本发明属于空中目标识别技术领域，特别是涉及一种基于目标航迹的机型识别方法。
背景技术
随着空中飞行器种类和数量的增多，空中交通管理需要处理的信息量不断增大，而机型识别作为空中交通管理的核心技术也是学术研究的热点之一。
目前，为了达到较好的识别效果，机型识别的工作仍需要结合大量的人工经验，需耗费大量的时间和人力资源。对机型自动识别的研究尚处于探索阶段，已有的工作多是基于图形图像处理技术实现的。基于图像的飞机识别方法主要是寻找运动过程中近似不变的特征量。常用的不变量特征提取方法有hu矩阵、仿射距、傅里叶描述子、小波矩、和zernike矩等。也有利用雷达信号进行飞机识别的工作，与利用图像进行识别的方法相似，这些都是利用飞机轮廓的区别来进行识别。但在实际中这些方法面临着许多挑战：
1、飞机的整体外形大体相近，特别是对于种类繁多又外形相近的民航客机；
2、飞机的外形随距离的改变和探测方向角的不同变化显著；
3、在飞机高速运行的过程中也较难拍摄清晰的图像；
4、由于天气等自然因素对图像质量的影响较大。
这些挑战使得基于轮廓信息的识别方法较难在实际应用中实现。由于飞机在复杂背景下以高速移动，因此从小量数据中快速提取有效特征以进行飞机类型识别更是一项具有挑战性的任务。
技术实现要素：
针对现有技术存在的缺陷，本发明提供一种基于目标航迹的机型识别方法。不同于在飞机运动过程中提取轮廓信息不变量的方法，本发明是一种新型的基于飞机飞行过程中的运动特征如轨迹信息、速度、加速度等运动性能的机型识别方法，该方法避免了寻求轮廓不变特征量的缺点，利用机器学习分类算法，进行机型识别。
为实现上述技术目的，本发明的技术方案是：
一种基于目标航迹的机型识别方法，包括以下步骤：
s1采集不同机型类别飞机的航迹信息，建立样本库；
基于传感器采集一定数量的多种不同机型飞机的航迹信息作为样本库，航迹信息包括探测时间t、经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg和标记型号lb共8个参数。其中标记型号为结合专家经验人工标注的飞机机型类别。
s2计算最大速度、巡航速度、最大加速度、最大爬升率
最大速度、巡航速度、最大加速度、最大爬升率的计算方法如下：
(1)最大速度：飞机打开加力装置处于最大推力状态时达到的最大速度。
处于最大速度的状态时飞机尾部不能热平衡，不能持续较长时间。本发明中，将探测到的瞬时最大速度近似作为该架飞机的最大速度。
其中k为探测记录中的飞机标号，i为第i个探测时间点(即对飞机进行探测的整个过程中的第i个探测时间点)。vki表示飞机标号为k的飞机在第i个探测时间点对应的的飞行速度。
(2)巡航速度：即经济航速，此时飞机未打开加力装置，飞机处于该状态时能够在空中逗留的时间最长，此状态下飞机尾部能够达到热平衡。
将对飞机进行探测的整个过程中的平均速度近似为该飞机的巡航速度。
其中n为飞机标号为k的飞机的探测记录数。tki表示对飞机标号为k的飞机进行探测的整个过程中的第i个探测时间点；tk1表示对飞机标号为k的飞机进行探测的整个过程中的第1个探测时间点；tkn表示对飞机标号为k的飞机进行探测的整个过程中的第n个(也即最后一个)探测时间点。
(3)最大加速度：即飞机最大提升速度的能力，加速度的大小与飞机的推动力、外形和飞机内的散热能力有关。因此加速度的能力是反映不同机型特性的重要参数。
通过计算每个探测时间间隔内速度的差值作为加速度的值，从中选取最大值作为该架飞机表现出的最大加速度特征。
(4)最大爬升率：最大爬升率反应了飞机克服自身重力阻力最大提升高度的能力，是最能体现攻击机机型运动性能的特征之一。
在实际探测数据中，选取探测时间间隔中高度差值的最大值近似作为该飞机的最大爬升率(roc)。
hki表示对飞机标号为k的飞机进行探测的整个过程中的第i个探测时间点所对应的飞机高度。
s3将s1中采集得到不同机型飞机的经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg与s2中计算得到的最大速度、巡航速度、最大加速度、最大爬升率作为机型识别的识别特征，将标记型号lb作为样本的标签，训练机器学习分类器。
选用机器学习中的经典算法如svm算法、elm算法、rkelm算法作为机器学习分类器。
s4基于传感器采集待识别机型的飞机目标的经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg，并利用公式(1)、(2)、(3)和(4)计算得到飞机目标的最大速度、巡航速度、最大加速度、最大爬升率；对飞机目标的以上识别特征用s3中训练好的分类器进行分类，分类结果就是飞机目标的机型类别。
与现有技术相比，本发明能够产生以下技术效果：
1、运动特征具有较强的表现性，依据各类飞机在性能设计方面的区别作为识别的特征更接近真实的需求；
2、提取运动特征较在动态过程中提取不变特征较为容易和简便，可将单个飞机运动的模型弱化为一个探测点的运动模型，大大减少了计算的复杂度，加快了识别的速度，能够快速处理识别大量的目标的任务；
3、由于大部分飞机都会依照固定的航线轨迹运动，通过与轨迹信息相结合，很好的利用了历史的经验知识，使得该方法在外形及运动特性都十分相近的民航客机数据集上也取得了较高的精度。
附图说明
图1为本发明的结构示意图。
图2为一实施例中所采用的四个数据集各样本的机型类别比例分布图。
图3是实施例中各数据集的相关系数矩阵热力图。
具体实施方式
本发明提供了一种基于目标航迹的机型识别方法，包括以下步骤：
