一种基于模糊控制算法的战机机动动作智能识别方法

1.一种基于模糊控制算法的战机机动动作智能识别方法，其特征在于：其步骤如下：
步骤1：数据预处理，通过滤波、去除小扰动修正数据并去除没用的数据，过程如下：
(1)在一组数据中，从第二个数据起标记其相对于前一个数据的变化规律，变化规律为大、小和中；
(2)第一次滤波，对变化为中的点进行修正，使其无相等的点；
(3)将(1)中的数据重新标记变化规律，其变化规律为大和小；
(4)标记趋势变化的端点和突变点，突变点为端点；
(5)计算每一个端点的扰动频率；
(6)去除小扰动；
(7)标记每个非突变点的变化强度；
步骤2：模糊识别，用特征提取和隶属度计算识别机动动作；
(1)特征提取，分别对高度、航向角和滚转角的趋势变化进行特征提取；
(2)隶属度计算，分别计算高度特征隶属度、航向特征隶属度和高度特征隶属度，再综合求出机动动作隶属度，隶属度最大的机动动作即是识别出的机动动作。

一种基于模糊控制算法的战机机动动作智能识别方法\n技术领域\n[0001] 本发明涉及一种机动动作的智能识别，具体讲是涉及一种基于模糊控制算法的战机机动动作智能识别方法，其属于飞行品质自动评估系统领域。\n背景技术\n[0002] 飞行员在真正的飞机上进行训练之前，都要在模拟机上先进行模拟训练。一方面，飞行员可以在新型飞机量产之前提前进行训练；另一方面，由于飞机都比较昂贵，同时培养飞行员的花销也很大，可以有效减少损失。目前，飞行员飞行训练的评估模式多数是以人为主导的定性评估，教练员考核飞行员的飞行训练时主要采取人工评分的方法，由于人工评分的主观臆断性较强，很难客观、公正地对训练过程和训练效果做出合理、科学的评判，并且需要教员或者专家付出大量的工作时间。\n[0003] 为了减少教员或专家的工作量，节省耗费在飞行品质评估上的时间，同时减少或避免人为因素造成的评估误差，设计出飞行品质自动评估系统至关重要。作为飞行品质自动评估系统的关键技术，战机机动动作智能识别具有巨大的应用价值，它已经引起了世界许多国家军事部门和学术界的极大关注。及时开展这项具有深远影响的前沿科技的研究，获得具有我国自主知识产权的相关技术，具有重大的现实意义和深远的战略意义。\n发明内容\n[0004] 鉴于现有技术存在的问题，本发明的目的是要提供一种基于模糊控制算法的战机机动动作智能识别方法，其采用滤波、标记数据点、去除小扰动和特征提取等技术，以解决机动动作识别不准确和识别速度慢等问题。\n[0005] 本发明的技术方案为一种基于模糊控制算法的战机机动动作智能识别方法，其步骤如下：\n[0006] 步骤1：数据预处理，通过滤波、去除小扰动等技术来修正数据并去除没用的数据，过程如下：\n[0007] (1)在一组数据中，从第二个数据起标记其相对于前一个数据的变化规律，变化规律为大、小和中；\n[0008] (2)第一次滤波，对变化为中的点进行修正，使其无相等的点；\n[0009] (3)将(1)中的数据重新标记变化规律，其变化规律为大和小；\n[0010] (4)标记趋势变化的端点和突变点，突变点为端点；\n[0011] (5)计算每一个端点的扰动频率，扰动频率为100/当前端点与下一个端点间的点数，最后一个端点的扰动频率为0；\n[0012] (6)去除小扰动；\n[0013] (7)标记每个非突变点的变化强度；\n[0014] 步骤2：模糊识别，用特征提取和隶属度计算识别机动动作；\n[0015] (1)特征提取，分别对高度、航向角和滚转角的趋势变化进行特征提取；\n[0016] (2)隶属度计算，分别计算高度特征隶属度、航向特征隶属度和高度特征隶属度，再综合求出机动动作隶属度，隶属度最大的机动动作即是识别出的机动动作。\n[0017] 本发明的特点及有益效果：设计出了模糊控制算法，能够根据飞参记录数据智能辨别出飞行员执行的机动动作，识别准确率不低于90％。