基于多维特征的高超声速目标分类识别算法_高羽婷.pdf

第 2 期2023 年 3 月No.2Mar.2023战术导弹技术Tactical Missile Technology基于多维特征的高超声速目标分类识别算法高羽婷1，李享1，孙鹤枝1，尹可1，李超2，李翰夫2，杨冬1，李劲东1*（1.中国空间技术研究院，北京 100094；2.哈尔滨工业大学，哈尔滨 150006）摘要：针对高超声速目标天基探测中分类识别困难的问题，提出了一种基于多维红外特征的高超声速目标分类识别算法。在对主动巡航式和被动滑翔式两类不同机动类型的典型高超声速目标多维红外特征进行对比研究的基础上，结合高斯混合模型进行机器学习聚类分析，开发了基于多维特征的高超声速目标分类识别算法，构建了高超声速目标多维特征混合识别模型。基于天基探测全链路模型仿真的数据进行测试验证，其结果证明了所提出的高超声速目标分类识别方法的有效性。在检测到的高超声速目标运动特性未知的情况下，该算法仅通过多维红外特征可快速对两型高超声速目标（主动巡航式/被动滑翔式）进行分类识别，为后续跟踪和拦截高超声速目标争取了时间。关键词：高超声速目标；天基探测；多维特征；目标分类识别；聚类算法；高斯混合模型中图分类号：TP79 文献标识码：A 文章编号：1009-1300（2023）02-0081-07DOI：10.16358/j.issn.1009-1300.20230508Classification algorithm of hypersonic target based on multi-dimensional characteristicsGaoYuting 1，Li Xiang1，Sun Hezhi1，Yin Ke1，Li Chao2，Li Hanfu2，Yang Dong1，Li Jindong1*（1.China Academy of Space Technology，Beijing 100094，China；2.Harbin Institute of Technology，Harbin 150006，China）Abstract:Focusing on the difficulty in the space-based detection of hypersonic targets,a classification algorithm of hypersonic targets is proposed based on multi-dimensional infrared characteristics under space-based observation conditions.Comparative research on multi-dimensional characteristics of typical hypersonic targets with two different maneuver types(active cruise type and passive glide type)is carried out.On this basis,a machine learning clustering analysis is conducted with Gaussian mixture model to develop a classification algorithm of hypersonic targets based on multi-dimensional characteristics.A classification model has been introduced,which is capable of rapid classification of typical hypersonic targets.By using the simulation data from full-link space-based detection model,the validation results indicate the effectiveness of 收稿日期：2023-02-10；修回日期：2023-03-17作者简介：高羽婷，博士研究生，主要研究方向为高超声速目标天基探测。通讯作者：李劲东，研究员，主要研究方向为卫星遥感技术。引用格式：高羽婷，李享，孙鹤枝，等.基于多维特征的高超声速目标分类识别算法 J.战术导弹技术，2023（2）：81-87.（GaoYuting，Li Xiang，Sun Hezhi，et al.Classification algorithm of hypersonic target based on multi-dimensional characteristics J.Tactical Missile Technology，2023（2）：81-87.）