中国指挥与控制学会会刊 
根据JDL五级功能模型可知[1],态势估计是多源信息融合的二级融合,它是在一级融合目标估计已经完成对探测到的目标识别、跟踪、运动状态检测的基础上,完成对战场态势的觉察、理解和预测。态势觉察主要包括事件检测和兵力聚合两个阶段,事件检测是态势觉察的重要内容,是对当前战场态势变化的感知,是态势估计的基础,能否正确检测出当前战场所发生的有意义的行为,直接决定了态势估计的结果。由于战场的复杂性,战场上各个作战单元行为的不确定性,对战场事件的有效检测仍存在较大困难。
本文提出一种基于Rosetta软件和Vague集的战术机动事件检测方法,Rosetta软件是一款瑞士开发的Rough集知识约简软件,Rough集能够在不丢失数据间关系的情况下,对数据进行简化。Vague集对问题描述增加了不确定度信息,能够更加准确地处理不确定问题。
1 事件检测中事件分类
事件是指在一定的条件下战场目标(群)所发生的具有某种军事意义的行为[1]。目前对事件检测中事件的分类并没有统一,本文结合已有的事件分类方法,根据事件的属性不同,从便于系统集成的角度,对事件的分类进行了完善,将事件分为探测新目标事件、目标战术机动事件和目标群相关事件。
探测新目标事件为传感器探测新的目标进入屏幕或从屏幕消失,出现之前未探测到的电磁波、声波信号或已探测到的电磁波、声波信号消失等。主要表现为舰艇、飞机等作战平台,导弹、鱼雷等杀伤性武器出现消失事件,雷达、声呐等辐射源开机关机事件。探测新目标事件全部为离散事件。
目标战术机动事件为目标航向、速度、飞行高度等状态变化的组合,完成一些具有特殊意义的战术动作。目标战术机动事件全部为连续事件。例如飞机的战术机动事件主要包括:战斗转弯、俯冲、跃升、水平转弯、盘旋、加速上升等[2]。
目标群相关事件主要包括目标群的合批、分批等事件。
由于目标战术机动事件是目标为达到某种战术目的而进行的一系列战术动作,能够对战场态势产生深刻影响,所以此事件才应该是海战场关注的重点。本文主要对飞机目标战术机动事件的检测方法进行了研究,目标所发生的战术机动事件是目标多个状态属性信息有规律变化的组合,目标状态属性变化包括目标某段时间内的高度变化、速度变化、水平面内偏离原航向角度、垂直面内偏离原航向角度等,各种属性变化的组合便形成作战单元具有特定目的的战术动作。本文将作战飞机的战术机动事件分为以下几类。
战斗转弯:做180°航向转弯的同时又不断增加高度和速度的空间飞行,完成该动作后飞机获得较大高度和速度。
俯冲:飞机沿着和水平面倾斜角大于30°的轨迹向下飞行,该动作多发生在飞机对目标发起攻击前。
跃升:飞机以动能换取势能,迅速增加高度的机动飞行。多用来追击高空目标或用来规避对方火力,占据有利位置等。
加速上升:飞机速度,飞行高度不断增大,航向基本保持不变。
盘旋:飞机在水平面内连续改变方向而飞行高度、速度基本保持不变的曲线运动。常用于巡逻警戒等。
水平转弯:一定时间间隔内,线速度大小和高度几乎不变,水平运动方向有短暂的变化。
各个战术机动事件间的区别如表1 所示。
表1 作战飞机的战术机动事件区别 |
| 目标状 态变化 | 战术机动事件 | |||||
|---|---|---|---|---|---|---|
| 战斗转弯 | 俯冲 | 跃升 | 加速上升 | 盘旋 | 水平转弯 | |
| 高度变化 | 不断上升 | 下降 | 上升 | 上升 | 不变 | 不变 |
| 速度变化 | 逐渐变大 | 逐渐变大 | 减小 | 变大 | 不变 | 不变 |
| 水平面内偏离 原航向角度 | 完成180°转弯 | 变化不大 | 变化不大 | 变化不大 | 不断转弯 | 短暂转弯 |
