趙佳歡 楊海明 邱令存

上海機(jī)電工程研究所，上海 201109

0 引言

在現(xiàn)代信息化戰(zhàn)爭(zhēng)中，戰(zhàn)術(shù)意圖識(shí)別是戰(zhàn)場(chǎng)態(tài)勢(shì)感知的核心內(nèi)容之一，是指揮員作出決策的重要依據(jù)[1-2]。傳統(tǒng)的意圖識(shí)別方法需要指揮員結(jié)合戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性、目標(biāo)狀態(tài)和敵我兵力部署等一系列特征作出判斷。這些特征與意圖之間很難用顯式的數(shù)學(xué)公式表達(dá)，主要依賴于指揮員的經(jīng)驗(yàn)知識(shí)。隨著現(xiàn)代戰(zhàn)爭(zhēng)中信息規(guī)模劇增，傳統(tǒng)的意圖識(shí)別方法普遍需要面對(duì)信息過(guò)載的問(wèn)題，即面對(duì)大量的數(shù)據(jù)信息，如何選出有用的信息并加以合理的利用。為減少對(duì)專家經(jīng)驗(yàn)知識(shí)的依賴，解決信息過(guò)載的問(wèn)題，需要設(shè)計(jì)一種高效的智能化意圖識(shí)別模型[3]。

基于模板匹配、貝葉斯網(wǎng)絡(luò)和證據(jù)理論等方法的意圖識(shí)別模型普遍存在一些局限性[4-7]，比如領(lǐng)域?qū)＜抑R(shí)的顯式表示問(wèn)題、戰(zhàn)場(chǎng)態(tài)勢(shì)時(shí)序信息處理的問(wèn)題等。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是深度學(xué)習(xí)領(lǐng)域中備受關(guān)注的模型之一[8-9]，在語(yǔ)音識(shí)別、機(jī)器翻譯等序列數(shù)據(jù)處理領(lǐng)域有著廣泛應(yīng)用。本文以RNN模型為基礎(chǔ)建立戰(zhàn)術(shù)意圖識(shí)別模型，解決目標(biāo)特征自動(dòng)提取、序列數(shù)據(jù)處理等問(wèn)題，然后將注意力機(jī)制引入意圖識(shí)別模型，提出一種融合注意力機(jī)制的戰(zhàn)術(shù)意圖識(shí)別模型，同時(shí)在注意力分布計(jì)算過(guò)程中，設(shè)計(jì)了新的點(diǎn)積打分函數(shù)，減少計(jì)算資源的消耗，提升模型訓(xùn)練時(shí)的收斂速度，最后通過(guò)仿真驗(yàn)證了改進(jìn)后意圖識(shí)別模型的有效性。

1 空中目標(biāo)戰(zhàn)術(shù)意圖

1.1 意圖識(shí)別概念

意圖是指希望達(dá)到某種目的的設(shè)想和打算[10]，而戰(zhàn)術(shù)意圖指在某次具體的作戰(zhàn)過(guò)程中，為完成某一特定任務(wù)而做的基本設(shè)想和打算。對(duì)敵意圖識(shí)別是指根據(jù)戰(zhàn)場(chǎng)上我方信息源所獲取的敵方信息，綜合推理判斷出敵方目前的作戰(zhàn)意圖。

1.2 典型戰(zhàn)術(shù)意圖分析

圖1為空中目標(biāo)群及其意圖的層次圖，該圖所含的意圖類型并非空中目標(biāo)意圖類型的全集，僅是給出了戰(zhàn)場(chǎng)指揮員關(guān)注的、對(duì)敵我雙方對(duì)抗有關(guān)鍵作用的意圖類型。需要明確的是，只要是判定來(lái)襲目標(biāo)為敵方軍事單位，無(wú)論其是執(zhí)行何種任務(wù)、遂行何種意圖，都會(huì)對(duì)我方造成一定程度的威脅，唯一的區(qū)別在于是直接威脅或是間接威脅。直接威脅意圖會(huì)直接導(dǎo)致我方重要目標(biāo)蒙受損失，間接威脅意圖雖然不會(huì)直接造成我方的損失，但是可能會(huì)為后續(xù)敵方行動(dòng)提供情報(bào)支撐，屬于間接威脅。

