数据和知识驱动的空战目标集群类型综合识别

doi:10.7527/S1000-6893.2022.27266

Abstract

Abstract:

Identification of cluster types is the key to judging the cognition of combat situation. However， the existing cluster type identification algorithms are mainly based on expert knowledge for manual interpretation， imposing difficulty in satisfying the needs of rapid and accurate understanding of combat situation. To address this problem， we propose a reasoning mechanism driven by data and knowledge， constructing a cluster scene recognition framework for hierarchical refined reasoning. The pre-recognition layer detects the declustering/clustering of clusters during target movement， and determines the clustering based on the design of boundary detection-based density peaks clustering. Then， according to the division of the cluster， the preliminary identification results of the cluster are obtained. In the re-identification layer， the cluster execution tasks， motion characteristics， and electromagnetic characteristics are comprehensively analyzed and further utilized to construct an inference network under the constraint of multi-knowledge on the multi-source characteristics of the cluster target. Then， the existing data is used to learn the parameters of the inference network so that it can obtain more accurate cluster type identification results. The framework integrates knowledge and data to enable coarse to fine cluster target recognition， where the multi-feature comprehensive reasoning mechanism is used to comprehensively identify target clusters. This study realizes the refined identification of the cluster type， and the two indicators of inference confidence and accuracy are better than the existing algorithms in the typical cluster combat scenario， demonstrating the effectiveness of the proposed algorithm and improving the confidence and accuracy of aerial combat target cluster type identification.

Key words: situation cognition, cluster identification, Bayesian inference, hierarchical inference, cluster analysis

CLC Number:

Huixia ZHANG, Yan LIANG, Chaoxiong MA, Mian WANG, Dianfeng QIAO. Comprehensive recognization of aerial combat target cluster type driven by data and knowledge[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(8): 327266-327266.

Figures/Tables 28

Fig. 1

Fig. 2

Fig. 3

Fig. 4

Fig. 5

Table 1

Table 2

Characteristics of cluster formation

集群类型

特性描述

预警编队

运动特性：预警机在执行侦察和预警任务时所处的高度较高

任务特性：对应的任务主要是监测和预警，其对我方高价值目标没有攻击性，飞行方向不具有目的性，一般处于盘旋或是一定区域缓慢飞行，接近速率较小

机动特性：通常当目标执行侦查、巡逻任务时常采用环形飞行。当执行侦察任务时，敌方预警机或侦查机可以对环形区域进行信息探测和采集，环形机动动作航迹，更符合预警机编队机动行为

集群占比：集群内有单个成员为预警机的置信度大于某一阈值，其它成员的机型置信度均表现为战斗机，则该群为预警机占主导，且预警机数量越多或置信度越大，预警集群占比越大

扫荡编队

运动特性：战斗机编队速度较大，快速实现空间占位与扫荡搜索，一方面提高导弹的初速，使得飞机能够在保证打击成功的前提下获得更大的安全距离，同时可以提高攻击的突然性以及导弹的拦截难度

任务特性：其对我方高价值目标（军师指挥所、导弹阵地等）有较强的攻击性，其对高价值目的地的接近速率会更快，飞行方向会更倾向军师指挥所、导弹阵地等

机动模式：主要通过改变己方和敌方的高度差，从而获取高度优势，常用于攻击比自己高度高的目标，爬升机动动作航迹，更符合扫荡编队的机动行为

集群占比：集群内有单个成员为战斗机的置信度大于某一阈值，其它成员的机型置信度超过总数的规定阈值，则编队更倾向于扫荡编队，该群为战斗机占主导

压制编队

任务特性：目的地明确主要目的地一般是雷达所或是军师指挥中心，在带状目的地接近速率较大

机动特性：S形机动是一种具有周期性的机动动作，其垂直高度基本不改变，在水平面内进行机动，这种机动通常在电子干扰或巡逻时采用，S形机动、无俯冲或是其他攻击性的机动，更符合压制编队集群的机动类型