当飞参记录小于15万条时，识别机动动作实时性不大于5分钟，其避免了因人工评分的主观臆断性较强，很难客观、公正地对训练过程和训练效果做出合理、科学的评判的问题，同时减少了教员或者专家的工作量和工作时间。\n附图说明：\n[0018] 图1机动动作智能识别模型图；\n[0019] 图2数据预处理流程图；\n[0020] 图3模糊识别流程图。\n具体实施方式\n[0021] 实施例1\n[0022] 本发明采用模糊控制算法来实现机动动作的智能识别。在设计模糊控制算法时，分两步实现：数据预处理和模糊识别。数据预处理为后续的数据分析做铺垫，包括标记点、滤波、扰动频率计算、去除小扰动等技术；模糊识别是将机动动作正确识别出来，包括特征提取、隶属度计算等技术。本发明可以识别出10个机动动作，包括：左盘旋、右盘旋、左横滚、右横滚、俯冲、半滚倒转、急跃升、战斗转弯、半斤斗和斤斗。\n[0023] 参照图1，对机动动作智能识别进行建模，用高度、航向角、滚转角三个特征的趋势变化来综合划分机动动作。\n[0024] 对于高度特征，趋势变化包括：高度保持、高度变小、高度变大、高度先变小后保持、高度先变大后保持、高度先变大后变小6种情况；\n[0025] 对于航向特征，趋势变化包括：高度保持航向保持、高度保持右偏航、高度保持左偏航、高度变小转弯、高度变小航向保持、高度变大转弯、高度变大航向保持7种情况；\n[0026] 对于滚转特征，趋势变化包括：无突变、一次突变-变大、一次突变-变小、大于等于两次突变4种情况。\n[0027] 具体步骤如下：\n[0028] 一、数据预处理，通过滤波、去除小扰动等技术来修正数据并去除没用的数据；\n[0029] 参照图2数据预处理的整个流程图，数据预处理的具体实施步骤如下：\n[0030] 步骤1：在一组数据中，从第二个数据起标记其相对于前一个数据的变化规律，包括大、小和中；\n[0031] 步骤2：第一次滤波，对变化为中的点进行修正，使其无相等的点：\n[0032] a.取当前点数值，记为x；\n[0033] b.取最后一个变化规律为中点后一点的数值，记为y；\n[0034] c.for(i＝1；i<＝sizeof(中)；i++)//sizeof(中)＝变化规律为中点的个数[0035] value(i)＝x+(y-x)/sizeof(中).\n[0036] 步骤3：重新标记变化规律，此时变化规律只有大和小；\n[0037] 步骤4：标记趋势变化的端点和突变点，突变点一定是端点：\n[0038] a.航向突变\n[0039] 可能存在\n[0040] 左盘旋(0～360)、右盘旋(0～360)；\n[0041] 一定存在\n[0042] 半滚倒转(0～180)、斤斗(突变两次0～180～0)、半斤斗(0～180)。\n[0043] b.滚转角突变\n[0044] 可能存在\n[0045] 半滚倒转(0～180)；\n[0046] 一定存在\n[0047] 左横滚(-180～180)、右横滚(-180～180)、斤斗(突变两次0～180～0)、半斤斗(突变大于等于1次)。\n[0048] 步骤5：计算每一个端点的扰动频率：\n[0049] a.最后一个端点的扰动频率为0；\n[0050] b.100/当前端点与下一个端点间的点数；即：间隔100个点相当于频率为1。\n[0051] 步骤6：去除小扰动：\n[0052] 1、初始化:设定扰动频率阈值w；\n[0053] 2、从起始端点开始向后找到扰动频率大于w的端点，标记为i，若遍历到最后一个端点则转到步骤7；\n[0054] 2.1向后查找紧邻端点，判断该端点是否是突变点；\n[0055] 2.1.1是，令该突变点的后向紧邻端点为起始点，转到2；\n[0056] 2.1.2否，判断该端点的扰动频率是否小于w\n[0057] 2.1.2.1是，标记为j，删除扰动从频率大于w的端点开始至扰动频率小于w端点间的所有数据点(从i至j，包含i)，对部分数据进行修正，方法同(步骤2)，起始端点标记为j，转到在2。