圖1 空中目標(biāo)群/意圖層次分解

戰(zhàn)場(chǎng)上的威脅主要來(lái)源于軍事目標(biāo)，一般認(rèn)為民用目標(biāo)不會(huì)構(gòu)成威脅。而軍事目標(biāo)又可分為獨(dú)立目標(biāo)和集群目標(biāo)，但在現(xiàn)代信息化戰(zhàn)爭(zhēng)中，多兵種多組織協(xié)同作戰(zhàn)能發(fā)揮更大的作戰(zhàn)效能，不同意圖的實(shí)現(xiàn)需要各類不同戰(zhàn)機(jī)編隊(duì)配合完成，下面給出幾類常見(jiàn)的戰(zhàn)術(shù)編隊(duì)：①突擊編隊(duì)，主要執(zhí)行摧毀諸如指揮所、軍用機(jī)場(chǎng)等重要預(yù)定目標(biāo)的任務(wù)，是實(shí)現(xiàn)攻擊意圖的主力，一般由殲轟機(jī)、轟炸機(jī)、強(qiáng)擊機(jī)等組成；②火力壓制編隊(duì)，執(zhí)行反輻射作戰(zhàn)任務(wù)，摧毀對(duì)手地面防空導(dǎo)彈陣地，由“野鼬鼠”(Wild Weasel)戰(zhàn)機(jī)組成，攜帶反輻射導(dǎo)彈；③電子壓制編隊(duì)，執(zhí)行干擾壓制對(duì)手地面防空導(dǎo)彈陣地，由電子干擾機(jī)組成；④掩護(hù)編隊(duì)，掩護(hù)己方其他編隊(duì)在戰(zhàn)區(qū)內(nèi)的活動(dòng)，由殲擊機(jī)和多用途飛機(jī)等組成；⑤預(yù)警指揮編隊(duì)，搜索監(jiān)視空中目標(biāo)，指揮并引導(dǎo)己方戰(zhàn)機(jī)，由預(yù)警機(jī)組成；⑥戰(zhàn)術(shù)偵察編隊(duì)，對(duì)重要區(qū)域進(jìn)行偵察，由偵察機(jī)組成。

本文以攻擊、偵察和撤退這3大類入手對(duì)敵方意圖進(jìn)行分析。

攻擊是戰(zhàn)場(chǎng)上威脅程度最高的意圖類型?，F(xiàn)代戰(zhàn)爭(zhēng)中攻擊任務(wù)大致可分為突防攻擊和防區(qū)外攻擊。突防攻擊，指突擊編隊(duì)在壓制編隊(duì)成功開(kāi)辟空中走廊的前提下，對(duì)地面目標(biāo)實(shí)施打擊，一般用于打擊敵方縱深目標(biāo)；防區(qū)外攻擊，指在電子壓制編隊(duì)協(xié)同下，載機(jī)于防區(qū)外發(fā)射遠(yuǎn)程武器進(jìn)行打擊。遂行意圖需要多兵力多機(jī)型編隊(duì)合力完成，攻擊意圖一般由突擊編隊(duì)、壓制編隊(duì)、掩護(hù)編隊(duì)、預(yù)警指揮編隊(duì)中的幾種組合完成。

偵察是為了獲取對(duì)手相關(guān)情報(bào)，比如兵力部署、戰(zhàn)斗編成、指揮所位置、武器裝備等關(guān)鍵情報(bào)，一般于戰(zhàn)斗行動(dòng)發(fā)起前進(jìn)行。為強(qiáng)調(diào)偵察行動(dòng)的靈活性、隱蔽性，偵察任務(wù)編隊(duì)一般由偵察機(jī)群組成，有時(shí)也會(huì)攜帶掩護(hù)編隊(duì)等，具有暴露即退的原則。

