李超 張?jiān)? 汲萬峰 司曉鋒 李璇

引用格式：李超，張?jiān)?，汲萬峰，等.軍用機(jī)型復(fù)雜飛行動(dòng)作提取與識(shí)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(dòng)作識(shí)別及其對(duì)應(yīng)飛參數(shù)據(jù)的提取是飛行訓(xùn)練質(zhì)量分析的關(guān)鍵內(nèi)容?，F(xiàn)階段的飛參數(shù)據(jù)量大、維度高、冗余數(shù)據(jù)多，為此提出了無監(jiān)督聚合動(dòng)態(tài)時(shí)間規(guī)整（UADTW）算法，降低動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法復(fù)雜度，幫助人工快速建立樣本集，并提取標(biāo)準(zhǔn)序列相關(guān)性特征。同時(shí)，根據(jù)復(fù)雜飛行動(dòng)作特點(diǎn)，構(gòu)造深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)飛行動(dòng)作序列特征、差量特征和標(biāo)準(zhǔn)序列相關(guān)性，并在此基礎(chǔ)上設(shè)計(jì)了自選擇特征層，提出自選擇深度神經(jīng)網(wǎng)絡(luò)（SDNN）模型，該模型能夠自主選擇對(duì)飛行動(dòng)作識(shí)別較大貢獻(xiàn)的特征，進(jìn)一步提高特征表示對(duì)飛參數(shù)據(jù)的刻畫。本文所提出的UADTW和SDNN飛行動(dòng)作提取及識(shí)別方法能夠減少人工成本，并有效提升了飛行動(dòng)作識(shí)別的準(zhǔn)確率。

關(guān)鍵詞：飛行動(dòng)作；自選擇機(jī)制；動(dòng)態(tài)時(shí)間規(guī)整；神經(jīng)網(wǎng)絡(luò)；飛參數(shù)據(jù)

中圖分類號(hào)：TJ760；V271.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-5048（2023）01-0127-08

DOI：10.12132/ISSN.1673-5048.2022.0080

0引言

飛行訓(xùn)練一直是提高飛行員飛行技術(shù)、保障飛行安全的一項(xiàng)重要內(nèi)容。飛行訓(xùn)練質(zhì)量的客觀分析可通過飛參數(shù)據(jù)回放進(jìn)行評(píng)估，但飛參數(shù)據(jù)量大、維度高，對(duì)于飛行訓(xùn)練質(zhì)量分析、操縱品質(zhì)檢測(cè)來說，大部分?jǐn)?shù)據(jù)為冗余數(shù)據(jù)。飛行動(dòng)作識(shí)別及其飛參序列數(shù)據(jù)的提取可快速定位關(guān)鍵的飛參數(shù)據(jù)，提高工作的高效性和準(zhǔn)確性。為此，飛行動(dòng)作識(shí)別與分析對(duì)于飛行員提高飛行駕駛技術(shù)、保障飛行安全具有重要意義［1］。

飛參數(shù)據(jù)記錄了整個(gè)飛行過程中的參數(shù)，但并沒有對(duì)所訓(xùn)練的飛行動(dòng)作進(jìn)行特別標(biāo)記，完整的飛行動(dòng)作識(shí)別過程應(yīng)包含飛參數(shù)據(jù)的提取及其分類。目前，飛參數(shù)據(jù)的提取方法主要是由該領(lǐng)域?qū)＜彝ㄟ^人工基于規(guī)則的方式［2-3］提取，但飛參數(shù)據(jù)數(shù)量多、維度高，此種方式浪費(fèi)大量的人工成本，且可擴(kuò)展性差。飛行動(dòng)作識(shí)別方法主要包含相似性匹配的方法［4-7］和基于典型機(jī)器學(xué)習(xí)的方法［8-12］。在飛行動(dòng)作識(shí)別的兩類方法中，模型構(gòu)造較為簡(jiǎn)單且易實(shí)現(xiàn)，但相似度匹配的方法很難區(qū)分相近的飛行動(dòng)作，如大盤度盤旋和大坡度轉(zhuǎn)彎，且閾值不能客觀定義；貝葉斯、支持向量機(jī)等飛行動(dòng)作識(shí)別方法在處理

多維時(shí)間序列數(shù)據(jù)時(shí)，通常將多維拉平為一維，將破壞在橫向時(shí)間維度上的規(guī)律，不能很好地學(xué)習(xí)到此刻飛行狀態(tài)特征與前后時(shí)間上飛行狀態(tài)特征之間的關(guān)系。

