【技术实现步骤摘要】
：在超视距空战中，战场雷达可以获取的敌方战斗机行为信息有限。在仅能获取到敌方战斗机经度、纬度、高度的坐标信息的前提下，准确地识别敌方战斗机机动动作可以有效地判断敌方战术意图。战斗机执行机动动作的过程具有时序顺序，而采集敌机坐标信息也是按照一定的采样频率进行时序采样，所以战斗机机动识别问题可以被认为是多元时间序列分类问题。多元时间序列分类问题是指对具有多个特征和时间维度的序列数据进行分类的任务。在这个问题中，每个样本都是一个时间序列，每个时间布都有多个特征。分类方法的目标是根据这些时间序列的原始特征，将其分为不同的类别。对应到战斗机机动识别问题中，即为将一段时间内的战斗机经度、维度、高度信息识别为对应的具体机动类别，如爬升、俯冲、盘旋等。在航空领域，除了要保证机动识别方法的高准确率，更应该让算法具有可解释性，以满足人机互信。算法的可解释可以帮助决策者理解和解释算法内部的工作原理、决策过程和结果，使决策者能够理解算法是如何得到特点结论或做出特定预测的。要保证算法的可解释性，一般可以通过两种方式解决：一种是保证算法本身具有可解释性，目前应用较多的深度学习算法大多不具有可解释性；另一种是利用一些可解释方法对算法模型和识别结果进行解释，以保证其可解释性。
技术介绍
0、
技术介绍
：
1、针对战斗机机动识别问题，航空领域专家学者提出了多种战斗机机动识别方法。本专利技术将其归纳为三类：一、利用专家经验和先验知识建立机动识别规则库，进行战斗机机动动作识别；二、通过传统机器学习方法和时间序列分类方法进行战斗机机动识别；三、通过深度学习方
2、利用专家经验和先验知识：wang等人通过分析飞行过程中的各种参数，建立特征数据库来模拟所有类型的机动，在此基础上，利用模式识别的理论进行自动识别；jia等人将机动动作分解为机动动作元，降低动作描述的复杂度；zhong等人提出两级识别系统，通过模糊推理识别基本动作，再通过时间自动机识别组合动作。
3、利用传统机器学习方法和时间序列分类方法：动态时间规整算法(dtw)是时间序列分类中最常用也最有效的方法，所以大量现有方法采用这一技术并结合传统机器学习分类器。li等人利用多元动态时间规整算法(mdtw)对飞行动作进行离线识别和评估；wang等人对mdtw进一步改进，利用动态规整初步匹配，再通过支持向量机进行精准识别；shen等人基于dtw距离的时间序列层次聚类方法进行分类，再通过贝叶斯网络进行推理；xu等人提出一种基于运动分解和层次支持向量机的机动识别方法，结合运动分解的思想增强识别的针对性。
4、利用深度学习方法：peng等人通过反向传播神经网络推导无源雷达系统中机动目标的特征量，利用帧间时延和多普勒频移的变化值对目标机动进行分类；zhou等人利用深度学习中最常用的序列学习算法长短期记忆循环网络(lstm)对机动动作进行识别；zhao等人使用双向长短期记忆循环神经网络(bilstm)与全卷积网络(fcn)结合，利用fcn提取时序特征，进行机动识别。
5、可解释算法的目标是通过提供对模型决策的解释，揭示模型如何得出预测结果。这对于许多应用领域至关重要，例如医疗诊断、金融风险评估和自动驾驶等。可解释算法可以帮助用户理解模型背后的原理、特征的重要性以及模型对不同输入的响应方式。一类常见的可解释算法是局部解释方法，它们旨在解释单个样本的预测结果。例如，lime(localinterpretable model-agnostic explanations)通过生成局部近似模型来解释样本的预测结果。它通过在附近生成类似的样本并拟合可解释模型来估计每个特征对预测的贡献程度。另一类常见的可解释算法是全局解释方法，它们试图解释整个模型的行为和决策规则。例如，决策树和规则提取算法可以生成一组规则或条件，用于解释整个模型的决策过程。这些方法能够提供对模型整体逻辑的直观理解。
6、此外，还有一些可解释算法基于特征重要性的分析。这些方法可以通过计算特征的重要性分数或权重来解释模型对预测的贡献。例如，shap(shapley additiveexplanations)算法基于博弈论的概念，计算每个特征的shapley值来评估其对预测的影响。
7、近年来，深度学习模型的可解释性也受到了广泛的关注。针对深度神经网络的可解释性挑战，研究人员提出了一些可解释算法，如激活热图、梯度类别激活映射(grad-cam)和网络剪枝等。这些算法通过可视化网络的激活模式和特征重要性来解释深度学习模型的预测结果。
技术实现思路
0、
技术实现思路
：
1、针对战斗机机动识别问题，航空领域专家学者提出了多种战斗机机动识别方法。但当前机动动作识别相关方法存在如下不足：
2、(1)大部分工作使用规则库和专家经验，机动识别准确率既受到规则库编写的完备性和准确性影响，也受到专家经验的可靠性影响。
3、(2)大部分已有方法中需要的数据在实际应用中无法获取，如敌机滚转角等信息。如模型无法获得完备的信息，那么可能导致无法识别或识别准确率降低等问题。
4、(3)大部分已有方法不具有可解释性，对于航空领域中空战决策环节，不透明的决策将使决策者面临更大的决策风险。
5、针对以上不足，本专利技术设计一种基于catch22的特征提取的可解释机动识别算法。为验证本专利技术的合理性和性能优势，分别在f16和f18两种战斗机机型的模拟数据上进行实验。本专利技术主要贡献如下：
6、(1)提出一种通用的特征构造方法应用于战斗机机动识别领域，不需要过多的专家经验和人为干预，避免因人为参与造成的不确定性。
7、(2)应用可解释算法于航空领域，通过shap进行模型级特征解释，通过cbr进行样本集算法解释，满足航空领域的人机互信。
8、(3)在两种机型的模拟数据上进行实验，结果表明，本专利技术在性能上均优于基础模型，且具有良好的可解释性。
本文档来自技高网...【技术保护点】
1.一种基于catch22特征提取的可解释战斗机机动识别方法，分为卡尔曼滤波、特征构造、随机森林分类和可解释四部分，其特征在于：卡尔曼滤波包含以下两个步骤：
2.根据权利要求1所述的基于catch22特征提取的可解释战斗机机动识别方法，其特征在于：所述卡尔曼滤波的步骤(2)中，递归地估计出战斗机的状态，具体步骤如下：
3.根据权利要求1所述的基于catch22特征提取的可解释战斗机机动识别方法，其特征在于：所述可解释的步骤(8)中，通过SHAP计算每个特征的贡献度，计算特征i的SHAP值，具体步骤如下：
4.根据权利要求1所述的基于catch22特征提取的可解释战斗机机动识别方法，其特征在于：所述可解释的步骤(9)中，通过CBR方法给出模型的样本级解释，具体步骤如下：
【技术特征摘要】
1.一种基于catch22特征提取的可解释战斗机机动识别方法，分为卡尔曼滤波、特征构造、随机森林分类和可解释四部分，其特征在于：卡尔曼滤波包含以下两个步骤：
2.根据权利要求1所述的基于catch22特征提取的可解释战斗机机动识别方法，其特征在于：所述卡尔曼滤波的步骤(2)中，递归地估计出战斗机的状态，具体步骤如下：
3.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。