胡智勇，劉華麗，龔淑君，彭超

（1.陸軍工程大學(xué)，江蘇 南京 210001；2.中國(guó)人民解放軍32526部隊(duì)，江蘇 無錫 214100；3.中國(guó)人民解放軍國(guó)防大學(xué)聯(lián)合勤務(wù)學(xué)院，北京 100036；4.中國(guó)人民解放軍32517部隊(duì)，安徽 繁昌 241206）

0 引言

意圖識(shí)別是指通過對(duì)各種戰(zhàn)場(chǎng)傳感器感知的信息進(jìn)行綜合分析，從而判斷、預(yù)測(cè)或解釋敵方的作戰(zhàn)設(shè)想、作戰(zhàn)打算、作戰(zhàn)計(jì)劃的過程。隨著現(xiàn)代戰(zhàn)爭(zhēng)形態(tài)智能化發(fā)展，及時(shí)準(zhǔn)確識(shí)別目標(biāo)作戰(zhàn)意圖，對(duì)于在軍事對(duì)抗行動(dòng)中進(jìn)行有效的指揮決策十分重要。

意圖識(shí)別在國(guó)內(nèi)外得到了廣泛的研究，其基本流程是：以觀測(cè)信息為輸入，通過領(lǐng)域知識(shí)支撐，圍繞假說空間進(jìn)行推理計(jì)算，最終輸出結(jié)果。主要采用的理論和方法有：貝葉斯網(wǎng)絡(luò)、D-S證據(jù)理論、信息熵、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。貝葉斯網(wǎng)絡(luò)需要較多的先驗(yàn)概率，分析計(jì)算比較復(fù)雜；D-S證據(jù)理論若證據(jù)之間存在強(qiáng)沖突將可能產(chǎn)生錯(cuò)誤的結(jié)論；基于信息熵的互信息構(gòu)建決策樹容易出現(xiàn)過擬合問題，泛化能力較弱；神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)不充分時(shí)容易出錯(cuò)，且可解釋性較差。

近兩年，目標(biāo)意圖識(shí)別方法有了進(jìn)一步發(fā)展。文獻(xiàn)[8]通過模糊推理方法，主要利用航向變化趨勢(shì)特征和專家知識(shí)識(shí)別空中目標(biāo)意圖，無需大量先驗(yàn)統(tǒng)計(jì)數(shù)據(jù)，但仍需要準(zhǔn)確可靠的軍事情報(bào)和專家知識(shí)，并且需要針對(duì)不同的空中目標(biāo)確定不同的隸屬度函數(shù)和模糊規(guī)則。改進(jìn)決策樹方法也被大量用于意圖識(shí)別，文獻(xiàn)[9]通過分析屬性的重要程度來找尋目標(biāo)最佳屬性劃分標(biāo)準(zhǔn)，相對(duì)于傳統(tǒng)ID3和C4.5決策樹算法，有效提升了準(zhǔn)確性和魯棒性?；谘h(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）逐步被推廣使用，文獻(xiàn)[10]選取空中目標(biāo)連續(xù)10 s的屬性，使用深層LSTM進(jìn)行意圖識(shí)別，得到較高的準(zhǔn)確率；文獻(xiàn)[11]綜合使用三次樣條插值算法和平均值填充法修補(bǔ)空戰(zhàn)數(shù)據(jù)，利用自適應(yīng)矩估計(jì)優(yōu)化LSTM，有效加快訓(xùn)練速度、防止局部最優(yōu)的問題，但在數(shù)據(jù)缺失度較高的情況下會(huì)顯著降低識(shí)別準(zhǔn)確率；文獻(xiàn)[12]在LSTM的基礎(chǔ)上引入殘差和注意力機(jī)制，提升了泛化能力，識(shí)別準(zhǔn)確率較高，但作戰(zhàn)因素考慮還不夠；文獻(xiàn)[13]將決策人員的認(rèn)知經(jīng)驗(yàn)封裝成標(biāo)簽進(jìn)入訓(xùn)練集，在LSTM的基礎(chǔ)上引入雙向傳播和注意力機(jī)制，速度較快且識(shí)別率較高，但對(duì)特征相似性高、欺騙強(qiáng)的意圖識(shí)別以及時(shí)間序列中意圖改變情況考慮不夠。

