基于模糊神經(jīng)網(wǎng)絡(luò)的海面目標戰(zhàn)術(shù)意圖識別

陳　浩, 任卿龍, 滑　藝, 邱宇寧

(哈爾濱工業(yè)大學電子與信息工程學院, 黑龍江 哈爾濱 150001)

?

基于模糊神經(jīng)網(wǎng)絡(luò)的海面目標戰(zhàn)術(shù)意圖識別

陳浩, 任卿龍, 滑藝, 邱宇寧

(哈爾濱工業(yè)大學電子與信息工程學院, 黑龍江 哈爾濱 150001)

傳統(tǒng)的基于遙感解譯獲取的海面目標信息分析戰(zhàn)術(shù)意圖的方法,需要大量的專家知識確定輸入目標屬性與輸出意圖間的網(wǎng)絡(luò)節(jié)點關(guān)系,而模糊神經(jīng)網(wǎng)絡(luò)只需利用輸入和輸出訓練網(wǎng)絡(luò),減少了專家知識的需求。針對常用的高木-關(guān)野模糊模型不適用于戰(zhàn)術(shù)意圖識別要求的輸出與輸入非線性的問題,設(shè)計了基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型,利用目標屬性與對應(yīng)的戰(zhàn)術(shù)意圖形成訓練樣本訓練神經(jīng)網(wǎng)絡(luò),分別獲得輸入條件的模糊隸屬度以及面向不同意圖的輸出函數(shù),據(jù)此識別海面目標戰(zhàn)術(shù)意圖。仿真實驗結(jié)果表明,獲得的目標戰(zhàn)術(shù)意圖的準確度高,與想定情況均相符。

戰(zhàn)術(shù)意圖識別; 模糊神經(jīng)網(wǎng)絡(luò); 模糊隸屬度; 誤差回傳學習算法

0　引　言

現(xiàn)代戰(zhàn)爭的戰(zhàn)場環(huán)境越來越復雜,能否準確、及時地結(jié)合參戰(zhàn)的各方面力量的部署情況、外部環(huán)境條件等因素判斷目標的戰(zhàn)術(shù)意圖,直接影響到指揮人員的指揮決策[1]。海面目標特性復雜多變,艦船是典型的海面目標,海面戰(zhàn)場的目標通常以編隊的形式出現(xiàn),機動性較強,編隊組成、隊形、運動方向、運動范圍都隨著任務(wù)的不同而發(fā)生變化。目標的型號差異、所處編隊類型的差異和目標所處的位置和機動類型,都會對目標的戰(zhàn)術(shù)意圖產(chǎn)生影響[2]。遙感技術(shù)是獲取海面目標信息的有效途徑,通過遙感圖像,能夠獲得海面上目標的位置、隊形、類型等屬性信息,通過對這些信息的整合與分析,可以判斷目標可能的進一步戰(zhàn)術(shù)意圖。

海面目標的戰(zhàn)術(shù)意圖,具有對抗性、動態(tài)性、穩(wěn)定性、欺騙性等特征[3]。根據(jù)任務(wù)類型的差異,在不同的戰(zhàn)時,目標會存在不同的戰(zhàn)術(shù)目的,包括“顯示存在”、“攻擊”、“偵察”、“撤退”、“掩護”、“支援”等等,這些意圖可能同時存在,但有所側(cè)重。本文的研究基于單組海上艦船編隊進行,因此沒有考慮“掩護”、“支援”等意圖。

然而,在實際判斷中,隨著海軍作戰(zhàn)樣式的改變和各種遠程攻擊武器的使用,單獨依靠敵方艦艇的機動來識別敵方的意圖已經(jīng)變得越來越困難[3]。多變的目標信息和相對較少的戰(zhàn)時先驗知識,不同意圖之間相互交雜,都是海面目標戰(zhàn)術(shù)意圖識別時的困難所在。實際應(yīng)用時,人工判斷難以保證準確性和速度,而利用信息融合技術(shù)等可靠手段,能夠有力保障我方作戰(zhàn)部署和指揮。