集群占比：集群内有单个成员为电子干扰机的置信度大于某一阈值，数量超过阈值，其它成员的机型置信度均表现为战斗机或是未知，该集群更倾向于干扰机占主导，表现为压制编队

Table 2

Table 3

Table 4

Table 5

Table 6

Table 7

Fig. 6

Fig. 7

Fig. 8

Fig. 9

Fig. 10

Fig. 11

Fig. 12

Fig. 13

Fig. 14

Fig. 15

Fig. 16

Fig. 17

Fig. 18

Fig. 19

Fig. 20

Table 8

References 31

1	祝学军，赵长见，梁卓，等. OODA智能赋能技术发展思考［J］. 航空学报， 2021， 42（4）： 524332.
	ZHU X J， ZHAO C J， LIANG Z， et al. Thoughts on technology development of OODA empowered with AI［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524332 （in Chinese）.
2	孙智孝，杨晟琦，朴海音，等. 未来智能空战发展综述［J］. 航空学报， 2021， 42（8）： 525799.
	SUN Z X， YANG S Q， PIAO H Y， et al. A survey of air combat artificial intelligence［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525799 （in Chinese）.
3	PURSER J L. Multi-domain operations and information warfare in the European theater［J］. Military Review， 2020， 100（6）： 58-65.
4	李保雪. 舰艇编队基本作战样式浅析［J］. 中国新通信， 2017， 19（17）： 163-164.
	LI B X. Analysis on the basic combat style of warship formation［J］. China New Telecommunications， 2017， 19（17）： 163-164 （in Chinese）.
5	XU D K， TIAN Y J. A comprehensive survey of clustering algorithms［J］. Annals of Data Science， 2015， 2（2）： 165-193.
6	XIE J Y， JIANG S， XIE W X， et al. An efficient global K-means clustering algorithm［J］. Journal of Computers， 2011， 6（2）： 271-279.
7	LIANG Z. Delta-density based clustering with a divide-and-conquer strategy： 3DC clustering［J］. Pattern Recognition Letters， 2016， 73： 52-59.
8	RODRIGUEZ A， LAIO A. Clustering by fast search and find of density peaks［J］. Science， 2014， 344（6191）： 1492-1496.
9	JIANG J H， ZHOU W， WANG L M， et al. HaloDPC： An improved recognition method on halo node for density peak clustering algorithm［J］. International Journal of Pattern Recognition and Artificial Intelligence， 2019， 33（8）： 1950012.
10	JIANG J H. A novel density peaks clustering algorithm based on K［J］. Physica A： Statistical Mechanics and Its Applications， 2019， 523： 702-713.
11	CHEN X J. Research on sea battlefield data fusion method based on D-S evidential theory and event net［J］. DEStech Transactions on Computer Science and Engineering， 2018： 625-631.
12	孙宇翔，黄孝鹏，周献中，等. 基于知识的海战场态势评估辅助决策系统构建［J］. 指挥信息系统与技术， 2020， 11（4）： 15-20.
	SUN Y X， HUANG X P， ZHOU X Z， et al. Construction of knowledge-based situation assessment and assistant decision-making system for sea battlefield［J］. Command Information System and Technology， 2020， 11（4）： 15-20 （in Chinese）.
13	AZAREWICZ J， FALA G， HEITHECKER C. Template-based multi-agent plan recognition for tactical situation assessment［C］∥ The Fifth Conference on Artificial Intelligence Applications. Piscataway： IEEE Press， 1989： 247-254.
14	柴慧敏，王宝树. 基于分层贝叶斯网络的计划识别方法［J］. 系统工程与电子技术， 2008， 30（5）： 964-967.
	CHAI H M， WANG B S. Method for plan recognition based on hierarchical Bayesian networks［J］. Systems Engineering and Electronics， 2008， 30（5）： 964-967 （in Chinese）.
15	XU L X， QIAO D F， LIANG Y， et al. A novel DBN-based intention inference algorithm for warship air combat［C］∥ 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference. Piscataway： IEEE Press， 2020： 916-921.
16	MEI W， LIU L， DONG J. The integrated sigma-max system and its application in target recognition［J］. Information Sciences， 2021， 555： 198-214.