與其他算法相比，隨機(jī)森林有如下優(yōu)點(diǎn)：

1）兩個(gè)隨機(jī)性的引入，使得隨機(jī)森林不容易陷入過擬合、具有很好的抗噪聲能力，相對(duì)其他算法有較大優(yōu)勢(shì)；

2）對(duì)數(shù)據(jù)集的適應(yīng)能力強(qiáng)，能夠處理高維度數(shù)據(jù)，不用做特征選擇，既能處理離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)，無需規(guī)范化處理數(shù)據(jù)集；

3）訓(xùn)練速度快，并能基于袋外錯(cuò)誤率的增加量或分裂時(shí)的基尼指數(shù)下降量得到變量重要性排序；

4）在訓(xùn)練過程中，能夠檢測(cè)到特征間的互相影響；

5）算法實(shí)現(xiàn)較為簡(jiǎn)單。

1 隨機(jī)森林

隨機(jī)森林是用隨機(jī)的方式建立一個(gè)森林，森林里面由很多棵決策樹組成，它的每一棵決策樹之間是沒有關(guān)聯(lián)的。它將Bootstrap重抽樣方法和決策樹算法相結(jié)合，在以決策樹為基學(xué)習(xí)器構(gòu)建Bagging（Bootstrap AGGregatING）集成的基礎(chǔ)上，進(jìn)一步在決策樹的訓(xùn)練過程中引入隨機(jī)屬性選擇。隨機(jī)森林算法簡(jiǎn)單、易于實(shí)現(xiàn)、計(jì)算開銷小，在很多現(xiàn)實(shí)任務(wù)中展現(xiàn)出強(qiáng)大的性能。文獻(xiàn)[15]通過大量實(shí)驗(yàn)在121個(gè)UCI數(shù)據(jù)集上比較了179種分類算法的分類性能，結(jié)果表明隨機(jī)森林算法性能最優(yōu)。

1.1 隨機(jī)森林的訓(xùn)練過程

隨機(jī)森林分類通過集成學(xué)習(xí)的思路，由很多決策樹分類模型組合而成。其基本流程為：首先，利用Bootstrap抽樣從原始訓(xùn)練集抽取個(gè)樣本，每個(gè)樣本的容量都與原始訓(xùn)練集相同；然后，對(duì)個(gè)樣本分別建立個(gè)決策樹模型，得到個(gè)基分類器，分別為()，()，…，h()；最后，根據(jù)個(gè)基分類器的分類結(jié)果，采取簡(jiǎn)單多數(shù)投票法對(duì)每個(gè)記錄進(jìn)行投票表決，決定其最終分類。公式如下：

式中：()表示組合分類模型；h()是單個(gè)決策樹分類模型；表示分類輸出變量；(?)為示性函數(shù)（在“?”為真和假時(shí)分別取1和0）。其示意圖如圖1所示。

圖1 隨機(jī)森林分類原理

1.2 基分類器的生成方法

隨機(jī)森林的基分類器一般以傳統(tǒng)決策樹ID3、C4.5、CART等算法為基礎(chǔ)產(chǎn)生，其中ID3算法基于信息增益，C4.5算法基于信息增益率，CART算法基于基尼指數(shù)。不同的是，在選擇劃分屬性時(shí)，傳統(tǒng)決策樹是在當(dāng)前節(jié)點(diǎn)的屬性集合（假定有個(gè)屬性）中選擇最優(yōu)屬性，而隨機(jī)森林是先從該節(jié)點(diǎn)的屬性集合中隨機(jī)選擇一個(gè)包含個(gè)屬性的子集，然后再?gòu)倪@個(gè)子集中選擇最優(yōu)屬性用于劃分。一般情況下，推薦=log。另一個(gè)不同點(diǎn)是，為了防止過擬合，對(duì)隨機(jī)森林的決策樹不進(jìn)行剪枝。

