空中点目标机动模式的双色比特征空间特性及辨识 下载: 930次
1 引言
未来,超视距打击和不接触交战将成为空战样式的主流,空战机动将更加频繁,极限状态机动将成为有效攻击和防御的必要手段[1]。随着目标隐身技术的发展,雷达技术对点目标的识别能力大大下降,易暴露己方位置[2];对于仅含灰度信息的点目标而言,红外成像技术面对目标属性和机动模式的识别也大大受限[3]。为应对这一形势,多光谱探测识别技术成为点目标光谱维度信息探测识别的一种有效手段,通过这种光谱信息特征进行点目标机动模式的辨识具有重要的研究意义[4-5]。
传统的目标机动模式辨识主要依靠雷达数据,即通过雷达距离和多普勒平移的手段从雷达数据中检测估计目标速度和加速度等矢量参数,完成目标机动模式的辨识[6-8]。基于雷达数据信息的目标机动模式辨识算法易受滤波器
由于点目标无形状和轮廓信息,目前的雷达或红外序列成像方法不再适用于点目标机动模式的识别,但点目标的红外光谱特征分布却与目标的近距红外像一样具有唯一性标识作用[12]。实际上,红外光谱特征信号对目标姿态角变化量较为敏感,不同姿态角变化率下的光谱特征信号差异特性显著[13]。因此,以姿态角变化量作为运动模式与特征信号的纽带,可以得到机动模式、姿态角变化量和光谱特征信号之间的确定性关系,这为光谱特征信号反演目标机动模式提供了技术支持。国内一些单位已经开始进行相关研究,哈尔滨工业大学空间光学工程研究中心[14]和中国科学院光电研究院[15]等单位采用时序多谱段信号对空中远距目标进行了机动辨识研究。事实上,空中点目标的机动辨识可以归结为一个模式识别问题,但机动模式辨识不同于一般的模式分类识别,它比一般的模式分类识别复杂,主要表现在:1)由于点目标的机动过程不可能突变,机动引起的姿态角具有连续变化特性,而大气传输和背景干扰等因素的作用使得所获取的光谱信号呈现连续随机过程的特点,所形成的信号特征空间具有高度混合性,即非线性不可分;2)空战目标机动是一个动态过程,不同的机动模式常常包含相同的机动动作,即不同机动模式的光谱信号特征子空间的相似程度较高,这给一般的在线分类识别方法带来严重干扰,很难进行光谱信号特征子空间的分类识别。基于概率分类法的Logistic回归和最小二乘概率分类方法虽然对非线性随机样本点没有进行强制分类,但当样本点严重混合时,混合部分的样本点在不同类别下的后验概率近似一致,甚至出现不合理分类。当然,无监督学习的聚类方法对这种严重混合特征点也难以分类识别。被动攻击和适应正则化等在线学习方法虽然适合序列特征点的分类识别,但对于子空间特征点分布相似的机动模式的分类识别效果较差。
由上述基本分类方法可以看出,为了克服机动模式分类的难点,应该避免对单个特征点的分类识别,从样本特征点的整体时序分布情况入手,研究样本特征点子空间的聚类分布特性和迁移变化规律,挖掘不同机动模式的光谱信号特征子空间特性,力求从特征子空间的分布和变化规律中更好地区分不同的机动模式。根据点目标机动过程中光谱特征信号的时序变化特性,本文构建了双色比特征空间模型,通过高斯混合模型(GMM)进行特征信号的聚类分析,继而研究双色比特征子空间的迁移变化规律,并以点目标的机动模式辨识为目的,提出基于时序特征子空间的点目标机动模式辨识方法。
2 数学模型
2.1 机动模式的光谱特征表达
图 1. 机载探测器与目标的相对位置关系
Fig. 1. Relative position relationship between airborne detector and target
红外探测器动态视场下,点目标姿态角相对于机载探测器是时刻变化的,因而同一方位处的探测器红外辐射响应强度不同。
式中
式中
当在一定时段内连续进行目标探测跟踪时,目标光谱辐射在探测器中形成具有一定特征的时序辐射信号。假定大气透过率为
式中
从(2)、(3)式可以看出,观测方向的点目标光谱探测信号与材料发射率、温度、波长、目标姿态角以及目标投影面积有关。当目标机动模式发生变化时,目标姿态角随之变化,即观测方向目标辐射部位发生变化。目标不同部位的温度和材料发射率不同,迎头方向蒙皮温度高于侧身方向,而尾后方向高温气体的温度和发射率与侧身蒙皮差异较大。因此,目标机动过程中,观测方向目标呈现出多光谱辐射特性。(4)式进一步揭示了目标机动模式与光谱探测信号之间的数学关系,目标机动模式的变化最终会引起光谱探测信号的动态变化,这种变化特征是辨识点目标机动模式的有力证据。
2.2 双色比特征空间模型
传统特征空间辨识理论中,分类器针对的是一个固定不变的特征空间,而这种特征空间的定义和表达方式不再适用于空战动态场景下的点目标机动模式辨识问题。因此,动态特征空间是克服这类问题很好的表征手段[16]。
