数据和知识双驱动的空中集群目标作战意图识别

李洋军; 黄琦龙; 杨力; 陈旭

doi:10.12382/bgxb.2024.0113

PDF(6493 KB)

兵工学报 ›› 2025, Vol. 46 ›› Issue (2) : 240113. DOI: 10.12382/bgxb.2024.0113

数据和知识双驱动的空中集群目标作战意图识别

作者信息 +

Combat Intention Recognition of Air Cluster Targets Driven by Data and Knowledge

Author information +

本文二维码

文章历史 +

摘要

针对集群目标空间特性多元时变和传统数据驱动模型过分依赖经验样本等问题,提出一种针对集群目标的数据和知识双驱动作战意图识别方法。考虑集群目标空间形态等编队特点,构造基于目标编队外包络线和最小外接矩形的集群特征向量,增强敌情数据的特征表达效果;建立基于专家经验的知识模型和结合注意力机制的长短期记忆(Long short-term memory,LSTM)网络模型,基于专家经验的知识模型根据约束规则生成意图预识别向量,LSTM模型预测输出意图概率分布的残差;利用一种可学习的残差估计器结构,自适应调整双模型的融合比率,并设计多目标损失函数控制双模型的影响权重,最终通过双模型的融合有效克服传统数据模型高精度和数据样本不足的矛盾。实验表明,提出方法的精度相比LSTM和Attention-LSTM分别提升约5.34%和4.98%,且对样本量的依赖性显著低于传统数据驱动方法。

Abstract

Aiming at the diverse spatiotemporal characteristics of cluster targets and the excessive reliance of traditional data driven models on empirical samples,this paper proposes an algorithm for combat intent recognition driven by both data and knowledge.A cluster feature vector based on the virtual envelope and minimum bounding rectangle of target formation are constructed to enhance the feature expression of enemy situation data,which takes the cluster characteristics,such as the spatial form of cluster targets,into account.A knowledge model based on military expert experience and a long short-term memory (LSTM) network model with attention mechanism are established then.The knowledge model generates the intent pre-recognition vectors based on constraint rule,while the LSTM network model predicts the residual of intent probability distribution.The fusion ratio of both models is adaptively adjusted by utilizing a learnable residual estimator structure.A multi-objective loss function is designed to control the influence weights of the dual models.Ultimately,the fusion of the dual models overcomes the contradiction between the high accuracy of traditional data models and the insufficient data samples.Experimental results indicate that the proposed method improves the recognition accuracy to about 5.34% and 4.98% compared to LSTM and Attention-LSTM,respectively,and has significantly lower dependence on sample size than traditional data-driven methods.

导出引用

李洋军 , 黄琦龙 , 杨力 , 陈旭. 数据和知识双驱动的空中集群目标作战意图识别. 兵工学报. 2025, 46(2): 240113 https://doi.org/10.12382/bgxb.2024.0113

LI Yangjun , HUANG Qilong , YANG Li , CHEN Xu. Combat Intention Recognition of Air Cluster Targets Driven by Data and Knowledge. Acta Armamentarii. 2025, 46(2): 240113 https://doi.org/10.12382/bgxb.2024.0113

中图分类号： E917 (军事系统工程学) TP181 (自动推理、机器学习)

基金

国家自然科学基金(62103191)

国家自然科学基金(U21B2003)

中央高校基本科研业务费专项资金(30924010928)

0 引言

随着无人控制、信息处理等技术在军事领域的不断发展与广泛应用,集群作战受到了各国军队的重视,已成为现代战争的重要作战样式。由有人机或无人机组成的空中集群目标,构成了现代战争防御的主要威胁来源,也对态势感知带来了巨大挑战。空中集群目标通常具备种类丰富多样、行为模式复杂多变和时空关联性强等特点,其通过隐蔽性和欺骗性强的行动手段制造“战争迷雾”,达到迷惑我方判断其作战意图、行动计划的目的。因此,合理利用探测的敌情信息并准确识别敌方目标意图,对于制定作战策略、抓取胜利契机具有重大意义。

根据推理的依据,国内外学者在作战意图识别方面的相关研究可归为三类:知识驱动、数据驱动和双驱动方法。

基于知识驱动的作战意图识别方法,通常将作战态势与作战意图的映射关系描述为规则,并采用推理机根据战场实时情报匹配既定规则,进而计算得到识别意图。常见方法有模板匹配^[1-2]、黑板模型^[3]和模糊推理等。文献[2]依据多类实体的层次关系,构建了多层次态势模板模型,有利于提高推理的可解释性;文献[4]提出置信规则库(Belief rule-base,BRB)方法识别意图,使用一种规则激活方法,解决BRB方法的规则爆炸问题,并建立了一种参数优化模型。上述方法确保了推理过程和结果的可解释性,但其困难在于通常难以抽象较完备的知识库,且模型容错能力、适变能力不强^[5],特别是面对复杂多变的信息化战场,单纯依靠机械式的推理规则,难以概括战场复杂演变规律。基于数据驱动的作战意图识别方法,通常建立以机器学习^[6⇓⇓-9]、深度学习^[9]为代表的数理统计模型,使模型从数据中挖掘经验,学习目标特征和意图之间映射关系。文献[7]基于贝叶斯定理的概率框架,对个体行为序列进行统计挖掘,建立群目标战术意图与群内实体协作关系的层次推理模型,提高了精度和可解释性。文献[9]用长短期记忆(Long short-term memory,LSTM)网络建模历史序列,在特征和时间两个维度分别计算注意力,有助于学习数据的关键特征,从而提高识别精度。诸如深度学习的数据驱动方法往往能够简化问题的建模,且在意图识别上的准确率相对出色。然而,正是其对问题建模不够精确、无法触及机理^[5],使得模型成为“黑盒”而难以解释,此外还存在泛化性能依赖样本数量和质量的困难。

考虑到以上单驱动模型各自的优劣势,近些年有学者提出了数据和知识结合的作战意图识别方法^{[10⇓⇓⇓-14]}。文献[5]和[10]论证了知识数据驱动相结合的有效性,探讨了多种结合方式,并举例了多个领域一系列的研究进展。在意图识别问题上,文献[11]针对序列贝叶斯网络在序列逻辑表达上的能力受限问题,引入了描述逻辑对应关系的逻辑片段以扩展贝叶斯网络,分析并验证了算法在意图识别准确性和灵活性等方面的优势。