WEKA（Waikato Environment for Knowledge Analysis）是新西蘭的懷卡托大學(xué)（The University of Waikato）開發(fā)的一款免費(fèi)開源的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘軟件。WEKA中隨機(jī)森林（Random Forest）的基分類器使用的是隨機(jī)樹算法（Random Tree），其評(píng)定分類效果最好的屬性節(jié)點(diǎn)的標(biāo)準(zhǔn)為信息增益。信息增益的具體方法如下：

定義1：在分類結(jié)果屬性節(jié)點(diǎn)處，將樣本分為，，…，C共類，樣本集的熵是：

式中p為第類在樣本集中出現(xiàn)的概率。

定義2：在一般屬性處，將樣本分為，，…，C共類的信息量為：

式中：||為總樣本數(shù)；|C|為在一般屬性處屬于第類樣本的數(shù)量。屬性的信息增益為：

信息增益最大的屬性將被選擇作為分類節(jié)點(diǎn)。

1.3 連續(xù)屬性值的處理

對(duì)于連續(xù)屬性，采用二分法（Bi-partition）進(jìn)行處理。給定樣本集和連續(xù)屬性，假定在上出現(xiàn)了個(gè)不同的取值，將這些取值由小至大進(jìn)行排序，記為{，，…，a}，候選劃分點(diǎn)的集合T如下：

以T中的為中位點(diǎn)，可將劃分為2個(gè)子集：和，可計(jì)算基于二分后的信息增益。

于是，可選擇使Gain(,,)最大化的劃分點(diǎn)，將連續(xù)屬性轉(zhuǎn)變?yōu)槎謱傩蕴幚怼?/p>

2 目標(biāo)意圖識(shí)別

2.1 選取屬性和數(shù)據(jù)集

根據(jù)戰(zhàn)場(chǎng)環(huán)境的不同，目標(biāo)作戰(zhàn)意圖識(shí)別的屬性也不盡相同。陸戰(zhàn)場(chǎng)一般考慮兵力部署、地形地貌、軍事設(shè)施、武器威力等要素，海戰(zhàn)場(chǎng)主要考慮編隊(duì)隊(duì)形、目標(biāo)類型、機(jī)動(dòng)特征、氣象水文、電磁聲光等要素，空戰(zhàn)場(chǎng)主要考慮運(yùn)動(dòng)方向、運(yùn)動(dòng)狀態(tài)、目標(biāo)高度、目標(biāo)屬性等要素。本文選用2015年全國(guó)研究生數(shù)學(xué)建模競(jìng)賽A題中的數(shù)據(jù)進(jìn)行建模，數(shù)據(jù)共有7個(gè)屬性：

1）方位角：從我方到目標(biāo)方向的方位角，正北時(shí)為0 mil，順時(shí)針方向一周為6 400 mil。

2）距離：從我方到目標(biāo)的距離。

3）水平速度：目標(biāo)在水平面上的速度。

4）航向角：目標(biāo)飛行的方向，正北為0°，順時(shí)針方向一周為360°。

5）高度：目標(biāo)的海拔高度。

6）雷達(dá)反射面積：目標(biāo)在雷達(dá)上的回波大小。

7）目標(biāo)屬性：雷達(dá)反射面積為[0,2)時(shí)為小目標(biāo)，[2,4)時(shí)為中目標(biāo)，[4,∞)時(shí)為大目標(biāo)。

設(shè)定目標(biāo)意圖空間={偵察，攻擊，掩護(hù)，監(jiān)視，其他}，其中“其他”指非前4類的其他意圖，如佯攻、突防、防御、電子干擾、搜索、撤離等。

獲得已知意圖的15批空中目標(biāo)和未知意圖的12批空中目標(biāo)數(shù)據(jù)分別如表1、表2所示。

將表1作為訓(xùn)練集，表2作為測(cè)試集。為準(zhǔn)確驗(yàn)證結(jié)果，選取6支競(jìng)賽一等獎(jiǎng)獲得隊(duì)的目標(biāo)識(shí)別結(jié)果。

