基于卷積神經網絡的單機空戰威脅評估

方 偉，張婷婷，余應福，譚凱文

（1.海軍航空大學，山東煙臺 264001；2.海戰場信息感知與融合技術國家級實驗教學中心，山東煙臺 264001）

現代科技發展迅速，空中戰場環境愈發復雜，作戰模式趨向智能化，掌握對敵方戰機進行快速準確地威脅評估對于我方戰機的意義凸顯[1]?？諔鹜{評估既為我機的火力分配和戰時部署決策提供了理論依據[2-3]，也是空戰態勢感知的迫切需求[4]，是戰機奪取作戰主動權的關鍵因素[5]。

在現有的評估方法中，建模法[6-10]能夠提高威脅評估的準確率，但由于計算時間受到模型復雜度和數據量的制約，實時性較差，不滿足空戰實際需求。數據法由于不需要建模而節省了大量時間，提高了計算效率，但評估準確率較低，不能為空戰飛行員提供可靠的參考依據[11-12]。

針對以上兩種方法存在的問題，文中提出一種基于卷積神經網絡（CNN）的空戰威脅評估模型[13-15]。首先基于作戰任務背景對空戰要素進行分析，提取主要威脅指標；然后構建威脅指數函數，以威脅要素為輸入，輸出威脅值；最后將威脅值量化后生成訓練樣本數據，利用卷積神經網絡模型進行訓練，實現對空戰目標的及時準確的威脅評估。

1 威脅評估影響要素提取

對于單機空戰，對敵方飛機的威脅評估主要考慮敵我雙方的作戰態勢、機載武器裝備的性能以及電子干擾等因素，該模型訓練時設定敵我兩機作戰實力相當，空戰能力威脅不納入考慮。選取敵方飛機的飛行速度Vb(km/h)、我方飛機的飛行速度Vr(km/h)、相對飛行高度Hb(km)、相對距離R(km)和敵我兩機航向角φb、φr六個因素[16-18]，計算威脅指數。

1.1 敵機速度

敵機速度指敵方飛機的飛行速度。速度越快，機動時間越短，越容易取得優勢，對我方造成的威脅越大。速度威脅指數如下：

其中，Tv表示速度威脅指數，Vb為敵機飛行速度，Vr為我機飛行速度。當敵機速度小于我機速度的0.6 倍時，我機占據主要優勢，當面臨威脅時可以通過加速遠離敵方攻擊范圍；當敵機速度在我機速度的0.6 倍和1.5 倍之間時，由于速度相差較小，敵機對我方威脅增大，很難僅憑加減速度奪取戰場優勢；當敵機速度大于我機速度1.5 倍時，敵方占據有利條件，我方飛機受到的威脅最大。

1.2 敵機高度

敵機高度指敵方飛機在垂直方向上與我方飛機的距離。在近距單機空戰過程中，敵方飛機比我方飛機越高，對我方造成的威脅越大，若敵機在我機下方，則我機占據有利態勢。高度威脅指數如下：

其中，TH表示高度威脅指數，Hb表示敵機高度，正值表示敵機在我機垂直上方，負值表示敵機在我機垂直下方。當敵機在我方飛機垂直上方超過5 000 km 距離時，對我機造成的威脅最大，敵機在我方飛機垂直下方超過5 000 km 距離時，對我機造成的威脅最小。

1.3 敵機距離

敵機距離指敵方飛機與我方飛機的連線距離。敵機與我機之間的距離越小，我機越容易進入敵機武器裝備攻擊范圍，所得機動決策的時間越短，對我機的威脅越大；同理可知敵機距離越大，對我機的威脅越小。距離威脅指數如下：

其中，Tr表示距離威脅指數，R為敵機距離，Rb為敵機武器攻擊距離，Rm為我機武器攻擊距離，Rr為雷達最大跟蹤距離。

1.4 敵機航向角

敵機航向角是指我機與敵機連線與敵我兩機飛行軌跡方向的夾角。夾角越大，敵機對我機的威脅越大，夾角越小，敵機對我機的威脅越小。角度威脅指數如下：

其中，TA表示角度威脅指數，φb為敵機速度矢量方向與敵我兩機連線的夾角，φr為我機速度矢量方向與敵我兩機連線的夾角。根據公式可以看出，角度威脅指數隨著兩個夾角的增大而增大。

根據文獻[19]可知，敵機的威脅值為角度威脅因子與距離威脅因子乘積后與其他因子加權得到，即：

其中，a1、a2、a3為各威脅因子的權重。文中取權重系數為a1=a2=1、a3=1.5。

2 威脅評估網絡模型

2.1 威脅評估樣本數據的構建

根據上述方法提取評估要素并計算相應威脅評估指標，然后，結合各威脅因子的權重計算得到每組數據中敵機對我機的威脅值，為了便于訓練，減少訓練時間，將所得威脅值進行量化，文中將空戰威脅值分為三個等級，0、1、2 分別代表威脅程度較小、威脅程度中等、威脅程度較大。最后，以空戰威脅要素為輸入、量化后的威脅評估等級為輸出，組成威脅評估模型樣本數據。

