空中目标编队自动分析挖掘算法

徐秋坪, 周洁静, 季 海, 耿 明, 乐园园

(中国电子科技集团公司第二十八研究所, 江苏 南京 210007)

0 引 言

随着现代战场态势信息数据量日益增大,从积累的大量态势数据中分析挖掘其潜在价值,归纳目标典型活动规律,提取敌典型作战运用知识,为实时战场态势分析研判、作战指挥决策提供有力支撑,是当前国内外的热点研究课题[1-3]。基于积累的海量目标历史活动数据,可分析挖掘出空袭重点目标[4],可对目标历史活动航迹特征进行聚类分析,挖掘出目标典型活动规律[5-6]以辅助支撑轨迹预测[7-8],但是对于深层次的目标间协同作战编队知识的分析挖掘研究相对较少。因此,有必要开展从海量历史活动数据里分析敌目标间关联关系并挖掘出目标编队的算法模型研究。

针对从历史活动数据中自动分析挖掘空中目标编队知识问题,目前国内外研究文献很少,大多侧重于实时战场态势下编队目标识别判性、编队威胁评估以及编队队形识别等方面研究。文献[9-14]针对实时战场态势下编队目标属性、类型等基本信息识别,以及与编队目标频繁起批相关问题开展了研究,并提出了相应解决算法模型。文献[15-23]针对实时战场态势编队威胁分析评估方面做了相关研究工作,运用机器学习知识从不同维度构建了编队目标威胁综合评价模型,分析实时战场威胁态势。文献[24-28]针对实时战场态势下舰艇编队队形识别问题,从模板匹配、图形处理等不同层面提出了不同的编队队形识别模型。上述研究主要是针对实时战场态势下进行目标编队分析的,考虑日常记录的目标历史活动信息为非实时数据,并且是无规则的离散数据集,存在活动时间跨度大、活动区域分布广等特征,如何快速从海量历史活动数据中自动分析出目标之间的编队信息是文本研究的重点工作。

本文综合考虑掌握的目标历史活动信息有限、活动航迹分布广及离散性特征,分析基于非实时历史活动航迹数据的目标间关联特征,构建两两目标关联识别以及多目标编队自动提取模型,提出了一种简单、易于工程实现的目标编队自动识别算法,可为敌目标作战编队规律知识和战术战法知识挖掘、战场态势事后分析以及实时战场作战编队态势识别等方面的实际工程应用提供一定的技术支撑,具有较大的工程应用价值。

1 问题描述

本文提出的目标编队自动分析挖掘算法运用数据为每日积累的敌空中目标历史活动数据。考虑目标掌握信息有限,该数据主要包含两类信息:①基本信息,由标识、国家地区、名称、任务、发现时间、消失时间、活动阵位等要素组成;②离散航迹点信息,由时间、位置、速度等要素组成。

目标历史活动数据为活动时间跨度大、活动区域分布广的离散数据,如何从这些无规则离散数据中分析出深层次的目标间关联关系并自动挖掘出空中目标编队信息是本文需要解决的问题。本文综合考虑目标掌握信息有限、活动时间和活动区域的分散性以及单目标活动航迹的离散性,从历史活动信息中提取目标间关联特征,构建两两目标关联识别以及目标编队自动提取模型,提出一种简单、易于工程实现的基于历史活动信息的空中目标编队自动分析挖掘算法。

2 目标编队分析挖掘

为解决上述问题,首先需要从积累的目标历史活动信息中分析目标间的关联特征。基于上述目标历史活动数据集,存在关联关系的两目标具有如下特点:两目标飞行时间上具有一定的重合度,在重合时段内二者空间距离上需要具有一定的关联度。因此,可从时间和空间两个维度描述目标关联特征,并基于此特征构建关联评判模型。

(1) 时间维度:考虑目标从出现到消失的整个时间跨度内是否与其他目标存在时间交集,即时间重合度。如果两目标出现和消失的时间交集小于设定阈值,则考虑二者不满足时间维度要求。