信息融合技術(shù)是協(xié)同利用多源信息,對來自多個傳感器的數(shù)據(jù)進行相互補充,以獲得對同一事物和目標更本質(zhì)認識的信息綜合處理技術(shù)[4]。文獻[5]和文獻[6]使用的Dempster-Shafer(D-S)證據(jù)理論方法推斷分析軍事目標狀態(tài),文獻[7-9]則利用貝葉斯網(wǎng)絡(luò)預(yù)測和描述敵方戰(zhàn)術(shù)意圖,都取得了不錯的結(jié)果及應(yīng)用價值。上述方法比較依賴先驗知識構(gòu)建目標屬性和意圖之間的關(guān)系,例如,貝葉斯網(wǎng)絡(luò)需要設(shè)定節(jié)點間的條件概率。若專家知識不足,意圖將難以識別。而且,對于意圖之間的模糊部分,如“攻擊”與“突防”意圖可能同時存在時,必然有目標主要的戰(zhàn)術(shù)目的,這時存在的模糊部分利用這些方法很難表達。

模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network,FNN)是神經(jīng)網(wǎng)絡(luò)與模糊邏輯的有機結(jié)合[10],在系統(tǒng)控制、狀態(tài)預(yù)測、人工智能等領(lǐng)域應(yīng)用廣泛[11-13]。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)是目的在于模擬人類腦組織的結(jié)構(gòu)及其功能的信息處理系統(tǒng)[14]。1986年McClelland和Rumelbart等提出的誤差反向傳播訓練算法[15]大大推動了其發(fā)展。ANN在學習和自動模式識別等方面具有優(yōu)勢,能自適應(yīng)地訓練系統(tǒng)節(jié)點;而引入模糊系統(tǒng)則能夠很有效地表示信息的模糊性與不確定性,使建立的系統(tǒng)模型更接近于實際。模糊神經(jīng)網(wǎng)絡(luò)常用的高木-關(guān)野模型(Takagi-Sugeno model,TSM)對輸入空間的分割是線性的,系統(tǒng)的輸出與輸入條件也是線性關(guān)系。但是在目標戰(zhàn)術(shù)意圖的識別中,輸入?yún)?shù)之間互相影響,輸出的意圖與輸入并不是簡單的線性關(guān)系。因此,為了適應(yīng)目標戰(zhàn)術(shù)意圖識別的需求,需要對模型規(guī)則做出適當調(diào)整。

綜上考慮基于遙感圖像海上目標戰(zhàn)術(shù)意圖的需求和模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢,本文提出了一種采用模糊神經(jīng)網(wǎng)絡(luò)進行海上目標戰(zhàn)術(shù)意圖分析的方法,首先設(shè)計了基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型,利用目標屬性與對應(yīng)的戰(zhàn)術(shù)意圖形成訓練樣本進行訓練,采用一個神經(jīng)網(wǎng)絡(luò)計算輸入條件的模糊隸屬函數(shù),結(jié)合其他神經(jīng)網(wǎng)絡(luò)面向不同意圖計算給出的輸出結(jié)果,得到目標最終的戰(zhàn)術(shù)意圖。

1　基于ANN集成的模糊系統(tǒng)模型

1.1高木-關(guān)野模型

1987年,文獻[10]結(jié)合模糊邏輯和神經(jīng)網(wǎng)絡(luò)進行了研究,此后模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的研究與實際應(yīng)用發(fā)展迅速。模糊邏輯利用隸屬度函數(shù)表征一個元素對于某個集合的隸屬程度,其取值一般在(0,1)的范圍內(nèi),隸屬度越接近于1,說明該元素對這個集合的隸屬程度越高。