尽管上述关于意图识别的研究取得了一定的成效,大多数研究工作仅仅针对单个目标做意图识别,无法直接应用于集群目标。现有考虑集群目标的研究工作^[2,7],依赖于人为经验指定目标的集群特点(如队形)和意图间的一一对应关系,具有一定的主观性和绝对性。此外,现有对数据驱动意图识别模型的研究忽略了样本量对模型识别性能的影响。实际上,数据驱动模型的准确度和泛化性依赖于训练样本规模,而知识模型恰好可以弥补小样本量情况的缺陷。

对此,本文提出一种数据和知识驱动的作战意图识别方法。考虑集群目标空间形态等编队特点,构造了基于目标编队虚拟外包络线和最小外接矩形的集群特征向量,增强敌情数据的特征表达效果。建立了基于专家经验的知识推理模型,根据敌情数据生成意图预识别向量。同时建立了结合注意力机制的LSTM网络模型,提取集群目标的时序特征信息,预测输出意图概率分布残差。设计了一种可学习的残差估计器结构,通过将战场情报数据和知识模型的预识别向量编解码,自适应调整两个模型的融合比率,然后通过基于多优化目标的损失函数控制两个模型的影响权重,最终解决传统数据模型高精度和数据样本不足的矛盾,提高针对集群目标进行作战意图识别的精度。

1 问题描述

作战意图识别是作战系统根据传感单元测量的战场信息和既定的识别规则,推断目标实施的作战意图的过程^[15]。战场信息主要包括敌我双方状态及战场环境,在处理时常被视为多维特征时间序列(X⁽^t^-^T⁺¹⁾,X⁽^t^-^T⁺²⁾,…,X⁽^t⁾),表示当前时刻t及其前T-1时刻的历史状态。其中X⁽^t⁾={

x_{1}^{(t)}

x_{2}^{(t)}

,…,

x_{|X|}^{(t)}

},表示战场上传感器在时间t收集的具有

|X|

项特征的战场信息。针对敌方空中目标,本文主要考虑如表1所示的目标特征。

表1 考虑的目标特征

Table 1 Target features considered in this paper

运动学特征	状态特征	电磁频谱特征^[12]
水平位置	方位角	脉冲宽度
速度	航向角	脉冲重复频率
加速度	高度	载波频率

定义

|Q|

种集群目标作战意图组成意图空间Q={q₁,q₂,…,

q_{|Q|}

},则求解意图识别问题可以视作实现从特征空间到意图空间的映射,即

q_r=f_X_→_Q(X⁽^t^-^T⁺¹⁾,X⁽^t^-^T⁺²⁾,…,X⁽^t⁾)∈Q

(1)

针对空中集群目标,考虑对6种较常见的作战意图:攻击、佯攻、侦察、突防、电子干扰和撤退,进行意图识别方法设计。

2 模型构建

本文意图识别模型的主体由知识驱动和数据驱动两个模型组成。数据驱动模型依赖于数据特征的预处理,因此本章将从搭建知识模型、定义集群特征和构建数据模型三个方面展开介绍。

2.1 知识驱动的意图预识别

知识驱动模型的特点在于模型的搭建过程依赖于抽象经验构成的规则或知识而非训练数据,这也使得模型的推理过程本身注重实体间的逻辑关联关系,因此具备很强的可解释性,这是数据驱动模型所不具备的。本文首先采用知识驱动方法对集群目标作战意图进行预识别。作为知识驱动模型的一种,模板匹配方法^[1-2]具有简单、高效的特点,在作战意图识别研究领域已被证明具有很好的应用效果。

模板是一类通过先验知识提取得到的结构,通常由槽、槽的约束关系以及模板间的相互关系组成^[1]。结合军事领域专家知识设计模板库,指定战场目标状态或行动和意图的关联关系,将检测的目标状态或行动与既定的模板进行关联匹配,并选择合适的模板作为解释。具体过程遵循如下步骤。

步骤1 离线制定意图识别模板库。设计好模板的结构,明确用于意图识别的模板的槽和约束关系。一类作战意图可能对应多种不同的行动计划,因此在制作模板时,应当尽量根据不同的计划形式,设计彼此具有一定区分度的模板,以便提高模板匹配的成功率^[13]。文献[4]、[8]和[14]等给出了一些典型空战目标的常见特征数值或区间,参考这些文献,本文设计了战斗机、强击机、轰炸机、侦察机和直升机共六种较常见类型空战目标的意图模板。例如针对一种典型无人战斗机,其实施低空突防意图的模板见表2。

表2 典型无人战斗机的突防意图模板

Table 2 Template for penetration intention of typical unmanned fighter

参数	速度/(m·s^-1)	加速度/ (m·s^-2)	高度/m	航向变化率/(°)	脉冲宽度/μs	脉冲重复频率/MHz	载波频率/GHz	意图
典型值	30~50	0.15~1.5	300~1600	0~15	4~8	5~9	1.5~4.5	突防
允许值	20~90	0~1.6	250~2000	0~50	0~12	0~11	0~7.5	突防

步骤2 在线检索模板并计算匹配度。将观测的数据特征与模板中约束关系槽定义的范围进行比较^[1]。对于第u个模板的第v个特征x_uv,假定预设的典型值区间[

{L^{t}}_{u v}

{G^{t}}_{u v}

],允许值区间[

{L^{a}}_{u v}

{G^{a}}_{u v}

],且有[

{L^{t}}_{u v}

{G^{t}}_{u v}

]⊆[

{L^{a}}_{u v}

{G^{a}}_{u v}

],计算特征的匹配度DOM_uv,即

{D O M}_{u v} = \{\begin{array}{l} 0, & x_{u v} < {L^{a}}_{u v} \\ \frac{x_{u v} - {L^{a}}_{u v}}{{L^{t}}_{u v} - {L^{a}}_{u v}}, & {L^{a}}_{u v} \leq x_{u v} {L^{t}}_{u v} \\ 1, & {L^{t}}_{u v} \leq x_{u v} \leq {G^{t}}_{u v} \\ \frac{{G^{a}}_{u v} - x_{u v}}{{G^{a}}_{u v} - {G^{t}}_{u v}}, & {G^{t}}_{u v} x_{u v} \leq {G^{a}}_{u v} \\ 0, & x_{u v} > {G^{a}}_{u v} \end{array}

(2)