动态特征空间可定义为:给定一组模式(R
根据以上定义,针对本文研究问题构建动态特征空间。由(3)、(4)式可以看出,目标机动模式的光谱特征表达需要目标的距离、材料和投影面积为先验信息,而实际空战中,这些信息很难确定,因此这里用双色比特征来表达目标机动模式的先验信息,目的是更好地进行空战点目标的探测识别。
设
因此,在一段时间内,动态特征子空间{
2.3 时序特征子空间的GMM
对点目标多光谱辐射信号进行间隔时段采样,不同时段的光谱信号经变换可以用来构建一个双色比特征子空间{
式中
Method: EM-based parameter estimation of GMM
Input: Initial parameters
Output: GMM
Step 1: Construct the expectation function
1) Input the feature point set {
2) Set a hypothesis: if the
3) Construct the expectation function
Step 2: Solve the parameters
1) Using points
2) Convergence condition is
Step 3: Obtain the GMM
3 双色比特征空间特性
3.1 迁移特性
双色比特征空间的迁移特性是指相邻时刻的双色比特征子空间位置矢量的变化,即
图中
图 3. 机动模式下双色比特征点分布
Fig. 3. Dual-color-ratio-feature point distribution under maneuvering mode
蛇形机动的双色比特征子空间的迁移规律具有往复性。针对其他直线运动、直角转弯机动和圆周机动等典型机动,计算得到其迁移矢量夹角余弦值分别为:1)对于直线运动,
3.2 特征空间可分特性
3.2.1 特征子空间的动态表达
特征空间可分性是辨识目标机动模式的一个关键问题,但由于噪声等干扰因素的存在,特征空间常常会出现非线性不可分或重合交叠的情况,因此,需要进一步分析双色比特征子空间的可分特性。由于双色比特征子空间{
根据第2.2节的分析,双色比特征子空间的动态变化与点目标机动模式的变化紧密相关,而机动模式变化的直接量化结果是
(8)式表明了相邻两个时序双色比特征子空间的可分程度和分离效率决定于
3.2.2 特征子空间可分判据
特征子空间是否可分需要给出判断依据,这是机动辨识的先决条件。 (8)式已经表明,特征子空间的可分程度和分离效率决定于
1)给定初始参数,包括仿真参数、飞行参数、目标参数、大气参数和多光谱探测器参数;
2)按照一定的采样时长Δ
3)如果重合投影面积不超过两个时序高斯成员投影面积的90%,则按照一定的步长Δ
4)重复步骤2)、3),直到重合投影面积刚好超过两个时序高斯成员投影面积的90%,记录此时的姿态角变化量Δ
5)输出特征子空间可分的最小姿态角变化量Δ
以迎头90°直角转弯为例,进一步分析相邻两个时序子空间的可分性问题。
图 5. (a)目标和机载探测器的二维运动航迹;(b)目标横向过载随时间的变化;(c)目标姿态角随时间的变化;(d)双色比特征随目标姿态角和横向过载的变化
Fig. 5. (a) Two-dimensional motion tracks of target and airborne detector; (b) target lateral overloading versus time; (c) target attitude angle versus time; (d) dual-color-ratio-feature versus target attitude angle and lateral overloading
图 6. 直角转弯机动的双色比特征点分布
Fig. 6. Dual-color-ratio-feature point distribution under quarter turn maneuver
从上述的分析可以得到,姿态角变化量反映子空间可分性的程度,而过载大小反映了子空间分离的效率,平均过载越大,子空间分离的效率越高。结合探测器的光谱信号采样频率,为了满足最小可分概率需求,通过大量计算验证,得到特征子空间可分的最小姿态角变化量Δ
图 7. 不同目标姿态角变化量下双色比特征子空间高斯混合分布。(a) Δα=50.34°; (b) Δα=36.16°; (c) Δα=14.23°; (d) Δα=3.52°