(2) 空间维度:目标空间位置信息是飞行时间、速度、航向等特征的综合效果;为避免特征冗余,忽略高度因素对目标关联性判别的影响,则可采用不同时刻的位置信息Hi(t,x,y)作为空间维度特征的描述。

空中目标编队自动分析挖掘算法处理流程如图1所示。首先,对无规则的目标历史活动信息进行数据预处理,通过飞行时长、航迹点数量、独立飞行区域、独立飞行时间等多个维度进行分析过滤,并将各目标航迹按照出动时序排序。接着,基于时序出动目标数据集,提取目标间的关联特征,分析时间重合度、航迹关联度并计算目标间综合关联度,进而构建目标关联矩阵。然后,从目标关联矩阵中分割出若干关联目标群,针对每一个目标群中目标之间的关联性,运用Prim算法思想构建目标编队自动提取模型,挖掘生成目标编队。最后,利用目标基本信息特征构建映射关系进行匹配关联，实现目标间关联关系识别和编队类型研判。

图1 空中目标编队自动分析挖掘模型Fig.1 Automatic analysis and mining model of air target formation

模型具体设计过程描述如下。

步骤 1目标历史活动数据预处理

考虑目标历史活动数据集的无规则性,不同目标飞行时长不同并且分散在较广的区域范围,为便于设计和减少计算量,可利用目标的基本信息对数据集D进行预处理。

步骤 1.1飞行时长过滤

利用单目标基本信息中的开始时间和结束时间,进行飞行时长过滤,可保证所有待分析目标的掌握时长均不小于设定的时间重合度最小阈值。具体过滤条件如下：

(1)

步骤 1.2航迹点数量过滤

利用单目标基本信息中的航迹点数量进行过滤,可保证待分析的目标具有一定的航迹点数量,同时可剔除在满足飞行时长条件下航迹点很少的异常情况。具体过滤条件如下：

n≥n*

(2)

式中：n*为设定的航迹点过滤阈值。

步骤 1.3独立飞行时段过滤

利用目标基本信息中的开始时间和结束时间,进行独立飞行时段过滤;用Δt表征第i个目标与第j个目标的时间独立特征,则

Δt=min(tf(Ti)-t0(Tj),tf(Tj)-t0(Ti))

(3)

如果Δt≤0,则说明第i个目标与第j个目标飞行时间独立。如果第i个目标与其他所有目标均时间独立,则说明第i个目标为独立飞行时段的目标,需要过滤掉该目标。

步骤 1.4独立飞行区域过滤

利用目标基本信息中的活动阵位数据进行区域过滤,剔除掉除自身外与其他所有目标均无活动阵位交集的目标。

区域分布情况如图2所示,图中列出了第j个目标相对于第i个目标的5种可能活动阵位分布,Tj|3～Tj|5分别描述了两目标横向和纵向均无重合、纵向有重合而横向无重合、以及横向有重合而纵向无重合的分布情况,其中d*为设定的区域过滤阈值。活动阵位关联判别条件可描述为

(4)

如果满足式(4)中任意一个条件，则可说明该目标为独立飞行区域的目标。

图2 区域分布情况Fig.2 Regional distribution

步骤2两目标关联研判

图3 时间重合匹配顺序Fig.3 Time coincidence matching sequence

步骤2.1时间重合度判别准则

按照时序排列的目标数据集中存在的时间重合情况分布，如图4所示。

图4 时间重合情况Fig.4 Time coincidence distribution

记当前检测目标Ti的发现和结束时间分别为t10和t1f;待检测目标Ti+1的发现和结束分别为t20和t2f,且t10≥t20。计算目标Ti和目标Ti+1的重合时长:

t12=min((t1f-t20),(t2f-t20))

(5)