圖1是簡單的BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。

目前的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類型非常豐富,主要可以分為普遍適用的網(wǎng)絡(luò)和專門用途的網(wǎng)絡(luò),約有十余種[16]。模糊神經(jīng)網(wǎng)絡(luò)的神經(jīng)節(jié)點由模糊神經(jīng)元構(gòu)成,在一般的模糊神經(jīng)元中,輸入信息是通過模糊規(guī)則來與其輸出聯(lián)系的,為了描述不確定性和模糊信息,規(guī)則的前提和結(jié)論都用模糊集合來表示。TSM 1985年由日本的高木和關(guān)野提出,是模糊系統(tǒng)中常用的規(guī)則模型,可用于模糊控制和系統(tǒng)辨識[17-18]。常見的有n個輸入變量、單個輸出、m條模糊規(guī)則的高木-關(guān)野模糊系統(tǒng)具有如下形式的模糊規(guī)則。

(1)

式中,C為實數(shù)系數(shù)。

圖1　BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

1.2基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型

常用的TSM的系統(tǒng)輸入空間都是線性分割,系統(tǒng)的輸出與輸入條件也是線性關(guān)系,而目標的戰(zhàn)術(shù)意圖往往是由多種因素決定的,這些因素之間相互影響,使得輸入條件與輸出結(jié)論之間是非線性的關(guān)系。對于這種情況,若采用TSM,需要對輸入空間進行精細地劃分,但這樣一來,模糊規(guī)則的數(shù)量將大量增加。為了避免該問題,采用另一種規(guī)則形式。

形式 2IfX∈Rj, theny=fj(X)。其中,Rj為輸入空間按照輸出的不同類型分割后的部分空間,這樣一來不需要按照形式1對輸入空間進行大量的分割。不過,采用這種規(guī)則形式時,輸入的參數(shù)對應(yīng)的隸屬度函數(shù)無法像一般的TSM一樣單獨獲得,為了解決這個問題,采用一個神經(jīng)網(wǎng)絡(luò)NNmf來計算針對不同類型輸出的輸入變量隸屬函數(shù),利用另外的幾個神經(jīng)網(wǎng)絡(luò)對應(yīng)給出結(jié)論部分的輸出函數(shù)fj(X),計算輸入條件面向不同輸入結(jié)論的結(jié)果,這樣,構(gòu)建出一個基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型,如圖2中藍色區(qū)域所示。利用這個模型,在獲得輸出結(jié)論的同時,能夠獲得樣本對不同示意圖的隸屬度結(jié)果。

模糊系統(tǒng)模型中,神經(jīng)網(wǎng)絡(luò)NNmf用于給出輸入信息對應(yīng)m類結(jié)論的模糊隸屬度,對應(yīng)的有m項輸出,而另外的幾個神經(jīng)網(wǎng)絡(luò)NNj(j=1,2,…,m)分別用來表示網(wǎng)絡(luò)的m類輸出結(jié)論部分的fj(X)。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸出:

(2)

式中,gj對應(yīng)BP神經(jīng)網(wǎng)絡(luò)NNj(j=1,2,…,m)的輸出,而μj對應(yīng)各條模糊規(guī)則的模糊隸屬度。

圖2　模糊神經(jīng)網(wǎng)絡(luò)進行目標戰(zhàn)術(shù)意圖識別的系統(tǒng)和流程

建立這樣的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng),首先要根據(jù)需要確定系統(tǒng)的模糊規(guī)則條數(shù)m,進而建立起適合的神經(jīng)網(wǎng)絡(luò)NNmf來計算模糊隸屬度,之后利用收集到的訓練樣本的輸入部分對NNmf進行訓練,生成結(jié)論部分非線性函數(shù)的神經(jīng)網(wǎng)絡(luò)NNj(j=1,2,…,m)則利用對應(yīng)不同結(jié)論的訓練樣本進行訓練。

