王宇航，董寶良，公 超，尚真真，姚康寧

（華北計算技術(shù)研究所，北京 100083）

0 引 言

隨著信息技術(shù)和軍事能力的不斷提升，現(xiàn)代空中作戰(zhàn)的主要方式已逐漸演變?yōu)槎鄦卧幗M、多機型編隊的群組式作戰(zhàn)，在戰(zhàn)術(shù)級作戰(zhàn)行動中，飛行器編隊往往以同類型多數(shù)量或者多類型多數(shù)量的形式出現(xiàn)?？罩心繕?biāo)威脅評估［1-6］是戰(zhàn)場態(tài)勢的重要組成部分，是指揮決策的重要組成因素，也是奪取制空勝利的重要保障。

目前威脅評估的主要方法包括：灰色主成分分析［7］、優(yōu)劣解距離（TOPSIS）［8］、直覺模糊證據(jù)理論［9-11］、貝葉斯網(wǎng)絡(luò)［12］、深度學(xué)習(xí)［13］等方法。上述的評估方法只考慮了當(dāng)前時刻的態(tài)勢要素，忽略了目標(biāo)歷史連續(xù)時刻的態(tài)勢要素。有相關(guān)文獻針對此問題進行了改進，例如，對灰色主成分分析法進行多態(tài)、多時刻的威脅評估［14］，對TOPSIS 進行改進的多態(tài)融合直覺模糊威脅評估［15］等，上述對于非動態(tài)威脅評估方法的改進雖然達到了動態(tài)評估的基本要求，但是僅通過修改相關(guān)數(shù)學(xué)算法中的權(quán)值，或?qū)v史多時刻態(tài)勢量化為具體數(shù)值進行計算，會增加計算復(fù)雜度和數(shù)據(jù)處理難度。本文提出基于意圖識別［16-19］的空中群目標(biāo)動態(tài)威脅評估［20-22］，利用智能化算法對傳統(tǒng)威脅評估方法進行改進，將意圖識別作為威脅評估的重要參考要素之一，利用動態(tài)態(tài)勢要素作為意圖識別的輸入。將獲取的態(tài)勢數(shù)據(jù)進行預(yù)處理，采用LSTM［23］對數(shù)據(jù)進行訓(xùn)練，并結(jié)合Attention［24-27］對提取到的特征進行權(quán)值分配，利用Softmax 進行意圖的分類識別，最后運用多層感知機（MLP）實現(xiàn)動態(tài)威脅評估。

1 動態(tài)威脅評估總體研究

將動態(tài)威脅評估分為意圖識別和威脅評估2 個模塊。首先需要進行態(tài)勢的提取，在復(fù)雜的戰(zhàn)場環(huán)境中需要對所得到的態(tài)勢進行分類并提取有用的信息作為威脅評估的重要態(tài)勢要素。

在意圖識別模塊中需要對相關(guān)群目標(biāo)進行連續(xù)時間的態(tài)勢提取，將歷史監(jiān)測的多時刻數(shù)據(jù)作為意圖識別的態(tài)勢輸入；威脅評估模塊是需要將當(dāng)前時刻的動態(tài)態(tài)勢要素、相關(guān)靜態(tài)態(tài)勢要素和意圖識別的輸出結(jié)果作為威脅評估的態(tài)勢輸入。具體流程如圖1所示。

圖1 結(jié)構(gòu)框架圖

在圖1 中，空中群目標(biāo)的意圖識別是通過提取多個歷史時刻的速度、高度、機動性等動態(tài)態(tài)勢要素的變化，將類型、干擾能力、打擊能力等作為靜態(tài)態(tài)勢要素。由于目標(biāo)的類型復(fù)雜、數(shù)量繁多，所以對于意圖識別模塊將采用分類識別方法，將不同類型的目標(biāo)分開進行意圖識別，這樣可以解決目標(biāo)識別不準(zhǔn)確的問題。因此將多個歷史時刻的態(tài)勢要素的變化作為意圖識別的輸入，利用意圖作為威脅評估的重要輸入，并將其和其他相關(guān)態(tài)勢要素相結(jié)合進行動態(tài)威脅評估。

2 相關(guān)技術(shù)與研究方法

2.1 意圖識別模塊

目標(biāo)的意圖識別是在復(fù)雜的作戰(zhàn)環(huán)境下進行的，被識別的目標(biāo)在單一時刻的目標(biāo)信息往往是不準(zhǔn)確的，所以意圖識別需要依靠歷史多時刻的連續(xù)信息進行分析識別。因此在多時刻的態(tài)勢要素中，分析、推理、挖掘其中的意圖能夠有效地增加識別準(zhǔn)確率。在意圖識別中首先要構(gòu)建意圖空間，并將其作為意圖分類的標(biāo)準(zhǔn)。意圖空間如圖2所示。

