军用机型复杂飞行动作提取与识别的方法研究

引用格式：李超，张原，汲万峰，等.军用机型复杂飞行动作提取与识别的方法研究［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：飞行动作识别及其对应飞参数据的提取是飞行训练质量分析的关键内容。现阶段的飞参数据量大、维度高、冗余数据多，为此提出了无监督聚合动态时间规整（UADTW）算法，降低动态时间规整（DTW）算法复杂度，帮助人工快速建立样本集，并提取标准序列相关性特征。同时，根据复杂飞行动作特点，构造深度神经网络模型学习飞行动作序列特征、差量特征和标准序列相关性，并在此基础上设计了自选择特征层，提出自选择深度神经网络（SDNN）模型，该模型能够自主选择对飞行动作识别较大贡献的特征，进一步提高特征表示对飞参数据的刻画。本文所提出的UADTW和SDNN飞行动作提取及识别方法能够减少人工成本，并有效提升了飞行动作识别的准确率。

关键词：飞行动作；自选择机制；动态时间规整；神经网络；飞参数据

中图分类号：TJ760；V271.4

文献标识码：A

文章编号：1673-5048（2023）01-0127-08

DOI：10.12132/ISSN.1673-5048.2022.0080

0引言

飞行训练一直是提高飞行员飞行技术、保障飞行安全的一项重要内容。飞行训练质量的客观分析可通过飞参数据回放进行评估，但飞参数据量大、维度高，对于飞行训练质量分析、操纵品质检测来说，大部分数据为冗余数据。飞行动作识别及其飞参序列数据的提取可快速定位关键的飞参数据，提高工作的高效性和准确性。为此，飞行动作识别与分析对于飞行员提高飞行驾驶技术、保障飞行安全具有重要意义［1］。

飞参数据记录了整个飞行过程中的参数，但并没有对所训练的飞行动作进行特别标记，完整的飞行动作识别过程应包含飞参数据的提取及其分类。目前，飞参数据的提取方法主要是由该领域专家通过人工基于规则的方式［2-3］提取，但飞参数据数量多、维度高，此种方式浪费大量的人工成本，且可扩展性差。飞行动作识别方法主要包含相似性匹配的方法［4-7］和基于典型机器学习的方法［8-12］。在飞行动作识别的两类方法中，模型构造较为简单且易实现，但相似度匹配的方法很难区分相近的飞行动作，如大盘度盘旋和大坡度转弯，且阈值不能客观定义；贝叶斯、支持向量机等飞行动作识别方法在处理

多维时间序列数据时，通常将多维拉平为一维，将破坏在横向时间维度上的规律，不能很好地学习到此刻飞行状态特征与前后时间上飞行状态特征之间的关系。

根据当前飞行动作识别及其飞参数据提取的问题，本文提出一种新的解决思路，通过改进动态时间规整算法，提高算法效率，辅助标记飞行动作样本，降低人工成本，并提出自选择深度神经网络模型（Self-SelectiveDeepNeuralNetwork，SDNN），自主选择对飞行动作识别较大贡献特征，进一步提高飞行动作识别率。该方法能够准确识别飞行动作并提取其对应的飞参数据，已得到相关领域人员的验证和应用。

1相关工作

1.1飞行动作识别

因气象等客观条件的不同和驾驶员操纵的差异，使得同一飞行动作的飞参数据和飞行时间存在差异，即相同飞行动作的序列特征不同和序列不定长。动态时间规整（DTW）算法可进行“扭曲匹配”实现数据对齐，适合计算飞行动作不定长的相似性，李鸿利等［6］利用DTW的思想识别飞行动作，同时针对多元时间序列进行多维融合提出多元动态时间规整（MDTW）的算法。张玉叶等［7］为降低DTW的计算复杂度，提出利用主成分分析（PCA）