设在模板中各个特征对意图的影响度为ω_v,则所有特征对该模板的支持度MB_u计算为

M B_{u} = \sum_{v} ω_{v} D O M_{u v}

(3)

如果当前目标的行动状态对模板的支持度低于设定的匹配阈值,表示该模板不能解释该目标的当前意图,否则可以解释其当前意图,且支持度越高,表明该模板越符合对该目标状态的描述。

步骤3 在线生成意图预识别向量。将目标作战意图解释为支持度最高模板对应的意图类别。为了充分利用模板匹配过程的信息,将每种意图支持度最高模板对应的匹配度组合,该组合后的向量称为意图预识别向量,作为知识用于后续的识别过程,即

p_{K} = [\underset{u_{1} \in U_{1}}{m a x} M B_{u_{1}}, \dots, \underset{u_{k} \in U_{k}}{m a x} M B_{u_{k}}, \dots, \underset{u_{|Q|} \in U_{|Q|}}{m a x} M B_{u_{|Q|}}]^{T}

(4)

图1为生成意图预识别向量的流程。

图1 基于模板匹配的知识驱动意图识别

Fig.1 Knowledge driven intention recognition based on template matching

Full size|PPT slide

2.2 集群特征提取

与常规单目标不同,集群目标表现出编队队形、成员数量等集群特性。这些特性能够体现敌方目标的空间特征,通常与敌方意图密不可分。例如,宽散的人字形或菱形编队通常用以执行侦察任务,而紧凑的纵形编队则方便提升打击精度,常用于执行攻击任务。因此,通常作战集群会因为任务的需要而改变诸如队形等集群特性。

鉴于上述情形,本文利用特征工程^[16],依据领域专家的知识经验,针对传感器获取的原始数据特征进行处理,构造有助于识别意图的集群特征,进而将原始特征和集群特征一并作为数据驱动模型的输入,从而提高模型的学习能力。结合集群目标的特点,经过筛选和比较,设计如下三类特征。

2.2.1 基于原始点的集群特征

假设已经探测获知规模为

|P|

的集群内各单元的位置坐标p_i=[x_i,y_i,z_i]^T∈ℝ³,i=1,2,3,…,

|P|

,则集群对应的位置坐标矩阵表示为

P = [p_{1}, p_{2}, \dots, p_{|P|}] \in R^{3 \times | P |}

(5)

则可使用集群成员数量

|P|

和成员平均间距d_a反映集群目标的基本群体特征信息。本文使用平均邻点间距估计集群平均间距,先计算集群内的每一个单元与距其最近单元的欧氏距离,再取平均值,即

{\hat{d}}_{a} = \frac{1}{|P|} \sum_{i = 1}^{|P|} \underset{1 \leq j \leq |P|, j \neq i}{m i n} (‖ p_{i} - p_{j} ‖_{2})

(6)

式中:‖·‖₂表示向量的L2-范数。

2.2.2 基于外包络线的集群特征

为方便地描述集群目标的队形,将目标位置沿垂直地面方向投影到二维平面,再筛选出位置处在几何边缘的目标单元组成封闭“轮廓”。这一轮廓可以用有序二维点列来表示,以下称为集群的外包络线(Outer envelope,OE)。

应用一种基于间距的自适应参数Alpha-shape算法^[16-17]提取集群的外包络线,得到的集群目标P的外包络线表示为

R = f_{P \to R} (P) = [r_{1}, r_{2}, \dots, r_{|R|}] \in R^{2 \times | R |}

(7)

式中:

|R|

为外包络线R上点的数量,不大于集群成员数量

|P|

;r_i为该包络线上各个点的坐标。基于外包络线R,以下给出新特征的构造方式。

1)覆盖面积。计算R围成多边形的面积:

A_{R} = \frac{1}{2} \sum_{i = 0}^{|R| - 1} (x_{i} y_{i + 1} - x_{i + 1} y_{i})

(8)

2)周长。计算R围成多边形的周长:

C_{R} = \sum_{i = 1}^{|R| - 1} ‖ r_{i} - r_{i + 1} ‖_{2}

(9)

3)形心。由R所围成多边形的形心(几何中心)M_R=(M_x,M_y),可以表征集群目标在一段航迹中的位置,描述集群的整体移动特性,计算为

\{\begin{array}{l} M_{x} = \frac{1}{6 A_{R}} \sum_{i = 0}^{|R| - 1} (x_{i} + x_{i + 1}) (x_{i} y_{i + 1} - x_{i + 1} y_{i}) \\ M_{y} = \frac{1}{6 A_{R}} \sum_{i = 0}^{|R| - 1} (y_{i} + y_{i + 1}) (x_{i} y_{i + 1} - x_{i + 1} y_{i}) \end{array}

(10)

4)傅里叶描述子。引入傅里叶描述子(Fourier descriptor,FD)提取目标集群的队形特征。其基本思想是,利用代表物体边界的点序列,对其实施傅里叶变换,将轮廓特征从空间域变换到频域内。提取的频域信息中包含点序列的形状特征^[18]。

设包络线R上第n个点的坐标为(x_R(n),y_R(n)),首先将R对应的点序列表示为复数形式

z_R(n)=x_R(n)+jy_R(n)

(11)

其中n=0,1,…,

|R|

-1,接着对其作离散傅里叶变换

Z_{R} (n) = \sum_{k = 0}^{|R| - 1} z (k) e x p (- \frac{j 2 π k n}{|R|})

(12)

对得到的结果Z_R(n)取模,获取点序列对应蕴含形状信息的频谱

{F D}_{R} = \frac{‖ Z_{R} (1 : c) ‖}{Z_{R} (1)}

(13)

式中:c为对频谱信息的截取长度。由于频谱的高频区含有实际意义不大的噪声信息,只需取频谱低频区的频率值,即可有效地描述集群目标的队形。文献[18]提到并证明了傅里叶描述子的旋转不变特性与平移不变特性,且通过Z_R(1)归一化后的描述子与曲线起始点无关,因此该方法具有一定的鲁棒性,即坐标点的旋转、平移和伸缩产生的差异将不会对结果产生实质性的影响。

2.2.3 基于最小外接矩形的集群特征

最小外接矩形(Minimum bounding rectangle,MBR)是指至少经过点集中两个点并且面积最小的外接矩形。基于MBR设计了以下几项特征。

1)密度ρ。通常而言,密度定义为单位区域面积内作战单元的数量。用下式表征集群目标的密度:

ρ = \frac{|P|}{l_{M}^{2}}

(14)

式中:l_M为最小外接矩形的长边长度。

2)宽长比。最小外接矩形的宽长比,即

R_{w l} = \frac{w_{M}}{l_{M}}

(15)

式中:w_M为最小外接矩形的宽边长度。

3)航向夹角。最小外接矩形的长边所在直线与此刻集群整体航向所呈的夹角,规定其为锐角。

考虑到集群目标的作战意图和集群特性存在关联,本文通过构造上述新的特征,不仅为集群目标的意图识别提供了支持,而且有助于提高意图识别模型的收敛效率和识别精度。

2.3 数据驱动的残差向量预测

本文利用数据驱动模型对目标数据信息做处理,并对知识模型的意图预识别向量预测残差。首先组合原始数据和构建的集群特征,再利用LSTM网络的时序处理能力和时间注意力机制,提取数据的时空特征,最后使用全连接神经网络对目标意图分类,计算意图的残差分布向量。

使用LSTM实现对情报数据序列的建模与识别。LSTM是一种具有同时记忆并处理短期和长期信息能力的神经网络模型,包含三个本质上为全连接神经网络的门结构:输入门、遗忘门和输出门^[19],可以学习数据中的非线性关系和时序依赖关系,常用于处理时间序列。注意力机制(Attention mechanism)常用于从数据中自适应地挖掘并增强与任务相关的信息,改善特征提取效果^[9]。常规的注意力机制把输入查询向量逐个与键向量计算,得到注意力分数(权重),再对值向量加权求和,得到蕴含注意力信息的结果。

战场态势数据在结构上可以视作包含多维特征的时间序列。这样的时间序列中往往存在一些与目标作战意图弱相关的信息,这些信息或是与目标的实际作战任务无关的机动动作,或是无意产生的环境干扰、有意制造的干扰欺骗信号。对此,在采用LSTM对态势数据序列提取特征的同时,在数据的时间维度应用注意力机制,使其从长时段数据中重点关注对识别意图有帮助的关键时刻点数据,从而有利于加强意图识别的效果。

本文首先将构建的集群特征

X_{n}^{(t)}

和传感器获取的特征X⁽^t⁾一并作为LSTM的输入,

X_{c}^{(t)} = [X^{(t)}; X_{n}^{(t)}]

(16)

再利用LSTM对拼接特征

X_{c}^{(t)}

做时序特征提取,

h_{t - T + 1}, \dots, h_{t} = L S T M (X_{c}^{(t - T + 1)}, X_{c}^{(t - T + 2)}, \dots, X_{c}^{(t)})

(17)

式中:h_t∈ℝ^h是t时刻的h维LSTM隐藏状态,作为LSTM的输出,也作为注意力计算的查询向量。接着做注意力权重的计算,将隐藏状态h_t作为输入,计算为

e_{t} = t a n h ({W^{T}}_{a} h_{t} + b_{a})

(18)

α_{t} = s o f t m a x (e_{t}) = \frac{e x p (e_{t})}{\sum_{t = n}^{n - T} e x p (e_{t})}

(19)

式中:W_a∈ℝ^h和b_a为可训练参数,softmax函数将e_t归一化并输出注意力权重α_t。接着用α_t对时间窗宽度T内的各个隐藏状态h_t_-_T₊₁,…,h_t进行加权求和,得到蕴含注意力信息的上下文向量c_n,该向量即作为注意力计算的输出结果,即

c_{n} = \sum_{t = 1}^{T} α_{t} h_{t}

(20)

最终,将c_n与h_t合并,输入至全连接网络层,得出意图的残差分布向量:

y=tanh(W_y·[h_t;c_n]+b_y)

(21)

式中:W_y∈ℝ^|^Q^|×2^h和

b_{y} \in R^{|Q|}

为可训练参数矩阵。

3 模型集成和识别流程

3.1 基于残差估计器的双驱动意图识别

针对模型训练数据不足等问题,为实现对敌方目标作战意图的准确认知,提出一种基于残差估计器的数据和知识驱动的作战意图识别方法,融合处理专家知识和历史作战数据,识别敌方目标的作战意图。总体框架如图2。图中,残差估计器接受两方面的输入,一是经特征处理的实时目标数据,二是经知识模型评估给出的意图预识别向量L_h为模型识别结果与真实标签之间的“硬性损失”,L_s为模型识别结果与知识模型预识别向量之间的“软性损失”。残差估计的过程包含编码和解码两个步骤^[20]:使用作为数据编码器的Attention-LSTM提取情报信息的时序特征,同时使用作为知识编码器的多层感知机(Multilayer perception,MLP)编码意图预识别向量;再用另一个MLP对组合的编码向量解码,得到和意图预识别向量同维的残差估计向量;最后将两个向量直接相加得到识别结果。残差估计器能够在训练过程中学习知识模型的识别结果与真实值的差异,修正知识模型结果。

图2 数据和知识双驱动作战意图识别框架

Fig.2 Data and knowledge-driven combat intent recognition framework

Full size|PPT slide

给定训练数据集,模型能够在训练过程中自适应地调整两模型的融合比例。当训练样本匮乏时,残差估计器给出较小的残差,使知识驱动模型在意图识别过程中占主导;反之,当训练样本充足时,残差估计器给出较大残差,对知识模型预识别向量施加较强的修正,使数据驱动模型占主导,从而实现模型性能在训练阶段的自适应调优。

3.2 学习目标

模型的学习要实现两个目标:一是利用真实意图的标签监督网络训练,保证训练出能准确识别意图的模型;二是利用知识模型给出的意图预识别向量作为约束,使融合模型的识别结果尽可能符合知识,提高模型的泛化性,并保证小样本下的训练效果。设计目标函数为

L o s s = - \frac{1}{N} \sum_{j}^{N} {p^{T}}_{j} l o g q_{j} - \frac{β}{N} \sum_{j}^{N} {p^{T}}_{K, j} l o g q_{j}

(22)

式中:两项分量均为交叉熵损失函数,β称为软性损失系数,p_j是真实意图对应的标签,p_K,_j是知识模型给出的预识别向量,N是一批数据的样本数,q_j为模型输出的归一化结果

q_{j} = \frac{e x p z_{j}}{\sum_{k}^{N} e x p z_{k}}

(23)

式中:z_k代表双驱动模型网络输出,是知识模型的意图预识别向量和数据模型预测所得的残差之和,

z=p_K+{W_D[tan(W_Kp_K+b_K);y]+b_D}

(24)