表1 已知意圖的15批空中目標(biāo)數(shù)據(jù)

表2 未知意圖的12批空中目標(biāo)數(shù)據(jù)

使用簡(jiǎn)單多數(shù)投票法得出測(cè)試集分類結(jié)果，作為測(cè)試集識(shí)別結(jié)果的評(píng)判標(biāo)準(zhǔn)，計(jì)算方法如下：

式中：Vote()是投票結(jié)果；V()表示單支參賽獲獎(jiǎng)隊(duì)伍預(yù)測(cè)結(jié)果；表示目標(biāo)意圖空間的具體意圖；(·)為示性函數(shù)（在“·”為真和假時(shí)分別取1和0）。對(duì)于一些參賽獲獎(jiǎng)隊(duì)伍意圖識(shí)別結(jié)果為兩類（如華中科技大學(xué)參賽獲獎(jiǎng)隊(duì)將ID為41006872的空中目標(biāo)意圖識(shí)別為“攻擊/監(jiān)視”），按每類0.5分計(jì)數(shù)；對(duì)于投票數(shù)相同的情況，按照6支參賽獲獎(jiǎng)隊(duì)伍獲獎(jiǎng)順序（復(fù)旦大學(xué)、北京郵電大學(xué)、海軍工程大學(xué)、華中科技大學(xué)、三峽大學(xué)、上海工程技術(shù)大學(xué)）優(yōu)先選取結(jié)果。6支參賽獲獎(jiǎng)隊(duì)伍識(shí)別及投票結(jié)果如表3所示。

表3 六支參賽獲獎(jiǎng)隊(duì)伍識(shí)別及投票結(jié)果

2.2 基分類器生成

使用WEKA中的隨機(jī)樹（Random Tree）算法，可以生成隨機(jī)森林中的決策樹。設(shè)置隨機(jī)種子值為4，屬性數(shù)量為3（總共7個(gè)屬性，log7=2.807 4，四舍五入得3），可從訓(xùn)練集中生成決策樹如下：

使用WEKA可視化該決策樹，如圖2所示。隨機(jī)森林將產(chǎn)生大量決策樹，投票產(chǎn)生結(jié)果。并且由于決策樹之間相互獨(dú)立，沒有聯(lián)系，可以使用分布式計(jì)算，將決策樹生成過程分配給多臺(tái)計(jì)算機(jī)同時(shí)處理，大幅度提高計(jì)算效率。

圖2 隨機(jī)決策樹

2.3 隨機(jī)森林參數(shù)選擇

使用WEKA 3.8.5隨機(jī)森林算法，設(shè)置隨機(jī)樹數(shù)量分別為5，30，100，250，450，600，800，1 000，3 000，并使用折交叉驗(yàn)證法（-fold Cross Validation）進(jìn)行假設(shè)檢驗(yàn)。訓(xùn)練集僅有15個(gè)樣本，共有5種分類，實(shí)際分類數(shù)AP（Actual Positive）分 別 為：AP=AP=AP=4，AP=2，AP=1?？紤]到訓(xùn)練集樣本數(shù)量較少，這里取=15，即留一法（Leave-One-Out）進(jìn)行檢驗(yàn)。

由于“其他”意圖實(shí)際并非單一意圖，而是除前4種意圖之外的多種不同意圖的集合，而召回率指標(biāo)可以較好地衡量對(duì)前4種意圖的敏感度，故本文主要使用召回率衡量算法的表現(xiàn)。

