基于机动动作类型识别的飞行员飞行训练质量自动评估方法.pdf
《基于机动动作类型识别的飞行员飞行训练质量自动评估方法.pdf》由会员分享,可在线阅读,更多相关《基于机动动作类型识别的飞行员飞行训练质量自动评估方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第45卷第12 期2023年12 月文章编号:10 0 1-50 6 X(2 0 2 3)12-39 32-0 9基于机动动作类型识别的飞行员飞行训练质量自动评估方法系统工程与电子技术Systems Engineering and ElectronicsVol.45No.12December 2023网址:www.sys-朱立成,孙青,端军红,庞敏(1.空军工程大学防空反导学院,陕西西安7 10 0 51;2 北京微电子技术研究所,陕西西安7 10 119)摘要:飞行训练质量评估是飞行员日常飞行训练的重要组成部分,针对传统飞行训练质量评估方法评估效率低、主观性强等问题,提出了一种基于机动动作识
2、别的自动评估方法。首先,通过构建采用多尺度特征提取的深度残差网络(multi-scale feature extractiondeepresidual network,M SD RN),实现了战术机动动作的准确识别,克服了传统机动动作识别方法识别准确度低的问题。然后,针对不同类型的战术机动动作,构建了飞行质量评估指标体系,在具体评估时,根据动作识别结果自动选择评估指标,并采用基于博奔论的组合赋权法计算并获得评估结果,由此构建了基于机动动作类型识别的飞行员飞行训练质量自动评估方法。所构建的动作识别方法相较于利用传统的一维卷积神经网络(one-dimensional convolutional n
3、eural network,1D-CNN)、残差神经网络(residualneural network,Re s Ne t)构建的分类器,识别准确度分别提升了16.2%和3.5%,识别计算时间相比ResNet缩短了2 3.9%。所提出的整个飞行训练质量自动评估方法摆脱了飞行员训练过程对飞行教官的严重依赖,实现了飞行训练质量的自动化快速评估,且评估结果更具科学性,从而为飞行训练质量评估提供了一种全新的方法。关键词:机动识别;多尺度特征;深度残差网络;博奔论;飞行训练评估中图分类号:V323Automatic evaluation method of pilot flight training q
4、ualitybased on maneuver action type recognitionZHU Licheng,SUN Qing,DUAN Junhongl.*,PANG Min?(1.School of Air Defense and Antimissile,Air Force Engineering University,Xian 710051,China;2.Beijing Micro-Electronic Technology Application Institute,Xian 710119,China)Abstract:The quality evaluation of fl
5、ight training is an important part of pilots daily flight training.Aiming at the problems of low efficiency and strong subjectivity of traditional flight training quality evaluationmethods,an automatic evaluation method based on maneuver action recognition is proposed.Firstly,byconstructing a multi-
6、scale feature extraction deep residual network(MSDRN),accurate recognition of tacticalmaneuver actions is achieved,which overcomes the problem of low recognition accuracy in traditional maneuveraction recognition methods.Secondly,aiming at different types of tactical maneuver action,the flight quali
7、tyevaluation index system is constructed.During the specific evaluation process,the evaluation index isautomatically selected according to the action recognition results,and the evaluation results are calculated and obtainedby the combination weighting method based on the game theory.Thus,the automa
8、tic evaluation method of pilot flighttraining quality based on maneuver action type recognition is constructed.Compared with the classifiers constructed bytraditional one-dimensional convolutional neural network(1D-CNN)and residual neural network(ResNet),the收稿日期:2 0 2 3-0 3-2 5;修回日期:2 0 2 3-0 4-2 6;
