0 引言
随着现代战争逐步朝着信息化、智能化的方向发展，如何利用智能算法分析空战环境并自主分析快速生成预测与和决策，使得己方在空战过程中占据优势并获得胜利是现代空战领域研究的重要方向。本论文采用当前经典机器学习和深度学习领域内主流算法实现了空战对抗态势预测和攻击区距离及黑洞发现，设计并实现了一套空战智能算法平台，可实现空战实时决策分析，针对于不同的问题可以选择合适的算法进行预测，提高了空战问题预测的精确度与效率。
1 可视化空战智能算法平台总体设计结构
空战智能算法平台根据不同的需求选择适合的数据进行分析，经过数据预处理、特征工程、模型训练等流程，将数据可视化并呈现给用户。此平台基于面向服务的思想[4]，采用应用层、中间服务层、数据层的多层架构方式，使空战数据更加直观的表现出来并保证预测结果的准确性。
应用层主要实现一套可视化展示系统，其中包括数据可视化、算法模型可视化、算法预测可视化和系统管理功能。应用层部署在应用服务器上，以网页的形式呈现给用户，用户可以通过用户名和密码登录智能算法可视化展示平台，根据按键选择需要的功能。
中间服务层是智能算法平台的核心层，它处于应用层和数据层之间。该层包含智能算法开发平台和智能算法计算平台两个部分，两者相互依赖。开发平台提供功能实现，计算平台提供计算资源。
数据层部署在数据库服务器上，含有数据查询功能，通过用户输入的数据，可以查询数据的结构与包含的信息。使用Mysql和Redis数据库同时存储数据，使数据的读取写入更加灵活。数据接口调用功能，为中间服务层实现的调用接口，中间层可通过该接口对数据进行访问和调用。
2 可视化空战智能算法平台的核心技术
2.1智能决策算法
可视化空战智能算法平台根据空空对战不同的场景，将应用分为攻击区距离预测、黑洞个数预测和对抗数据预测三个部分。在每个部分中选用多种合适的智能决策算法，对问题进行分析预测，用户可以按照不同的需求，选用最适合当前状态的决策算法。
2.1.1 攻击区距离预测算法
攻击区距离精准预测问题主要是解决空战过程中，敌我双方飞机在一定的飞行姿态下，我方发射炮弹的攻击区距离预测。首先对数据集进行预处理，攻击区距离数据包括7维输入向量和1个距离的输出。攻击区数据的前八列分别为7个输入和1个输出，数据已经进行过归一化，因此使用时只需把前八列单独提取出来即可。
根据数据特点，采用线性回归、多项式回归、反向传播神经网络等3种回归算法对问题进行分析，形成算法模型。根据项目数据集实际情况，搭建反向传播神经网络进行训练并且进行预测，如表1所示。
表1 攻击区距离预测算法模型结果
2.1.2 黑洞个数预测算法
攻击区黑洞发现问题主要是解决空战过程中，敌我双方飞机在一定的飞行姿态下，对我方发射炮弹的可攻击区域内的黑洞进行预测发现。在炮弹的可攻击区域内，存在0~n个不可达区域，称之为攻击区黑洞[5]。首先对数据集进行预处理，攻击区黑洞数据包括7维输入向量和n对黑洞坐标的输出。7维输入向量分别是：飞机高度、本机速度、目标高度、目标速度、离轴角、进入角和俯仰角。输出数量和输出值是不确定的，黑洞数据成对出现，可以是0~n对。利用分类器进行黑洞有无和数量的预测，分别采用XGBoost和SVM分类算法来实现。如表2所示为算法的测试结果，经分析可知，当数据量较大时易选用XGBoost算法[6]模型进行预测，预测时间与开销较小，当数据量较小时易选用SVM算法模型进行预测，预测精确度较高。
表2 黑洞个数预测算法模型结果
2.2 性能测试与模型准确率
模型的准确率是机器学习的最重要的评价指标，智能算法平台采用多种方法提高模型准确率，首先，通过加大训练数据、处理缺失值和异常值等方法，提升建模数据的质量；其次，基于行业知识、可视化、统计参数、PCA[7]等技术，优化特征选择；第三，对多种算法进行筛选比对，择优选择适合空战场景的算法，并不断算法调试；第四，采用多算法融合集成方法，对建立的模型进行评估优化，并进行交叉验证。
3 可视化空战智能算法平台的实现
3.1 智能算法开发平台实现
智能算法平台提供的相应服务包括：数据集管理服务(数据采集、清洗、预处理等)，模型管理服务(版本控制、日志管理等)，训练过程管理服务，优化过程管理服务(历史数据查询、数据分类展示、算法相关参数配置及调优、数据对比分析)等。