考慮到隨機(jī)森林算法隨機(jī)性較強(qiáng)，設(shè)定隨機(jī)數(shù)種子空間={1，10，100，200，400，900，1 500}，使用中的7個(gè)隨機(jī)數(shù)種子進(jìn)行檢驗(yàn)。通過中5種分類的真正例數(shù)TP（Ture Positive）、實(shí)際分類數(shù)AP，可求得單個(gè)分類的召回率Recal（l衡量反映單個(gè)分類的預(yù)測(cè)敏感程度）、差異率DCRP（Discrepancy，衡量不同隨機(jī)數(shù)下單個(gè)分類的預(yù)測(cè)值差異程度）以及全部分類的精度Acc（Accuracy，衡量預(yù)測(cè)總體準(zhǔn)確程度）、總差異率TD（Total Discrepancy，衡量不同隨機(jī)數(shù)下每次預(yù)測(cè)值的總體差異程度），計(jì)算公式如下：

訓(xùn)練結(jié)果如圖3~圖6所示。

圖3 精度與總差異率

圖6 單個(gè)分類差異率

在配置為Intel Core i5-4210U@2 500 MHz處理器、8 GB DDR3-1600內(nèi)存、Windows 10操作系統(tǒng)的計(jì)算機(jī)上運(yùn)行，得到檢驗(yàn)結(jié)果如表4所示。

表4 隨機(jī)森林算法不同參數(shù)假設(shè)檢驗(yàn)情況

從總體上看，通過圖3可以發(fā)現(xiàn)，當(dāng)隨機(jī)樹數(shù)量達(dá)到100棵后，預(yù)測(cè)精度基本保持在60%左右，總差異率低于6%；達(dá)到600棵后，總差異率低于3%；超過1 000棵后，總差異率低于2%。從圖4可以看出，在隨機(jī)樹數(shù)量為[5，3 000]范圍內(nèi)，隨機(jī)森林算法的訓(xùn)練時(shí)間與隨機(jī)樹數(shù)量基本成線性關(guān)系，訓(xùn)練速度總體較快。

圖4 訓(xùn)練時(shí)間及線性擬合

具體到單個(gè)分類上，從圖5可以看出，“掩護(hù)”意圖受隨機(jī)樹數(shù)量影響較大，當(dāng)隨機(jī)樹數(shù)量達(dá)到600棵后，“掩護(hù)”意圖的召回率達(dá)到100%。另外4種意圖的召回率受隨機(jī)樹數(shù)量影響較小，其中“偵察”意圖的召回率最高，達(dá)到100%，“攻擊”意圖的召回率接近60%，“其他”意圖的召回率約為20%。而“監(jiān)視”意圖召回率之所以一直為0，是因?yàn)橛?xùn)練集15個(gè)樣本中只有1例“監(jiān)視”意圖，使用隨機(jī)森林算法采用留一法檢驗(yàn)時(shí)，召回率必然為0。從圖6可以看出，當(dāng)隨機(jī)樹數(shù)量達(dá)到600棵后，出現(xiàn)差異主要是對(duì)“攻擊”意圖的識(shí)別。

圖5 單個(gè)分類召回率

綜上，隨機(jī)樹數(shù)量為600棵時(shí)，精度較高，差異率較低，識(shí)別結(jié)果穩(wěn)定，訓(xùn)練速度較快。因此，選取隨機(jī)樹數(shù)量為600棵對(duì)測(cè)試集進(jìn)行識(shí)別。

2.4 識(shí)別結(jié)果對(duì)比分析

使用WEKA，通過隨機(jī)森林算法，設(shè)置隨機(jī)樹數(shù)量為600，對(duì)表2未知意圖的12批空中目標(biāo)意圖進(jìn)行識(shí)別，與表3的投票結(jié)果對(duì)比見表5。