步骤2.2航迹关联度判别准则

考虑记录航迹点时间不一致问题,首先需要利用离散航迹点运动特征对两目标进行首位航迹点时刻对准,重合时间段内航迹点对准情况如图5所示。图5中，A表征当前目标时序航迹点序列，B1和B2分别为与之进行关联分析的目标时序航迹点序列。然后,在重合段航迹内互相插入虚拟航迹点,根据两航迹的时间、位置坐标、速度等信息,预测虚拟航迹点位置,实现这两条待检测航迹之间时间重合部分的航迹点(含虚拟航迹点)按时序一一对准。

图5 时间重合段航迹点对准情况Fig.5 Alignment of track points in time coincident segment

采用线性插值方法计算虚拟航迹点位置,设虚拟时间间隔参数为Δty,假设时序对准序列中某一时刻ti位于tp和tq之间,tp时刻航迹点信息为(xp,yp,vp),tq时刻航迹点信息为(xq,yq,vq),则预测虚拟点ti时刻位置信息为

(6)

记Nij为时序对准的两目标航迹点数量。在得到时序对准的两目标重合时段航迹之后,计算对应时刻航迹点距离并判别计算航迹点匹配分值。两目标航迹对应时刻点距离Li可采用欧氏距离计算。

(7)

当η≥ηN时,则说明两目标满足航迹关联度要求,其中ηN为设定的航迹关联点数量阈值。

步骤2.3综合关联度计算

当不满足时间重合度要求时,或者满足时间重合度要求而不满足航迹关联度要求时,两目标间综合关联度值为0。

当满足时间重合度要求和航迹关联度要求时,从图5中可以看出,记两目标的最短飞行时长为tijmin,则

tijmin=min((t0f-t0),(t2f-t20))

(8)

以评分的方式计算时间重合度关联分数Pt。记Ptmin和Ptmax为满足时间重合度要求下的时间关联最小和最大分值,当任意目标飞行时间完全重合，则Pt=Ptmax,当仅满足时间重合阈值时，Pt=Ptmin,当重合时间位于二者之间的情况时,按照时间重合比重计算分值。因此,时间重合度关联分数Pt可表征为

(9)

(10)

进一步,航迹关联度得分Ps可表示为

(11)

两目标间综合关联度Pij可计算为

Pij=Pt+Ps

(12)

记两目标综合关联度阈值为P*,则矩阵λ中实际记录的两目标综合关联度可表示为

(13)

步骤3目标编队挖掘

图6 编队自动提取模型处理流程Fig.6 Processing flow of formation automatic extraction model

步骤4编队特征分析

考虑掌握的历史活动信息有限,本文主要对提取的目标编队中目标间关系特征和编队类型特征进行识别分析。利用战勤值班人员积累的经验知识构建编队特征识别映射关系,通过对编队目标的基本信息匹配关联实现目标间关系识别和编队类型研判。

步骤4.1编队类型研判

定义编队类型主要包括:战斗机编队、轰炸机编队、预警机编队、侦察机编队、干扰机编队、歼击机编队、直升机编队、复合编队、其他编队。本文主要针对这些编队类型进行分析研判。

研判具体思路为:首先,根据战勤值班人员积累的经验知识,构建目标名称与所属型号类型的映射关系模型以及所属型号类型与编队类型的映射关系模型;然后,以编队中k个目标的基本信息中名称特征为输入数据G={S1 m,S2m,…,Skm},根据映射关系判别各目标所属的型号类型,并统计型号类型J={J1,J2,…,Jl},1≤l≤k;进一步,根据编队类型映射关系,判别各型号类型对应的编队类型B={B1,B2,…,Bl},1≤l≤k,如果编队类型数量大于1则输出编队类型为复合编队;否则输出为映射的编队类型。具体的编队类型研判模型处理流程如图7所示。