9、网络优先出版日期:2 0 2 3-0 6-2 6。网络优先出版地址:https:/ 2 17 3340)资助课题*通讯作者.引用格式:朱立成,孙青,端军红,等.基于机动动作类型识别的飞行员飞行训练质量自动评估方法J系统工程与电子技术,2 0 2 3,45(12)3932-3940.Reference format:ZHU L C,SUN Q,DUAN J H,et al.Automatic evaluation method of pilot flight training quality based on maneuveraction type recognitionJ.Systems En
10、gineering and Electronics,2023,45(12):3932-3940.文献标志码:AD0I:10.12305/j.issn.1001-506X.2023.12.23第12 期established action recognition method has improved recognition accuracy by 16.2%and 3.5%respectively,andreduced the recognition computation time by 23.9%compared with ResNet.The proposed overall autom
11、aticevaluation method for the whole flight training quality gets rid of the serious dependence of the pilot on the flightinstructor in the training process,which realizes the automatic and rapid evaluation of the flight training quality.The evaluation results are more scientific,providing a new meth
12、od for the flight training quality evaluation.Keywords:maneuver recognition;multi-scale feature;deep residual network(DRN);the game theory;flight training evaluation0引 言在现代空战中,战术机动是战斗机躲避雷达探测和导弹拦截的重要手段,因此战术机动飞行训练逐渐成为了飞行员日常训练的一项核心内容。对战术机动的飞行质量进行具体评估是战术机动飞行训练的一个重要环节,其对提升飞行员的操作能力和作战水平而言意义重大。在传统评估方法中,由于飞
13、行员对飞行教官的判断有着严重依赖,存在着效率低下、主观性强等问题,已经不能满足现代飞行训练的要求。为此,实现飞行训练质量的自动化快速评估,具有重要的军事价值和实际意义。飞行训练质量自动化评估包含两方面内容:一是战术机动动作的识别;二是基于识别结果的战术机动飞行过程质量评估。目前,国内外学者已经在这两个问题上进行了一些研究。在战术机动识别方面,杨俊等将模糊逻辑理论和支持向量机相结合,在多分类问题上取得了较好的效果。Tian等2 1基于模糊控制理论,利用标记数据节点、去除扰动、特征提取等方法解决机动动作识别不准确、延迟高等问题。但是,模糊理论依赖相关专家对机动特征的准确判断,识别结果不够客观,小规
14、模样本集的训练也容易造成训练精度差的问题。徐西蒙等3采用运动分解和层次支持向量机的方法,利用二分类器构造多分类器,提高准确性和识别效率。Yang等4建立层次识别模型,通过级联结构降低计算复杂度,克服了当样本数量较多时的收敛性和实时性较差的问题。上述方法将复杂轨迹分解为简单轨迹,虽然简化了识别过程,但由于复杂机动与简单机动在机动动作中的飞行参数有着很大差异,导致在复杂战术机动动作的识别问题中表现不佳。Wei等5将机动识别看作多维时间序列的时空对齐问题,提出了一种多策略的正则仿射时间翘曲方法,在时间序列分类数据集和无人机机动实验上取得了较好的效果。然而,在空战对抗背景下进行敌机机动识别,部分飞行参
15、数难以通过探测手段获取3-5。在飞行训练质量评估方面,张建业等6 依据飞行数据和专家经验,建立飞行成绩自动评定及管理系统,能够准确快速地评定飞行成绩。Long等7 提出了基于模糊逻辑理论的飞行质量评估模型,在模拟飞行机动的进近段中评估结果和实际得分几乎一致。但是传统评估方法过于依赖人的主观判断,评估方法不够科学,并且成本较高、效率低下6-7。柳忠起等8 利用眼动数据构建反向传播(back朱立成等:基于机动动作类型识别的飞行员飞行训练质量自动评估方法3933propagation,BP)神经网络,实现了3种技术水平飞行员的飞行绩效准确评估。姚裕盛等9 基于飞行员生理信号和飞行参数,建立了基于BP
16、神经网络的评估模型,评估结果与专家评分大致吻合。刘浩等10 使用动态贝叶斯网络识别机动动作,建立灰度模糊评估矩阵进行飞行质量评估,提升了飞行训练评估效率。但是浅层学习模型只能提取数据的浅层特征,缺少语义信息,模型表达能力不强,评估结果不稳定8-10。此外,现有的大多数评估方法主要是对飞行训练后的数据进行质量评估,但是在飞行训练过程中,不同种类的战术机动动作对应的有效评估指标有所不同,因此缺乏对不同种类战术机动动作的具体评估。本文的贡献主要有以下几点:针对战术机动识别中的准确度和实时性不高的问题,采用多尺度特征融合的深度神经网络构建分类器,通过对飞行参数的多维度深层特征提取实现对不同种类战术机动
17、的识别,这样既减少了网络深度,提升识别效率,又能充分获取不同尺度数据信息,以保证准确度;针对不同战术机动动作类型的有效评估指标不同的问题,搭建飞行质量评估指标体系,建立评估指标标准,将评估过程定量化,使得评估结果更加客观准确;针对不同指标之间存在的差异,使用基于博奔论的组合赋权方法消除了单一主观或客观评价对评估结果的不利影响,得到不同战术机动动作所对应的有效评估指标权重,最终得到评估结果。所提出的飞行训练质量自动评估方法可以有效降低训练成本,提升效率,满足现代飞行训练的要求。需要说明的是,战斗机可执行的战术机动动作类型多达几十种。为简便起见,在本文中,选取斤斗、斜斤斗、半滚倒转、半斤斗翻转4个