提取其参数相关度统计特征，先进行粗分类，再使用DTW的算法细分类。DTW的思想主要是通过相似度匹配的方法识别飞行动作，而基于机器学习的方法可通过机器自主学习飞参数据规律。沈一超等［8］融合多个描述特征构建贝叶斯网络识别飞行动作，其特征的构建需要定义大量阈值，特征表示主观性较强。颜廷龙等［9］使用马尔可夫随机场（MRF）模型表示时间序列中相邻飞参数据的相关关系，进而描述其飞行动作的特征，能够减少标注样本的人工成本，但在识别差异性较小的飞行动作上表现一般。王志刚等［10］基于支持向量机（SVM）算法识别飞行动作，但对于多维时间序列数据，不能很好地学习到横向时间维度上的规律。方伟等［11］提出一种基于神经网络符号化模型的方法，将时间特征转换为图像特征，通过串联CNN和LSTM实现对飞行动作模块化处理。该方法的实验数据使用模拟数据，将复杂的飞行动作拆分成一系列的基本飞行动作，相比实际飞参数据，该方法过于理想化。本文同样采用深度学习的方法，根据实际飞参数据的特点，结合了动态时间规整和深度学习两者的优势提取并学习飞行动作特征，相比经典机器学习的方法，该方法更适合处理多维时序的飞参数据。

1.2DTW模型

动态时间规整（DTW）是一种衡量两个时间序列之间相似度的算法，当两个时间序列在时间线上不对齐时，DTW算法能够对某个时间序列在时间轴上进行扭曲（Warping），使得两个序列的形态尽可能的一致，以达到最大可能的相似。但DTW算法适合处理一维数据且复杂度高，不适合处理高维度复杂飞行动作，而飞参数据是多元的时间序列数据，若将多元空间的数据拉平至一维空间数据，不仅忽略了纵向上各个参数之间的关系，而且算法执行效率较低。在算法复杂度方面，许多学者对DTW算法进行了改进，Al-Naymat等［13］使用稀疏矩阵表示扭曲矩阵；Keogh等［14］提出了下界函数LB_Keogh，将特征序列构建新的上、下包络线；李海林等［15］利用分段聚合近似方法对时间序列进行特征提取和降维；Adwan等［16］利用重新拼接的时间序列进行分段聚合。目前，减小DTW计算复杂度的主要思想是通过减少搜索距离矩阵空间和通过聚合缩短时间序列长度。本文针对飞行动作序列的特点，利用无监督学习的方法，提出无监督聚合的动态时间规整算法（UnsupervisedAggregationDynamicTimeWarping，UADTW），保证纵向参数之间关系的同时缩短序列长度。该算法通过降低序列维度、缩小距离空间来减小DTW算法复杂度，提高算法执行效率。

2基于UADTW和SDNN的飞行动作提取及识别算法

本文飞行动作提取及识别的算法流程如图1所示。具体步骤如下：

（1）飞行动作数据提取。依据专家经验从飞参数据中提取飞行动作的标准序列数据作为基准数据，并根据飞行动作标准序列Q=（q1，q2，…，qm），将飞参数据F=（f1，f2，…，fn）切割，做相似度计算生成飞行动作片段。

（2）飞行动作初步判断并确定样本。利用UADTW计算飞行动作片段和飞行动作标准序列Q的相似性，进一步筛选飞行动作的类别，生成候选样本，并经最终人工确定样本X，标注类别标签Y。同时，将无监督模型学习到相关性特征向量W作为飞行动作识别模型的部分输入。

（3）建立模型数据集。根据样本集数据提取飞行状态序列X、计算差量特征D，并与规整距离向量W共同构建模型数据集（X，W，D，Y）。

（4）构造飞行动作识别模型并训练。构建自选择深度神经网络模型（SDNN），学习与识别飞行动作相关性较强的飞参特征表征，并通过迭代训练生成模型，用于对候选样本的分类。

2.1飞行动作数据提取算法

飞参数据量巨大，且冗余数据较多，人工提取样本难度巨大，为减少人工提取成本，本文设计了多层提取及筛选飞行动作数据的方法，该方法可获取样本候选集，为进一步提高样本质量，人工对候选集进行确定及标注，最终形成飞行动作样本集。同时，该方法可提取出与飞行动作标准序列相关性较高的特征，用于飞行动作识别。