式中:p_K为知识模型预识别向量,W_D、W_K、b_D和b_K为可训练的参数,y由式(21)获得。

以上目标函数由两部分组成,从左到右依次为:模型识别结果与真实标签之间的“硬性损失”,以及与知识模型预识别向量之间的“软性损失”。β用于调控后者的重要程度,一般而言,值越大意味着知识模型的作用越突出,有利于提高模型泛化性能,但是会降低识别的准确率。因此,β一般可以根据训练样本规模合理选取。

3.3 训练和识别流程

意图识别模型的训练和识别过程如图3。本文提出的模型从部署到应用主要分为3个阶段:知识模型(作战意图模板库)的建立,双驱动模型的训练以及对模型的测试使用。遵循以下步骤:

图3 双驱动模型的训练和识别流程

Fig.3 Training and recognition process of data and knowledge-driven model

Full size|PPT slide

1)准备作战态势数据,对数据预处理,包括填补缺失值、平滑噪声和归一化特征。

2)对集群目标数据进行特征构建和特征组合,获取集群特性的特征表示。

3)利用知识模型推理得到意图预识别向量。

4)利用处理后数据和意图预识别向量训练双驱动模型,对模型调参直至其满足性能指标要求。

5)将模型用于作战意图识别。

4 实验结果与分析

4.1 实验准备

实验中,将2.1节提及的6种类型的目标(战斗机、强击机、轰炸机、预警机、侦察机和直升机)作为模拟目标对象,针对每类对象各自的作战意图和行动计划,通过作战仿真程序模拟其作战过程的航迹数据,并基于这些数据进行特征构建和意图识别,验证本文方法的有效性。本文的数据集包含29300条目标数据样本,其中攻击意图9600条,佯攻3600条,电子干扰2700条,突防3400条,侦察5600条,撤退4400条。每条样本为长达15个采样时刻的目标运动轨迹信息,轨迹的采样间隔为5秒。

现把作战仿真数据按6:2:2比例划分为训练集、验证集和测试集。经过反复调整和比较,训练采用Adam优化器,并设置以下超参数:训练回合数50,初始学习率0.01,学习率衰减因子0.9(每5回合衰减为0.9倍),批大小为32,LSTM网络层数为1,时间窗口大小为32。

4.2 对比实验及分析

为验证表3中各个模块在整个模型框架中的重要性,对多个模型在测试集上做消融实验,重复5次实验并计算精度的均值和标准差,结果见表3。

表3 模型消融实验

Table 3 Model ablation experiment

LSTM	注意力机制	集群特征	残差估计器	准确率/%	标准差/%
P				91.76	0.62
P	P			92.12	0.47
P		P		95.68	0.28
P	P	P		96.32	0.25
P	P	P	P	97.10	0.19

从表中看出,LSTM在引入注意力机制与集群特征后对意图的识别精度有所提高,这是因为它们增强了模型挖掘时序特征的能力,并在一定程度上克服了情报的干扰欺骗。知识模型和残差估计器的引入也有利于精度提高,集成该模块后的模型在测试数据集上达到97.10%的识别精度,相比LSTM提升了5.34%,相比注意力机制+LSTM提升了4.98%。

为进一步证实本文提出模型的有效性,为双驱动模型和其他意图识别模型设置对比实验。除了选用准确率作为模型衡量指标外,考虑到样本不平衡情况的影响,增加F1分数的宏观平均值(macro-F1)作为评价模型性能的指标^[21]。

各个模型在同一测试集上的表现见图4。其中多层感知机采用近期20个时刻的数据作为网络输入,网络层数依次为128,128,128,使用均方差损失函数。模板匹配方法和LSTM的相关结构、参数设置同本文提出的模型。物理指导神经网络(PGNN)^[22]是将知识数据模型融合的另一种方式,其将基于物理模型的输出Y_PHY和输入X合并输入到MLP,并在损失函数中加入惩罚项,以监督网络降低违背知识的风险。相应地,实验中把由知识模型给出的意图预识别向量视作Y_PHY,并将数据驱动模型作为识别模型,损失函数同式(22),在这个模型上训练和测试。

图4 不同模型的性能比较

Fig.4 Performance comparison among several models

Full size|PPT slide

实验结果显示,对比模板匹配方法和各种数据驱动方法,本文提出的模型在意图识别的准确率上具有明显的优势,且准确率标准差小,反映了每次训练的模型性能波动较小。

4.3 样本量影响下的性能比较分析

针对用于训练的战场态势数据样本较少,导致模型精度不足、泛化能力差的问题,实验验证知识模型的引入能够有效地降低识别精度对样本量的依赖性。将表3中残差估计器引入前的模型记为数据驱动模型DM,引入后的记为双驱动模型K+D,基于模板匹配算法的知识模型记为KM。图5展示了各个模型在不同的训练样本量下的识别性能。

图5 不同样本量下的模型识别精度

Fig.5 Model recognition accuracy under different sample sizes

Full size|PPT slide

图5中,虚线表示基于模板匹配算法的知识驱动模型准确率为82.67%。从结果中可知,对少样本量下的K+D模型,由于KM能够为模型训练提供指导,模型能在训练中自适应地偏好KM的识别结果,因此具有较高的识别精度,在图中表现为其精度曲线的左端明显高于DM模型和PGNN。在样本量充足情况下,双驱动模型则在训练中自适应地偏好于DM的识别结果,从而获取更高的意图识别精度,因此和DM模型的性能差距不断缩小至最终大致相抵。

此外,为了讨论不同的软性损失系数β对模型样本量依赖性的影响,本文通过实验得出提出模型在不同β和训练数据量下的意图识别精度,如图6所示。结果证实,β取值会影响模型对知识或数据模型的偏好程度:β越小,表明数据模型在融合模型中更重要,模型倾向于从历史数据中挖掘目标信息和意图的关系,因此在样本量少时未能从少量数据中有效学习,反之学习效果显著;β越大,表明知识模型在融合模型中更为重要,模型倾向于知识模型的识别结果,因此在少样本量下表现良好。