第 2 期战术导弹技术the proposed classification algorithm of hypersonic targets based on multi-dimensional characteristics.This algorithm is able to classify typical hypersonic targets with two different maneuver types(active cruise type and passive glide type)by only depending on the multi-dimensional infrared characteristics and without considering the kinetic characteristics of the targets,which makes time for the later tracking and intercepting of hypersonic targets.Key words:hypersonic targets；space-based detection；multi-dimensional characteristics；classification of targets；clustering algorithm；Gaussian mixture model1 引 言 高超声速飞行器是近年来的研究热点，具有速度快、射程远、机动能力强、目标全程辐射特性变化复杂等特点。利用传统地基系统对其进行探测和跟踪的难度较大，基于天基平台的检测、分类识别与跟踪是远距离发现高超声速目标并对其进行实时监视的有效手段1。高超声速目标飞行速度极快，短时间即可飞行较远路程，且不同机动类型的高超声速目标运动特性及辐射特性差异巨大，因此在检测到目标之后尽快对其进行分类识别，有利于后续根据目标所属类别的相关运动及辐射特性对其进行跟踪，并为高超声速目标的拦截防御争取时间。目前与目标分类识别相关的研究多集中于红外目标识别、雷达目标识别以及导弹目标识别等方面。2002年，Breiter等针对导弹识别问题提出了结合红外中波和长波探测的双波段的自动目标识别方法2。2005年，Zhao等提出了一种基于天基系统的导弹目标识别算法，利用导弹特征进行数据融合，进而推断出导弹的类型3。2016年，陈未未等采用支持向量机作为分类算法，联合雷达高分辨一维距离像特征与微动特征，通过主成分分析方法降维后，弹头识别率得到明显提升4。2019年，Cho等提出基于相异正则化的多阶段融合算法，可提升SAR/IR图像目标识别准确率5。2022年，杨棉绒等提出基于轻量级梯度提升机的Zernike 特征选取算法，并结合稀疏表示分类器（SRC）完成红外图像中的目标类别确认6。由于高超声速目标特性与普通的红外目标和雷达目标差异明显，因此这些技术无法直接用于天基平台对高超声速目标的识别。针对高超声速目标分类识别的相关研究目前还处于起步阶段，相关文献较少。2014年，管维乐等在分析高超声速目标的速度特征、高度特征和轨迹特征的基础上构建了高超声速目标类型识别模型7。2015年，刘旭等选择高超声速目标载机作为识别对象，结合模糊综合评价方法，构建了载机目标识别模型8。2017年，徐旺研究了雷达探测中对高超声速飞行器的目标辨识9。2017年，王丹通过研究高超声速目标的运动行为辨识得到气动力模型，进而实现对目标弹道的动态估计10。2019年，Gaiduchenko等提出了一种高超声速卷积神经网络的算法，可基于飞行路径对高超声速目标进行分类11。2022年，张君彪等通过构造特征参数集生成高超声速目标轨迹库，能够对高超声速飞行器的机动类别进行划分12。现有针对高超声速目标的分类识别研究多基于目标的运动及轨迹特性，对辐射特性的考虑较为欠缺。基于运动特性的分类识别方法必须等待目标飞行一段时间后才可完成，导致目标分类识别过程占用后续对目标跟踪和拦截的时间；并且随着技术的发展，新型高超声速飞行器的飞行弹道更加多变，通过轨迹和高度难以实现目标的分类识别。本文基于对主动巡航式和被动滑翔式高超声速目标的全谱段红外特性分析，提出了一种基于多维红外特征的高超声速目标分类识别算法，可以在目标运动特性未知的情况下仅通过辐射特性对检测到的高超声速目标进行快速分类识别。对该算法的测试验证表明，该算法可在陆地、云层和海面等多种背景下，对主动巡航式和被动滑翔式两种高超声速飞行器目标进行有效分类辨82第 2 期高羽婷等：基于多维特征的高超声速目标分类识别算法识，为后续对高超声速目标的跟踪及拦截争取了时间。2 高超声速目标分类识别机理 高超声速飞行器主要有主动巡航式和被动滑翔式两种类型。主动巡航式高超声速飞行器一般先由飞机携带起飞，在飞行达到一定高度和速度时，飞行器从飞机挂架脱离，由助推器推动达到最高点；之后助推器燃料耗尽与飞行器巡航段分离，位于飞行器巡航段上的超燃冲压发动机点火工作，进入稳态飞行阶段巡航段。被动滑翔式高超声速飞行器一般先由火箭携带起飞，通过火箭助推后达到高超声速飞行后，飞行器与火箭分离，利用喷气系统调整方向，实现大气再入飞行；再入段的最后，飞行器高度降低，执行拉起机动并调整飞行姿态和速度，在适当的高度进入稳态飞行阶段，即滑翔阶段。主动巡航式高超声速飞行器的稳态飞行阶段为巡航段，其红外辐射信号来源于本体表面辐射、激波绕流场气体辐射以及冲压发动机喷焰辐射三个部分。被动滑翔式高超声速飞行器的稳态飞行阶段为滑翔段，其辐射信号来源于本体表面辐射以及本体周围高温高速气流和本体后方尾迹流场气体分子辐射两个方面。