根據(jù)當(dāng)前飛行動(dòng)作識(shí)別及其飛參數(shù)據(jù)提取的問題，本文提出一種新的解決思路，通過改進(jìn)動(dòng)態(tài)時(shí)間規(guī)整算法，提高算法效率，輔助標(biāo)記飛行動(dòng)作樣本，降低人工成本，并提出自選擇深度神經(jīng)網(wǎng)絡(luò)模型（Self-SelectiveDeepNeuralNetwork，SDNN），自主選擇對(duì)飛行動(dòng)作識(shí)別較大貢獻(xiàn)特征，進(jìn)一步提高飛行動(dòng)作識(shí)別率。該方法能夠準(zhǔn)確識(shí)別飛行動(dòng)作并提取其對(duì)應(yīng)的飛參數(shù)據(jù)，已得到相關(guān)領(lǐng)域人員的驗(yàn)證和應(yīng)用。

1相關(guān)工作

1.1飛行動(dòng)作識(shí)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(dòng)作的飛參數(shù)據(jù)和飛行時(shí)間存在差異，即相同飛行動(dòng)作的序列特征不同和序列不定長(zhǎng)。動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法可進(jìn)行“扭曲匹配”實(shí)現(xiàn)數(shù)據(jù)對(duì)齊，適合計(jì)算飛行動(dòng)作不定長(zhǎng)的相似性，李鴻利等［6］利用DTW的思想識(shí)別飛行動(dòng)作，同時(shí)針對(duì)多元時(shí)間序列進(jìn)行多維融合提出多元?jiǎng)討B(tài)時(shí)間規(guī)整（MDTW）的算法。張玉葉等［7］為降低DTW的計(jì)算復(fù)雜度，提出利用主成分分析（PCA）

提取其參數(shù)相關(guān)度統(tǒng)計(jì)特征，先進(jìn)行粗分類，再使用DTW的算法細(xì)分類。DTW的思想主要是通過相似度匹配的方法識(shí)別飛行動(dòng)作，而基于機(jī)器學(xué)習(xí)的方法可通過機(jī)器自主學(xué)習(xí)飛參數(shù)據(jù)規(guī)律。沈一超等［8］融合多個(gè)描述特征構(gòu)建貝葉斯網(wǎng)絡(luò)識(shí)別飛行動(dòng)作，其特征的構(gòu)建需要定義大量閾值，特征表示主觀性較強(qiáng)。顏廷龍等［9］使用馬爾可夫隨機(jī)場(chǎng)（MRF）模型表示時(shí)間序列中相鄰飛參數(shù)據(jù)的相關(guān)關(guān)系，進(jìn)而描述其飛行動(dòng)作的特征，能夠減少標(biāo)注樣本的人工成本，但在識(shí)別差異性較小的飛行動(dòng)作上表現(xiàn)一般。王志剛等［10］基于支持向量機(jī)（SVM）算法識(shí)別飛行動(dòng)作，但對(duì)于多維時(shí)間序列數(shù)據(jù)，不能很好地學(xué)習(xí)到橫向時(shí)間維度上的規(guī)律。方偉等［11］提出一種基于神經(jīng)網(wǎng)絡(luò)符號(hào)化模型的方法，將時(shí)間特征轉(zhuǎn)換為圖像特征，通過串聯(lián)CNN和LSTM實(shí)現(xiàn)對(duì)飛行動(dòng)作模塊化處理。該方法的實(shí)驗(yàn)數(shù)據(jù)使用模擬數(shù)據(jù)，將復(fù)雜的飛行動(dòng)作拆分成一系列的基本飛行動(dòng)作，相比實(shí)際飛參數(shù)據(jù)，該方法過于理想化。本文同樣采用深度學(xué)習(xí)的方法，根據(jù)實(shí)際飛參數(shù)據(jù)的特點(diǎn)，結(jié)合了動(dòng)態(tài)時(shí)間規(guī)整和深度學(xué)習(xí)兩者的優(yōu)勢(shì)提取并學(xué)習(xí)飛行動(dòng)作特征，相比經(jīng)典機(jī)器學(xué)習(xí)的方法，該方法更適合處理多維時(shí)序的飛參數(shù)據(jù)。