撤退是指戰(zhàn)斗單元在執(zhí)行任務(wù)過(guò)程中被敵方單位阻截而受損，或完成既定任務(wù)后，從作戰(zhàn)區(qū)域內(nèi)退出的行動(dòng)。

1.3 存在的問(wèn)題

戰(zhàn)術(shù)意圖識(shí)別過(guò)程顯然是非合作式的，敵方必然會(huì)隱藏其真實(shí)意圖，對(duì)戰(zhàn)術(shù)意圖的研究必須充分認(rèn)識(shí)其具有的欺騙性和對(duì)抗性。傳統(tǒng)意圖識(shí)別方法主要依靠指揮員憑借經(jīng)驗(yàn)作出判斷，這種方式過(guò)度依賴專家經(jīng)驗(yàn)知識(shí)。戰(zhàn)場(chǎng)上目標(biāo)種類和數(shù)量繁多，戰(zhàn)場(chǎng)數(shù)據(jù)規(guī)模劇增，指揮員在識(shí)別意圖的過(guò)程中將面臨信息過(guò)載的問(wèn)題。

2 融合注意力機(jī)制的戰(zhàn)術(shù)意圖識(shí)別模型

2.1 注意力機(jī)制

注意力機(jī)制是認(rèn)知神經(jīng)學(xué)中的概念，是人腦的一種復(fù)雜認(rèn)知機(jī)制[11-12]。人腦在同時(shí)接受到來(lái)自視覺(jué)、聽(tīng)覺(jué)等各方面的大量信息時(shí)，仍能穩(wěn)定地工作，是由于注意力機(jī)制有意或無(wú)意地提取出部分有用的信息進(jìn)行處理，同時(shí)過(guò)濾掉冗余信息。

工程實(shí)踐中的計(jì)算資源通常是有限的，但深度學(xué)習(xí)模型需要處理大規(guī)模數(shù)據(jù)，如何合理分配有限的計(jì)算資源是一個(gè)急需解決的問(wèn)題[13-15]。為此，本文借鑒人腦的聚焦式注意力機(jī)制，將其引入基于RNN的戰(zhàn)術(shù)意圖識(shí)別模型中，使網(wǎng)絡(luò)能對(duì)輸入信息進(jìn)行選擇，自動(dòng)提取目標(biāo)特征，解決信息過(guò)載的問(wèn)題，提高意圖識(shí)別模型的識(shí)別準(zhǔn)確率。

在注意力機(jī)制的計(jì)算過(guò)程中，主要可分為2個(gè)步驟：一是計(jì)算注意力分布；二是根據(jù)注意力分布，計(jì)算所有輸入的加權(quán)平均。

1)計(jì)算注意力分布

假設(shè)有k組輸入信息X=[x1,x2,…,xk]T，其中每個(gè)xi,i∈[1,k]都是n維輸入向量，表征意圖識(shí)別問(wèn)題中敵方目標(biāo)在某一時(shí)刻的狀態(tài)信息。在意圖識(shí)別過(guò)程中，并不需要將所有時(shí)刻的信息全部完整地輸入到神經(jīng)網(wǎng)絡(luò)中，可以從X中挑選出與意圖直接相關(guān)的信息輸入模型。為達(dá)到此目的，引入一個(gè)查詢向量(Query Vector)表征與意圖的相關(guān)，查詢向量可以是動(dòng)態(tài)生成的，也可以是可學(xué)習(xí)的參數(shù)。同時(shí)利用打分函數(shù)對(duì)輸入信息與查詢向量之間的相關(guān)性進(jìn)行評(píng)估。