| 垂直面内偏 离原航向角度 | 完成180°转弯 | 不断变大(可能 做垂直俯冲) | 变化不大 | 变化不大 | 不变 | 变化不大 |
2 基于Rosetta软件和Vague集的事件检测步骤
人类认知具有不确定性,粗糙集理论便是解决此类人类认知问题的一种方法。粗糙集理论的优点在于能够仅依靠数据本身,对数据进行分析,在不丢失数据之间依赖性的条件下对数据进行简化。Vague集是对模糊集的扩展,增加了犹豫度,能够更好地对不确定信息进行描述。
基于Rosetta软件与Vague集的目标战术机动事件检测方法是将数据库中的历史数据离散化建立事件决策表,利用Rosetta软件中的遗传算法约简方法,对事件决策表进行约简,得到简约决策表;将实时检测到的目标属性变化离散化,建立目标战术机动事件的多准则Vague集Di;求出Di与实际发生事件Ii的相似度,若某个事件的相似度最大,则判断为该事件发生;利用检测样本对该种方法检测效果进行测试,根据测试结果人工调整决策表,提高检测正确率。该方法框图如图1 所示。
基于Rosetta软件与Vague集的目标战术机动事件检测方法步骤如下:
步骤一:根据数据库中目标历史数据,将数据按照给定规则离散化后,建立目标事件决策表,S= ,表示决策表中的各个目标,C为目标的条件属性,C={c1,c2,···,cj}表示目标的各个属性信息,包括目标高度变化Δh、目标速度变化Δv、目标水平面内偏离原航向角度Δα、目标垂直面内偏离原航向角度Δβ等,D为目标的决策属性信息,D={d1,d2,···,di}表示目标所发生的机动事件[3],包括战斗转弯、俯冲、盘旋、跃升、加速上升、水平转弯等战术机动事件。V为目标条件属性C和目标决策属性D的值域的集合,f:U×A→V为信息函数,对于a∈C∪D,x∈U,f(x,a)∈V,它指定了U中每一对象的属性值。
步骤二:利用瑞典开发的Rough集知识约简软件Rosetta中的遗传算法约简方法,对目标事件决策表进行知识约简,得到S1= 。
步骤三:根据传感器检测到的目标T的属性数据,计算出时间间隔为t的时间段内,目标状态属性的变化值,并将属性状态变化值离散化。目标属性变化信息求解目标所发生事件是一个多准则决策问题,决策方案集D={d1,d2,···,di}为目标所发生的事件类型,约束属性集C={c1,c2,···,cj}为目标的属性变化。建立决策方案Di在属性集Cj下的Vague集为:
Di={(c1,[ti1,1-fi1]),(c2,[ti2,1-fi2]),···,(cj,[tij,1-fij])},i=1,2,···,n
tij表示属性cj支持发生事件di的程度,fij表示属性cj反对发生事件di的程度,πv表示犹豫度,fij=1-tij-πv,取πv=0.1,根据S1= 求出tij,公式如下:
tij=
[x ={x|x∈U∧[ (x)= (T)]}, (T)表示目标T的属性cj的值。Xi={X|X∈U∧[xD=di]},di表示决策表中的战术机动事件。
步骤四:Ii为正理想Vague集,表示属性cj完全支持发生事件di,Ii={(c1,[0.9,1]),(c2,[0.9,1]),···,(cj,[0.9,1])},根据相似度公式
S(A,B)=
求出Di与Ii 的相似度Si,相似度越大则越可能发生该事件[4]。
步骤五:利用检测样本对系统的准确率进行测试,根据测试结果,调整简约事件决策表,对系统性能进行优化。
3 实例分析
本文采用一个模拟演习的案例分析基于Rosetta软件与Vague集的战术机动事件检测方法的有效性与可靠性。假设红蓝双方正在某海域进行实战化训练,红方传感器捕捉到蓝方某型飞机正在向红方机动,根据传感器捕获信息分析蓝方战斗机所发生的战术机动事件。
