时空轨迹多维特征融合的行为规律挖掘算法

在预警监视系统中，利用数据挖掘技术可以从海量的目标时空轨迹数据中挖掘出目标的行为规律，实现态势信息的智能感知。目前大部分行为规律挖掘方法仅考虑目标轨迹的空间位置信息，忽略了航向和速度信息，因此难以区分空间位置相似但运动速度和方向不同的行为。除此之外，轨迹聚类算法普遍存在参数设置复杂的问题，而且容易受到轨迹行为分布密度的影响。针对上述问题，首先，通过构造时间滑窗定义了时空Hausdorff距离，可度量时空轨迹多维特征差异；其次，结合k最近邻和密度峰值聚类中决策图的思想，提出了时空轨迹多维特征融合的行为规律挖掘算法；最后，使用仿真飞行器轨迹和实测雷达轨迹数据进行实验分析和验证，结果表明在典型应用场景下本文算法可以准确地挖掘出目标所有行为规律，在智能监视任务中具有较好的应用前景。     

多局部节点异步抗差航迹关联算法

为解决航迹异步与系统误差并存情况下的多局部节点航迹关联问题,提出一种基于区间序列离散度的多局部节点异步抗差航迹关联算法。定义区间型数据集的离散信息度量,给出系统误差下航迹序列区间化方法,通过累次积分计算离散度,结合多维分配进行关联判定。针对多局部节点上报目标不完全一致现象,设置零号航迹管理关联质量。与传统算法相比,无需时域配准,可在系统误差下对异步航迹直接关联。仿真结果表明,算法能在局部节点上报目标不完全一致场景下实现有效关联,且正确关联率随局部节点数目的增加或目标密集程度的增大而提高。     

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

基于运动状态的航迹起始算法研究

 针对传统的基于逻辑的航迹起始方法在量测扩展过程中存在的弊端，提出了基于目标运动状态的航迹起始算法，并给出了更为精确的起始波门构造方法。利用目标的位置信息形成候选目标航迹，在候选目标航迹扩展过程中，采用提出的修正Hough变换提取目标状态信息，并根据目标〖JP2〗的状态信息对候选航迹进行检验。仿真结果表明，该算法比其他基于逻辑的方法有更低的虚警概率，并且对存储空间要求低，适于工程应用。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

基于空间多特征综合推理的航迹航路关联

针对航迹分类问题,研究了基于空间多特征的综合推理在航路判读中的应用。首先根据空管系统对航路以及飞机飞行的要求,对航迹航路相关问题进行建模。然后根据已知的传感器系统输出的目标特性(位置,航向)与已知的多个航路信息分别进行相关度计算,构造基本信任函数,通过对其融合,得到目标单特征识别结果。其中,通过合理地引入复合类,实现了对目标类别的广义信任分类。建立了多特征折扣融合算法,对多特征基本信任函数进行折扣后再融合,得到目标多特征识别结果。仿真结果以及空管实际数据测试表明:该算法不仅可以实现航迹分类,同时可以有效地降低分类的错误率。     

具有自动回溯的机动目标航迹精细化分段识别

机动目标航迹分段识别是判断目标行为意图的基础,然而现有航迹分段算法对模式变化检测能力弱,难以满足机动目标航迹快速精细化分段的需求。提出双层精细化航迹分段框架,预分段层检测目标运动过程中的模式切换,确定模式变化明显的预分段区,得到目标模式变化明显区域的预分段点;再分段层对模型差异小的非预分段区航迹进行回溯迭代优化再分段,得到更为精细的分段点。该框架具有从粗到精的航迹分段处理能力,实现了对于机动目标航迹的精细化分段识别。选取两个典型的目标机动仿真场景验证了所提算法的有效性,不仅减少了迭代优化时间,而且提高了分段识别精度。     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

基于多维特征的战场实体目标分群方法

目标分群问题也称为群形成过程,是态势估计中的一个重点和难点问题,属于信息融合中的高层融合范畴。现有的目标分群方法大多是将空间位置相近的目标聚为一类,极少有分群方法考虑到进行战场态势分析所需的位置、速度、航向、属性和类型等多维特征。为此,首先根据海战场态势分析需求,基于目标的特征属性定义了多维度欧式距离;然后综合利用分类与密度聚类两种分析方法,提出了一种战场实体目标分群方法,以综合实现战场实体目标的实时分群处理;最后,将该算法应用于一个军用场景的数据集上进行仿真实验。仿真结果表明了该方法在海战场环境中实现目标分群处理的可行性和有效性。     