智能算法开发平台是拟采用Spark作为回归算法、分类算法等经典机器学习算法的计算引擎，采用TensorFlow作为深度学习算法的计算引擎[8]。
3.2 智能算法计算平台实现
智能算法计算平台由五部分构成，分别为：数据源，该部分主要是从数据管理平台获取的攻击区数据和对抗数据。数据预处理，该部分用于对获取到的数据源进行格式转换、数据清洗等操作。模型训练，采用各种机器学习算法对数据进行训练，对于分类、回归等经典机器学习算法，使用Spark作为计算引擎[9]；对于深度学习算法，采用TensorFlow作为计算引擎，利用选择的模型进行计算。模型管理，此部分实现对算法模型的管理，使各个算法之间解除耦合共同工作。平台管理，此部分主要包括日志管理、权限管理、模型部署等功能，用于模型管理，如图1所示。
图1 智能算法计算平台架构图
4 可视化空战智能算法平台的实地部署与应用
4.1 实地部署架构
空战智能算法平台主要由四个子系统构成，其中，数据管理平台和可视化展示系统部署在虚拟化应用服务器中，智能算法开发平台和智能算法计算平台部署在GPU计算服务器中。各子系统的交互通过子系统网络通信模块完成。。
4.2 实地应用
如图2所示，空战智能算法平台具有算法预测、模型训练和数据管理三大模块。
图2 智能算法可视化平台界面图
算法预测模块主要包括黑洞数量预测、攻击区距离预测和对抗命中预测三个部分。其中黑洞个数预测需要输入7个特征，选择算法模型后即可预测该区域的黑洞个数。攻击区距离预测需要输入坐标值，即可预测敌我双方的距离。对抗命中预测需要输入14个特征，即可预测我方命中敌方的概率。
训练功能分为三个部分，分别是黑洞算法训练、攻击区算法训练、对抗命中算法训练。其中黑洞算法模型包括3种算法，分别是线性回归算法、多项式回归算法和反向传播神经网络算法。根据系统选定的数据集，点击运行按钮，即可进行训练，针对于不同的算法模型可以进行参数设置，来获得最好的训练效果。
数据管理功能主要是对导入的数据进行展示，便于用户进行直观分析与研究。
5 结束语
本文通过分析研究空战对抗数据和攻击区数据，研究对比经典机器学习算法和深度学习算法，分别采用多种智能算法进行数据挖掘，实现攻击区距离精准预测及攻击区黑洞的有效发现，挖掘空战对抗状态下导弹发射各影响因素重要程度和发射命中概率预测。同时通过多种评价指标对已实现的算法在性能、精度上进行评测。并在实际环境中搭建空战智能算法平台，进行相关空战对抗态势感知。智能算法的探索研究在空战决策的应用方面具有一定的研究意义，取得了一定的研究成果。
但是，当前在很多硬件环境约束条件下，很多先进的智能算法还不能立即运用到空战中去，需要进一步探索算法性能和硬件资源的最佳平衡点。
参考文献
[1] 游航航，余敏建，吕艳，杨海燕，韩其松．基于改进灰狼算法优化的UKF在空战轨迹预测中的应用[J]．战术导弹技术，2020，(01)：91-98．
[2] 钱夔，周颖，杨柳静等．基于 BP 神经网络的空中目标航迹预测模型[J]．指挥信息系统与技术，2017，8(3)：54-58．
[3] 迎春，樊鹏山．基于“云+端”模式的太空信息服务平台构建[J]．指挥与控制学报，2021，7(03：295-301．
[4] 任宏光．红外型空空导弹攻击区“黑洞”研究[J]．飞行力学，1998(01)：22-27．
[5] 祝颂，钱晓超，陆营波，刘飞．基于XGBoost的装备体系效能预测方法[J]．空天防御，2021，4(02)：1-6．
[6] 周琳，朱荣刚，韩云．基于交叉熵的BP神经网络空空导弹攻击区仿真研究[C]．第八届中国指挥控制大会论文，2020:624-629.DOI:10.26914/c.cnkihy.2020.014686．
[7] 卞华棋，王育辉，王栋，姜龙亭，王衡．基于PCA的空战机动高阶重构与评估[J]．电子测量与仪器学报，2020，34(06)：191-197.DOI:10.13382/j.jemi.b2002909．
[8] 袁唯淋．基于多智能体强化学习的超视距空战决策方法研究[D]．国防科技大学，2018.DOI:10.27052/d.cnki.gzjgu.2018.001308．
[9] 黄志，苏传程，苏晓红．大数据环境下Spark性能优化分析研究与应用[J]．气象科技，2022，50(01):51-58.DOI:10.19517/j.1671-6345.20210251．