在給定查詢向量q和輸入信息X的前提下，選擇第i個(gè)輸入向量的概率αi計(jì)算公式如式(1)所示。

(1)

式中：z=i表示選擇被選擇信息的索引值，αi為注意力分布(Attention Distribution)，s(xi,q)為打分函數(shù)。常用的加性模型打分函數(shù)如式(2)所示，

s(xi,q)=VTtanh(Wxi+Uq)

(2)

式中：W，U和V均為可學(xué)習(xí)參數(shù)。

計(jì)算打分函數(shù)時(shí)，加性模型需要計(jì)算雙曲正切函數(shù)，運(yùn)算效率較低，為此提出一種點(diǎn)積模型作為新的打分函數(shù)，如式(3)所示，

(3)

點(diǎn)積打分函數(shù)在實(shí)際計(jì)算過(guò)程中更好地利用了矩陣相乘，避免計(jì)算雙曲正切函數(shù)可以減少計(jì)算資源的消耗，提升模型的收斂速度，進(jìn)一步提升識(shí)別準(zhǔn)確率。

2)計(jì)算加權(quán)平均

式(1)計(jì)算得到的αi可以簡(jiǎn)單理解為，在給定一個(gè)查詢向量q時(shí)，第i個(gè)輸入向量受關(guān)注的程度，接著需要依據(jù)αi對(duì)所有的輸入信息進(jìn)行匯總。注意力機(jī)制選擇信息的本質(zhì)是求所有輸入信息在注意力分布上的期望，圖2給出了注意力機(jī)制的示意圖。

圖2 注意力機(jī)制示意圖

該信息匯總方式的計(jì)算公式如式(4)所示。

(4)

2.2 改進(jìn)的戰(zhàn)術(shù)意圖識(shí)別模型

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一類具有記憶功能的神經(jīng)網(wǎng)絡(luò)，屬于反饋型神經(jīng)網(wǎng)絡(luò)。與前饋型神經(jīng)網(wǎng)絡(luò)相比，RNN與生物神經(jīng)網(wǎng)絡(luò)更為相似。RNN在處理時(shí)間序列數(shù)據(jù)上更有優(yōu)勢(shì)，通過(guò)其獨(dú)特的循環(huán)層結(jié)構(gòu)，時(shí)間序列數(shù)據(jù)可以依據(jù)循環(huán)輸入網(wǎng)絡(luò)，各個(gè)時(shí)刻隱藏層的輸出不僅與當(dāng)前時(shí)刻的輸入有關(guān)，還包含了之前所有時(shí)刻的信息。

本文在基于RNN的意圖識(shí)別模型的基礎(chǔ)上，引入注意力機(jī)制，提高意圖識(shí)別模型的性能。意圖識(shí)別問(wèn)題本質(zhì)上是一個(gè)分類問(wèn)題，當(dāng)RNN模型用于分類問(wèn)題時(shí)，多采用N-1的拓?fù)浣Y(jié)構(gòu)，即輸入為N個(gè)數(shù)據(jù)，輸出只選擇最后一步的狀態(tài)。圖3給出了按時(shí)間展開(kāi)的N-1型循環(huán)神經(jīng)網(wǎng)絡(luò)分類模型。

圖3 按時(shí)間展開(kāi)的N-1型循環(huán)神經(jīng)網(wǎng)絡(luò)分類模型

在圖3中，x1，x2和xt分別為各時(shí)刻的戰(zhàn)場(chǎng)態(tài)勢(shì)輸入數(shù)據(jù)，且有xi∈R1×m,i∈{1,2,…,t}，m為輸入數(shù)據(jù)的維數(shù)；s1，s2和st分別是各時(shí)刻RNN隱層的輸出狀態(tài)，且有si∈R1×n,i∈{1,2,…,t}，n為隱藏層神經(jīng)元數(shù)量；ot為最后時(shí)刻RNN的輸出，表征目標(biāo)的戰(zhàn)術(shù)意圖，且有ot∈R1×l，l為待分類的意圖類型數(shù)量。U和V分別為輸入層與隱藏層之間、隱藏層與輸出層之間的全連接權(quán)值矩陣，且有U∈Rm×n，V∈Rn×l；W為隱藏層與隱藏層之間的循環(huán)權(quán)值矩陣，且有W∈Rn×n。