Fig. 7. Gauss mixture distributions of dual-color-ratio-feature sub-space under different variations of target attitude angle. (a) Δα=50.34°; (b) Δα=36.16°; (c) Δα=14.23°; (d) Δα=3.52°
4 时序特征子空间的机动模式辨识
4.1 机动模式辨识方法
根据第3节的理论分析,不同机动模式呈现出不同的双色比特征空间分布特性,因此,可以利用时序双色比特征子空间的差异特性进行点目标的机动模式辨识。超远距探测条件下,由于并没有处于交战状态,点目标一般利用加速直线运动、直角转弯机动、蛇形机动和圆周机动等基本的机动模式进行战术调整,达到优化空战部署的目的。针对典型的机动模式,提出基于时序特征子空间的机动模式辨识方法如下:
1)对多光谱点目标机动模式进行不同时段的双色比特征采样,得到
2)计算统计特征。结合特征子空间的个数,取
3)判断可分性。计算相邻聚类中心点之间的距离
4)计算迁移矢量。以特征空间
5)判断机动模式。当
4.2 辨识方法验证
以直线运动、直角转弯机动和圆周机动为例,进行基于时序特征子空间的机动模式辨识方法验证。假定点目标和机载多光谱探测器的初始速度
4.2.1 直线运动辨识
通过对点目标机动模式的多谱段比值特征进行采样,得到时序双色比特征点分布如
图 8. 直线运动的时序双色比特征点分布
Fig. 8. Sequential dual-color-ratio-feature point distribution under linear motion
图 9. 直线运动的时序双色比特征子空间高斯混合分布。(a)合并相邻特征子空间前;(b)合并相邻特征子空间后
Fig. 9. Gauss mixture distributions of sequential dual-color-ratio-feature sub-space under linear motion. (a) Before adjacent feature sub-spaces merged; (b) after adjacent feature sub-spaces merged
4.2.2 直角转弯机动辨识
当采样得到的时序双色比特征点分布如
图 10. 直角转弯机动的时序双色比特征点分布
Fig. 10. Sequential dual-color-ratio-feature point distribution under quarter turn maneuver
图 11. 直角转弯机动双色比特征子空间高斯混合分布。(a)合并相邻特征子空间前;(b)合并相邻特征子空间后
Fig. 11. Gauss mixture distributions of sequential dual-color-ratio-feature sub-space under quarter turn maneuver. (a) Before adjacent feature sub-spaces merged; (b) after adjacent feature sub-spaces merged
4.2.3 圆周机动辨识
当采样得到的时序双色比特征点分布如
图 12. 圆周机动的时序双色比特征点分布
Fig. 12. Sequential dual-color-ratio-feature point distribution under circle maneuver
4.3 辨识结果讨论
以上研究的典型机动模式常出现在中远距(60 km以上)的空域尺度下,而对于中距(10~60 km)空战情况,目标像素尺寸仍然较小,可认为处于点源状态。由于作战任务驱动,点目标的机动模式趋于多样化和复杂化,但所提出的辨识思路仍然适用于多样复杂的机动模式辨识。对于点目标机动模式的多样化,点目标的机动可进一步划分为迎头的机动、尾后的机动和侧向的机动,这也是中距空战常会发生的机动模式。迎头、尾后、侧向都是相对于目标机而言,虽然只是空战方位的不同,但作战意图和空战效果有着较大的差别。对于这些机动模式的辨识,只要判别出点目标初始状态,就可以根据所提出的辨识方法确定点目标机动模式。而点目标初始状态可以根据特征子空间的聚类中心位置确定,因为迎头、尾后和侧向的双色比特征子空间分布有较大差异。对于点目标机动模式的复杂化,点目标的机动可能是基本机动模式的叠加、重复,也可能是基本机动模式的拓展或创新。虽然机动模式变得复杂,但都是由基本的机动模式演变而成,如果空战情况允许,可以延长点目标的探测监视时长,从辨识的多个基本机动模式中推断复杂机动模式或组合机动模式。