本文以主动巡航式高超声速飞行器的典型代表型号X-51A巡航段和被动滑翔式高超声速飞行器的典型代表型号HTV-2滑翔段为例，对其红外辐射特性进行了分析。图 1 为 X-51A 巡航段和HTV-2滑翔段在不同飞行工况下的目标信号经探测系统全链路耦合后的光谱特征曲线对比图。图1中，横轴表示波长，纵轴表示目标信号经探测系统全链路耦合后在探测器上产生的电子数。由图1可见，被动滑翔式高超声速目标HTV-2滑翔段的光谱曲线整体平滑，而主动巡航式高超声速目标X-51A巡航段的光谱曲线在短波2.7m和中波4.3m附近有明显峰值。两种类别的高超声速目标特征差异明显，因此，可以基于多维特征对两种目标进行分类识别。3 基于多维特征的目标分类识别方法研究基于对主动巡航式和被动滑翔式两类典型高超声速目标多维特征的对比研究，结合高斯混合模型进行机器学习聚类分析，即可构建目标多维特征混合识别模型，进而对高超声速目标进行分类识别。首先根据高超声速目标和背景的全谱段红外辐射曲线，掌握不同类型目标在不同飞行工况及多种背景下的特性数据，并结合大气透过率和卫星平台载荷参数等，将目标的本征特性与飞行场景及探测链路进行耦合，得到可用于检测识别的目标全链路耦合特征，即目标像元在探测器处产生的电子数。在此基础上，选取2.72.95 m和4.24.45 m两个大气吸收谱段作为探测谱段，分析提取目标像元在以上两个谱段上的特征，得到每个样本像元的二维耦合特征数据。采用高斯混合模型（Gaussian Mixture Model，GMM）聚类算法对所有样本像元的数据进行拟合，建立基于多维特征的目标分类识别模型。当得到一个未知的测试像元时，首先分析得到该像元在两个探测谱段上的耦合特征，然后通过基于多维特征的目标分类识别模型对该测试像元进行类别判断，即可判断该测试像元属于哪一类目标。该算法的流程如图2所示。常用的机器学习聚类算法有高斯混合模型、图1HTV-2滑翔段和X-51A巡航段的目标信号差异对比Fig.1Comparison of target signal differences between HTV-2（gliding phase）and X-51A（cruising phase）83第 2 期战术导弹技术K-Means、支持向量机等。支持向量机的原理是在数据线性可分时，在原空间寻找两类样本的最优分类超平面。由于不同飞行工况的目标其特征差别较大，同一目标数据点不够集中，因此不适合使用支持向量机进行建模。高斯混合模型与K-Means类似，两种算法均为根据数据的中心点进行分类。K-Means是最简单的聚类算法，其算法简单，速度快，但局限之处在于要求每个簇的形状必须为圆形，因此不适合本文的需求。高斯混合模型可以看作是K-Means的一个优化，算法通过计算多维高斯模型概率分布的混合表示，从而拟合出任意形状的数据分布，且计算速度快，符合对高超声速目标进行快速识别的需求。高斯混合模型由多个子模型组合而成，每一个子模型即为一个单高斯模型，是单一高斯概率密度函数的扩展形式，能够平滑地近似任意形状的密度分布。根据高斯概率密度函数的参数不同，每一个单高斯模型即为一种类别。输入一个样本x，即可通过计算其概率密度函数的数值和一个阈值来判断该样本是否属于该高斯模型。高斯混合模型由于具有多个子模型，因此可用于多类别的划分，适用于本文中的高超声速目标分类识别。高斯混合模型的数学形式如下：p(x|，)=k=1Kk(x|k，2k)（1）式 中，K 为 高 斯 混 合 模 型 中 子 模 型 的 总 数；(x|k，2k)称为混合模型中的第k个子模型的高斯概率密度函数；k是混合系数，即每个单高斯分布的权重，且满足k=1Kk=1，0 k 1。通 过 期 望 最 大（Expectation Maximization，EM）算法进行训练，可以迭代求出高斯混合模型的参数。在模型的训练过程中，首先通过观察采样的概率值和模型概率值的接近程度，来判断一个模型是否拟合良好，然后通过调整参数使得模型更适配采样的概率值。反复迭代这个过程多次，直到两个概率值非常接近时，停止更新并完成模型训练。将这个过程用算法来实现，所使用的方法是用模型生成的数据来决定似然值，即通过模型来计算数据的期望值，并通过更新模型参数均值和标准差使得期望值最大化。这个过程可以不断迭代，直到两次迭代中生成的参数变化非常小为止。该过程需要同时更新模型的均值和标准差两个参数。高斯混合模型的对数似然函数表达式如下：logL(，)=k=1Klogp(xi|，)=i=1Nlogk=1Kk(xi|k，2k)（2）EM算法分为E-step和M-step两个步骤。E-step：根据初试参数，估计每个数据xi由每个子模型k生成的概率。(i，k)=k(x|k，2k)k=1Kk(x|k，2k)（3）i=1，2，3，N；k=1，2，3，KM-step：计算新一轮迭代中每个子模型的参数。当每个样本所属分类已知时，直接利用最大似然数即可确定高斯混合模型参数。设样本容量为 N，属于 K 个分类的样本数量分别是N1，N2，Nk，属 于 第 k 个 分 类 的 样 本 集 合 是L（k）。