournalofChinaAcademyofElectronicsandInformationTechnology，2022，17（1）：44-49.（inChinese）

［5］周超，樊蓉，張戈，等.基于多元時間序列融合的飛行動作識別方法［J］.空軍工程大學學報：自然科學版，2017，18（4）：34-39.

ZhouChao，FanRong，ZhangGe，etal.AFlightActionRecognitionBasedonMultivariateTimeSeriesFusion［J］.JournalofAirForceEngineeringUniversity：NaturalScienceEdition，2017，18（4）：34-39.（inChinese）

［6］李鴻利，單征，郭浩然.基于MDTW的飛行動作識別算法［J］.計算機工程與應用，2015，51（9）：267-270.

LiHongli，ShanZheng，GuoHaoran.FlightActionRecognitionAlgorithmBasedonMDTW［J］.ComputerEngineeringandApplications，2015，51（9）：267-270.（inChinese）

［7］張玉葉，王穎穎，王春歆，等.分析參數相關和時序特征的飛行動作識別方法［J］.計算機工程與應用，2016，52（5）：246-249.

ZhangYuye，WangYingying，WangChunxin，etal.AcrobaticManeuverReorganizationMethodComparedwithParametersRelevanceandFeatureofSequenceChange［J］.ComputerEngineeringandApplications，2016，52（5）：246-249.（inChinese）

［8］沈一超，倪世宏，張鵬.基于貝葉斯網絡的飛行動作識別方法［J］.計算機工程與應用，2017，53（24）：161-167.

ShenYichao，NiShihong，ZhangPeng.FlightActionRecognitionMethodBasedonBayesianNetwork［J］.ComputerEngineeringandApplications，2017，53（24）：161-167.（inChinese）

［9］顏廷龍，李瑛，王鳳芹.基于MRF模型的飛機飛行動作識別劃分算法［J］.計算機工程與科學，2022，44（1）：159-164.

YanTinglong，LiYing，WangFengqin.RecognitionandDivisionofAircraftFlightActionBasedonMRFModel［J］.ComputerEngineering＆Science，2022，44（1）：159-164.（inChinese）

［10］王志剛，楊寧，米禹豐.基于動態時間規劃和支持向量機的飛機機動動作識別方法［J］.飛機設計，2020，40（4）：35-40.

WangZhigang，YangNing，MiYufeng.MethodonAircraftManeuverMotionRecognitionBasedonDynamicTimeWarpingandSupportVectorMachine［J］.AircraftDesign，2020，40（4）：35-40.（inChinese）

［11］方偉，王玉，閆文君，等.基于神經網絡的符號化飛行動作識別［J］.系統工程與電子技術，2022，44（3）：737-745.

FangWei，WangYu，YanWenjun，etal.SymbolizedFlightActionRecognitionBasedonNeuralNetwork［J］.SystemsEnginee-ringandElectronics，2022，44（3）：737-745.（inChinese）

［12］VaswaniA，BengioS，BrevdoE，etal.Tensor2TensorforNeuralMachineTranslation［EB/OL］.（2018-03-16）［2022-04-13］.https：∥arxiv.org/abs/1803.07416，2018.

［13］Al-NaymatG，ChawlaS，TaheriJ.SparseDTW：ANovelApproachtoSpeedupDynamicTimeWarping［EB/OL］.（2012-01-13）［2022-04-23］.https：∥arxiv.org/abs/1201.2969.

［14］KeoghE，RatanamahatanaCA.ExactIndexingofDynamicTimeWarping［J］.KnowledgeandInformationSystems，2005，7（3）：358-386.

［15］李海林，郭崇慧，楊麗彬.基于分段聚合時間彎曲距離的時間序列挖掘［J］.山東大學學報：工學版，2011，41（5）：57-62.

LiHailin，GuoChonghui，YangLibin.TimeSeriesMiningBasedonPiecewiseAggregateTimeWarpingDistance［J］.JournalofShandongUniversity：EngineeringScience，2011，41（5）：57-62.（inChinese）

［16］AdwanS，AlsalehI，MajedR.ANewApproachforImageStit-chingTechniqueUsingDynamicTimeWarping（DTW）AlgorithmtowardsScoliosisX-RayDiagnosis［J］.Measurement，2016，84：32-46.

［17］GravesA.GeneratingSequenceswithRecurrentNeuralNetworks［EB/OL］.（2013-08-04）［2022-04-13］.https：∥arxiv.org/abs/1308.0850.

［18］GoutteC，GaussierE.AProbabilisticInterpretationofPrecision，RecallandF-Score，withImplicationforEvaluation［C］∥AdvancesinInformationRetrieval，2005：345-359.

ResearchonExtractionandRecognitionof

MilitaryAircraftComplexFlightAction

LiChao*，ZhangYuan，JiWanfeng，SiXiaofeng，LiXuan

（SchoolofAviationFundamentals，NavalAviationUniversity，Yantai264000，China）

Abstract：Aircraftflightactionrecognitionanditscorrespondingflightparameterdataextractionarethekeycontentsofflighttrainingqualityanalysis.Atpresent，theflightparameterdatahasfeaturesofbigscale，highdimensionandbigredundancy.Therefore，thispaperproposesanunsupervisedaggregationdynamictimewarpingalgorithm（UADTW）toreducethecomplexityofDTWalgorithm，helpmanualestablishthesampledatasetquicklyandextractthecorrelationcharacteristicsofstandardsequence.Atthesametime，accordingtothecharacteristicsofcomplexflightaction，adeepneuralnetworkmodelisconstructedtolearnthecharacteristicsofflightactionsequence，thedifferencecharacteristicsandthecorrelationcharacteristicsofstandardsequence.Basedonthedeepneuralnetworkmodel，thispaperdesignsaselfselectionfeaturelayerandproposesaself-selectivedeepneuralnetwork（SDNN）model，whichcanindependentlyselectthefeaturesthatcontributegreatlytoflightactionrecognitionandimprovethecharacterizationofflightparameterdatabyfeaturerepresentation.ThepracticalapplicationshowsthatthemethodofflightactionextractionandrecognitionbasedonUADTWandSDNNcanreducethelaborcostandeffectivelyimprovetheaccuracyofflightactionrecognition.

Keywords：aircraftflightaction;self-selectivemechanism;dynamictimewarping;neuralnetwork;flightparameterdata

收稿日期：2022-04-24

基金項目：國家自然科學基金項目（62076249）；山東省自然科學基金項目（ZR2020MF154）;山東省重點研發計劃項目（2020CXGC010701；2020LYS11）

*作者簡介：李超（1989-），男，山東濟南人，碩士，講師。