網(wǎng)絡(luò)采用BP算法進行訓練。訓練的過程是網(wǎng)絡(luò)根據(jù)樣本,不斷地調(diào)整權(quán)值和閾值以適應(yīng)訓練樣本的輸入輸出的過程。當網(wǎng)絡(luò)的輸出與樣本的誤差滿足要求或訓練次數(shù)達到設(shè)定值時,訓練結(jié)束。網(wǎng)絡(luò)在訓練時可能會發(fā)生過學習的情況,即由于學習樣本的數(shù)量限制,在達到誤差要求時系統(tǒng)并不能很好的反應(yīng)輸入?yún)?shù)和輸出結(jié)果的關(guān)系,為此,引入準則函數(shù):

(3)

2　目標戰(zhàn)術(shù)意圖識別的步驟

基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型對目標戰(zhàn)術(shù)意圖進行識別,其系統(tǒng)和流程如圖2所示,分為以下步驟。

步驟 1選擇符合條件的包含目標輸入?yún)?shù)和輸出意圖的樣本集合 (xi,yi),選擇在遙感解譯過程中可以獲取的目標屬性輸入?yún)?shù)。根據(jù)訓練的需要,將樣本分為兩個類別。其中一部分作為訓練樣本來訓練模糊神經(jīng)網(wǎng)絡(luò),先要對這些樣本進行歸一化處理,目的是減少輸入?yún)?shù)之間因為數(shù)量級差異造成的影響;另一部分樣本用于在網(wǎng)絡(luò)訓練完成后,測試模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的性能。

步驟 2將全部訓練樣本的輸入部分用于訓練NNmf,使這個神經(jīng)網(wǎng)絡(luò)能夠計算輸入?yún)?shù)對應(yīng)不同輸出意圖的模糊隸屬度。根據(jù)輸入?yún)?shù)對應(yīng)的戰(zhàn)術(shù)意圖對訓練樣本進行聚類,每一類樣本對應(yīng)一條模糊規(guī)則,聚類為m組,即有m條規(guī)則。聚類后的每一類樣本用于訓練NNj(j=1,2,…,m)等m個神經(jīng)網(wǎng)絡(luò)。例如,NN1的輸出戰(zhàn)術(shù)意圖為“突防”,那么NN1網(wǎng)絡(luò)對應(yīng)的所有輸入/輸出樣本就是意圖為“突防”那一類樣本。

當樣本中的某一個樣本xj聚類到第k類時,訓練得到的輸出權(quán)值有

(4)

式中，j=1,2,…, m。

網(wǎng)絡(luò)的激勵函數(shù)的取值表示了該變量屬于某一類的概率,在此選擇Sigmoid函數(shù),考慮到其有時不能完全取到1/0值,為了提高網(wǎng)絡(luò)的訓練速度,用0.9/0.1代替,即

(5)

由于Sigmoid函數(shù)的單調(diào)特性,訓練后的網(wǎng)絡(luò)能夠給出輸入?yún)?shù)針對于不同輸出意圖的隸屬關(guān)系。

步驟 3當構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓練完成后,輸入待識別的海面目標輸入?yún)?shù),系統(tǒng)根據(jù)訓練達到的權(quán)值等參數(shù)自適應(yīng)地處理樣本參數(shù),之后由NNmf計算得到輸入?yún)?shù)對各種意圖的模糊隸屬度μj,NNj(j=1,2,…,m)各個神經(jīng)網(wǎng)絡(luò)會計算得到各網(wǎng)絡(luò)的輸出結(jié)果gj,然后由式(3)求出目標對應(yīng)的戰(zhàn)術(shù)意圖。

3　實驗分析

3.1系統(tǒng)的輸入?yún)?shù)與輸出

分析海上目標的戰(zhàn)術(shù)意圖,根據(jù)應(yīng)用背景,首先通過遙感解譯獲取目標的相關(guān)屬性,作為模糊神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),其對應(yīng)的戰(zhàn)術(shù)意圖將作為輸出。其中,遙感解譯的方法不是本文的研究重點,但根據(jù)應(yīng)用背景的要求,選取的目標輸入屬性參數(shù)需要滿足以下幾個條件:

(1) 能夠比較容易地從遙感解譯中獲取;

(2) 與目標的軍事意圖有直接的關(guān)聯(lián)和影響;

(3) 便于進行數(shù)學模型量化作為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入。

綜合考慮上述條件,本文選取了“目標型號”“目標距我方軍事單位距離”“目標前進方向”以及“目標所處編隊類型”作為海面目標戰(zhàn)術(shù)意圖識別的輸入變量。目標輸出的戰(zhàn)術(shù)意圖選取了“攻擊”“偵察”“突防”和“撤退”[4],這些意圖比較具有代表性,威脅程度各有不同,同時“攻擊”和“突防”意圖的交叉模糊部分也能夠衡量模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的可靠性。其中,“目標型號”和“目標所處編隊類型”采用整數(shù)表示,選取了5類艦船目標以及4種編隊情況作為研究對象,如表1和表2所示。

表1　目標型號選取

表2　艦船編隊工作狀態(tài)

這5類艦船在海上戰(zhàn)場使用最廣泛且具備不同的應(yīng)用價值和戰(zhàn)略意義,因此以這5類艦船目標為主要研究對象。

為了構(gòu)建模擬樣本庫,根據(jù)相關(guān)領(lǐng)域的專家知識,確認了不同輸入?yún)?shù)主要影響的兩類戰(zhàn)術(shù)意圖,在此分別簡單介紹。

對目標型號而言,Ⅰ型和Ⅱ型艦船具備較強的攻擊性,而Ⅳ型和Ⅴ型艦船相對攻擊性較弱,機動偵察能力較強,其模擬關(guān)系如表3所示。

表3　目標類型與目標軍事意圖的關(guān)系

目標據(jù)我方主要軍事單位的距離對目標意圖的影響伴隨著不同類型目標的攻擊范圍變化而變化。簡單起見,根據(jù)不同目標的攻擊范圍初步設(shè)定了一些距離閾值,如表4所示。

表4　目標距離與目標軍事意圖的關(guān)系

目標前進角度較小時,說明目標是向著我方的主要軍事單位前進,其相應(yīng)威脅也會較大,其模擬關(guān)系見表5。

表5　目標前進角度與目標軍事意圖的關(guān)系

目標所處編隊的結(jié)構(gòu)組成與目標軍事意圖的關(guān)系和目標與目標編隊情況的作戰(zhàn)等級有關(guān),表6給出了其相應(yīng)的關(guān)系。

表6　目標編隊情況與目標軍事意圖的關(guān)系

根據(jù)以上關(guān)系,綜合每組樣本數(shù)據(jù)的輸入,根據(jù)專家評估得到每組樣本對應(yīng)的輸入意圖,在實際應(yīng)用中,可以收集大量的實際數(shù)據(jù)作為系統(tǒng)。這些樣本最終構(gòu)成系統(tǒng)的訓練樣本和測試樣本。本文選取了60組這樣的樣本,其中40組用于訓練系統(tǒng)的結(jié)構(gòu),另外20組用于測試系統(tǒng)的準確性。

3.2系統(tǒng)的訓練

用y代表該樣本對應(yīng)的戰(zhàn)術(shù)意圖,分別用數(shù)字1～4表示,對應(yīng)關(guān)系如表7所示。

表7　系統(tǒng)輸出意圖對應(yīng)數(shù)值

本文選取的40組訓練樣本中的一部分樣本如表8所示。(x1,x2,x3,x4)=(目標類型,目標距我方主要軍事單位距離,目標前進方向,目標編隊情況),訓練樣本的選擇以“典型”為基本原則,表8給出的是系統(tǒng)所采用的訓練樣本的一部分。

表8　系統(tǒng)訓練樣本(部分)