1.2DTW模型

動(dòng)態(tài)時(shí)間規(guī)整（DTW）是一種衡量?jī)蓚€(gè)時(shí)間序列之間相似度的算法，當(dāng)兩個(gè)時(shí)間序列在時(shí)間線上不對(duì)齊時(shí)，DTW算法能夠?qū)δ硞€(gè)時(shí)間序列在時(shí)間軸上進(jìn)行扭曲（Warping），使得兩個(gè)序列的形態(tài)盡可能的一致，以達(dá)到最大可能的相似。但DTW算法適合處理一維數(shù)據(jù)且復(fù)雜度高，不適合處理高維度復(fù)雜飛行動(dòng)作，而飛參數(shù)據(jù)是多元的時(shí)間序列數(shù)據(jù)，若將多元空間的數(shù)據(jù)拉平至一維空間數(shù)據(jù)，不僅忽略了縱向上各個(gè)參數(shù)之間的關(guān)系，而且算法執(zhí)行效率較低。在算法復(fù)雜度方面，許多學(xué)者對(duì)DTW算法進(jìn)行了改進(jìn)，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(shù)LB_Keogh，將特征序列構(gòu)建新的上、下包絡(luò)線；李海林等［15］利用分段聚合近似方法對(duì)時(shí)間序列進(jìn)行特征提取和降維；Adwan等［16］利用重新拼接的時(shí)間序列進(jìn)行分段聚合。目前，減小DTW計(jì)算復(fù)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(shí)間序列長(zhǎng)度。本文針對(duì)飛行動(dòng)作序列的特點(diǎn)，利用無監(jiān)督學(xué)習(xí)的方法，提出無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法（UnsupervisedAggregationDynamicTimeWarping，UADTW），保證縱向參數(shù)之間關(guān)系的同時(shí)縮短序列長(zhǎng)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(fù)雜度，提高算法執(zhí)行效率。

2基于UADTW和SDNN的飛行動(dòng)作提取及識(shí)別算法

本文飛行動(dòng)作提取及識(shí)別的算法流程如圖1所示。具體步驟如下：

（1）飛行動(dòng)作數(shù)據(jù)提取。依據(jù)專家經(jīng)驗(yàn)從飛參數(shù)據(jù)中提取飛行動(dòng)作的標(biāo)準(zhǔn)序列數(shù)據(jù)作為基準(zhǔn)數(shù)據(jù)，并根據(jù)飛行動(dòng)作標(biāo)準(zhǔn)序列Q=（q1，q2，…，qm），將飛參數(shù)據(jù)F=（f1，f2，…，fn）切割，做相似度計(jì)算生成飛行動(dòng)作片段。

（2）飛行動(dòng)作初步判斷并確定樣本。利用UADTW計(jì)算飛行動(dòng)作片段和飛行動(dòng)作標(biāo)準(zhǔn)序列Q的相似性，進(jìn)一步篩選飛行動(dòng)作的類別，生成候選樣本，并經(jīng)最終人工確定樣本X，標(biāo)注類別標(biāo)簽Y。同時(shí)，將無監(jiān)督模型學(xué)習(xí)到相關(guān)性特征向量W作為飛行動(dòng)作識(shí)別模型的部分輸入。

（3）建立模型數(shù)據(jù)集。根據(jù)樣本集數(shù)據(jù)提取飛行狀態(tài)序列X、計(jì)算差量特征D，并與規(guī)整距離向量W共同構(gòu)建模型數(shù)據(jù)集（X，W，D，Y）。

（4）構(gòu)造飛行動(dòng)作識(shí)別模型并訓(xùn)練。構(gòu)建自選擇深度神經(jīng)網(wǎng)絡(luò)模型（SDNN），學(xué)習(xí)與識(shí)別飛行動(dòng)作相關(guān)性較強(qiáng)的飛參特征表征，并通過迭代訓(xùn)練生成模型，用于對(duì)候選樣本的分類。

2.1飛行動(dòng)作數(shù)據(jù)提取算法

飛參數(shù)據(jù)量巨大，且冗余數(shù)據(jù)較多，人工提取樣本難度巨大，為減少人工提取成本，本文設(shè)計(jì)了多層提取及篩選飛行動(dòng)作數(shù)據(jù)的方法，該方法可獲取樣本候選集，為進(jìn)一步提高樣本質(zhì)量，人工對(duì)候選集進(jìn)行確定及標(biāo)注，最終形成飛行動(dòng)作樣本集。同時(shí)，該方法可提取出與飛行動(dòng)作標(biāo)準(zhǔn)序列相關(guān)性較高的特征，用于飛行動(dòng)作識(shí)別。

2.1.1飛參數(shù)據(jù)切割并計(jì)算

通過與標(biāo)準(zhǔn)序列數(shù)據(jù)比對(duì)，快速去除冗余數(shù)據(jù)，提取飛行動(dòng)作候選序列。給定長(zhǎng)度為n的飛參時(shí)間序列F=（f1，f2，…，fn），根據(jù)i類飛行動(dòng)作的標(biāo)準(zhǔn)序列Qi=（qi1，qi2，…，qim）的長(zhǎng)度m定義滑動(dòng)窗口長(zhǎng)度。飛參時(shí)間序列F通過窗口滑動(dòng)生成（n－m+1）個(gè)子序列（如圖2所示），每個(gè)子序列用f′i表示，那么（n－m+1）個(gè)子序列構(gòu)成的新數(shù)據(jù)序列為F′=（f′1，f′2，…，f′n－m+1），利用歐式距離（ED）計(jì)算每個(gè)子序列f′i與i類飛行動(dòng)作的標(biāo)準(zhǔn)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(dòng)作的閾值Ni，若dj