图6 软性损失系数β、样本量N和精度的关系

Fig.6 Relationship among soft loss coefficient β,sample size N and accuracy

Full size|PPT slide

5 仿真验证与分析

模拟某要地夺控任务场景中,交战目标在一段时间内的途径轨迹,并且在该作战想定下验证本文提出算法的可行性和有效性。

图7展示了作战过程中蓝方由4架某型号无人机组成的集群在一段时间的飞行航迹。作战想定中,假设蓝方为进攻方,力图摧毁红方军事基地,具体作战想定见表4,红方为防守方并部署使用本文的意图识别方法。各个模型在上述作战想定下运行并给出意图识别结果。对DM和本文提出的模型,在每个时刻使用近期15个历史采样时刻数据,针对目标识别作战意图,取概率最大的意图类别作为结果。从图8可以看出,意图识别结果在DM算法运行前期阶段变动十分频繁,这是由于在此阶段搜集的目标敌情信息相对不足;此外,DM尽管在前述的模型对比实验中具有较高准确率(达到96%以上),然而在仿真场景中却存在相当一部分的错误识别,这尤其体现在目标意图变化的时刻附近,如在8~18时刻将目标的意图错误识别为佯攻。

图7 作战想定下的目标运动轨迹

Fig.7 Target movement trajectory under combat scenario

Full size|PPT slide

表4 作战想定描述

Table 4 Description of combat scenarios

阶段	作战情形	实际意图
(a)~(b)	蓝方目标保持纵队并开始接近红方基地A。	-
(b)~(c)	该目标在红方基地A的上空徘徊飞行并实施电子干扰,以配合蓝方的其余空中作战力量对基地A实施打击。	电子干扰
(c)~(d)	红方基地A在(c)时刻被摧毁,红方开始在基地B上空部署一些空中防御兵力。该蓝方目标变换队形为菱形,欲缓缓下降高度并靠近红方基地B,发动佯攻战术以吸引红方的攻击火力。	佯攻
(d)之后	该目标在(d)时刻开始加速飞行,试图配合蓝方的其余空中作战力量共同对红方基地B实施打击,飞行一段时间后开启雷达追踪模式,转弯朝向红方空中兵力发起突袭进攻。	攻击

图8 DM的识别结果

Fig.8 The recognition results of DM

Full size|PPT slide

从图9看出,KM算法对意图的识别结果较为稳定,不会出现频繁变动的情况,并且能较及时识别目标的意图。然而该模型在前20个时刻将电子干扰意图几乎错误识别为撤退,这是由KM模型本身识别精度不足造成的。

图9 KM的识别结果

Fig.9 The recognition results of KM

Full size|PPT slide

从图10看出,提出的数据和知识双驱动模型尽管在算法运行前期出现了由于历史信息不足造成的错误识别情况,但在搜集的历史数据足够之后(图中为第14时刻以后),识别的意图在结果上已经和目标的实际意图相符合。通过和其余模型对比可以推断,提出的模型可以相对准确、稳定和及时地识别敌方目标的意图。

图10 提出模型的识别结果

Fig.10 The recognition results of the proposed model

Full size|PPT slide

6 结论

本文针对集群目标空间特性多元时变和传统数据驱动意图识别模型过度依赖样本量的问题,提出了一种知识与数据双驱动的作战意图识别方法。通过构造基于目标编队外包络线和最小外接矩形的集群特征向量,增强敌情数据的特征表达效果。设计了一种基于可学习残差估计器结构的联合训练模型,通过自适应调整知识和数据模型的融合比率,克服了传统数据模型高精度和数据样本不足的矛盾。

实验结果表明本文提出的方法对样本规模具有较好的适应性,相比于模板匹配算法和Attention-LSTM模型,能够在样本量充足或较少情况下对空中集群目标均具有较优的意图识别精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	李伟生, 王宝树. 实现态势估计的一种模板匹配算法[J]. 计算机科学, 2006, 33(5):229-230,249. LI W S, WANG B S. A template matching algorithm for implementing situation assessment[J]. Computer Science, 2006, 33(5):229-230,249. (in Chinese) 本文引用 [4]

[2]	吉祥. 基于聚类分群与模板匹配的态势估计方法研究[D]. 国防科学技术大学, 2016. JI X. Study of situation assessment techniques based on clustering and matching[D]. National University of Defense Technology, 2016. (in Chinese) 本文引用 [4]

[3]	李香亭. 态势估计中目标意图识别的研究与实现[D]. 中北大学, 2012. LI X T. The research and implementation of situation assessment in the target intention recognition[D]. North University of China, 2012. (in Chinese) 本文引用 [1]

[4]	赵福均, 周志杰, 胡昌华. 基于置信规则库和证据推理的空中目标意图识别方法[J]. 电光与控制, 2017, 24(8):15-19. ZHAO F J, ZHOU Z J, HU C H, et al. Aerial target intention recognition approach based on belief-rule-base and evidential reasoning[J]. Electronics Optics & Control, 2017, 24(8):15-19. (in Chinese) 本文引用 [2]

[5]	蒲志强, 易建强, 刘振. 知识和数据协同驱动的群体智能决策方法研究综述[J]. 自动化学报, 2022, 48(3):627-643. PU Z Q, YI J Q, LIU Z. Knowledge-based and data-driven integrating methodologies for collective intelligence decision making:a survey[J]. Journal of Automatica Sinica, 2022, 48(3):627-643. (in Chinese) 本文引用 [3]

[6]

乔殿峰, 梁彦, 马超雄. 多域作战下的群目标意图识别与预测[J]. 系统工程与电子技术, 2022, 44(11):3403-3412.

https://doi.org/10.12305/j.issn.1001-506X.2022.11.15

摘要

多域作战具有实体多类、队形多变、意图多样等诸多挑战，难以综合利用多元知识，因而主要依靠人工判决，以至于自动化水平不高。为了实现计算机自动推演态势，需要解决知识的图形化建模和意图推理综合两大难题。对此，在空海域管控知识图谱的基础上，搭建了多域作战战术规则库、编队队形与场景态势的映射关系，提出了基于多实体分层贝叶斯网络的群目标意图识别与预测方法。首先，运用群内目标实体的状态和事件信息，构建目标作战实体行为推理层。其次，利用综合作战实体的时序规则、双方相对距离及航向等信息，构建同类目标元意图推理层。最后，利用实体序列协作关系及编队队形信息，构建多域作战下的群目标总意图推理层。以航母群活动仿真数据为例，验证了所提算法能够获得较为可靠的意图推理结果。