RNN模型的前向計(jì)算過(guò)程如式(5)至式(8)所示。式(5)首先計(jì)算初始時(shí)刻的隱藏層狀態(tài)輸出，該狀態(tài)僅與初始時(shí)刻的輸入x1和權(quán)值U有關(guān)，

s1=f(x1U+b)

(5)

式中：f為非線性激活函數(shù)，本文選擇LeakyReLU函數(shù)，該函數(shù)的表達(dá)式為

(6)

式中：a∈(1,+∞)。

接著是依次順序循環(huán)計(jì)算各個(gè)時(shí)刻的隱藏層狀態(tài)輸出，該輸出還與上一時(shí)刻的隱藏層輸出有關(guān)，

si=f(xiU+si-1W+b),i∈[2,t]

(7)

最后依據(jù)最后一步隱藏層的狀態(tài)向量st與全連接矩陣V可得最終輸出向量，

ot=stV

(8)

結(jié)合圖4說(shuō)明如何將注意力機(jī)制應(yīng)用到基于RNN的意圖識(shí)別模型中。該改進(jìn)的模型與傳統(tǒng)的“N-1型”RNN模型的區(qū)別在于，RNN的分類輸出結(jié)果不再僅依賴于最后一個(gè)時(shí)間步的輸出狀態(tài)，而是需要對(duì)各時(shí)間步的輸出狀態(tài)依據(jù)式(1)計(jì)算得到的注意力分布進(jìn)行加權(quán)平均。圖4給出了按時(shí)間展開(kāi)的融合注意力機(jī)制的意圖識(shí)別模型。

圖4 融合注意力機(jī)制的意圖識(shí)別模型

該意圖識(shí)別模型主要包括數(shù)據(jù)輸入層、狀態(tài)循環(huán)計(jì)算層、注意力機(jī)制作用層、信息匯總輸出層4個(gè)主要組成部分。

1)數(shù)據(jù)輸入層

意圖識(shí)別模型需要接收某一時(shí)間段內(nèi)的數(shù)據(jù)，從而對(duì)目標(biāo)意圖作出判斷。輸入數(shù)據(jù)主要包括目標(biāo)距離各重要區(qū)域的空間位置信息、速度信息、相對(duì)運(yùn)動(dòng)信息等多維信息。

假設(shè)有m個(gè)重要目標(biāo)可能會(huì)遭受敵方攻擊或偵查，敵方航空兵的基本戰(zhàn)術(shù)編隊(duì)為1.2節(jié)所提的6種。結(jié)合圖5說(shuō)明輸入數(shù)據(jù)具體格式，其中數(shù)據(jù)的下標(biāo)表示時(shí)間。

圖5 輸入數(shù)據(jù)格式

數(shù)據(jù)輸入模型前，還需要對(duì)數(shù)據(jù)進(jìn)行0-1歸一化預(yù)處理，然后將某一段時(shí)間內(nèi)的數(shù)據(jù)依次循環(huán)輸入意圖識(shí)別模型。值得注意的是，不同意圖的實(shí)現(xiàn)，并非全部具有1.2節(jié)所提到的編隊(duì)，因此，當(dāng)某一特定編隊(duì)缺失，則將其對(duì)應(yīng)位置信息全部置0。

2)狀態(tài)循環(huán)計(jì)算層

3)注意力機(jī)制作用層

4)信息匯總輸出層

該結(jié)果可作為后續(xù)威脅評(píng)估、火力分配等任務(wù)的參考因素，也是戰(zhàn)場(chǎng)指揮員全面掌握戰(zhàn)場(chǎng)態(tài)勢(shì)的有效手段之一。