图2基于多维特征的高超声速目标分类识别算法总体流程Fig.2Overall process of the classification algorithm of hypersonic targets based on multi-dimensional characteristics84第 2 期高羽婷等：基于多维特征的高超声速目标分类识别算法k=i=1N(i，k)xii=1N(i，k)（4）k=i=1N(i，k)(xi-k)(xi-k)Ti=1N(i，k)（5）k=i=1N(i，k)N（6）重复迭代E-step和M-step，直到似然函数的值收敛为止，最终得到高斯混合模型参数。4 目标分类识别仿真建模及验证 4.1高超声速目标多维特征混合识别模型的构建根据主动巡航式和被动滑翔式高超声速飞行器目标的全链路耦合光谱特征差异，选择 2.72.95 m（谱段1）和4.24.45 m（谱段2）两个大气吸收谱段作为探测谱段，分别计算获得目标全链路耦合特征，即探测谱段内目标信号在探测器处产生的电子数，建立目标二维特征高斯混合模型。对于 HTV-2 滑翔段和 X-51A 巡航段两种目标，各选取三种不同的飞行工况，建立在白天和夜晚两种光照条件下森林、农场、海洋、积云、层云等五种不同背景下的辐射特性模型（共60组数据）。在谱段1和谱段2分别计算不同探测场景下不同类别目标信号经全链路耦合后在探测器处产生的电子数，如图3所示。图中，“”表示HTV-2目标特征数据，“”表示X-51A目标特征数据，三种颜色表示三种不同的飞行工况。将建模数据中谱段1和谱段2的目标电子数作为二维高斯混合模型两个维度的输入，用 60 组二维特征数据进行高斯混合模型重复迭代，计算得出高超声速目标多维特征混合识别模型。模型用二维概率密度函数表示，如图4所示。由图4可见，x轴为目标信号在谱段1区间经全链路耦合后在探测器处产生的电子数，y轴为目标信号在谱段2区间经全链路耦合后在探测器处产生的电子数，z轴为每组x和y所代表的数据点所对应的概率密度。模型的概率密度函数形成了两个高峰，分别代表两类不同目标。与图3对比，由于HTV-2目标数据点较为集中，因此计算所得的类别标准差较小，高斯峰相对较高，所占面积较小；而X-51A目标数据点较为分散，计算所得的类别标准差较大，高斯峰较低，所占面积较大。图中两高峰代表的目标数据距离较远，可用于不同类别目标的分类识别。用原始仿真数据进行多次建模，并与原始数据进行比对，基于高斯混合模型的目标多维特征混合识别模型的建模准确率可达90%以上。4.2高超声速目标分类识别方法的验证在建立高超声速目标多维特征混合识别模型的基础上，需用测试数据点与模型进行比对分析，判断测试数据所属类别，对目标分类识别方法进行验证。图3两种目标信号的建模数据Fig.3Model data of two kinds of targets signals图4目标多维特征高斯混合模型Fig.4Gaussian mixture model of multi-dimensional characteristics of targets85第 2 期战术导弹技术本文中，用于建模的原始数据来源于高超声速飞行器仿真实例。测试中，以用于建模的原始数据为基准，通过改变全链路耦合过程中的探测器噪声和探测角度等参数，生成测试数据。与原始数据相同，测试数据为二维数据，两个维度分别为含测试目标像元在两个探测谱段经全链路耦合后在探测器处产生的电子数。每一个测试数据与高超声速目标多维特征混合模型对比后，进行类别判定。测试结果如图5所示。由图5可见，“”为识别正确的HTV-2测试数据，“”为识别正确的X-51A测试数据，黑色“”为识别错误的数据。当仅有一维目标特征数据时，不同种类目标在同一谱段的特征差异不明显，因此仅从一维谱段进行分析无法区分目标类别。而当联合考虑两个探测谱段的数据后，通过目标多维特征混合识别模型，无论目标处于何种飞行工况，都可以顺利将两类不同的高超声速飞行器目标进行区分鉴别。为计算目标分类识别算法准确率，随机生成1000组数据进行测试，测试结果如图6所示。测试结果表明，高超声速目标多维特征混合识别模型对两种目标的分类识别的准确率达93%。本文提出的算法与Gaiduchenko等提出的高超声速卷积神经网络（HCNN）算法11最为相似。在中等噪声条件下，HCNN算法对被动滑翔式高超声速目标的识别准确度达到90%。但由于HCNN算法是基于弹道特性进行识别，因此在噪声较高时，将所有被动滑翔式高超声速目标全部识别为主动巡航式高超声速目标，识别准确率为0。对比表明了本文提出的高超声速目标分类识别算法的有效性。5 结 论 本文基于对主动巡航式和被动滑翔式两种机动类型高超声速目标的全谱段特征对比分析，提出了一种基于多维红外特征的高超声速目标分类识别算法。该算法基于对主动巡航类/被动滑翔类高超声速目标的全谱段红外特性对比分析，通过构建高超声速目标多维特征混合识别模型，完成对检测到的未知类型目标进行分类识别。经测试验证，该算法能在陆地、云层和海面等多种背景下，对主动巡航式和被动滑翔式两种高超声速飞行器目标进行有效分类识别，其识别准确率达93%。本文提出的算法可以在目标运动特性未知的情况下对天基系统检测到的高超声速目标进行快速分类识别，为后续高超声速目标的跟踪和拦截争取了时间。