2.2 卷積神經網絡

在解決分類問題上，卷積神經網絡具有較強的識別能力，它的學習機制與人工神經網絡相同，由前向傳遞和后向傳遞組成，是在它的一個或多個層中使用卷積函數的一種神經網絡。卷積神經網絡由特征提取子系統和分類器子系統兩部分組成。特征提取子系統是區別于卷積神經網絡和其他特征提取方法的重要組成部分，特征提取子系統包括輸入層、卷積層和池化層。卷積層主要用于提取輸入數據的全部信息，實現特征提取功能；池化層用于壓縮數據和特征信息，以減少數據的空間大小，特征提取子系統的輸出作為卷積神經網絡第二部分分類器子系統的輸入，分類子系統包括全連接層。全連接層主要是將提取的特征加權之后進行非線性變換，然后映射到樣本標記空間，實現分類功能。網絡結構如圖1所示，模型訓練網絡參數如表1 所示。

表1 模型訓練網絡參數

圖1 卷積神經網絡結構

2.3 威脅評估模型的構建

鑒于模型法準確度高卻難以保證實時性、數據法實時性高卻準確率不足的問題，文中提出一種基于卷積神經網絡的單機空戰威脅評估模型。首先根據威脅指數計算公式得到單機空戰過程中每個時間點的敵機威脅值，然后將威脅值量化，生成樣本數據，最后利用卷積神經網絡進行訓練，實現單機空戰環境中對敵機的威脅評估。模型基本結構如圖2 所示，基本步驟如下：

圖2 單機空戰威脅評估網絡模型基本結構

步驟一：從空戰數據中提取威脅評估影響要素；

步驟二：根據威脅指數計算公式計算相應威脅評估指數；

步驟三：確定各威脅指數權重；

步驟四：結合權重和評估指數計算得出敵機威脅值；

步驟五：將威脅值進行量化，分為0、1、2 三個等級；

步驟六：以威脅評估影響要素為輸入，威脅評估等級為輸出，生成訓練樣本數據；

步驟七：構建卷積神經網絡，訓練樣本數據，實現單機空戰情境下的威脅評估。

3 仿真分析

3.1 數據預處理

實驗采用飛行模擬器進行真實單機對抗，采集作戰過程中的數據信息，提取實驗所需特征要素，主要包括敵方飛機的飛行速度Vb(km/h)、我方飛機的飛行速度Vr(km/h)、兩機相對飛行高度Hb(km)、兩機相對距離R(km) 和敵我兩機航向角φb、φr六個要素，根據威脅指數計算公式得到每組對應的威脅值。其中，實驗設定敵我雙方飛機實力性能相當，即武器攻擊范圍相近，有：

將所得威脅值進行量化，具體標準如表2 所示，由此得到3 600 組輸入為六項要素，輸出為一項威脅等級的樣本數據。

表2 威脅值量化標準

3.2 仿真實驗

3.2.1 不同樣本數量對模型的影響分析實驗

將樣本數據等比例分成訓練集樣本和測試集樣本，設置模型參數為卷積層為四層、卷積核為1×5、迭代次數300 次、批樣本數量為64，對模型進行訓練。分別輸入2 000 組、2 500 組和3 600 組樣本數據進行實驗，分析樣本數量對模型性能的影響，選取損失函數和識別準確率作為衡量模型性能優劣的標準。圖3 和圖4 分別展示了樣本數量為2 000 組時的損失函數和識別準確率，圖5 和圖6 分別展示了樣本數量為2 500 組時的損失函數和識別準確率，圖7 和圖8 分別展示了樣本數量為3 600 組時的損失函數和識別準確率。

圖3 2 000組樣本訓練時的損失值

圖4 2 000組樣本訓練時的識別準確率

圖5 2 500組樣本訓練時的損失值

圖6 2 500組樣本訓練時的識別準確率

圖7 3 600組樣本訓練時的損失值

圖8 3 600組樣本訓練時的識別準確率

根據以上仿真實驗可知，2 000組、2 500組、3 600組樣本數據下模型訓練的平均識別準確率分別為98.27%、98.50%、98.06%，說明該網絡模型的識別準確率受樣本數量影響較小，均能達到98%以上，對于處理大樣本數據，同樣具有較強的適用性。根據對比損失函數和識別準確率變化，可以看到模型訓練過程中損失函數較小，該模型魯棒性較好，且識別準確率變化幅度較小，說明該模型穩定性較好。

3.2.2 算法識別性能比較

將文中網絡模型與標準化全連接殘差網絡模型[20]和基于加權動態云貝葉斯網絡模型[21]進行仿真，對比結果如表3 所示。從表中可以看出，引入卷積神經網絡對樣本數據進行訓練，有效提升了模型的特征提取能力，同時，將威脅值量化為三個威脅等級后，縮短了模型的訓練時間，使該網絡模型更加符合空中對抗的實時性要求，仿真對比表明，該網絡模型在單機空戰威脅評估上具有更高的識別準確率。

表3 網絡模型訓練結果對比

4 結論

文中針對傳統的空戰威脅評估方法中建模法準確率較高，但由于計算時間受到模型復雜度和數據量的制約，實時性較差；數據法提高了計算效率，但評估準確率較低的問題，提出了一種基于卷積神經網絡的空戰威脅評估模型。首先基于作戰任務背景對空戰要素進行分析，提取主要威脅指標；然后構建威脅指數函數，以威脅要素為輸入，輸出威脅值；最后將威脅值量化后生成訓練樣本數據，利用卷積神經網絡模型進行訓練，實現對空戰目標的威脅評估。該模型能夠在提高單機空戰威脅評估準確率的同時，兼顧運算實時性，既滿足了實戰需求，為飛行員提供了機動決策的理論依據，也為奪取空中戰場的勝利貢獻了重要的作用。