2.1.2無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法

為提高飛行動(dòng)作序列的準(zhǔn)確度，進(jìn)一步減少人工篩選樣本的時(shí)間成本，采用UADTW算法獲取更高準(zhǔn)確率的樣本。為更好地保證縱向參數(shù)之間關(guān)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(gòu)建了無監(jiān)督網(wǎng)絡(luò)模型（如圖3），利用2.1.1節(jié)初步判定的飛行動(dòng)作序列E作為訓(xùn)練集，學(xué)習(xí)飛行動(dòng)作飛參數(shù)據(jù)的特征表示。該模型主要包含兩個(gè)過程：

（1）輸入層E到隱藏層H的編碼過程。根據(jù)飛行動(dòng)作序列E具有時(shí)序性的特點(diǎn)，模型隱藏層ht與輸入層et和上一節(jié)點(diǎn)的隱藏層ht－1相關(guān)：

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(gòu)誤差損失函數(shù)：

f（u，v，w，b）=1N∑Nr=1（Er－E*r）2（4）

式中：u，v，w，b為參數(shù)；N為總飛行動(dòng)作片段數(shù)量。

迭代訓(xùn)練后，模型隱藏層H可作為飛行動(dòng)作序列的特征表征。初選的飛行動(dòng)作序列E和飛行動(dòng)作標(biāo)準(zhǔn)序列Q利用飛行動(dòng)作無監(jiān)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(jù)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(gè)時(shí)間序列性距離最短的代價(jià)路徑K，利用動(dòng)態(tài)規(guī)劃算法計(jì)算累積距離矩陣r，最后可以得到兩個(gè)時(shí)間序列的距離表示Dis（J′i，Q′i）=r（m，m）。

算法1無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法：

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

輸出：Dis（E′i，Q′i）

（1）根據(jù)訓(xùn)練后的飛行動(dòng)作無監(jiān)督聚合模型，利用式（2）計(jì)算時(shí)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(jì)矩陣r。設(shè)定k，j的初始值為1，則r（1，1）=d（1，1）。

（4）k=k+1，j=2。

（5）計(jì)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(zhí)行第（8）步，否則執(zhí)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(dòng)作閾值，則將飛行動(dòng)作片段Ei歸屬到i類候選飛行動(dòng)作集合Si=（si1，si2，…，sin）。

多元時(shí)間序列Qi和Ei，通過無監(jiān)督聚合網(wǎng)絡(luò)聚合成一元特征序列E′i和Q′i后的動(dòng)態(tài)時(shí)間規(guī)整，如圖5所示。由算法可知，無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法的時(shí)間復(fù)雜度為O（m2），若多元時(shí)間序列Ei中每個(gè)時(shí)刻的飛行狀態(tài)ei1有n維數(shù)據(jù)，則時(shí)間復(fù)雜度將減少n2倍。

通過無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法獲得的候選樣本集合S，再經(jīng)人工篩選便可獲得最終樣本集（X，Y）。實(shí)驗(yàn)表明，無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法能夠得到相對(duì)較好的飛行動(dòng)作識(shí)別率，并且能夠從大量的飛參數(shù)據(jù)中自動(dòng)提取飛行動(dòng)作序列，大大降低了人工提取成本。同時(shí)圖4中最短代價(jià)路徑K所對(duì)應(yīng)的距離數(shù)據(jù)為兩個(gè)序列之間的最短距離，表示其之間的相似性，可作為飛行動(dòng)作識(shí)別特征。

2.2基于自選擇深度神經(jīng)網(wǎng)絡(luò)的飛行動(dòng)作識(shí)別算法

本文借助深度學(xué)習(xí)的思想，針對(duì)飛行動(dòng)作的數(shù)據(jù)特點(diǎn)，構(gòu)造自選擇深度神經(jīng)網(wǎng)絡(luò)模型（SDNN），該模型能夠根據(jù)不同類別的飛行動(dòng)作選擇對(duì)自己貢獻(xiàn)較大的特征。模型構(gòu)造思想從以下三個(gè)方面考慮：（1）在2.1節(jié)中得到的候選樣本集Si與標(biāo)準(zhǔn)飛行動(dòng)作的序列Qi的相關(guān)性對(duì)飛行動(dòng)作識(shí)別有較大貢獻(xiàn)，本文利用全連接層學(xué)習(xí)其相關(guān)性特征。（2）受飛行空域、任務(wù)等因素的影響，部分重要的飛參數(shù)據(jù)需要重新提取差量特征，利用模型學(xué)習(xí)其特征表示；（3）在飛參序列數(shù)據(jù)中，關(guān)鍵的特征表征可以更好地區(qū)分飛行動(dòng)作類別，自選擇機(jī)制可自主選擇其貢獻(xiàn)較大的特征，利于提高飛行動(dòng)作的識(shí)別率。同時(shí)，飛行動(dòng)作序列特征的學(xué)習(xí)選用雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型（BiLSTM），學(xué)習(xí)飛行動(dòng)作在時(shí)間維度上特征表示。