图 13. 圆周机动的双色比特征子空间高斯混合分布
Fig. 13. Gauss mixture distribution of sequential dual-color-ratio-feature sub-space under circle maneuver
为了验证所提出的辨识方法的适用性和可靠性,进一步细化机动模式类型,并利用所提出的辨识思路对细化的机动模式进行辨识。设定100次实验,假定光谱信号噪声服从高斯分布,且干扰强度
表 1. 点目标不同机动模式的识别率
Table 1. Recognition rate of different maneuvering modes of point target
|
从
5 结论
鉴于点目标机动模式的可识别性在变化,借助点目标多光谱辐射特征,建立了双色比特征空间模型,深入分析了双色比特征空间的特性。分析结果表明双色比特征空间的特性可为点目标机动模式辨识提供理论支撑,继而提出了利用时序双色比特征子空间解决点目标机动模式辨识的方法。仿真验证结果表明,该方法简单可行且具有很高的灵敏度,对于辨识点目标机动模式具有较好的可分性,这对于获取超视距作战环境中的点目标机动信息具有重大意义。所提出的辨识方法虽然对于基本的机动模式分类具有较好的可分性,但对于划分更为细致的点目标机动模式,包括迎头直角转弯、尾后直角转弯、迎头蛇形机动、尾后蛇形机动、迎头拉起和迎头俯冲等机动模式的辨识,需充分挖掘双色比特征空间分布的统计规律特性,如均值、方差、峰度、偏度和高阶统计量等,这是下一步研究的重点问题。
[1] 孙金标, 徐荣红, 刘峰. 信息化条件下空战的关键技术及空战过程研究[J]. 飞行力学, 2007, 25(1): 80-83, 88.
孙金标, 徐荣红, 刘峰. 信息化条件下空战的关键技术及空战过程研究[J]. 飞行力学, 2007, 25(1): 80-83, 88.
孙金标, 徐荣红, 刘峰. 信息化条件下空战的关键技术及空战过程研究[J]. 飞行力学, 2007, 25(1): 80-83, 88.
孙金标, 徐荣红, 刘峰. 信息化条件下空战的关键技术及空战过程研究[J]. 飞行力学, 2007, 25(1): 80-83, 88.
孙金标, 徐荣红, 刘峰. 信息化条件下空战的关键技术及空战过程研究[J]. 飞行力学, 2007, 25(1): 80-83, 88.
[3] 李建民, 王高. 基于多光谱辐射特性的高速目标识别定位系统[J]. 光谱学与光谱分析, 2014, 34(11): 3147-3152.
李建民, 王高. 基于多光谱辐射特性的高速目标识别定位系统[J]. 光谱学与光谱分析, 2014, 34(11): 3147-3152.
李建民, 王高. 基于多光谱辐射特性的高速目标识别定位系统[J]. 光谱学与光谱分析, 2014, 34(11): 3147-3152.
李建民, 王高. 基于多光谱辐射特性的高速目标识别定位系统[J]. 光谱学与光谱分析, 2014, 34(11): 3147-3152.
李建民, 王高. 基于多光谱辐射特性的高速目标识别定位系统[J]. 光谱学与光谱分析, 2014, 34(11): 3147-3152.
[5] 刘峰, 沈同圣, 马新星. 特征融合的卷积神经网络多波段舰船目标识别[J]. 光学学报, 2017, 37(10): 1015002.
刘峰, 沈同圣, 马新星. 特征融合的卷积神经网络多波段舰船目标识别[J]. 光学学报, 2017, 37(10): 1015002.
刘峰, 沈同圣, 马新星. 特征融合的卷积神经网络多波段舰船目标识别[J]. 光学学报, 2017, 37(10): 1015002.
刘峰, 沈同圣, 马新星. 特征融合的卷积神经网络多波段舰船目标识别[J]. 光学学报, 2017, 37(10): 1015002.
刘峰, 沈同圣, 马新星. 特征融合的卷积神经网络多波段舰船目标识别[J]. 光学学报, 2017, 37(10): 1015002.
[6] 王童, 童创明, 李西敏. 扩展性微动目标回波模拟与特征参数提取研究[J]. 物理学报, 2015, 64(21): 210301.
王童, 童创明, 李西敏. 扩展性微动目标回波模拟与特征参数提取研究[J]. 物理学报, 2015, 64(21): 210301.
王童, 童创明, 李西敏. 扩展性微动目标回波模拟与特征参数提取研究[J]. 物理学报, 2015, 64(21): 210301.