\n[0058] 2.1.2.2否，向后查找紧邻端点，标记为k，判断该端点是否是突变点，如果是，则删除从i至k-1，包含i的所有数据点，对部分数据进行修正，方法与步骤2相同，起始端点标记为j，转到2；如果否，则判断该端点k的扰动频率是否小于w；如果是，则删除从i至k，包含i的所有数据点，对部分数据进行修正，方法与步骤2相同，起始端点标记为j，转到2；如果否，则重复2.1.2.2。\n[0059] 步骤7：标记每个非突变点的变化强度：\n[0060] a.后向紧邻该端点的端点是非突变点,强度为|xi-xi-1|；\n[0061] b.后向紧邻该端点的端点是突变点。\n[0062] 二、模糊识别，用特征提取和隶属度计算识别机动动作；\n[0063] 参照图3模糊识别流程图，模糊识别的具体实施步骤如下：\n[0064] 步骤1：特征提取，分别对高度、航向角和滚转角的趋势变化进行特征提取：\n[0065] 高度特征提取包括:高度保持、高度变小、高度变大、高度先变小后保持、高度先变大后保持、高度先变大后变小；\n[0066] 航向特征提取包括：高度保持航向保持、高度保持右偏航、高度保持左偏航、高度变小转弯、高度变小航向保持、高度变大转弯、高度变大航向保持；\n[0067] 滚转特征提取包括：无突变、一次突变-变大、一次突变-变小、大于等于两次突变。\n[0068] 步骤2：隶属度计算，分别计算高度特征隶属度、航向特征隶属度和高度特征隶属度，再综合求出机动动作隶属度，隶属度最大的机动动作即是识别出的机动动作：\n[0069] 首先根据机动动作特征的趋势变化，计算概率。\n[0070] 高度特征概率矩阵A：\n[0071]\n[0072] 其中，行分别表示高度先变大后变小、高度变小、高度变大、高度先变小后保持、高度先变大后保持、高度保持，列分别表示左盘旋、右盘旋、左横滚、右横滚、俯冲、半滚倒转、急跃升、战斗转弯、半斤斗和斤斗。\n[0073] 航向特征概率矩阵B:\n[0074]\n[0075] 其中，行分别表示高度变大航向保持、高度保持右偏航、高度保持左偏航、高度变小转弯、高度变小航向保持、高度变大转弯、高度保持航向保持，列分别表示左盘旋、右盘旋、左横滚、右横滚、俯冲、半滚倒转、急跃升、战斗转弯、半斤斗和斤斗。\n[0076] 滚转特征概率矩阵C:\n[0077]\n[0078] 其中，行分别表示大于等于两次突变、一次突变-变大、一次突变-变小、无突变，列分别表示左盘旋、右盘旋、左横滚、右横滚、俯冲、半滚倒转、急跃升、战斗转弯、半斤斗和斤斗。\n[0079] 然后在机动动作智能识别模块程序中分别提取高度特征al[j]、航向特征psi[k]和滚转特征gamma[m]，因此这三个量相当于已知量。再分别求出每个机动动作的高度特征隶属度r1[i]、航向特征隶属度r2[i]和滚转特征隶属度r3[i](0≤i≤9,0≤j≤5,0≤k≤6,\n0≤m≤3)：\n[0080] r1[i]+＝al[j]*a[j][i]\n[0081] r2[i]+＝psi[k]*p[k][i]\n[0082] r3[i]+＝gamma[m]*g[m][i]\n[0083] 其中，a[j][i]、p[k][i]和g[m][i]分别对应上面求出的高度特征、航向特征和滚转特征的概率。\n[0084] 最后，可以求出机动动作隶属度r[i]：\n[0085] r[i]＝r1[i]*(r2[i]*w1+r3[i]*w2)\n[0086] 其中，w1和w2为权重，都为0.5。\n[0087] 比较机动动作隶属度的大小，哪个最大就是识别出的对应机动动作。