根据文献[5]中提到的方法,构造目标历史飞行数据,建立战场目标事件决策表S= ,其中,U={x1,x2,···,xn}表示决策表的n个目标事件,C={c1,c2,···,cj}表示目标的j个属性的变化值,D={d1,d2,···,di}表示目标的i个机动事件,部分事件决策表2 所示。
表2 训练样本目标参数表 |
| 目标 | 高度变化 Δh | 速度变化 Δv | 水平面内偏离 原航向角度 Δα | 垂直面内偏 离原航向角度 Δβ | 输出结果 | 事件类型 |
|---|---|---|---|---|---|---|
| 1 | 89 | 19 | 9 | 9 | 1.00 | 战斗转弯 |
| 2 | 70 | 19 | 7 | 8 | 1.00 | 战斗转弯 |
| 3 | -90 | 17 | 1 | 8 | 2.00 | 俯冲 |
| 4 | -84 | 19 | 0 | 9 | 2.00 | 俯冲 |
| 5 | 0 | 1 | 8 | 0 | 3.00 | 盘旋 |
| 6 | 1 | 0 | 8 | 2 | 3.00 | 盘旋 |
| 7 | 58 | -5 | 0 | 1 | 4.00 | 跃升 |
| 8 | 90 | -9 | 1 | 1 | 4.00 | 跃升 |
| 9 | 75 | 7 | 2 | 1 | 5.00 | 加速上升 |
| 10 | 55 | 6 | 3 | 0 | 5.00 | 加速上升 |
| 11 | 0 | 0 | 4 | 2 | 6.00 | 水平转弯 |
| 12 | 1 | 3 | 3 | 2 | 6.00 | 水平转弯 |
将原始数据离散化,对于高度变化c1:0表示几乎不变(-5m≤Δh≤5m), 1表示上升(Δh>5m),2表示下降(Δh<-5m);速度变化c2:0表示几乎不变(-2km/h≤Δv≤2km/h),1表示变大(Δv>2km/h),2表示减小(Δv<-2km/h);水平面内偏离原方向角c3:0表示为0°≤Δα<1°, 1表示1°≤Δα≤3°, 2表示3°<Δα≤7°,3表示7°<Δα≤15°;垂直面内偏离原方向角c4:0表示0°≤Δβ<1°,1表示1°≤Δβ≤3°,2表示3°<Δα≤7°,3表示 7<Δα≤15°。D的值域为{1,2,3,4,5,6}依次表示发生了战斗转弯、俯冲、盘旋、跃升、加速上升、水平转弯事件。得出战场目标事件决策表S,部分目标事件决策表S如表3 所示。
表3 战场目标事件决策表S |
| U | c1 (高度变化) | c2 (速度变化) | c3 (水平面内偏离 原航向角度) | c4 (垂直面内偏离 原航向角度) | D (机动事件) | 事件类型 |
|---|---|---|---|---|---|---|
| x1 | 1 | 1 | 3 | 3 | 1.00 | 战斗转弯 |
| x2 | 1 | 1 | 2 | 3 | 1.00 | 战斗转弯 |
| x3 | 2 | 1 | 1 | 3 | 2.00 | 俯冲 |
| x4 | 2 | 1 | 0 | 3 | 2.00 | 俯冲 |
| x5 | 0 | 0 | 3 | 0 | 3.00 | 盘旋 |
| x6 | 0 | 0 | 3 | 1 | 3.00 | 盘旋 |
| x7 | 1 | 2 | 0 | 1 | 4.00 | 跃升 |
| x8 | 1 | 2 | 1 | 1 | 4.00 | 跃升 |
| x9 | 1 | 1 | 1 | 1 | 5.00 | 加速上升 |
| x10 | 1 | 1 | 1 | 0 | 5.00 | 加速上升 |