3 仿真分析

本小節(jié)將對(duì)提出的融合注意力機(jī)制的意圖識(shí)別方法進(jìn)行仿真驗(yàn)證。數(shù)據(jù)來(lái)源于某戰(zhàn)場(chǎng)態(tài)勢(shì)仿真平臺(tái)，該平臺(tái)設(shè)定的空襲作戰(zhàn)樣式來(lái)源于海灣戰(zhàn)爭(zhēng)時(shí)期轟炸巴格達(dá)出動(dòng)的“Q攻擊編隊(duì)”。海灣戰(zhàn)爭(zhēng)是冷戰(zhàn)后有大量高科技武器投入實(shí)戰(zhàn)的大規(guī)模武裝沖突，其展現(xiàn)了現(xiàn)代高科技條件下作戰(zhàn)的新情況和新特點(diǎn)?！癚攻擊編隊(duì)”展示了對(duì)防空導(dǎo)彈陣地所掩護(hù)目標(biāo)的典型空襲模式，主要包含了爭(zhēng)奪制電磁權(quán)、實(shí)施防空壓制、對(duì)地攻擊等一系列步驟。

表1給出某次針對(duì)地面指揮所的攻擊任務(wù)的兵力構(gòu)成情況。

表1 某次攻擊指揮所任務(wù)典型兵力構(gòu)成

1991年1月19日當(dāng)天，伊拉克首都巴格達(dá)由包括SA-2、SA-6、SA-8在內(nèi)的各類中近程防空導(dǎo)彈陣地護(hù)衛(wèi)，為簡(jiǎn)化分析，假設(shè)防御方需要重點(diǎn)保衛(wèi)的目標(biāo)為3處，防空陣地若干，戰(zhàn)場(chǎng)位置分布如圖6所示。

圖6 戰(zhàn)場(chǎng)位置分布示意圖

以上述戰(zhàn)場(chǎng)環(huán)境為背景，戰(zhàn)場(chǎng)態(tài)勢(shì)仿真平臺(tái)共生成1.04GB的數(shù)據(jù)，其中包括對(duì)指揮所、軍用機(jī)場(chǎng)、某特定重要目標(biāo)進(jìn)行攻擊或偵查以及撤退這7類意圖。以9∶1的比例將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集包含2395400條數(shù)據(jù)，測(cè)試集包含266200條數(shù)據(jù)。

為保證深度學(xué)習(xí)模型具備良好的泛化能力，要求數(shù)據(jù)規(guī)模越大越好，但是規(guī)模大小是相對(duì)的，一般認(rèn)為數(shù)據(jù)在百萬(wàn)條以上或者達(dá)到GB量級(jí)，就能滿足要求。因此，本文的數(shù)據(jù)集規(guī)模是滿足要求的。

3.1 引入注意力機(jī)制的影響

在模型訓(xùn)練時(shí)設(shè)置總的迭代步數(shù)為200。圖7和圖8給出了引入注意力機(jī)制前后，意圖識(shí)別模型在測(cè)試集上準(zhǔn)確率和F1得分的對(duì)比，表2給出了意圖識(shí)別模型訓(xùn)練時(shí)關(guān)于收斂性的參數(shù)，表3給出了意圖識(shí)別模型各項(xiàng)性能指標(biāo)的對(duì)比。

表2 模型訓(xùn)練參數(shù)對(duì)比

表3 引入注意力前后模型各類指標(biāo)對(duì)比

圖7 引入注意力前后模型準(zhǔn)確率對(duì)比

圖8 引入注意力前后模型F1得分對(duì)比

從圖7可以看出，將注意力機(jī)制引入基于RNN的意圖識(shí)別模型后，模型在測(cè)試集上的表現(xiàn)明顯更好，不僅初始的準(zhǔn)確率更高，而且更快達(dá)到峰值，并且最終的準(zhǔn)確率更高。