2.1.1飞参数据切割并计算

通过与标准序列数据比对，快速去除冗余数据，提取飞行动作候选序列。给定长度为n的飞参时间序列F=（f1，f2，…，fn），根据i类飞行动作的标准序列Qi=（qi1，qi2，…，qim）的长度m定义滑动窗口长度。飞参时间序列F通过窗口滑动生成（n－m+1）个子序列（如图2所示），每个子序列用f′i表示，那么（n－m+1）个子序列构成的新数据序列为F′=（f′1，f′2，…，f′n－m+1），利用欧式距离（ED）计算每个子序列f′i与i类飞行动作的标准序列Qi的距离dDis=（d1i，d2i，…，d（n－m+1）i）：

dji=ED（f′j，Qi）=（f′j1－q1）2+…+（f′jm－qm）2（1）

定义i类飞行动作的阈值Ni，若dj<Ni，则将子序列f′j初步判定为i类飞行动作，并将符合条件的子序列构成新的数据序列Ei=（ei1，ei2，…，eim）。同理，依次可获得其他类别飞行动作的序列。

2.1.2无监督聚合的动态时间规整算法

为提高飞行动作序列的准确度，进一步减少人工筛选样本的时间成本，采用UADTW算法获取更高准确率的样本。为更好地保证纵向参数之间关系，从多元序列降低到一元序列维度，以获取较小的DTW距离空间，本文构建了无监督网络模型（如图3），利用2.1.1节初步判定的飞行动作序列E作为训练集，学习飞行动作飞参数据的特征表示。该模型主要包含两个过程：

（1）输入层E到隐藏层H的编码过程。根据飞行动作序列E具有时序性的特点，模型隐藏层ht与输入层et和上一节点的隐藏层ht－1相关：

ht=σ（wht－1+ujt+b）（2）

（2）隐藏层H到输出层E*的解码过程。模型将编码后的H重新解码得到E*：

e*t=σ（vht+b）（3）

其重构误差损失函数：

f（u，v，w，b）=1N∑Nr=1（Er－E*r）2（4）

式中：u，v，w，b为参数；N为总飞行动作片段数量。

迭代训练后，模型隐藏层H可作为飞行动作序列的特征表征。初选的飞行动作序列E和飞行动作标准序列Q利用飞行动作无监督聚合模型分别获得其隐藏层的特征表征E′i=（e′i1，e′i2，…，e′im），Q′i=（q′i1，q′i2，…，q′im）。根据特征序列E′i和Q′i的元素值建立距离矩阵D，如图4所示，为找到两个时间序列性距离最短的代价路径K，利用动态规划算法计算累积距离矩阵r，最后可以得到两个时间序列的距离表示Dis（J′i，Q′i）=r（m，m）。

算法1无监督聚合的动态时间规整算法：

输入：时间序列Qi=（qi1，qi2，…，qim）和Ei=（ei1，ei2，…，eim）

输出：Dis（E′i，Q′i）

（1）根据训练后的飞行动作无监督聚合模型，利用式（2）计算时间序列Qi和Ei的特征表征，得到E′i和Q′i。

（2）建立距离矩阵D={d（k，j）}，其中d（k，j）=（e′i1－q′i1）2。

（3）建立距离累计矩阵r。设定k，j的初始值为1，则r（1，1）=d（1，1）。

（4）k=k+1，j=2。

（5）计算累积距离矩阵：

r（k，j）=d（k，j）+min（r（k-1，j-1），r（k-1，j），r（k，j-1））

（6）若k=m，则执行第（8）步，否则执行下一步。

（7）若j<m，则j=j+1，且返回步骤（5），否则返回步骤（4）。

（8）Dis（E′i，Q′i）=r（m，m）。

（9）若Dis（E′i，Q′i）小于i类飞行动作阈值，则将飞行动作片段Ei归属到i类候选飞行动作集合Si=（si1，si2，…，sin）。