圖2 意圖空間結(jié)構(gòu)圖

2.1.1 利用LSTM 進行意圖識別的原理

LSTM 是一種常用的門控循環(huán)網(wǎng)絡(luò)，是循環(huán)神經(jīng)網(wǎng)絡(luò)的一個變體。LSTM 中引入了3 個門。其結(jié)構(gòu)如圖3所示。

圖3 LSTM結(jié)構(gòu)圖

如圖3 所示，其中，xt是輸入單元，ct為記憶單元，ht為隱狀態(tài)，ct與ht具有相同的形狀，其目的是為了記錄附加信息，為了控制記憶單元ct在LSTM中引入了3個門ft、it、ot。ft為遺忘門，其目的是為了控制上一時間中記憶單元ct是否傳入到下一時間中；it為輸入門，其目的是為了控制當(dāng)前時間內(nèi)的輸入如何更新到當(dāng)前時間的記憶單元中；ot為輸出單元，其目的是為了決定下一時間隱藏狀態(tài)的值。3 個門計算步驟和記憶單元、隱藏狀態(tài)更新機制如下所示，其中c?t是候選記憶單元。

其中，Wxi、Wxf、Wxo、Wxc、Whi、Whf、Who、Whc為權(quán)重參數(shù)，bi、bf、bo、bc為偏置參數(shù)，σ和tanh為激活函數(shù)。

2.1.2 注意力機制

注意力機制早在20 世紀(jì)90 年代就被提出過，在2014 年Mnih 等［26］提出了關(guān)于在視覺方面應(yīng)用注意力機制的想法，后來在2017 年Vaswani 等［27］提出在Transformer結(jié)構(gòu)中應(yīng)用，此后注意力機制在近些年開始深受深度學(xué)習(xí)領(lǐng)域?qū)W習(xí)者的關(guān)注。其結(jié)構(gòu)如圖4所示。

圖4 注意力機制運算框架圖

在圖4中，注意力機制的運算步驟為：

Step1利用LSTM網(wǎng)絡(luò)進行特征提取，將每個特征的中間隱藏狀態(tài)提取出來，以此來作為計算特征之間的相關(guān)性參數(shù)，將提取的隱藏狀態(tài)向量設(shè)為H：

Step2利用深度神經(jīng)網(wǎng)絡(luò)來計算隱藏狀態(tài)之間的相關(guān)性，將相關(guān)性設(shè)為S：

Step3利用Softmax 對計算的相關(guān)性S進行歸一化處理，使得相關(guān)性參數(shù)的區(qū)間范圍落到［0，1］之間，得到每個特征被賦予的相關(guān)性權(quán)值：

Step4將得到的注意力權(quán)值s（i）加權(quán)給每個特征：

2.2 利用多層感知機進行動態(tài)威脅評估

多層感知機MLP 是一種特殊的全連接神經(jīng)網(wǎng)絡(luò)，它由輸入層、若干個隱藏層、輸出層構(gòu)成，它與神經(jīng)網(wǎng)絡(luò)的區(qū)別在于多了隱藏層，有了隱藏層可以提高神經(jīng)網(wǎng)絡(luò)的表達能力，更好地解決復(fù)雜的問題。其結(jié)構(gòu)如圖5所示。

圖5 單隱藏層感知機結(jié)構(gòu)圖

在圖5 中一共有3 層網(wǎng)絡(luò)，其中x表示輸入節(jié)點、h表示隱藏節(jié)點、o表示輸出節(jié)點，共包含輸入層4 個節(jié)點、輸出層3 個節(jié)點、1 個隱藏層5 個節(jié)點。對單隱藏層的感知機的輸出O計算：

將式（11）和式（12）聯(lián)立得到：

需要在每個隱藏層后加入激活函數(shù)來達到非線性變換。本文采用sigmoid 激活函數(shù)來解決非線性問題，其計算方法如下：

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練主要采取反向傳播（Back Propagation，BP）算法，其目的是為了通過反向傳播算法，對各個參數(shù)求偏導(dǎo)，并利用損失函數(shù)來更新MLP中的相關(guān)參數(shù)。由于本文是通過對威脅度進行預(yù)測來實現(xiàn)威脅評估，所以采用均方差損失函數(shù)：

其中，y?表示預(yù)測值，yi表示真實值，N代表批量大小。

3 動態(tài)威脅評估體系設(shè)計

威脅評估體系的設(shè)計是對目標(biāo)進行威脅評估的重要前提。本文選取意圖、速度、高度、機動性、目標(biāo)類型、干擾能力、打擊能力7 個威脅指標(biāo)作為威脅評估的輸入。對于MLP的相關(guān)參數(shù)設(shè)置如表1所示。

