DKENet：一种在动态空战中利用领域知识增强战斗机机动识别能力的网络

《Neurocomputing》：DKENet: Domain knowledge-enhanced fighter maneuver recognition network in dynamic air combat

　　摘要
在动态的空战场景中，传统的机动识别方法面临数据稀缺、领域知识利用不足和特征冗余等挑战。为了解决这些问题，本文提出了一种基于领域知识的战斗机机动识别网络（DKENet），该网络有效地解决了复杂机动模式的特征表示和分类问题。首先，采用多阶段坐标系统重建（MCSR）方法将地理坐标转换为本地坐标，解决了空间数据一致性问题。其次，设计了一种基于领域知识的特征工程（DKFE）模块，构建了一个包含17个物理可解释特征的输出空间。然后，通过递归特征消除（RFE）实现机动特征选择（FSMR），以消除冗余和冲突的特征。最后，构建了一个时间增强识别网络（TERN），该网络以TimesNet作为基础分类器，并通过两种领域自适应机制——关键特征权重增强和时间决策融合——实现了准确的分类。在DCS World多源数据集上的实验表明，所提出的方法在识别准确性和小样本泛化能力方面显著优于LSTM和TS2Vec等8个基线模型。领域知识增强机制不仅提高了机动识别性能，还为建模人机社交系统中的动态交互提供了一个计算框架，对复杂对抗场景下的智能决策具有重要意义。

引言
现代空战环境正在从单架飞机对抗向系统的智能交战转变——这一转变需要神经计算技术来准确解析高维时间飞行参数以实现机动模式识别[1]、[2]。作为空战决策链中的关键前端环节，战斗机机动识别旨在通过实时分析飞行参数序列（3D坐标、姿态角、加速度）来确定敌人的机动类型（包括爬升、俯冲、盘旋和环路等基本动作以及“Split-S”和“Spiral”等复合机动）。其准确性直接关系到空战态势感知、有效策略制定和飞行安全——使其成为航空航天领域与神经计算领域交叉研究中的一个关键工程挑战[3]。
当前的机动识别研究主要遵循两种技术路线：知识驱动方法和数据驱动方法。知识驱动方法依赖专家系统来编码领域规则，使用从经验中提取的飞行参数特征和推理引擎进行快速识别。典型的扩展是在飞行时间序列和标准模板之间进行相似性匹配，这种方法实现简单，但难以区分相似的机动（例如大半径盘旋与大角度转弯），并且存在阈值定义的歧义[4]、[5]。数据驱动方法利用机器学习，特别是基于深度学习的神经计算架构，从大量数据中自动挖掘模式——用自适应特征学习替代了基于规则的识别[6]、[7]。这些方法在泛化方面表现出色，但往往缺乏物理可解释性，限制了它们在空战场景中的可靠性[8]、[9]。
尽管取得了这些进展，仍有三个相互关联的痛点直接限制了机动识别的性能。首先，在数据层面，存在维度爆炸和稀缺之间的矛盾：现代战斗机生成数百维的实时传感器数据（包括GPS、惯性导航和雷达回波[10]），但保密限制限制了对真实战斗数据的访问。此外，多源数据的非标准化坐标处理会导致空间差异，从而加剧了神经网络的输入表示不一致性。其次，在知识层面，物理约束的嵌入不足：传统的深度方法将轨迹视为纯数值序列，忽略了俯仰角和过载之间的空气动力学耦合。这导致神经网络学习到虚假的相关性，使得分类结果违反物理合理性[11]。第三，在模型层面，存在多尺度特征建模的挑战和计算效率的瓶颈。机动行为表现出双重时间粒度，短周期动作如滚转和长周期行为如盘旋，传统的神经网络难以同时捕捉。此外，复杂的网络架构导致预测延迟超过100毫秒，无法满足空战场景的实时要求[12]。
为了解决这些挑战，本文提出了一种基于领域知识的战斗机机动识别网络（DKENet）。通过将领域知识与数据驱动方法相结合，DKENet利用航空航天物理学、工程专业知识以及先验信息为模型提供额外的约束和指导。这种融合使得特征提取更加精确，减少了对大规模数据集的依赖，提高了对新场景的适应性，并最终提升了机动识别性能。本文的主要贡献如下：
- 多阶段坐标系统重建（MCSR）：设计了一个三步转换流程（LLAECEFENU），以减少位置数据的空间差异，解决多源数据之间的几何不一致性，并增强特征聚类和模型的数据解释能力。
- 基于领域知识的特征工程（DKFE）：结合空气动力学原理，构建了一组17个物理可解释的特征，以提高复杂机动的区分能力。
- 机动特征选择（FSMR）：基于递归特征消除（RFE）并在领域知识的指导下，识别出一组核心特征。该策略消除了冗余和冲突的特征，在显著降低后续模型计算开销的同时保持了高机动识别准确性。
- 时间增强识别网络（TERN）：通过集成两种特定于领域的增强机制——关键特征权重增强和时间决策融合——来增强TimesNet架构，以实现准确和稳健的机动模式识别，同时特别适应战斗机机动的双重时间粒度。