QIAO

D F

, LIANG

, MA

C X

, et al. Recognition and prediction of group target intention in multi-domain operations[J]. Systems Engineering and Electronics, 2022, 44(11):3403-3412. (in Chinese)

https://doi.org/10.12305/j.issn.1001-506X.2022.11.15

本文引用 [1] 摘要

There are many challenges in multi-domain operations, such as multiple entities, changeable formations and diverse intentions, which make it difficult to comprehensively utilize multiple knowledge. Therefore, manual judgment is mainly used, resulting in a low level of automation. In order to realize the automatic deduction of the situation by the computer, two difficult problems need to be solved: the graphical modeling of knowledge and the synthesis of intention reasoning. Based on the knowledge map of airspace management and control, a multi-domain operational tactical rule base, the mapping relationship between formation and scene situation is built. A multi-entity hierarchical Bayesian network-based group target intent recognition and prediction method is proposed. Firstly, the state and event information of the target entity in the group is used to construct the behavioral reasoning layer of the target combat entity. Secondly, based on the temporal rules, relative distance and heading information of combat entities, a reasoning layer of similar target element intention is constructed. Finally, the general intention reasoning layer of group targets under multi-domain operations is constructed by using the entity sequence collaboration relationship and formation information. Taking the simulation data of aircraft carrier group activities as an example, it is verified that the algorithm proposed in this paper can obtain relatively reliable intention inference results.

[7]	JING Q, GUO X T, JIN W D, et al. Intention recognition of aerial targets based on Bayesian optimization algorithm[C]// Proceedings of 2017 2nd IEEE International Conference on Intelligent Transportation Engineering. Singapore:IEEE, 2017:356-359. 本文引用 [3]

[8]	YANG Z, SUN Z X, PIAO H Y, et al. Online hierarchical recognition method for target tactical intention in beyond-visual-range air combat[J]. Defense Technology, 2022, 18(8):1349-1361. 本文引用 [2]

[9]	李战武, 李双庆, 彭明毓. 基于注意力机制改进的LSTM空战目标意图识别方法[J]. 电光与控制, 2023, 30(3):1-7. LI Z W, LI S Q, PENG M Y. Air combat intention recognition method of target based on LSTM improved by attention mechanism[J]. Electronics Optics & Control. 2023, 30(3):1-7. (in Chinese) 本文引用 [4]

[10]

李峰, 王琦, 胡健雄. 数据与知识联合驱动方法研究进展及其在电力系统中应用展望[J]. 中国电机工程学报, 2021, 41(13): 4377-4390.

, WANG

, HU

J X

, et al. Combined data-driven and knowledge-driven methodology research advances and its applied prospect in power systems[J]. Proceedings of the CSEE. 2021, 41(13): 4377-4390. (in Chinese)

本文引用 [2]

[11]	葛顺. 基于规则发现和贝叶斯推理的战术意图识别技术[D]. 哈尔滨工程大学, 2015. GE S. Research on tactical intention recognition based on rule discovery and Bayesian reasoning[D]. Harbin Engineering University, 2015. (in Chinese) 本文引用 [2]

[12]

张建廷, 周万宁, 晏谢飞. 基于LSTM和模糊推理的海上目标行为意图智能预测方法[J]. 中国电子科学研究院学报, 2022, 17(9):897-904.

ZHANG

J T

, ZHOU

W N

, YAN

X F

, et al. Intelligent prediction for behavioral intent of marine targets based on LSTM and Fuzzy Reasoning[J]. Journal of China Academy of Electronics and Information Technology, 2022, 17(9):897-904. (in Chinese)

本文引用 [2]

[13]	余源丰. 群目标态势推理关键技术研究[D]. 西安电子科技大学, 2020. YU Y F. Research on key technologies of group targets situation reasoning[D]. Xidian University, 2020. (in Chinese) 本文引用 [2]

[14]

陈刚, 姚丽亚, 王国新. 面向鲁棒决策的战场态势评估人机共识形成方法[J]. 兵工学报, 2022, 43(11):2953-2964.

https://doi.org/10.12382/bgxb.2021.0557

摘要

针对地面突击装备战术级、高动态、分布式、强实时作战过程中的战场态势高度复杂且信息不确定问题，提出一种面向鲁棒决策的战场态势评估人机共识形成方法，实现“人类智能”与“人工智能”在综合态势评估中的有机融合。首先，通过采集乘员（专家）态势评估行为实验样本，模拟乘员（专家）对战场态势信息的认知过程，构建战场态势评估两级智能代理模型；其次，提出一种对人机偏好不敏感的决策鲁棒指数，车辆乘员基于该指数在高强度对抗下快速判断形成人机共识，辅助指挥员进行鲁棒决策。在某作战仿真系统中进行了红蓝对抗的想定设计，并以敌方意图为态势评估对象进行了案例验证，验证了该方法的有效性。

CHEN

, YAO

L Y

, WANG

G X

, et al. A human-machine consensus formation method for robust decision making in battlefield situation assessment[J]. Acta Armamentarii, 2022, 43(11): 2953-2964. (in Chinese)

https://doi.org/10.12382/bgxb.2021.0557

本文引用 [2] 摘要

Ground assault equipment tactical-level, highly dynamic, distributed, and strong real-time operations have the characteristics of battlefield complexity and information uncertainty, to address these characteristics this paper proposes a human-machine consensus formation method for battlefield situation assessment robust decision making, which fuses “human intelligence” and “artificial intelligence” to achieve comprehensive situational assessment. First, by collecting experimental samples of crew members (‘experts’) situational assessment behaviors and simulating their cognitive process of battlefield situational information, a two-level intelligent agent model for battlefield situational assessment is constructed. Then, a decision robustness index that is insensitive to human-machine preferences is proposed, based on which vehicle crew members quickly judge and form human-machine consensus under high-intensity confrontation, and assist commanders in making robust decisions. We design a red-blue confrontation scenario in a battle simulation system, and use an enemy combat intent recognition example to test the utility of the proposed method.