基于时空轨迹信息的目标行为模式在线分类方法

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。     

Behavior pattern mining based on spatiotemporal trajectory multidimensional information fusion

Trajectory data mining is widely used in military and civil applications, such as early warning and surveillance system, intelligent traffic system and so on. Through trajectory similarity measurement and clustering, target behavior patterns can be found from massive spatiotemporal trajectory data. In order to mine frequent behaviors of targets from complex historical trajectory data, a behavior pattern mining algorithm based on spatiotemporal trajectory multidimensional information fusion is proposed in this paper. Firstly, spatial–temporal Hausdorff distance is proposed to measure multidimensional information differences of spatiotemporal trajectories, which can distinguish the behaviors with similar location but different course and velocity. On this basis, by combining the idea of k-nearest neighbor and density peak clustering, a new trajectory clustering algorithm is proposed to mine behavior patterns from trajectory data with uneven density distribution. Finally, we implement the proposed algorithm in simulated and radar measured trajectory data respectively. The experimental results show that the proposed algorithm can mine target behavior patterns from different complex application scenarios more quickly and accurately compared to the existing methods, which has a good application prospect in intelligent monitoring tasks.     

受限航路空域自主航迹规划与冲突管理技术

为了解决在基于航迹运行的空中交通管理自动化系统中人机意识同步的问题，以航路运行为对象，开展了面向受限空域的自主四维航迹（4DT）冲突探测与解脱（CD&R）技术研究。基于自由航线空域（FRA）环境，提出基于栅格的空域离散化处理与计算方法；在此基础上，提出受限空域自主航迹运行两阶段方法：阶段1运用可视图（VG）法和Dijkstra算法，实现了满足限制区约束的航空器期望航迹快速规划；阶段2提出航迹可达时空域模型及其图形化表达方法，并基于连续飞行动力学推导出了不同情况下的航空器位置更新模型，并采用局部冲突探测与解脱方法，以飞行距离最短为目标，实现航空器自主路径与速度联动规划，从而支撑空地、人机认知同步的无冲突四维航迹生成；最后，以中国西部典型空域为运行场景开展仿真实验，验证了所提方法的计算高效性和模型有效性，并对栅格尺寸和探测距离这2个关键参数进行了灵敏度分析。结果表明，所提方法能够支撑复杂空域高密度运行环境自主航迹运行，为推动自主空中交通系统发展提供了新思路和新方法。     

基于划分检测模型的终端区异常轨迹检测方法

针对异常轨迹对轨迹聚类效果的影响以及给进离场程序管制适用性的量化分析提供分析数据的考虑，在结合数据挖掘中异常检测理论的基础上，利用划分检测框架及将距离和密度结合起来，设计了一种有效检测算法，运用到终端区飞行轨迹的异常检测当中，检测出飞行轨迹中的异常轨迹，从而改善轨迹的聚类效果。实例仿真结果表明：方法可以准确地检测出异常轨迹。     

基于欧拉角的炮弹位姿参数光学测量解析算法

炮弹空间位置和姿态参数的解算是研究其飞行弹道特性和弹道控制的非常重要的内容。利用4个已知空间坐标的非共面控制点,通过建立控制点的过渡坐标系,提出了一种基于单目视觉,采用欧拉角直接参与计算的炮弹位姿参数的测量方法,建立了位姿参数测量的误差修正模型。最后对该算法进行了完整的数学仿真。仿真结果表明,该算法简单有效且稳定,能满足位姿参数测量的精度要求。     

具有通信约束的分布式SOR多智能体轨迹估计算法

针对传统多智能体轨迹估计算法信息交换量大，计算量随群规模指数增长，可扩展性差等诸多不足，提出了一种基于超松弛迭代（SOR）的分布式多智能体轨迹估计算法，通过将最大似然（ML）准则下的轨迹估计转化为两级线性优化问题，并综合利用分布式超松弛迭代（Distributed SOR）和标记初始化方法，加快求解速度并简化信息交换流程，最终实现了多智能体位姿轨迹优化和协作定位。实验表明，所提的分布式方法能达到集中式算法的精度水平，在49个智能体规模条件下，位置估计误差小于0.15 m，姿态估计误差小于0.03°，且数据交换量仅到现有主流分布式方法DDF-SAM的0.06%，能很好用于大规模集群的场景。     