圖6為自選擇深度神經(jīng)網(wǎng)絡(luò)的飛行動(dòng)作識(shí)別模型，模型左邊部分的輸入數(shù)據(jù)為飛行動(dòng)作序列數(shù)據(jù)X，學(xué)習(xí)其序列特征表征；模型中間部分學(xué)習(xí)其序列數(shù)據(jù)與標(biāo)準(zhǔn)飛行動(dòng)作序列數(shù)據(jù)的相關(guān)性特征。飛行狀態(tài)序列X與標(biāo)準(zhǔn)飛行動(dòng)作序列Q利用UADTW算法可獲取2.1節(jié)距離矩陣中最短代價(jià)路徑K對(duì)應(yīng)的距離數(shù)據(jù)，作為相關(guān)性特征向量；模型右邊部分的輸入數(shù)據(jù)為差量特征D，學(xué)習(xí)重要的差量特征表征。三部分特征通過全連接層（FC）學(xué)習(xí)其融合特征，作為模型分類依據(jù)，此部分為深度神經(jīng)網(wǎng)絡(luò)（DNN）層。在此基礎(chǔ)上，加入模型自選擇層C，讓模型自主選擇對(duì)飛行動(dòng)作識(shí)別的較大貢獻(xiàn)特征，以進(jìn)一步提高特征表示對(duì)飛參數(shù)據(jù)的刻畫，提高飛行動(dòng)作識(shí)別準(zhǔn)確率。

2.2.1深度神經(jīng)網(wǎng)絡(luò)模型構(gòu)造

飛行動(dòng)作識(shí)別的深度神經(jīng)網(wǎng)絡(luò)模型（DeepNeuralNetwork，DNN）構(gòu)造如圖7所示。模型可分為差量特征學(xué)習(xí)、標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度學(xué)習(xí)，以及BiLSTM模型學(xué)習(xí)飛行動(dòng)作序列特征表征。

（1）差量特征學(xué)習(xí)。在飛行訓(xùn)練中，飛行動(dòng)作通常比較重視進(jìn)入時(shí)的飛機(jī)狀態(tài)和改出時(shí)的飛機(jī)狀態(tài)，特別是參數(shù)前后的差值變化，如飛機(jī)高度。因空域不同，不同高度都可能進(jìn)行飛行動(dòng)作訓(xùn)練，高度不能直接作為一項(xiàng)重要的特征，而完成飛行動(dòng)作前后高度差及其變化率卻是一項(xiàng)非常重要的特征，計(jì)算公式如下：

dj=（h1－h(huán)2）/t（5）

式中：h1為飛行動(dòng)作進(jìn)入前的高度；h2為飛行動(dòng)作改出后的高度；t為完成飛行動(dòng)作所需要的時(shí)間。

同理，本文提取了飛參數(shù)據(jù)中航向、油門、速度等特征，將完成飛行動(dòng)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(xué)習(xí)，其差量特征表示Pd：

Pd=σ（wD+b）（6）

（2）標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度學(xué)習(xí)。在2.1節(jié)飛行動(dòng)作飛參數(shù)據(jù)提取的工作中，為計(jì)算候選飛行動(dòng)作序列與標(biāo)準(zhǔn)飛行動(dòng)作序列的相似性，構(gòu)建了距離矩陣（如圖4所示），該相似性可作為飛行動(dòng)作識(shí)別的重要依據(jù)。在距離矩陣中，最短的代價(jià)路徑K可表示與標(biāo)準(zhǔn)飛行動(dòng)作序列的距離，其路徑K對(duì)應(yīng)的值作為規(guī)整距離向量W。模型通過該距離向量W學(xué)習(xí)與標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度的特征表示Pw：