確定了訓練樣本后,要對訓練樣本的輸入進行歸一化處理。由于目標類型、目標編隊兩類輸入信息都是5以內(nèi)的整數(shù),而目標距我方主要軍事單位距離和目標前進方向的數(shù)量級相對很大,會削弱目標類型和編隊情況對網(wǎng)絡(luò)訓練過程的影響,因此將每類輸入?yún)?shù)歸一化映射到(0,1)上。部分歸一化后的訓練樣本輸入如表9所示。

表9　歸一化后的系統(tǒng)訓練樣本(部分)

之后首先訓練計算模糊隸屬度函數(shù)的網(wǎng)絡(luò)NNmf,經(jīng)過調(diào)整,NNmf有4個輸入節(jié)點和4個輸出節(jié)點,含有兩個隱層,節(jié)點數(shù)目均為7,隱層節(jié)點的數(shù)目是根據(jù)式(6)不斷調(diào)整得到的最佳值。

(6)

式中,l,m,n分別表示隱層、輸入層和輸出層的節(jié)點數(shù);a為0～10之間的任意整數(shù)[19]。用訓練樣本輸入值進行訓練,反復訓練4 000次,學習效率η=0.009,允許的最大誤差為0.001 8,網(wǎng)絡(luò)要求的精度為0.000 04,輸出為輸入樣本面向不同意圖的模糊隸屬度值,訓練得到NNmf網(wǎng)絡(luò)的誤差平方和為0.015 772。NN1～NN4的訓練過程與NNmf類似。NN1～NN4的每個網(wǎng)絡(luò)均有4個輸入節(jié)點和1個輸出節(jié)點,含有兩個隱層,隱層節(jié)點數(shù)為8,每個網(wǎng)絡(luò)各10組訓練樣本。學習效率η=0.000 35,允許的最大誤差為0.002,網(wǎng)絡(luò)要求的精度為0.000 5,反復訓練10 000次,即可得到穩(wěn)定的輸出。訓練完成后,得到的部分訓練樣本的模糊隸屬度如表10所示。

表10　訓練樣本的模糊隸屬度訓練結(jié)果(部分)

3.3系統(tǒng)的測試

系統(tǒng)訓練完成后,選取了20組測試樣本用來測試系統(tǒng)的性能。選取測試樣本如表11所示。

表11　系統(tǒng)測試樣本

當網(wǎng)絡(luò)訓練完成之后,即可分別將20組測試樣本輸入系統(tǒng)中進行測試,系統(tǒng)會根據(jù)訓練得到的權(quán)值和閾值的參數(shù),對測試樣本反映的目標戰(zhàn)術(shù)意圖值和隸屬度關(guān)系進行計算,以此來對整個系統(tǒng)的性能進行判斷。計算得到的測試樣本針對不同意圖的模糊隸屬度結(jié)果如表12所示。

表12　測試樣本的模糊隸屬度測試結(jié)果

根據(jù)式(2)計算各輸入樣本的目標戰(zhàn)術(shù)意圖值,系統(tǒng)對測試樣本的輸出值和期望值如表13所示。其中y′代表系統(tǒng)的輸出結(jié)果。

表13　模糊神經(jīng)網(wǎng)絡(luò)的測試樣本輸出結(jié)果

由上述的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)對測試樣本計算得到的輸出值與期望值的對比如圖3所示。

可以看出,系統(tǒng)測試樣本取得的結(jié)果比較準確,所產(chǎn)生的數(shù)值誤差都比較低,對目標戰(zhàn)術(shù)意圖的計算數(shù)值與期望值相差很小,再由式(7)計算測試樣本的標準差,得D=0.022 0,可以看出,系統(tǒng)測試結(jié)果對實際結(jié)果擬合效果比較好。

(7)