[15]	ZHANG Y, HUANG F H, DENG X Y, et al. Air target intention recognition and causal effect analysis combining uncertainty information reasoning and potential outcome framework[J]. Chinese Journal of Aeronautics, 2024, 37(1):287-299. 本文引用 [1]

[16]	BAHNSEN A C, AOUADA D, STOJANOVIC A, et al. Feature engineering strategies for credit card fraud detection[J]. Expert Systems with Applications, 2016, 51:134-142. 本文引用 [2]

[17]

PEAD

, GIARRATANO

, TATHAM

A J

, et al. 2D alpha-shapes to quantify retinal microvasculature morphology and their application to proliferative diabetic retinopathy characterisation in fundus photographs[J]. Scientific Reports, 2021, 11(1):22814.

https://doi.org/10.1038/s41598-021-02329-5

https://www.ncbi.nlm.nih.gov/pubmed/34819594

本文引用 [1] 摘要

The use of 2D alpha-shapes (α-shapes) to quantify morphological features of the retinal microvasculature could lead to imaging biomarkers for proliferative diabetic retinopathy (PDR). We tested our approach using the MESSIDOR dataset that consists of colour fundus photographs from 547 healthy individuals, 149 with mild diabetic retinopathy (DR), 239 with moderate DR, 199 pre-PDR and 53 PDR. The skeleton (centrelines) of the automatically segmented retinal vasculature was represented as an α-shape and the proposed parameters, complexity ([Formula: see text]), spread (OpA), global shape (VS) and presence of abnormal angiogenesis (Grad) were computed. In cross-sectional analysis, individuals with PDR had a lower [Formula: see text], OpA and Grad indicating a vasculature that is more complex, less spread (i.e. dense) and the presence of numerous small vessels. The results show that α-shape parameters characterise vascular abnormalities predictive of PDR (AUC 0.73; 95% CI [0.73 0.74]) and have therefore potential to reveal changes in retinal microvascular morphology.© 2021. The Author(s).

[18]	彭正初. 基于傅里叶描述子的物体形状识别的研究[D]. 哈尔滨工业大学, 2017. PENG Z C. Research on object shape recognition based on Fourier descriptors[D]. Harbin Institute of Technology, 2017. (in Chinese) 本文引用 [2]

[19]

郑志伟, 管雪元, 傅健. 基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测[J]. 兵工学报, 2023, 44(10):2975-2983.

ZHENG

Z W

, GUAN

X Y

, FU

, et al. Projectile trajectory prediction based on CNN-LSTM model[J]. Acta Armamentarii, 2023, 44(10):2975-2983. (in Chinese)

https://doi.org/10.12382/bgxb.2022.0511

本文引用 [1] 摘要

To solve the problem of nonlinear trajectory prediction of projectile, a novel hybrid trajectory prediction model based on convolutional neural network (CNN) and long and short-term memory (LSTM) neural network is proposed. A 6DOF projectile movement model is established, and a substantial dataset of trajectory samples is obtained through exterior ballistics simulations employing the four-order Runge-Kutta method. Secondly, the hybrid CNN-LSTM trajectory prediction model is proposed, and the input and output trajectory data pairs are constructed by using the sliding window method and first-order difference method, which transforms the prediction problem into a supervised learning problem. Then, the proposed model is compared with LSTM neural network model, gated recurrent unit (GRU) neural network model and back propagation (BP) neural network model using the same dataset. The results show that the average cumulative prediction error of CNN-LSTM model after 3s is about 14.83m in the x-axis direction, 20.77m in the y-axis direction and 0.75m in the z-axis direction. The trajectory prediction accuracy of CNN-LSTM neural network model is better than that of a single model, which provides valuable insights for advancing projectile trajectory prediction research.

[20]	BAHARI M, NEJJAR I, ALAHI A. Injecting knowledge in data-driven vehicle trajectory predictors[J]. Transportation Research Part C:Emerging Technologies, 2021, 128:103010. 本文引用 [1]

[21]	周志华. 机器学习[M]. 北京: 清华大学出版社, 2016. ZHOU Z H. Machine learning[M], Beijing: Tsinghua University Press, 2016. (in Chinese) 本文引用 [1]

[22]	DAW A, KARPATNE A, WATKINS W D, et al. Physics-guided neural networks (PGNN):An application in lake temperature modeling[M]//Knowledge Guided Machine Learning. Chapman and Hall/CRC, 2022:353-372. 本文引用 [1]

PDF(6493 KB)

Accesses

Citation

Detail

段落导航

摘要
Abstract
关键词
Key words
引用本文
基金
0 引言
1 问题描述
表1 考虑的目标特征
2 模型构建
2.1 知识驱动的意图预识别
表2 典型无人战斗机的突防意图模板
图1 基于模板匹配的知识驱动意图识别
2.2 集群特征提取
2.2.1 基于原始点的集群特征
2.2.2 基于外包络线的集群特征
2.2.3 基于最小外接矩形的集群特征
2.3 数据驱动的残差向量预测
3 模型集成和识别流程
3.1 基于残差估计器的双驱动意图识别
图2 数据和知识双驱动作战意图识别框架
3.2 学习目标
3.3 训练和识别流程
图3 双驱动模型的训练和识别流程
4 实验结果与分析
4.1 实验准备
4.2 对比实验及分析
表3 模型消融实验
图4 不同模型的性能比较
4.3 样本量影响下的性能比较分析
图5 不同样本量下的模型识别精度
图6 软性损失系数β、样本量N和精度的关系
5 仿真验证与分析
图7 作战想定下的目标运动轨迹
表4 作战想定描述
图8 DM的识别结果
图9 KM的识别结果
图10 提出模型的识别结果
6 结论
参考文献

收稿日期	出版日期
2024-02-18	2025-02-28
录用日期	发布日期
2024-07-15	2025-02-28

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

基金

0 引言

1 问题描述

表1 考虑的目标特征

2 模型构建

2.1 知识驱动的意图预识别

表2 典型无人战斗机的突防意图模板

图1 基于模板匹配的知识驱动意图识别

2.2 集群特征提取

2.2.1 基于原始点的集群特征

2.2.2 基于外包络线的集群特征

2.2.3 基于最小外接矩形的集群特征

2.3 数据驱动的残差向量预测

3 模型集成和识别流程

3.1 基于残差估计器的双驱动意图识别

图2 数据和知识双驱动作战意图识别框架

3.2 学习目标

3.3 训练和识别流程

图3 双驱动模型的训练和识别流程

4 实验结果与分析

4.1 实验准备

4.2 对比实验及分析

表3 模型消融实验

图4 不同模型的性能比较

4.3 样本量影响下的性能比较分析

图5 不同样本量下的模型识别精度

图6 软性损失系数β、样本量N和精度的关系

5 仿真验证与分析

图7 作战想定下的目标运动轨迹

表4 作战想定描述

图8 DM的识别结果

图9 KM的识别结果

图10 提出模型的识别结果

6 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注