Pw=σ（uW+b）（7）

（3）飛行動(dòng)作序列特征學(xué)習(xí)。飛參數(shù)據(jù)是一種多元的時(shí)間序列，并且綜合考慮利用前后飛機(jī)狀態(tài)加強(qiáng)模型對(duì)當(dāng)前飛行狀態(tài)的理解。本文利用雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（BiLSTM）對(duì)飛行狀態(tài)序列進(jìn)行顯式建模，捕捉長(zhǎng)時(shí)依賴特征。Graves［17］深入剖析了LSTM記憶單元的結(jié)構(gòu)及其性能表現(xiàn)。圖7中，Xt為飛行動(dòng)作t時(shí)刻的飛參數(shù)據(jù)，即t時(shí)刻的飛行狀態(tài)，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(jìn)氣壓力。三角符號(hào)代表LSTM模型中的記憶單元，t時(shí)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(duì)于飛行動(dòng)作序列數(shù)據(jù)來說，t時(shí)刻的飛機(jī)狀態(tài)輸出與當(dāng)前飛機(jī)參數(shù)Xt、之前時(shí)刻的飛機(jī)狀態(tài)輸出FPn、之后時(shí)刻的飛機(jī)狀態(tài)輸出BPn共同決定，模型以Pn作為最終飛行動(dòng)作序列特征表示，與差量特征表示Pd、標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度的特征表示Pw融合，并學(xué)習(xí)特征表示H：

Pn=σ（w（BPn‖F(xiàn)Pn）+b）（8）

H=σ（w（Pn‖Pd‖Pw）+b）（9）

2.2.2自選擇機(jī)制構(gòu)建

為更好地刻畫飛行動(dòng)作識(shí)別的飛參特征，本文提出自選擇深度神經(jīng)網(wǎng)絡(luò)模型，其自選擇模塊是在2.2.1節(jié)模型中加入一個(gè)額外的“前饋神經(jīng)網(wǎng)絡(luò)”模塊，該模塊負(fù)責(zé)自動(dòng)學(xué)習(xí)特征貢獻(xiàn)權(quán)重a（如圖8），該權(quán)重包含各個(gè)時(shí)刻飛機(jī)狀態(tài)、差量特征及標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度對(duì)飛行動(dòng)作識(shí)別的貢獻(xiàn)值，分別用ai，ad，aw表示，對(duì)飛行動(dòng)作識(shí)別影響較大的特征能夠獲得較大的權(quán)重。該模塊利用與飛行動(dòng)作特征表示H之間的相關(guān)性學(xué)習(xí)貢獻(xiàn)值，再利用貢獻(xiàn)值權(quán)重a和每個(gè)時(shí)刻的飛行狀態(tài)的特征表示Pt、差量特征表示Pd、標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度Pw相乘，計(jì)算相關(guān)性特征表示C。該特征表示C能夠更好地表征飛行動(dòng)作識(shí)別的飛參特征，并與特征表示H共同作為分類器的輸入。

權(quán)重a和相關(guān)性特征表示C計(jì)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(quán)重a1+a2+…+an+ad+aw=1。

自選擇深度神經(jīng)網(wǎng)絡(luò)模型計(jì)算過程如算法2描述。

算法2基于自選擇深度神經(jīng)網(wǎng)絡(luò)模型的動(dòng)作識(shí)別算法。

輸入：飛行動(dòng)作序列數(shù)據(jù)X、差量輸入向量D、距離向量W。

輸出：參數(shù)θ={w，v，u，b}。

（1）初始化所有模型參數(shù)為小的隨機(jī)值；

（2）while不收斂do。

·輸入沿網(wǎng)絡(luò)前向傳播

序列特征Pn←BiLSTM模型學(xué)習(xí)飛行動(dòng)作序列特征表示；

學(xué)習(xí)標(biāo)準(zhǔn)飛行動(dòng)作相關(guān)度：Pw=tanh（wW+b）；

學(xué)習(xí)差量特征表示：Pd=tanh（wD+b）；

特征表示：H=σ（w（Pn‖Pd‖Pw）+b）；

相關(guān)性特征表示C根據(jù)式（2）～（3）計(jì)算飛行動(dòng)作分類的概率計(jì)算：p=Softmax（w［H‖C］+b）；

優(yōu)化函數(shù)：

JJ（θ）←－1N∑Nj=1∑Mi=1yjilg（pji）。

·反向傳播更新模型權(quán)值θ

計(jì)算Δθ=J（θ）/θ；

更新θ←θ+Δθ；

endwhile。

其中：M為類別數(shù)量；N為樣本數(shù)量；θ為模型的所有參數(shù)。如果樣本j的真實(shí)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(shí)驗(yàn)

3.1數(shù)據(jù)集

軍用飛機(jī)在基本駕駛技術(shù)訓(xùn)練階段常見的飛行動(dòng)作訓(xùn)練科目包含簡(jiǎn)單特技動(dòng)作（小坡度盤旋、升降轉(zhuǎn)彎等）和復(fù)雜特技動(dòng)作（半滾倒轉(zhuǎn)、草花斤斗等）［2］，根據(jù)當(dāng)前軍用機(jī)型的實(shí)際訓(xùn)練科目，主要包含10種飛行動(dòng)作和1種非飛行動(dòng)作的其他類型，共11個(gè)類別。本文實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)集有3643個(gè)，測(cè)試數(shù)據(jù)集有911個(gè)，數(shù)據(jù)集的分布情況如表1所示。