王童, 童创明, 李西敏. 扩展性微动目标回波模拟与特征参数提取研究[J]. 物理学报, 2015, 64(21): 210301.
王童, 童创明, 李西敏. 扩展性微动目标回波模拟与特征参数提取研究[J]. 物理学报, 2015, 64(21): 210301.
[9] 祝依龙, 范红旗, 卢再奇. 基于特征的雷达目标机动检测算法综述[J]. 系统工程与电子技术, 2011, 33(9): 1913-1921.
祝依龙, 范红旗, 卢再奇. 基于特征的雷达目标机动检测算法综述[J]. 系统工程与电子技术, 2011, 33(9): 1913-1921.
祝依龙, 范红旗, 卢再奇. 基于特征的雷达目标机动检测算法综述[J]. 系统工程与电子技术, 2011, 33(9): 1913-1921.
祝依龙, 范红旗, 卢再奇. 基于特征的雷达目标机动检测算法综述[J]. 系统工程与电子技术, 2011, 33(9): 1913-1921.
祝依龙, 范红旗, 卢再奇. 基于特征的雷达目标机动检测算法综述[J]. 系统工程与电子技术, 2011, 33(9): 1913-1921.
[10] 聂海涛, 龙科慧, 马军. 采用改进尺度不变特征变换在多变背景下实现快速目标识别[J]. 光学精密工程, 2015, 23(8): 2349-2357.
聂海涛, 龙科慧, 马军. 采用改进尺度不变特征变换在多变背景下实现快速目标识别[J]. 光学精密工程, 2015, 23(8): 2349-2357.
聂海涛, 龙科慧, 马军. 采用改进尺度不变特征变换在多变背景下实现快速目标识别[J]. 光学精密工程, 2015, 23(8): 2349-2357.
聂海涛, 龙科慧, 马军. 采用改进尺度不变特征变换在多变背景下实现快速目标识别[J]. 光学精密工程, 2015, 23(8): 2349-2357.
聂海涛, 龙科慧, 马军. 采用改进尺度不变特征变换在多变背景下实现快速目标识别[J]. 光学精密工程, 2015, 23(8): 2349-2357.
[11] 崔智高, 王华, 李艾华. 动态背景下基于光流场分析的运动目标检测算法[J]. 物理学报, 2017, 66(8): 084203.
崔智高, 王华, 李艾华. 动态背景下基于光流场分析的运动目标检测算法[J]. 物理学报, 2017, 66(8): 084203.
崔智高, 王华, 李艾华. 动态背景下基于光流场分析的运动目标检测算法[J]. 物理学报, 2017, 66(8): 084203.
崔智高, 王华, 李艾华. 动态背景下基于光流场分析的运动目标检测算法[J]. 物理学报, 2017, 66(8): 084203.
崔智高, 王华, 李艾华. 动态背景下基于光流场分析的运动目标检测算法[J]. 物理学报, 2017, 66(8): 084203.
[12] 苑智玮, 黄树彩, 熊志刚. 尾焰特征光谱在主动段弹道目标识别中的应用[J]. 光学学报, 2017, 37(2): 0230001.
苑智玮, 黄树彩, 熊志刚. 尾焰特征光谱在主动段弹道目标识别中的应用[J]. 光学学报, 2017, 37(2): 0230001.
苑智玮, 黄树彩, 熊志刚. 尾焰特征光谱在主动段弹道目标识别中的应用[J]. 光学学报, 2017, 37(2): 0230001.
苑智玮, 黄树彩, 熊志刚. 尾焰特征光谱在主动段弹道目标识别中的应用[J]. 光学学报, 2017, 37(2): 0230001.
苑智玮, 黄树彩, 熊志刚. 尾焰特征光谱在主动段弹道目标识别中的应用[J]. 光学学报, 2017, 37(2): 0230001.
[13] 寇添, 于雷, 周中良. 机载光电系统探测空中机动目标的光谱辐射特征研究[J]. 物理学报, 2017, 66(4): 049501.
寇添, 于雷, 周中良. 机载光电系统探测空中机动目标的光谱辐射特征研究[J]. 物理学报, 2017, 66(4): 049501.
寇添, 于雷, 周中良. 机载光电系统探测空中机动目标的光谱辐射特征研究[J]. 物理学报, 2017, 66(4): 049501.