s1、采集不同机型类别飞机的航迹信息(包括探测时间t、经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg和标记型号lb，其中标记型号lb为结合专家经验人工标注的飞机机型类别)，建立样本库；
s2、基于s1中采集的航迹信息，计算不同机型飞机的最大速度、巡航速度、最大加速度或/和最大爬升率；
s3、将采集到的航迹信息(经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg)以及s2中计算得到的最大速度、巡航速度、最大加速度或/和最大爬升率作为机型识别的识别特征，将标记型号lb作为样本的标签，训练机器学习分类器；
s4、获取待识别机型的飞机目标的识别特征，对其用s3中训练好的分类器进行分类，分类结果就是飞机目标的机型类别。
下面分别对四个不同的数据集进行了实验测试，其中数据集1包含3类飞机机型的26309个样本(样本即采集的航迹信息)，数据集2包含4类飞机机型的10928个样本、数据集3包含7类飞机机型的3020个样本、数据集4包含10类飞机机型的3910个样本。其中数据集1分别采集了theboeingcompany、airbus、bombardier三个主流航空公司的客机的航迹信息，数据集2是采集了4类民用飞机的航迹信息，数据集3主要采集的是7类军用飞机航迹信息，而数据集4则同时包含军用和民用飞机的航迹信息。由于部分数据涉密，在此将飞机的类型用数字进行表示。四个数据集各样本的机型类别比例如图2所示。
所有数据集中的样本都分别按70％的样本为训练集(即70％的样本作为样本库，其航迹信息用于训练机器学习分类器)，30％的样本为测试集(即30％的样本其航迹信息用于识别其所对应的飞机的机型类别)的方式划分。
对所有数据集按两种方式进行处理作为对照，一组不做处理，不提取运动特征，直接将航迹信息中的经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg作为机型识别的识别特征，将标记型号lb作为样本的标签，训练机器学习分类器。另一组在将航迹信息中的经度lng、纬度lat、高度h、飞行速度v、航向信息di、传感器信号类型sg作为机型识别的识别特征的基础上，将提取的运动特征最大速度、巡航速度、最大加速度、最大爬升率共同作为机型识别的识别特征，将标记型号lb作为样本的标签，训练机器学习分类器。分别对每个数据集上所有的识别特征和飞机机型类别求相关系数矩阵，用来观察各识别特征和标签间相关性的大小，结果如图3所示。从图3中可以看出，提取的运动特征与飞机机型类别具有相对高的相关性，说明对飞机机型类别的预测能有积极的贡献。而经度与探测信号的类型存在较高的相关性是由于所采用的探测器的地理位置是与经度有关的。
对于经典elm算法，采用强硬限制函数(hardlim函数)作为激活函数
对于rkelm算法，实验中选用了高斯核函数
svm算法中也选用了高斯核函数
k(x,xi)＝exp(-γ||x-xi||2)(7)
此外，表1所有的结果都是取20次独立试验结果的平均值。对于所有的网络，通过步长为10的交叉验证方法选择隐藏节点l的数量。为了达到较好的泛化性能，需要适当选择模型的参数。经过大量实验，选择的参数值如表1中所示。
表1分类模型参数
因为所采用的数据集没有明显的类别不均衡的现象，所以通过模型在测试集上的准确率来表示模型的识别性能。通过与不加入提取特征的对照组相对比，可以发现加入了本发明所提取的运动性能特征后，识别效果有了显著的提升，其中在3类训练集上elm算法预测精度提高22.21％、rkelm算法预测精度提高17.74％、svm算法预测精度提高14.77％，在4类训练集上elm算法预测精度提高12.69％、rkelm算法预测精度提高11.40％、svm算法预测精度提高10.85％，在7类训练集上elm算法预测精度提高15.38％、rkelm算法预测精度提高6.92％、svm算法预测精度提高9.19％，在10类训练集上elm算法预测精度提高16.63％、rkelm算法预测精度提高11.32％、svm算法预测精度提高9.56％，且训练时间并没有明显的改变。
在算法比较部分，svm在各个数据集上实验的准确率都高于其他算法，由于目前特征数及数据量都不是很大，所以svm在训练时间方面的劣势体现的不明显，而采用深度学习模型可能结果不佳，经尝试了使用2层到10层的全链接和卷积神经网络，发现小于3层的网络很容易过拟合，大于5层的容易欠拟合。如果在面对较大的训练数据集时，也可以选择rkelm算法，能取得较快的训练速度和较好的预测精度。实验结果见表2所示。
表2训练集上的识别性能
同时通过对比可以发现，本发明方法对于军用飞机的分类效果很好，这与军用飞机在飞行过程中的运动性能特征较为显著有关，所以本发明所提出的方法在未来的信息化战场上拥有广泛的应用前景。
机型识别作为空中交通管理的核心技术正日益受到学者们的重视，目前国内外对于机型识别尚无成熟的理论和方法，已有的一些研究多是基于图形图像处理的，这对于实时性要求很高的空战来说存在着先天不足。本发明提出了一种基于机器学习的利用飞机航迹信息提取有效运动性能特征作为输入的方法，实现了一个自动识别飞机型号的模型。实验结果显示该模型具有很好的识别效果，特别是对军用飞机的识别具有较高的精度。该模型避免了图形图像处理的先天不足，适合实际应用的需要，具有广泛的应用前景。
以上所述仅为本发明的优选的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。