圖3　測試樣本的運算輸出值與期望值的比較

4　結(jié)　論

面對復雜多變的海戰(zhàn)場環(huán)境,準確地判斷出感興趣目標的動向和意圖,對于指揮員的指揮決策起著重要的影響,也是整個態(tài)勢生成和構(gòu)建的基礎(chǔ)。本文針對目標戰(zhàn)術(shù)意圖識別輸入輸出非線性的特點,設(shè)計了基于神經(jīng)網(wǎng)絡(luò)集成的模糊系統(tǒng)模型和戰(zhàn)術(shù)意圖識別方法,通過對測試樣本的測試分析說明,方法對目標戰(zhàn)術(shù)意圖的識別取得了良好的結(jié)果。在下一步的工作中,將對方法的實用性進行進一步的提高和驗證,并對系統(tǒng)的時效性進行提升。

[1] Peng J X, Xin D S. Research on operational scenario generation technique for naval battlefield situation analysis[J].CommandControlandSimulation,2011,33(3):39-42.(彭建雄,辛登松.海戰(zhàn)場態(tài)勢分析作戰(zhàn)想定生成技術(shù)研究[J].指揮控制與仿真,2011,33(3):39-42.)

[2] Leng H P, Wu X F, Yu Y Q. Study on surface ship maneuvering type recognition[J].ShipScienceandTechnology, 2007, 29(4): 51-53. (冷畫屏, 吳曉鋒, 余永權(quán). 水面目標機動類型識別研究[J].艦船科學技術(shù), 2007, 29(4): 51-53. )

[3] Niu X B, Zhao H, Zhang Y C. Naval vessel intention recognition based on decision tree[J].OrdnanceIndustryAutomation, 2010, 29(6): 44-53. (牛曉博, 趙虎, 張玉冊. 基于決策樹的海戰(zhàn)場艦艇意圖識別[J].兵工自動化, 2010, 29(6): 44-53.)

[4] Zhu A F, Jing Z R, Chen W J, et al. Data fusion based on ANFIS and evidence theory[J].JournalofNorthUniversityofChina(NaturalScienceEdition),2009,30(1):74-79.(朱安福,景占榮,陳煒軍,等.基于ANFIS和證據(jù)理論的信息融合研究[J].中北大學學報(自然科學版),2009, 30(1): 74-79.)

[5] Sun Y L, Bao L, Chen H D. Research on recognition technique of target tactical intentions in sea battlefield[C]∥Proc.ofInternationalSymposiumonComputationalIntelligenceandDesign,2012:130-133.

[6] Sun Y L, Dai R. Research on recognition technique of target tactical intentions in sea battlefield[C]∥Proc.oftheChineseSocietyofNavalArchitectsandMarineEngineers(SectionA), 2013:302-306.(孫越林,戴榮.海戰(zhàn)場目標戰(zhàn)術(shù)意圖識別技術(shù)研究[C]∥中國造船工程學會學術(shù)論文集(A集),2013:302-306.)

[7] Johansson F, Falkman G. Implementation and integration of a Bayesian network for prediction of tactical intention into a ground target simulator[C]∥Proc.ofthe9thInternationalConferenceonInformationFusion, 2006: 1-7.

[8] Ge S, Xia X Z. DSBN used for recognition of tactical intention[J].SystemsEngineeringandElectronics, 2014, 36(1): 76-83. (葛順, 夏學知. 用于戰(zhàn)術(shù)意圖識別的動態(tài)序列貝葉斯網(wǎng)絡(luò)[J].系統(tǒng)工程與電子技術(shù), 2014, 36(1): 76-83.)

[9] Deng H J, Yin Q J, Hu J W, et al. Tactical intention recognition based on multi-entity Bayesian network[J].SystemsEngineeringandElectronics,2010,32(11):2374-2379.(鄧海軍,尹全軍,胡記文,等.基于MEBN的戰(zhàn)術(shù)意圖識別[J].系統(tǒng)工程與電子技術(shù), 2010, 32(11): 2374-2379.)

[10] Chiroma H, Abdulkareem S, Abubakar A, et al. Co-active neuro-fuzzy inference systems model for predicting crude oil price based on OECD inventories[C]∥Proc.oftheInternationalConferenceonResearchandInnovationinInformationSystems, 2013: 232-235.