表1 MLP模型相關(guān)參數(shù)設(shè)置

表1 中，輸入層有7 個節(jié)點，隱藏層有5 層，分別是32、64、128、64、32個節(jié)點，輸出層為1個節(jié)點。

由于威脅評估指標(biāo)可以是定量的也可以是定性的，所以具有不同量綱和不同數(shù)量級會造成不同的結(jié)果，這會導(dǎo)致評估結(jié)果不準(zhǔn)確。所以在進行模型訓(xùn)練前，應(yīng)進行數(shù)據(jù)規(guī)范化處理，將其量化并映射到［0，1］區(qū)間。

1）意圖。

意圖作為威脅評估的重要因素，其包含了群目標(biāo)多時刻的歷史數(shù)據(jù)，所以意圖對威脅評估起到了很重要的影響作用。在本文的意圖空間中共設(shè)置了5 個類型，其分別為攻擊、監(jiān)視、偵察、誘敵、撤退。其中攻擊具有較高的威脅而撤退具有較低的威脅；監(jiān)視的威脅程度要大于偵察；偵察是敵方獲取我方的情報，但監(jiān)視卻是帶有攻擊性的意圖；誘敵是敵方迷惑我方的手段，所以其威脅程度要小于偵察和監(jiān)視。意圖的量化值如表2所示。

表2 意圖量化值

2）速度。

在最后一刻，我看見了康美娜，她充滿了憐惜和愛意的目光讓我沉醉，在死神來臨的瞬間，我真實地擁有了母親的懷抱。

目標(biāo)的速度對于我方的雷達跟蹤和數(shù)據(jù)采集有較大的影響。如果敵方的速度過快會影響相關(guān)的數(shù)據(jù)參數(shù)的準(zhǔn)確性，并且目標(biāo)的靈活性也會增強。這導(dǎo)致我方不能實時跟蹤，所以目標(biāo)的威脅度會增加。目標(biāo)的速度威脅度量化值按照如下公式進行計算：

對于空中目標(biāo)速度一般選取單位為Ma。當(dāng)速度大于5 Ma 為超高音速飛行物，在1.2~5 Ma 為超音速飛行物。其中kv為增益系數(shù)，一般選取-0.8 Ma-2。

3）高度。

目標(biāo)的飛行高度對我方的威脅程度影響不同，當(dāng)目標(biāo)的飛行高度較低時，對我方威脅度較大，相反高空飛行對我方威脅度較小。高度的量化值按照如下公式計算：

高度單位為km，其中hd為低空飛行參考指標(biāo)，低空飛行指1 km 以下，所以hd取值為1 km。kh為衰減參數(shù)，取值為1 km-2。

4）機動性。

目標(biāo)的機動性是指目標(biāo)的飛行狀態(tài)，包括俯沖、盤旋、爬升和平穩(wěn)飛行。其中威脅度較高的是俯沖。對于飛行目標(biāo)是導(dǎo)彈一類的話，其俯沖狀態(tài)就代表要對我方目標(biāo)進行攻擊，并且其他飛行目標(biāo)在俯沖狀態(tài)下也具有攻擊性。相對來說平穩(wěn)飛行是威脅度最低的狀態(tài)。根據(jù)飛行狀態(tài)的不同威脅度也就不同。機動性的量化值如表3所示。

表3 機動性量化值

5）目標(biāo)類型。

表4 目標(biāo)類型量化值

6）干擾能力。

干擾能力是雷達等相關(guān)監(jiān)測設(shè)備對目標(biāo)進行偵察時的反應(yīng)，干擾能力越強威脅度越高。干擾能力分為4 個等級：很強、較強、一般、弱，其威脅度依次降低。干擾能力的量化值如表5所示。

表5 干擾能力量化值

7）打擊能力。

打擊能力是目標(biāo)的攻擊能力。打擊能力越強，威脅度越高。打擊能力分為4 個等級：很強、較強、一般、弱，其威脅度依次降低。打擊能力的量化值如表6所示。

表6 打擊能力量化值

4 實驗仿真

從對抗演習(xí)中，抽取不同意圖數(shù)據(jù)的時序序列作為模型的輸入，根據(jù)本文實驗要求只選取8 個態(tài)勢作為實驗特征，共有5760個數(shù)據(jù)，包含3840個訓(xùn)練數(shù)據(jù)和1920 個測試數(shù)據(jù)。其中數(shù)據(jù)是分類別進行存放的，適用于意圖模型分類預(yù)測的要求，有利于減少數(shù)據(jù)處理難度。動態(tài)態(tài)勢要素包括：速度、高度、機動性，靜態(tài)態(tài)勢要素包括：目標(biāo)類型、干擾能力、打擊能力、意圖。相關(guān)數(shù)據(jù)參數(shù)設(shè)定如表7所示。