表2中列出了SDNN網(wǎng)絡(luò)模型主要的參數(shù)設(shè)計(jì)。在SDNN模型結(jié)構(gòu)中，BiLSTM為兩層的雙向LSTM層，差量特征和規(guī)整距離特征分別是由全連接層（FClayer）學(xué)習(xí)，其神經(jīng)元個(gè)數(shù)為20。實(shí)驗(yàn)為離線訓(xùn)練，使用交叉驗(yàn)證方法確定的最佳參數(shù)。在迭代過程中，交叉熵?fù)p失達(dá)到1.2后逐漸趨于穩(wěn)定，同時(shí)根據(jù)收斂速度，使用Adam方法調(diào)整學(xué)習(xí)速度，初始學(xué)習(xí)率為10-3。模型訓(xùn)練中記錄最佳參數(shù)模型為最終飛行動(dòng)作識(shí)別模型，該模型的實(shí)時(shí)檢測(cè)時(shí)間達(dá)到10-2s，滿足實(shí)際應(yīng)用要求。

3.2飛行動(dòng)作識(shí)別實(shí)驗(yàn)

為了驗(yàn)證本文提出的自選擇深度神經(jīng)網(wǎng)絡(luò)模型在飛行動(dòng)作識(shí)別方面的有效性，與2.1節(jié)初步篩選飛行動(dòng)作的UADTW算法和2.2.1節(jié)中DNN算法進(jìn)行對(duì)比。本實(shí)驗(yàn)采用分類領(lǐng)域中最基本的評(píng)價(jià)指標(biāo)［18］：準(zhǔn)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(dòng)作數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。

圖9展示了本文主要3種算法在11類飛行動(dòng)作上的F1值分布。UADTW算法的評(píng)估結(jié)果相對(duì)較低，SDNN算法在11類飛行動(dòng)作中評(píng)估結(jié)果較好。表3顯示，大坡度盤旋、半斤斗翻轉(zhuǎn)、半滾倒轉(zhuǎn)、急上升轉(zhuǎn)彎4個(gè)飛行動(dòng)作的評(píng)價(jià)得分較高，其中SDNN算法的F1值都在95%以上。這4種飛行動(dòng)作都有較明顯的飛行動(dòng)作特征，自選擇機(jī)制可以更好地捕捉到其特征，對(duì)比DNN模型，在F1值上表現(xiàn)出較好優(yōu)勢(shì)。

圖10展示了4類典型飛行動(dòng)作注意力權(quán)重a的權(quán)值分布，其中橫坐標(biāo)1～17的權(quán)重a表示不同時(shí)刻飛行狀態(tài)對(duì)飛行動(dòng)作識(shí)別的貢獻(xiàn)，橫坐標(biāo)18～19對(duì)應(yīng)的權(quán)重a為差量特征、標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度的貢獻(xiàn)。如半滾倒轉(zhuǎn)的飛行動(dòng)作，在半滾后會(huì)有個(gè)明顯倒轉(zhuǎn)的動(dòng)作，其特征貢獻(xiàn)權(quán)重a的權(quán)值在6～11s波動(dòng)較大，符合半滾倒轉(zhuǎn)的動(dòng)作特征，同時(shí)標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度貢獻(xiàn)也較大。斤斗動(dòng)作在其圓形運(yùn)動(dòng)軌跡中，最上、最下、最右、最左有較明顯的特征，其貢獻(xiàn)值較大。橫滾和大坡度盤旋的動(dòng)作相對(duì)較為均勻，其貢獻(xiàn)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(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)度的貢獻(xiàn)相對(duì)較大。

3.3對(duì)比實(shí)驗(yàn)

本文算法與同類工作的對(duì)比實(shí)驗(yàn)是在同一數(shù)據(jù)集上以加權(quán)平均準(zhǔn)確率（PAvg）、加權(quán)平均召回率（RAvg）和加權(quán)平均F1（F1Avg）值作為綜合評(píng)價(jià)指標(biāo)：