從圖8可以看出，將注意力機(jī)制引入基于RNN的意圖識(shí)別模型后，模型初始的F1得分差別不大，但隨著迭代步數(shù)增加，改進(jìn)后的模型F1得分明顯高于改進(jìn)前的F1得分。

從表2可以看出，改進(jìn)后的模型在單步訓(xùn)練耗時(shí)上更久，但收斂步數(shù)更少，收斂時(shí)間更短，收斂速度更快。這是由于在引入注意力機(jī)制的過(guò)程中，增加了諸如注意力分布、加權(quán)平均等額外計(jì)算步驟，導(dǎo)致改進(jìn)后的模型在單步訓(xùn)練中需要消耗更多的計(jì)算資源，但也恰恰因?yàn)橐肓诉@些額外計(jì)算步驟，使得模型能對(duì)目標(biāo)信息進(jìn)行有效選擇，去除冗余信息，解決信息過(guò)載的問(wèn)題，用更少的步數(shù)達(dá)到收斂，使得最終收斂時(shí)間比改進(jìn)前更短，收斂速度更快。

從表3可以看出，改進(jìn)后的意圖識(shí)別模型各項(xiàng)性能指標(biāo)，包括準(zhǔn)確率、精確率、召回率和F1得分，都有不同程度的提升。

3.2 點(diǎn)積打分函數(shù)的影響

從圖9可以看出，由于點(diǎn)積打分函數(shù)相較于加性打分函數(shù)，更好地利用矩陣相乘，避免計(jì)算雙曲正切函數(shù)，減少計(jì)算資源的消耗，在實(shí)際計(jì)算中運(yùn)算效率更高。在應(yīng)用梯度下降法更新網(wǎng)絡(luò)參數(shù)時(shí)，網(wǎng)絡(luò)能以更快的收斂速度達(dá)到更高的準(zhǔn)確率。說(shuō)明點(diǎn)積打分函數(shù)能進(jìn)一步提升注意力機(jī)制的作用效果，意圖識(shí)別模型有更高的準(zhǔn)確率。

圖9 改進(jìn)打分函數(shù)前后的模型準(zhǔn)確率對(duì)比圖

4 結(jié)語(yǔ)

在防空反導(dǎo)作戰(zhàn)背景下，識(shí)別敵方來(lái)襲空中目標(biāo)的戰(zhàn)術(shù)意圖具有重要意義。本文首先分析了幾類典型戰(zhàn)術(shù)意圖類型，然后建立了基于循環(huán)神經(jīng)網(wǎng)絡(luò)理論的意圖識(shí)別模型，解決傳統(tǒng)意圖識(shí)別過(guò)程中人工提取特征、時(shí)序數(shù)據(jù)處理等難點(diǎn)，接著引入注意力機(jī)制對(duì)模型進(jìn)行改進(jìn)，提高模型的識(shí)別準(zhǔn)確率，解決信息過(guò)載的問(wèn)題，最后依據(jù)實(shí)際戰(zhàn)例數(shù)據(jù)，通過(guò)仿真驗(yàn)證了融合注意力機(jī)制的意圖識(shí)別模型的性能。仿真結(jié)果顯示，改進(jìn)后的意圖識(shí)別模型在準(zhǔn)確率、精確率、召回率和F1得分等各項(xiàng)性能指標(biāo)上均有不同幅度的提升，且本文提出的將點(diǎn)積模型作為打分函數(shù)可以進(jìn)一步提升注意力機(jī)制的作用效果。結(jié)果表明，本文提出的融合注意力機(jī)制的意圖識(shí)別模型，能有效對(duì)敵方來(lái)襲空中目標(biāo)的戰(zhàn)術(shù)意圖進(jìn)行準(zhǔn)確的識(shí)別。