18、基本动作,以及半滚倒转-斤斗,半滚倒转-半斤斗翻转两个组合动作(共计6 个动作类型)作为需要进行机动识别和飞行质量评估的典型战术动作类型。1战术机动动作识别准确识别战术机动动作是进行飞行质量评估的基本前提。在战术机动过程中,飞行参数也会不断变化,参数主要包括位置、速度、加速度、航向角、俯仰角、滚转角等信息,不同的战术机动动作对应的飞行参数变化规律也不同。本文针对离线数据进行识别,飞行参数序列完整,由于战术机动种类不同,可以将此类识别问题归结为多分类问题。目前,处理多分类问题常用的方法就是机器学习12-13。机器3934学习是一种数据驱动的识别方法,在非线性问题上的处理能力十分强大,能够通过内部
19、参数的不断调整来获取数据中的特征信息,也就是机器在不断学习进化的过程。相比传统的识别方法,机器学习无需先验知识,识别结果更加快速准确。Sun等14将过去机器学习取得的成功主要归功于更加复杂的网络结构,更大规模的标签数据集以及更强大的计算性能。在机器学习中,对数据进行一维卷积处理相较于对图片、视频等进行二维或三维卷积处理要简单很多,因此无需太复杂的网络,即可取得较好的效果。为了保持网络精度,降低计算复杂度,设计轻量化的网络模型十分必要。因此,本文中战术机动识别的主要方法就是搭建合适的轻量化网络和建立完备的数据集。1.1网络模型介绍1.1.1深度残差网络模块在Lecun15 提出卷积神经网络后,国
20、内外研究大都通过堆叠卷积层数来提升网络模型效果。但是实验证明,如果仅仅通过简单的堆积卷积层来达到加深网络的目的,网络就有可能出现退化等问题。这些问题在2 0 15年残差神经网络(residual neural network,Re s Ne t)16 被提出后得到了有效的解决,ResNet改善了网络的连接结构,在卷积层之间添加恒等映射构成残差模块,如图1所示。目前,在许多场景应用中,如目标识别17、故障检测18、语义图像分割19等,ResNet模型都优于以前的模型。F(x)ReLU卷积层ReLUF(x)+x图1残差模块结构Fig.1 Structure of residual block残差模
21、块的输出是模块的输人和经过卷积计算后的期望输出相加的结果,恒等映射的作用就是始终输出一个权值为1的梯度,这样就不会随着网络的加深而出现梯度消失的现象,同时也不会过多地增加网络的参数和计算量。计算表达式为H()=F()+通常情况下,在ResNet34及以下的浅层网络中使用图1中的结构,在更深层的残差网络中,如ResNetl01,会将两层卷积替换为3层卷积,其中包括两个11卷积,用于将网络进行降维和升维处理。相比直接堆叠浅层网络的残差系统工程与电子技术模块,这样会将参数数量大幅缩减,从而大幅提升网络的训练效率。1.1.2多尺度特征提取战术机动过程中的飞行参数信息具有明显的非线性、非平稳特征,尽管目
22、前ResNet已被广泛地运用到了分类识别领域,但通常是通过堆叠网络层数以取得更好的效果,Wu等2 0 研究发现,特定网络只有在有效深度内才会通过加深层数显著提升精度,网络的宽度对结果的影响也十分重要。单一的网络通路结构不能同时提取出不同尺度数据内的特征信息,限制了分类性能。因此,对数据进行不同尺度卷积的特征提取就显得十分必要,使用多尺度特征提取来获得不同尺度下的数据特征可以有效地提升分类的准确性。多尺度特征提取是一种多路并行分支结构,最开始来源于Inception模型2 1,该结构是在网络的同一层中使用多个不同大小的卷积核来提取不同尺度的特征信息,如图2所示。最后,通过全连接层组合不同尺度下的
23、特征信息,网络通过横向的扩展可以避免卷积堆积,有效降低网络的复杂度。11卷积33卷积全连接层X文输出卷积层图2 并行多尺度特征提取结构Fig.2Parallel multi-scale feature extraction structure1.1.3网络模型为了兼顾残差网络和多尺度特征提取的优势,将残差模块和多尺度特征提取的结构相结合,构建多尺度特征提取的深度残差网络(multi-scale feature extraction deep residualnetwork,M SD RN)模型,如图3所示。网络的输人是大小为1XH的一维数据,其中 H为特征个数。首先将输人通过一个卷积层提高通道
24、数以提升网络的学习性;然后通过一个批标准化、激活函数以及最大池化的串行结构,完成浅层特征提取,之后将其接人到网络主体中。网络主体由3个并行支路组成,每条支路卷积层的尺寸大小不同,对应的感受野范围也就不同,因此可以获取到数据中不同尺度的特征信息,构成多尺度特征提取模块。奇数尺寸的滤波器可以提取出更好的中心特征,所以均采用了奇数大小的卷积核,同时小尺寸的卷积核相较于大尺寸卷积核更有利于压缩网络规(1)模。如图3所示,3条支路分别由11、13、15大小的残差模块串联组合而成。在每条支路的末端,通过一个平均池化层降低参数量,并确保3条支路的输出维度一致。在网络的最后,使用全连接层增强模型的非线性并输出
25、结果。以其中一条支路为例,模型中参数大小如表1所示。第45卷输入55卷积池化第12 期支路1卷积层1 1111,64批标准化ReLU卷积层1 1211,64批标准化ReLU卷积层1 2 111,128批标准化ReLU卷积层1 2 211,128批标准化ReLU卷积层1 3111,256批标准化ReLU卷积层1 3211,256批标准化ReLU平均池化ReLUFig.3Networkmodelsstructure朱立成等:基于机动动作类型识别的飞行员飞行训练质量自动评估方法输入卷积层,17,6 4批标准化ReLU最大池化支路2卷积层2 1113,64批标准化ReLU卷积层2 1213,64批标准
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 机动 动作 类型 识别 飞行员 飞行 训练 质量 自动 评估 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。