PAvg=∑ni=1NiNPi（14）

RAvg=∑ni=1NiNRi（15）

F1Avg=∑ni=1NiNF1i（16）

式中：N為評(píng)價(jià)數(shù)據(jù)的總數(shù)；Ni為某類別的數(shù)量；n為類別數(shù)。

表4展示了在飛行動(dòng)作識(shí)別領(lǐng)域的主流算法與本文算法的比較，這些算法中都涉及到動(dòng)態(tài)時(shí)間規(guī)劃算法（DTW）。李鴻利［6］、張玉葉［7］等通過改進(jìn)DTW算法用來識(shí)別飛行動(dòng)作；顏廷龍［9］、王志剛［10］等主要使用DTW算法對(duì)飛行動(dòng)作序列提取或劃分；方偉［11］等與本文主要采用了深度學(xué)習(xí)的方法識(shí)別飛行動(dòng)作。本文通過改進(jìn)DTW算法，在獲取飛行動(dòng)作序列數(shù)據(jù)的同時(shí)，提取與標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)性特征，通過實(shí)驗(yàn)證明其有效性（見圖10）。同時(shí)，本文提出了自選擇深度神經(jīng)網(wǎng)絡(luò)模型（SDNN），該模型能夠?qū)W習(xí)高度差、航向差等差量特征，以及與標(biāo)準(zhǔn)飛行動(dòng)作序列相關(guān)性特征，其自選擇機(jī)制可重點(diǎn)關(guān)注某些時(shí)刻飛行狀態(tài)自選擇貢獻(xiàn)度較高的特征，能夠更好地對(duì)飛參數(shù)據(jù)特征刻畫，其F1Avg達(dá)到0.93，表現(xiàn)出較好成績(jī)，驗(yàn)證了方法的可行性。

本文算法UADTW+SDNN0.930.940.93

4結(jié)束語

本文分析了飛行動(dòng)作領(lǐng)域主要存在兩個(gè)的問題，并針對(duì)這兩個(gè)問題提出了無監(jiān)督聚合的動(dòng)態(tài)時(shí)間規(guī)整算法，降低了DTW算法的復(fù)雜度，減少人工提取飛參數(shù)據(jù)的成本。同時(shí)，該算法提取了飛行動(dòng)作標(biāo)準(zhǔn)序列相關(guān)性特征，與飛參數(shù)據(jù)的差量特征、BiLSTM模型學(xué)習(xí)的序列特征進(jìn)行融合，并利用本文提出的自選擇機(jī)制層自主學(xué)習(xí)飛行動(dòng)作重要的特征表征。借助模型訓(xùn)練實(shí)驗(yàn)，該模型能夠較好地識(shí)別出飛機(jī)訓(xùn)練的飛行動(dòng)作，在大坡度盤旋等類別上的準(zhǔn)確率達(dá)到95%以上。

參考文獻(xiàn)：

［1］謝川，倪世宏，張宗麟，等.一種基于知識(shí)的特技飛行動(dòng)作快速識(shí)別方法［J］.計(jì)算機(jī)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(zhàn)機(jī)機(jī)動(dòng)飛行動(dòng)作識(shí)別知識(shí)庫(kù)的建立［J］.計(jì)算機(jī)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(zhǎng)強(qiáng)，魏政磊.基于SSA算法的飛行動(dòng)作規(guī)則自動(dòng)提?。跩］.計(jì)算機(jī)工程與應(yīng)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(fù)雜飛行動(dòng)作快速評(píng)估方法研究［J］.中國(guó)電子科學(xué)研究院學(xué)報(bào)，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(shí)間序列融合的飛行動(dòng)作識(shí)別方法［J］.空軍工程大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，18（4）：34-39.

ZhouChao，F(xiàn)anRong，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(dòng)作識(shí)別算法［J］.計(jì)算機(jī)工程與應(yīng)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(shù)相關(guān)和時(shí)序特征的飛行動(dòng)作識(shí)別方法［J］.計(jì)算機(jī)工程與應(yīng)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(wǎng)絡(luò)的飛行動(dòng)作識(shí)別方法［J］.計(jì)算機(jī)工程與應(yīng)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(jī)飛行動(dòng)作識(shí)別劃分算法［J］.計(jì)算機(jī)工程與科學(xué)，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(dòng)態(tài)時(shí)間規(guī)劃和支持向量機(jī)的飛機(jī)機(jī)動(dòng)動(dòng)作識(shí)別方法［J］.飛機(jī)設(shè)計(jì)，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(jīng)網(wǎng)絡(luò)的符號(hào)化飛行動(dòng)作識(shí)別［J］.系統(tǒng)工程與電子技術(shù)，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(shí)間彎曲距離的時(shí)間序列挖掘［J］.山東大學(xué)學(xué)報(bào)：工學(xué)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(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（62076249）；山東省自然科學(xué)基金項(xiàng)目（ZR2020MF154）;山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2020CXGC010701；2020LYS11）

*作者簡(jiǎn)介：李超（1989-），男，山東濟(jì)南人，碩士，講師。