基于BiGRU-SVDD的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）作为新一代空管监视技术，由于采用明文方式广播发送数据，因而存在易遭受网络攻击的安全问题。为了准确检测ADS-B数据攻击行为，在充分考虑时间相关性的基础上，提出了针对ADS-B数据的异常数据检测模型。首先利用双向门控循环单元（BiGRU）神经网络预测ADS-B数据，得到了ADS-B数据预测值。再将预测值和实际值作差，将差值放入支持向量数据描述（SVDD）训练，得到了能检测ADS-B异常数据的超球体分类器。并且，选择了合适的滑动窗口，在保证异常检测准确率的同时，缩短BiGRU神经网络的训练时长。实验结果表明，BiGRU-SVDD模型能检测出随机位置偏移攻击、高度偏差攻击、重放攻击、拒绝服务（DOS）等攻击下的ADS-B异常数据。并且，与其他机器学习和深度学习方法相比，BiGRU-SVDD异常检测模型的准确率更佳，适应性更优。     

基于满意博弈论的复杂低空飞行冲突解脱方法

复杂低空空域环境下多飞行器冲突解脱方法可以有效地提供冲突解脱策略,实时规划飞行器四维航迹,避免飞行器之间发生危险接近事故或者碰撞,从而保障空域运行安全。然而,随着飞行器数目的不断增长,冲突解脱面临"维数灾难",导致问题具有高维度、强耦合等难点。因此,传统的优化方案难以得到令人满意的方案。为了提高冲突解脱效率,保障运行安全,基于满意博弈论方法,考虑低空飞行器运动特点,构建冲突解脱模型,设计冲突解脱方法。飞行器主要采用改变航向角的策略。通过基于条件概率的方法来建立"社会关系",即当前飞机所做的决策对其他飞机产生的影响。每个飞行器在决策时,都会受到优先级比自己高的决策者的影响。基于满意博弈论的冲突解脱方法不仅可以有效地解决当前飞行器的冲突问题,而且兼顾探测范围内的其他飞行器,避免当前解脱策略导致与其他飞行器冲突,实现整体最优化。最后,通过在极端典型飞行冲突场景中实验验证表明,基于满意博弈论的冲突解脱方法可以实时高效实现大规模飞行器的冲突解脱,保障飞行安全且控制经济成本。     

一种跳跃式返回再入的预测—校正制导方法

再入地球大气是探月飞船返回的关键阶段,再入制导是返回再入中的难点问题.飞船跳跃式再入过程复杂,标准轨道制导方法难以满足任务要求,因此具有高精度和强鲁棒性的预测—校正制导方法成为解决问题的首选.以探月飞船跳跃式再入为背景,设计了数值预测—校正制导律,研究了基于嵌套式积分算法的航程快速预报方法和基于有界试位法的倾侧角剖面快速更新算法,提出了一种气动系数误差和大气密度误差的在线参数辨识方法,并基于最大偏差法和蒙特卡洛打靶法进行了仿真分析.结果表明,预测—校正再入制导方法在跳跃式再入问题上具有较高的精度和较好的鲁棒性.5 000 km再入航程时,开伞点误差在2.5 km以内.     

基于统计特征的航空发动机风扇外物撞击检测

为了检测识别航空发动机工作过程中的风扇外物撞击事件,采用非接触叶尖振动测量系统对风扇叶片叶尖振动位移进行实时采集与检测。通过风扇叶片非接触叶尖振动位移数据统计分析,发现叶尖振动位移服从正态分布,并采用Epps-Pulley假设检验证明。设计了基于统计特征的风扇叶片外物撞击叶尖振动位移检测算法,采用该方法获取了风扇转子不同转速下外物撞击叶尖振动位移检测阈值。对风扇转子转速为3000r/min状态下,直径16mm、质量为2.9g的外物弹体撞击风扇叶片的振动位移数据进行分析,并采用高速摄像系统对该方法识别结果的可靠性进行验证。结果表明:基于统计特征的发动机风扇外物撞击检测方法,能够准确识别外物撞击风扇叶片事件及发生撞击的叶片编号。     

一种基于阴性选择算法的飞行数据异常值检测方法

研究了基于阴性选择算法的飞行数据异常值检测问题。针对传统的基于数据趋势进行数据异常值检测方法难以处理连续异常值的问题,提出通过提取待测参数的相关参数并在检测器编码中加入相关参数信息,使得阴性选择算法能够用于连续多个异常值的检测,算法不需要关于数据异常的任何先验知识。实验表明,采用改进编码后的阴性选择算法识别飞行数据中的异常值具有较高的精度。