本文的其余部分组织如下。第2节回顾了相关工作。第3节详细介绍了基于领域知识增强的战斗机机动识别方法的方法论。第4节提供了实验结果及其分析。第5节对本文进行了总结。

相关工作
空战机动识别的研究经历了四个发展阶段：知识驱动、相似性匹配、传统机器学习和深度学习。知识驱动方法依赖领域规则和机动模板库进行识别。典型的例子包括基于专家系统推理的方法[4]、[5]、基于动态贝叶斯网络（DBN）的模型[13]以及以特征数据库为导向的模式识别技术[14]。然而，这些方法存在...

基于领域知识的战斗机机动识别方法
本文提出的基于领域知识的战斗机机动识别方法包括以下模块：多阶段坐标系统重建（MCSR）、基于领域知识的特征工程（DKFE）、机动特征选择（FSMR）和时间增强识别网络（TERN）。该方法为高效识别战斗机机动模式提供了一种创新解决方案，算法工作流程如图1所示。

数据集构建
实验数据来源于DCS World飞行模拟游戏，重点关注由内置AI代理执行的F18飞机模型。通过设置不同的初始飞行高度和速度来模拟多样化的空战场景，收集包括经度、纬度和高度在内的机动矢量数据，雷达采样频率为20 Hz。实验重点关注8种典型空战机动的识别任务：Loop、Circle、Dive...

结论
在本文中，我们提出了DKENet，通过将领域知识与数据驱动方法相结合，有效解决了数据稀缺、特征冗余和物理可解释性问题。具体而言，多阶段坐标系统重建（MCSR）增强了时空数据的一致性；基于领域知识的特征工程（DKFE）构建了17个可解释的特征来模拟机动动态；基于领域指导的RFE特征选择（FSMR）减少了...

未引用的参考文献
[35],[36],[38],[39]

CRediT作者贡献声明
朱龙军：写作——审阅与编辑，写作——原始草稿，验证，软件，方法论，概念化。
吴凯文：写作——审阅与编辑，验证，软件。
袁伟伟：监督，资源，形式分析。
吴德蒙：监督，资金获取，概念化。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文报告的工作。

致谢
本项工作部分得到了国家自然科学基金杰出青年科学基金（项目编号T2325018）、国家自然科学基金（项目编号62171274、U2241228、62272036和62405145）、上海市科学技术重大项目、江苏省自然科学基金（项目编号BK20240641）以及国防基础科学研究计划的支持。朱龙军于2009年在中国上海华东理工大学获得控制理论与控制工程硕士学位，目前正在上海交通大学电子信息与电气工程学院攻读博士学位。她的研究兴趣包括神经网络、强化学习、机器学习和鲁棒控制。

作者信息
朱龙军 | 吴凯文 | 袁伟伟
上海交通大学自动化系，中国上海200240