| x11 | 0 | 0 | 2 | 1 | 6.00 | 水平转弯 |
| x12 | 0 | 1 | 1 | 1 | 6.00 | 水平转弯 |
利用Rosetta软件,对目标事件决策表进行约简,得到约简后的决策表S1,如图2 所示。
红方传感器检测到t1到t2时间段内,蓝方某型战斗机,飞行高度变化为89m,速度变化为17km/h, 水平面内偏离原航向角度变化为8°,垂直面内偏离原航向角度变化为8°,将战斗机属性离散化后值为(1,1,3,3)。
根据下列公式,建立多准则Vague集,
tij=
Di={(c1,[ti1,1-fi1]),(c2,[ti2,1-fi2]),···,(cj,[tij,1-fij])},i=1,2,···,n
令πv=0.1,决策方案Di在属性集Cj下的Vague集可改为:
Di={(c1,[ti1,ti1+πv]),(c2,[ti2,ti2+πv]),···,(cj,[tij,tij+πv])},i=1,2,···,n
利用Matlab进行仿真,Vague集为:
D1={(c1,[0.33,0.43]),(c2,[0.25,0.35]),(c3,[0.50,0.60]),(c4,[0.50,0.60])}
D2={(c1,[0,0.10]),(c2,[0.25,0.35]),(c3,[0,0.10]),(c4,[0.50,0.60])}
D3={(c1,[0,0.10]),(c2,[0.08,0.18]),(c3,[0.50,0.60]),(c4,[0,0.10])}
D4={(c1,0.33,0.43),(c2,[0,0.10]),(c3,[0,0.10]),(c4,[0,0.10])}
D5={(c1,[0.33,0.43]),(c2,[0.25,0.35]),(c3,[0,0.10]),(c4,[0,0.10])}
D6={(c1,[0,0.10]),(c2,[0.17,0.27]),(c3,[0,0.10]),(c4,[0,0.10])}
Ii={(c1,[0.9,1]),(c2,[0.9,1]),···,(cj,[0.9,1])},表示目标各个运动属性完全支持发生事件i。根据公式求出决策方案Di与Ii的相似度S(Di,Ii)。
S(A,B)=
对该方法进行仿真,仿真结果如图3 所示,可知目标运动属性与发生各个事件之间的相似度分别P为(0.50, 0.29, 0.25, 0.18,0.14),可知事件与发生战斗转弯事件的相似度最高,所以蓝方某型战斗机时间间隔t内,属性变化(89,17,8,8),最有可能发生战斗转弯事件。
利用检测样本数据对该方法进行检验,检测样本正确概率为71.1%,主要判断错误在于将加速上升事件误判为跃升事件,将水平转弯事件误判为盘旋事件,对决策表进行调整,在事件决策表中增加(1,1,1,0,5),(0,0,0,2,0,6)和(0,1,1,1,6)三条决策。
对系统正确率进行检测,检测样本正确概率为97.4%。可知基于Rosetta软件和Vague集的战术机动事件检测系统较为可靠。人工根据检测结果对决策表进行调整是完全有必要的,能够较大地改善系统的性能。
4 结束语
本文提出了一种基于Rosetta软件和Vague集的战术机动事件检测方法,利用遗传算法约简事件决策表,根据传感器检测数据建立多准则决策集,计算决策集与实际发生该事件的相似度,最后判断发生何种战术机动事件,并根据检测结果人工调整决策表,提高事件检测的正确率。利用检测样本对该方法进行检测,仿真结果表明,该方法可有效对战术机动事件进行检测。但是该方法在属性离散化函数设计和最后事件决策表调整过程中,依然需要领域知识对系统进行调整,对专家知识的依赖度较高。