[11] Wu G D, Huang P H. A vectorization optimization method based type-2 fuzzy neural network for noisy data classification[J].IEEETrans.onFuzzySystems, 2013, 21(1): 1-15.

[12] Li D Z, Wang W, Ismail F. Fuzzy neural network technique for system state forecasting[J].IEEETrans.onCybernetics, 2013, 43(5): 1484-1494.

[13] Han H G, Wu X L, Qiao J F. Nonlinear systems modeling based on self-organizing fuzzy neural network with adaptive computation algorithm[J].IEEETrans.onCybernetics, 2014, 44(4): 554-564.

[14] Mao J, Zhao H D, Yao J J. Development and application of ANN[J].ElectronicDesignEngineering,2011,24(19):62-65.(毛健,趙紅東, 姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計工程, 2011, 24(19): 62-65.)

[15] Singh B, Arya S R. Back-propagation control algorithm for power quality improvement using DSTATCOM[J].IEEETrans.onIndustrialElectronics, 2014, 61(3): 1204-1212.

[16] Gu X P. Study on the adaptive network-based fuzzy inference system and its simulation[J].FireControlandCommandControl, 2010, 35(2): 48-49, 53. (顧秀萍. 自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J].火力與指揮控制, 2010, 35(2): 48-49, 53.)

[17] Dong Y K, Kwae H Y, Ju H K, et al. Prediction of leak flow rate using fuzzy neural networks in severe post-LOCA circumstances[J].IEEETrans.onNuclearScience, 2014, 61(6): 3644-3652.

[18] Wai R J, Muthusamy R. Fuzzy neural network inherited sli-ding-mode control for robot manipulator including actuator dynamics[J].IEEETrans.onNeuralNetworksandLearningSystems, 2013, 24(2): 274-287.

[19] Sabna N, Kamal S, Supriya M H, et al. Implementation of an underwater image classifier using neural networks[C]∥Proc.oftheInternationalSymposiumonOceanElectronics, 2011: 145-151.

Fuzzy neural network based tactical intention recognition for sea targets

CHEN Hao, REN Qing-long, HUA Yi, QIU Yu-ning

(School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin 150001, China)

Traditional methods of tactical intention analysis for sea targets, which are based on the information obtained from remote sensing interpretation, need plenty of expert knowledge to confirm the relationship of network nods between input target property and output intention. However, the fuzzy neural network only utilizes input and output samples in the network training process, reducing the requirement of expert knowledge. In tactical intention recognition for sea targets, the relationship between inputs and outputs is nonlinear so that the typical Takagi-Sugeno model cannot handle this situation. Thus, a fuzzy system model based on integrated neural networks is established, in which target property and the intention are used to train neural networks to obtain the degree of fuzzy membership and output functions of different intentions. Using that model, the tactical intention of sea targets is then recognized. Experimental results present high accuracy of tactical intention recognition and are consistent with the situation.

tactical intention recognition; fuzzy neural network; degree of fuzzy membership; error back propagation

2015-08-31；

2016-01-19；網(wǎng)絡(luò)優(yōu)先出版日期：2016-03-22。

E 83

A

10.3969/j.issn.1001-506X.2016.08.20

陳浩(1978-),男,副教授,博士,主要研究方向為圖像與視頻壓縮、遙感數(shù)據(jù)解譯與人工智能。

E-mail:hit_hao@hit.edu.cn

任卿龍(1993-),男,碩士研究生,主要研究方向為遙感數(shù)據(jù)解譯與模糊神經(jīng)網(wǎng)絡(luò)。

E-mail:eric0628@126.com

滑藝(1991-),女,碩士研究生,主要研究方向為多時相圖像變化檢測與動態(tài)貝葉斯網(wǎng)絡(luò)。

E-mail:1652746930@qq.com

邱宇寧(1993-),男,主要研究方向為目標檢測與圖像處理。

E-mail:18686811860wsqyn@sina.com

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20160322.1143.004.html