表7 數(shù)據(jù)參數(shù)設(shè)定

4.1 意圖識別

本文選擇4 個模型進行對比測試，分別為LSTM、LSTM-Attention、門控循環(huán)單元（GRU）、支持向量機（SVM）。進行模型訓(xùn)練和測試后分別得到損失函數(shù)對比，如圖6、圖7所示。

圖6 訓(xùn)練數(shù)據(jù)損失函數(shù)對比圖

圖7 測試數(shù)據(jù)損失函數(shù)對比圖

LSTM 和GRU 相對于SVM 在本文實驗中具有優(yōu)勢。由于本文實驗是基于歷史序列數(shù)據(jù)作為數(shù)據(jù)支持，并且LSTM 和GRU 都屬于門控循環(huán)神經(jīng)網(wǎng)絡(luò)，通過門控單元能夠更好地捕捉時間序列中時間步較大的依賴關(guān)系，而SVM 缺少了對時間記憶控制的優(yōu)點，所以LSTM 和GRU 的實驗結(jié)果要優(yōu)于SVM。如圖所示在訓(xùn)練和測試中，意圖識別算法模型都表現(xiàn)出了不同的效果，但總體來看取得了不錯的訓(xùn)練效果，即識別精度隨迭代周期的增加而增加。從圖中可以看出加入注意力機制的LSTM 算法模型具有更好的識別準(zhǔn)確度、魯棒性和平穩(wěn)性，對于SVM 來說效果不是很好，其波動范圍較大。綜上所述，利用注意力機制可以更加準(zhǔn)確地分析特征的重要程度，提高識別精度。

4.2 威脅評估

在防空演習(xí)作戰(zhàn)中，有7 個敵方目標(biāo)出現(xiàn)在我方領(lǐng)空，并被我方雷達等傳感器跟蹤、記錄相關(guān)數(shù)據(jù)，如表8 所示。根據(jù)專家意見和相關(guān)態(tài)勢要素隸屬度得到對應(yīng)的威脅度大小，利用表8 作為驗證數(shù)據(jù)，用來衡量本文模型的好壞。利用2 個模型A 和B 進行測試，A 是包含意圖識別的模型，也就是本文所研究的模型，B 是不包含意圖識別的其他模型。將2 個模型的輸出結(jié)果與表8 中的威脅度作差值運算進行對比驗證，結(jié)果如圖8所示。

圖8 威脅評估威脅度差值對比圖

在圖8 中，模型A 和B 對于目標(biāo)3 的差值不同，其中B 相對于真實威脅度差值較高。由于目標(biāo)3 的真實威脅度值偏小，所以波動范圍對其影響較高，在未加入意圖時的模型B對于威脅度的預(yù)測偏高，其認為目標(biāo)對我方威脅較高。模型A加入了撤退意圖，通過意圖的加入降低了目標(biāo)3 的威脅度大小，使其輸出威脅等級更為準(zhǔn)確，如果沒有加入意圖進行判斷，會很難對其計算威脅度大小。

對于目標(biāo)1和目標(biāo)4，其類型是相同的，速度和高度的隸屬度也較相近，如果利用模型B進行威脅判斷的話很難區(qū)分2 個目標(biāo)的威脅度大小，在圖8 中模型B 的差值對于目標(biāo)1 和目標(biāo)4 的變化相近，但是通過加入意圖進行判斷，就可以分別提高和降低相關(guān)威脅度大小，圖中的模型A 相對于目標(biāo)1 和目標(biāo)4 的變化較為明顯。這說明通過加入意圖可以較為準(zhǔn)確地區(qū)分相近目標(biāo)的威脅等級。

綜上所屬，基于意圖識別的群目標(biāo)威脅評估方法相比較于未加入意圖的方法更為準(zhǔn)確。

5 結(jié)束語

本文提出了一種基于意圖識別的空中群目標(biāo)威脅評估方法。該方法利用意圖識別來融合歷史連續(xù)時刻的態(tài)勢要素，并將其作為威脅評估的重要影響因素，利用注意力機制解決了權(quán)重分配不均的問題，使得意圖識別結(jié)果更為準(zhǔn)確。通過意圖的輸入并結(jié)合其他態(tài)勢要素，利用多層感知機進行動態(tài)威脅評估。仿真實驗表明，本文所研究的方法既可以降低計算復(fù)雜度，也可以得到更準(zhǔn)確的評估結(jié)果。