参考文献1 敬韩博，王英瑞.临近空间高超声速目标天基红外探测技术研究 J.现代防御技术，2016，44（6）：80-84.2 Breiter R，Cabanski W A，Mauk K H，et al.Multicol图5目标分类识别测试结果Fig.5Test results of classification algorithm图6目标分类识别测试结果（1000组数据）Fig.6Test results of classification algorithm(1000 data sets)86第 2 期高羽婷等：基于多维特征的高超声速目标分类识别算法or and dual-band IR camera for missile warning and automatic target recognition C.Proceedings of the Targets&Backgrounds：Characterization&Representation，Lorida，USA，2002.3 Zhao Y，Yao K Z，Sun J H，et al.Research on a new algorithm of missile target recognition of missile early warning satellite systemJ.Systems Engineering and Electronics，2005，27（10）：1811-1813.4 陈未未，张兴敢.基于一维距离像和微动特征的弹道导弹识别方法 J.南京大学学报（自然科学），2016，52（6）：1113-1120.5 Cho Y R，Shin S，Yim S H，et al.Multistage fusion with dissimilarity regularization for SAR/IR target recognitionJ.Quality Control，Transactions，2019，7：728-40.6 杨棉绒，牛丽平.基于LGBM的Zernike特征选取及红外图像目标识别方法 J.红外与激光工程，2022，51（4）：415-420.7 管维乐，刘健，申卯兴.高超声速目标类型的灰色关联识别模型 J.空军工程大学学报（自然科学版），2014，15（5）：38-41.8 刘旭，李为民，谢鑫，等.高超声速巡航导弹载机目标识别模型 J.弹箭与制导学报，2015，35（2）：21-24.9 徐旺.临近空间高超声速条件下雷达目标辨识的研究D.北京：北京交通大学，2017.10 王丹.基于运动行为识别的高超声速目标弹道估计 D.哈尔滨：哈尔滨工业大学，2017.11 Gaiduchenko N E，Gritsyk P A.Hypersonic vehicle trajectory classification using convolutional neural networkC.Proceedings of the 2019 International Conference on Engineering and Telecommunication（EnT），Dolgoprudny，Russian Federation，2019.12 张君彪，熊家军，兰旭辉，等.高超声速滑翔飞行器机动状态识别方法研究 J.电子与信息学报，2022，44（12）：4134-4143.（上接第80页）5 曹晶，付主木.基于过重力补偿的比例导引律的末端落角控制 J.火力与指挥控制，2014（2）：79-84.6 Koray S E，Osman M.Indirect impact-angle-control against stationary targets using biased pure proportional navigation J.Journal of Guidance，Control and Dynamics，2012（5）：67-71.7 Koray S E.Control of impact angle using biased proportional navigationC.AIAA Guidance，Navigation，and Control Conference.Boston：AIAA，2013（6）：43-46.8 王广帅，林德福，范世鹏，等.一种适应用于红外制导弹药的偏置比例导引律 J.系统工程与电子技术，2016（10）：39-44.9 Zarchan P.Tactical and strategic missile guidance M.Sixth Edition，Progress in Astronautics and Aeronautics.Reston：AIAA，2012：569-601.10 Ratnoo A.Hayoun S Y，Granot A，et al.Path following using trajectory shaping guidance C.AIAA Guidance，Navigation，and Control Conference.Boston：AIAA，2013：5233-5255.87