图7 编队类型研判模型处理流程Fig.7 Processing flow of formation type judgment model

步骤4.2目标间关系识别

定义目标间关系类型主要包括:协同关系、指控关系、信息支援关系、空中加油关系。本文主要针对这些关系类型进行识别。

识别具体思路为:首先,根据战勤值班人员积累的经验知识,结合目标名称与所属型号类型的映射关系模型,建立目标间关系识别规则库。例如:当两目标属于同一型号类型时,则识别为协同关系,当两目标中存在加油机时,则识别为加油机,当两目标中存在侦察机且另一目标不属于加油机时,则识别为信息支援关系,当两目标中存在预警机且另一目标不属于侦察机和加油机时,则识别为指控关系。然后,以两关联目标的基本信息中名称特征为输入数据{Sim,Sjm},根据目标名称与所属型号类型的映射关系模型,判别两目标分别所属的型号类型。进一步,根据构建的型号类型与目标间关系映射知识准则,自动识别两目标间的关联关系类型，具体的识别模型处理流程如图8所示。

图8 目标间关系识别模型处理流程Fig.8 Processing flow of target relationship recognition model

上述构建的目标关系和编队类型等编队特征自动识别模型,可视为已经训练好的神经网络。因目前掌握的历史活动信息要素以及积累的经验知识有限,若能提供更多的信息要素,则可对上述编队类型模型和目标关系识别模型进行扩展,或者运用神经网络进行模型训练学习,识别更多的编队类型或关系,甚至构建更深层次的编队任务特征识别模型,丰富目标编队识别信息。

3 仿真分析

本节通过若干案例来分析验证所提出的空中目标编队自动分析挖掘算法的可行性和有效性。在C++环境下进行仿真验证,每日积累的历史活动信息存储在数据库中约几百条,模型参数设置如表1所示。仿真中涉及距离计算时需将经纬度坐标转换成投影坐标系[29]。

表1 模型参数

以某一日记录的目标历史活动数据为例,自动分析挖掘出3个目标编队,分别为:①地区1的1架F-16和1架IDF组成的战斗编队1;②地区2的1架E-2C、1架EP-3和1架F-15组成的复合编队2;③地区3的1架RC-135与1架KC-135组成的复合编队3,详细结果如表2所示。

表2 目标编队挖掘结果

编队1中目标间关联关系以及综合关联度如表3所示,相应的历史活动航迹如图9所示。可以看出,F-16飞行一段时间之后发现IDF,然后组成协同关系一起飞行,二者飞行轨迹相似度很高,其综合关联度评分相对较高,并且二者都属于战斗机类型,故自动研判为战斗编队。

表3 编队1的目标关系及综合关联度

图9 编队1目标历史运动关联航迹Fig.9 Target historical motion association trajectories of formation 1

编队2中目标间的关联关系以及综合关联度如表4所示,相应的历史活动航迹如图10所示。可以看出,E-2C、F-15和EP-3相继出现,该编队中存在预警机、侦察机、战斗机等多种类型飞机,自动研判为复合编队。根据目标间关系识别规则,E-2C分别与F-15组成指控关系,与EP-3组成信息支援关系。

表4 编队2的目标关系及综合关联度

图10 编队2目标历史运动关联航迹Fig.10 Target historical motion association trajectories of formation 2

编队3中目标间的关联关系以及综合关联度如表5所示,相应的历史活动航迹如图11所示。可以看出,编队3中存在加油机,KC-135与RC-135组成空中加油关系;在运动航迹的中间段,加油机KC-135与侦察机RC-135航迹相似度很高,考虑到二者属于的不同飞机类型,故自动研判为复合编队。

表5 编队3的目标关系及综合关联度

图11 编队3目标历史运动关联航迹Fig.11 Target historical motion association trajectories of formation 3

4 结 论

本文提出的空中目标编队自动分析挖掘算法能够快速、有效地从无规则的目标历史活动信息中挖掘出深层次的目标编队,并能够对目标间的关联关系以及编队类型等编队特征进行有效识别。该方法简单可行,易于工程实现,能够为海量目标关联规律知识挖掘、敌典型战术战法分析、实时战场大规模作战编队识别研判等方面的态势智能化分析提供一定的技术支撑,具有较大的工程实际应用价值。