表5 隨機(jī)森林算法識(shí)別結(jié)果

通過對(duì)比可以發(fā)現(xiàn)，隨機(jī)森林算法正確識(shí)別10例，錯(cuò)誤識(shí)別2例。從圖5中可以看出，通過使用隨機(jī)森林對(duì)訓(xùn)練集15個(gè)樣本的訓(xùn)練以及留一法檢驗(yàn)，由于對(duì)“監(jiān)視”意圖的敏感度（即召回率）為0，而對(duì)“偵察”和“掩護(hù)”意圖的敏感度達(dá)到100%，說明預(yù)測(cè)時(shí)極易將“監(jiān)視”意圖誤識(shí)別為“偵察”或“掩護(hù)”，導(dǎo)致了對(duì)ID為41006839的目標(biāo)識(shí)別錯(cuò)誤；由于對(duì)“其他”意圖的敏感度較低，約為20%，而“攻擊”意圖的敏感度約為60%，說明預(yù)測(cè)時(shí)容易將“其他”意圖識(shí)別為“偵察”“掩護(hù)”“攻擊”，導(dǎo)致了對(duì)ID為41006860的目標(biāo)識(shí)別錯(cuò)誤。

可以通過計(jì)算6支參賽獲獎(jiǎng)隊(duì)伍與隨機(jī)森林算法在測(cè)試集上的識(shí)別結(jié)果總體精度及單個(gè)分類召回率來比較算法優(yōu)劣，由于測(cè)試集中無“掩護(hù)”分類，故無法求出“掩護(hù)”意圖的召回率。因?yàn)闇y(cè)試集的真實(shí)分類并沒有被給出標(biāo)準(zhǔn)答案，使用6支參賽獲獎(jiǎng)隊(duì)伍的投票結(jié)果僅僅是一種評(píng)判的參考指標(biāo)，為了更加客觀評(píng)估隨機(jī)森林算法的表現(xiàn)，將該算法的留一法檢驗(yàn)精度及召回率一并對(duì)比，同時(shí)列出了6支參賽獲獎(jiǎng)隊(duì)伍使用的識(shí)別方法的檢測(cè)結(jié)果。對(duì)比結(jié)果見表6及圖7。

表6 參賽獲獎(jiǎng)隊(duì)伍與隨機(jī)森林算法對(duì)比 %

圖7 參賽獲獎(jiǎng)隊(duì)伍與隨機(jī)森林算法對(duì)比

通過對(duì)比發(fā)現(xiàn)，隨機(jī)森林在測(cè)試集上的識(shí)別精度為83%，高于通過留一法驗(yàn)證的精度，也高于其他參賽獲獎(jiǎng)隊(duì)伍的精度，說明隨機(jī)森林能夠相對(duì)準(zhǔn)確地識(shí)別目標(biāo)意圖。

單個(gè)分類精度上，對(duì)“攻擊”“偵察”意圖的識(shí)別敏感度較高（100%），對(duì)“監(jiān)視”意圖的識(shí)別敏感度極低（0%，主要是由于訓(xùn)練集中“監(jiān)視”意圖實(shí)例數(shù)較少，只有1例），對(duì)“其他”意圖的敏感度也有所欠缺（83%，主要是由于“其他”意圖不是某一種單獨(dú)的意圖，而是不屬于前4種意圖的所有意圖的合集，本身復(fù)雜度較高）。而北京郵電大學(xué)基于數(shù)據(jù)和航向圖的排除法、海軍工程大學(xué)的聚類分析方法、華中科技大學(xué)的BP神經(jīng)網(wǎng)絡(luò)方法對(duì)“監(jiān)視”意圖的敏感度較高，可以用來輔助識(shí)別該意圖。

3 結(jié) 語(yǔ)

使用隨機(jī)森林算法進(jìn)行目標(biāo)意圖識(shí)別，是一種簡(jiǎn)便、快速、高效的方法，其識(shí)別準(zhǔn)確度較其他算法具有一定的優(yōu)勢(shì)；識(shí)別速度較快，適合戰(zhàn)場(chǎng)條件環(huán)境使用；基學(xué)習(xí)器采取決策樹模型，可以直接處理連續(xù)型數(shù)據(jù)，無需無量綱化、離散化處理數(shù)據(jù)，不需要過多的預(yù)處理環(huán)節(jié)；內(nèi)部決策樹相互獨(dú)立，可分布式生成，大幅提升效率。但是，其對(duì)訓(xùn)練集中實(shí)例數(shù)量較少的分類敏感度不夠，實(shí)際使用中，可能需要和其他算法相配合。