17	刘雷，刘大卫，王晓光，等. 无人机集群与反无人机集群发展现状及展望［J］. 航空学报， 2022， 43（S1）： 726908.
	LIU L， LIU D W， WANG X G， et al. Development status and outlook of UAV clusters and anti-UAV clusters［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（S1）： 726908 （in Chinese）.
18	陈士涛，李大喜，孙鹏，等. 美军智能无人机集群作战样式及影响分析［J］. 中国电子科学研究院学报， 2021， 16（11）： 1113-1118.
	CHEN S T， LI D X， SUN P， et al. Analysis on the development and influence of intelligent unmanned aerial vehicle cluster in US army［J］. Journal of China Academy of Electronics and Information Technology， 2021， 16（11）： 1113-1118 （in Chinese）.
19	LIU W F. Structure modeling and estimation of multiple resolvable group targets via graph theory and multi-Bernoulli filter［J］. Automatica， 2018， 89： 274-289.
20	LIU S， LIANG Y， XU L F， et al. EM-based extended object tracking without a priori extension evolution model［J］. Signal Processing， 2021， 188： 108181.
21	乔殿峰，梁彦，马超雄，等. 多域作战下的群目标意图识别与预测［J］. 系统工程与电子技术， 2022： 44（11）： 3403-3412.
	QIAO D F， LIANG Y， MA C X， et al. Recognition and prediction of group target intention in multi-domain operations［J/OL］. Systems Engineering and Electronics， 2022： 44（11）： 3403-3412 （in Chinese）.
22	胡利平，梁晓龙，何吕龙，等. 基于情景分析的航空集群决策规则库构建方法［J］. 航空学报， 2020， 41（S1）： 723737.
	HU L P， LIANG X L， HE L L， et al. Construction method of aviation swarm decision rule base based on scenario analysis［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（S1）： 723737 （in Chinese）.
23	王书敏. 体系作战运筹分析［M］. 北京：军事科学出版社， 2018： 639-399.
	WANG S M. Operations analysis on system-of-systems combat［M］. Beijing： Military Science Publishing House， 2018： 639-399 （in Chinese）.
24	HE J， WANG Y D， LIANG Y， et al. Learning-based airborne sensor task assignment in unknown dynamic environments［J］. Engineering Applications of Artificial Intelligence， 2022， 111： 104747.
25	王莹. 用频装备面临的电磁环境量化方法研究［D］. 哈尔滨：哈尔滨工程大学， 2013： 15-18.
	WANG Y. Study on quantitative methods of electromagnetic environment around electronic equipments［D］. Harbin： Harbin Engineering University， 2013： 15-18 （in Chinese）.
26	Wu Y， Du Y J， Zhang Y K. Evaluation of region electromagnetic environment complexity based on propagation model［J］. Journal of Computational Information Systems， 2014， 14（10）： 5987-5994.
27	MEI W， SHAN G， WANG Y F. A second-order uncertainty model for target classification using kinematic data［J］. Information Fusion， 2011， 12（2）： 105-110.
28	ZHANG D Z， LEE K， LEE I. Hierarchical trajectory clustering for spatio-temporal periodic pattern mining［J］. Expert Systems With Applications， 2018， 92： 1-11.
29	万昌豪，刘志国，唐圣金，等. 基于不完美先验信息的随机系数回归模型剩余寿命预测方法［J］. 北京航空航天大学学报， 2021， 47（12）： 2542-2551.
	WAN C H， LIU Z G， TANG S J， et al. Remaining useful life prediction method based on random coefficient regression model with imperfect prior information［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（12）： 2542-2551 （in Chinese）.
30	叶思懋. 融合先验的贝叶斯网络结构学习及其在智能决策中的应用［D］. 西安：西北工业大学， 2018： 10-25.
	YE S M. Learning Bayesian network structure with priors and the application to intelligent decision［D］. Xi’an： Northwestern Polytechnical University， 2018： 10-25 （in Chinese）.
31	FORTIN B， HACHOUR S， DELMOTTE F. Multi-target PHD tracking and classification using imprecise likelihoods［J］. International Journal of Approximate Reasoning， 2017， 90： 17-36.