寇添, 于雷, 周中良. 机载光电系统探测空中机动目标的光谱辐射特征研究[J]. 物理学报, 2017, 66(4): 049501.
寇添, 于雷, 周中良. 机载光电系统探测空中机动目标的光谱辐射特征研究[J]. 物理学报, 2017, 66(4): 049501.
[14] 孙成明, 赵飞, 袁艳. 基于光谱的天基空间点目标特征提取与识别[J]. 物理学报, 2015, 64(3): 034202.
孙成明, 赵飞, 袁艳. 基于光谱的天基空间点目标特征提取与识别[J]. 物理学报, 2015, 64(3): 034202.
孙成明, 赵飞, 袁艳. 基于光谱的天基空间点目标特征提取与识别[J]. 物理学报, 2015, 64(3): 034202.
孙成明, 赵飞, 袁艳. 基于光谱的天基空间点目标特征提取与识别[J]. 物理学报, 2015, 64(3): 034202.
孙成明, 赵飞, 袁艳. 基于光谱的天基空间点目标特征提取与识别[J]. 物理学报, 2015, 64(3): 034202.
[15] 侯晴宇, 王付刚, 智喜洋. 采用时序多谱段信号分析的空间目标运动状态辨识[J]. 光学学报, 2015, 35(4): 0401001.
侯晴宇, 王付刚, 智喜洋. 采用时序多谱段信号分析的空间目标运动状态辨识[J]. 光学学报, 2015, 35(4): 0401001.
侯晴宇, 王付刚, 智喜洋. 采用时序多谱段信号分析的空间目标运动状态辨识[J]. 光学学报, 2015, 35(4): 0401001.
侯晴宇, 王付刚, 智喜洋. 采用时序多谱段信号分析的空间目标运动状态辨识[J]. 光学学报, 2015, 35(4): 0401001.
侯晴宇, 王付刚, 智喜洋. 采用时序多谱段信号分析的空间目标运动状态辨识[J]. 光学学报, 2015, 35(4): 0401001.
[16] 张天序, 翁文杰, 冯军. 三维运动目标的多尺度智能递推识别新方法[J]. 自动化学报, 2006, 32(5): 641-658.
张天序, 翁文杰, 冯军. 三维运动目标的多尺度智能递推识别新方法[J]. 自动化学报, 2006, 32(5): 641-658.
张天序, 翁文杰, 冯军. 三维运动目标的多尺度智能递推识别新方法[J]. 自动化学报, 2006, 32(5): 641-658.
张天序, 翁文杰, 冯军. 三维运动目标的多尺度智能递推识别新方法[J]. 自动化学报, 2006, 32(5): 641-658.
张天序, 翁文杰, 冯军. 三维运动目标的多尺度智能递推识别新方法[J]. 自动化学报, 2006, 32(5): 641-658.
[17] 吴晗平. 红外搜索系统[M]. 北京: 国防工业出版社, 2013: 80- 102.
吴晗平. 红外搜索系统[M]. 北京: 国防工业出版社, 2013: 80- 102.
吴晗平. 红外搜索系统[M]. 北京: 国防工业出版社, 2013: 80- 102.
吴晗平. 红外搜索系统[M]. 北京: 国防工业出版社, 2013: 80- 102.
吴晗平. 红外搜索系统[M]. 北京: 国防工业出版社, 2013: 80- 102.
Wu HP. Infrared search system[M]. Beijing: National Defense Industry Press, 2013: 80- 102.
Wu HP. Infrared search system[M]. Beijing: National Defense Industry Press, 2013: 80- 102.
Wu HP. Infrared search system[M]. Beijing: National Defense Industry Press, 2013: 80- 102.
Wu HP. Infrared search system[M]. Beijing: National Defense Industry Press, 2013: 80- 102.
Wu HP. Infrared search system[M]. Beijing: National Defense Industry Press, 2013: 80- 102.
Article Outline
寇添, 周中良, 刘宏强, 杨远志, 阮铖巍. 空中点目标机动模式的双色比特征空间特性及辨识[J]. 光学学报, 2018, 38(12): 1204001. Tian Kou, Zhongliang Zhou, Hongqiang Liu, Yuanzhi Yang, Chengwei Ruan. Dual-Color-Ratio-Feature Spatial Characteristics and Recognition of Aerial Point Target Maneuvering Modes[J]. Acta Optica Sinica, 2018, 38(12): 1204001.