节点	状态空间
速度	小，中，大
高度	低，中，高
机动模式	盘旋机动，S形机动，爬升/俯冲机动，无明显机动
任务飞行方向	高价值目标，通信目标，无明显目标
距离变化率	靠近，无明显变化，远离
集群成员比例	战斗机，干扰机，预警机
集群队形	“8”字型，菱形，一字型
雷达工作模式	UHF波，L波，S波，X波，Ku波
集群编队类型运动特性任务特性	预警编队，扫荡编队，压制编队高空盘旋，低空搜索，定高巡航指挥控制，快速打击，释放干扰
集群结构特性	预警编队结构，战斗编队结构，干扰编队结构
电磁特性	高频段，低频段，中频段
集群编队类型	预警编队，扫荡编队，压制编队

节点/时刻	14	27	47	53	59	66	89	121	130	144
集群类型	1	1	1	2	2	2	2	3	3	3
集群速度	1	1	2	3	3	2	3	2	1	2
集群高度	1	1	2	2	3	3	2	3	3	3
机动模式	4	1	1	4	3	3	3	2	4	2
任务飞行方向	3	3	3	1	1	1	1	2	2	2
目标机型	3	3	3	1	1	1	1	2	2	2
集群队形	1	1	1	2	2	2	2	3	3	3
距离变化率	1	2	1	1	2	1	1	1	2	3
电磁工作模式	2	1	1	4	5	5	4	3	3	3

运动特性/集群速度	1小	2中	3大
1高空盘旋	0.731 8	0.400 8	0.475 9
2低空搜索	0.062 8	0.180 7	0.300 2
3定高巡航	0.205 4	0.418 5	0.223 9

运动特性/集群高度	1低	2中	3高
1高空盘旋	0.283 9	0.699 1	0.844 4
2低空搜索	0.340 1	0.136 8	0.002 8
3定高巡航	0.376 0	0.164 1	0.152 8

运动特性/机动样式	1盘旋机动	2S形机动	3爬升/俯冲机动	4无明显机动
1高空盘旋	0.812 7	0.059 6	0.115 9	0.154 7
2低空搜索	0.103 8	0.170 6	0.792 0	0.479 9
3定高巡航	0.083 5	0.769 8	0.092 1	0.365 4

Comprehensive recognization of aerial combat target cluster type driven by data and knowledge

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 28

References 31

Related Articles 6

Recommended Articles

Metrics

Comments

电磁特性/雷达工作模式	1UHF波段	2L波段	3S波段	4X波段	5Ku波段
1高频段	0.927 1	0.721 8	0.111 1	0.073 3	0.035 3
2低频段	0.039 0	0.059 9	0.178 3	0.763 8	0.871 5
3中频段	0.033 9	0.218 3	0.710 6	0.162 9	0.093 2

算法	集群 1	集群 2	集群 3	集群 4
随机参数推理^［29］	67.11	65.80	84.96	92.97
经验参数推理^［31］	87.71	79.65	86.28	98.83
文献［21］推理网络	74.75	87.45	99.12	99.61
本文推理算法	94.02	90.48	99.12	99.61
本文比文献［29］推理的提升度	28.62	27.28	14.29	6.67
本文比文献［31］推理的提升度	6.71	11.97	12.95	0.78
本文比文献［21］推理的提升度	20.50	3.50	0	0

[1]	Wenbin YANG, Yuebin WANG, Dan LI, Jianqiu ZHANG. A moving target detector with coherent integration of Bayesian-inferred motion trajectories [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(6): 326823-326823.
[2]	YU Tianxiang, ZHUANG Xinchen, SONG Bifeng, SUN Zhongchao. Integrated wear life prediction method of multiple joints in an aircraft linkage mechanism [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2022, 43(8): 625113-625113.
[3]	CHANG Siyuan, BAI Xiaozheng, LIU Jun. A two-dimensional shock wave pattern recognition algorithm based on cluster analysis [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2020, 41(8): 123626-123626.
[4]	ZHANG Weijun, ZHONG Sheng, WANG Jianhui. Airborne target tracking based on spatio-temporal saliency modeling [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2020, 41(3): 323388-323388.
[5]	Liu Xiaodong;Shen Zhengjin. STATISTICAL ANALYSIS OF MULTIPARAMETER FLIGHT DATA AND DETERMINATION OF FATIGUE LOAD STATES [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 1994, 1(1): 36-40.
[6]	Liu Xiaodong;Shen Zhengjin. STATISTICAL ANALYSIS OF MULTIPARAMETER FLIGHT DATA AND DETERMINATION OF FATIGUE LOAD STATES [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 1994, 15(1): 36-40.