CN112598046B - 一种多机协同空战中的目标战术意图识别方法 - Google Patents

Abstract

本申请提供了一种多机协同空战中的目标战术意图识别方法，包括：根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别；基于预设的参数和特征提取规则，提取协同战术特征；将提取的协同战术特征输入到已建立并训练的决策树分类器模型，对多机协同空战中的目标战术意图进行识别；其中，所述基于预设的参数和特征提取规则，提取协同战术特征的步骤包括：基于动态贝叶斯网络规则，提取空间占位特征；基于雷达模型，提取静默突防特征；基于威胁评估的规则，提取主目标选择特征。本发明能够有效的识别出协同战术意图，识别率较传统研究成果有较大提升。

Description

一种多机协同空战中的目标战术意图识别方法

技术领域

本发明涉及空战中战术意图识别技术领域，尤其涉及一种多机协同空战中的目标战术意图识别方法。

背景技术

指挥与控制系统是现代战争中不可缺少的一环，它由指挥Command、控制Control、通信Communication、计算机computer、情报Intelligence组成，简称C4I。现代空战的快速发展使得歼击机协同对抗更加复杂，对指挥系统的要求越来越高，这使得能够整合C4I的战术意图推理系统得到军方的重视。在该背景下，有效识别目标的战术意图对后续的指挥控制有着重要意义。在无人机空战领域，它可以接入决策系统前端以实现引导无人机作战；在有人机空战领域，它可将目标战术意图提供给飞行员以提高飞行员决策效率，实现多机协同空战中的先敌发现、先敌决策、先敌攻击。

在当代多机协同空战中，机体传感器数量众多、参数实时变化剧烈，如何有效处理这些参数并科学识别目标意图成为了新的挑战。美军JDL部门在建设三军信息融合模型时，明确了目标意图推理的必要性，并针对该问题展开研究。目前，JDL的空中目标意图识别系统广泛应用在了有无人机联合作战系统方面，并在无人僚机项目内实现了较好的效果。俄罗斯在苏57项目研发中装机了一种飞行员辅助决策系统，该系统的主要目的在于分析战场态势以提高飞行员决策效率，其在中东战场测试中的优异表现也证明了该系统的先进性。近年国内学者对空中目标识别领域展开了一定程度的研究，多机协同空战中空中目标意图识别已经取得了一定的进展，但这其中仍存在很多缺陷，模型的性能差强人意。

因此，十分有必要发明一种模型性能强大、泛化性能好、解释性和通用性都达标的多机协同空战空中目标战术意图识别方法，为决策系统提供最可靠的后盾。

发明内容

为了解决背景技术中提到的至少一个技术问题，本发明提供了一种多机协同空战中的目标战术意图识别方法。

为实现上述目的，根据本发明实施例的一个实施例，提供一种多机协同空战中的目标战术意图识别方法，包括：根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别；基于预设的参数和特征提取规则，提取协同战术特征；将提取的协同战术特征输入到已建立并训练的决策树分类器模型，对多机协同空战中的目标战术意图进行识别；其中，所述基于预设的参数和特征提取规则，提取协同战术特征的步骤包括：基于动态贝叶斯网络规则，提取空间占位特征；基于雷达模型，提取静默突防特征；基于威胁评估的规则，提取主目标选择特征。

进一步地，所述根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别的步骤包括：根据已提取并经过z-score规范化处理的数据，基于支持向量机对战术意图中的进攻意图特征中的有意图特征和无意图特征进行量化识别。需要说明的是，此处支持向量机部分识别的是单机对抗下的战术意图，而单机对抗的识别是多机协同战术识别的基础。

进一步地，在基于支持向量机对战术意图中的进攻意图特征中的有意图特征和无意图特征进行量化识别的过程中，使用交叉检验法对支持向量机的模型中的样本数据进行交叉验证。

进一步地，所述基于贝叶斯网络规则，提取空间占位特征的步骤包括：设置合理的贝叶斯概率及马尔科夫状态转移矩阵，使用基于动态贝叶斯网络DBN的占位意图预测方法作为分类器，提取空间占位特征。

进一步地，所述基于雷达模型，提取静默突防特征的步骤包括：使用基于雷达探测距离模型的突防意图预测方法作为分类器，确立雷达建模方法，完成上视、下视的雷达建模，以预设类型的歼击机RCS为样本建立雷达模型，最终确认并提取静默突防特征。

进一步地，所述基于威胁评估的规则，提取主目标选择特征的步骤包括：基于以下公式计算目标战机的空战能力：T_C＝[lnε₁+ln(∑ε₂+1)+ln(∑ε₃+1)]ε₄ε₅ε₆ε₇，其中ε1～7分别指机动、火力、探测、操纵、生存、航程和电子对抗，而目标的威胁评估值TA可由Tc与高度速度在内的参数通过加权法解算得到；基于计算得到的空战能力的排序，确定和提取出目标选择特征。

进一步地，所述将提取的协同战术特征输入到已建立并训练的决策树分类器模型，对多机协同空战中的目标战术意图进行识别的步骤包括：将提取的协同战术特征输入到已建立并训练的C4.5决策树分类器模型，并基于剪枝操作，对多机协同空战中的目标战术意图进行识别。

进一步地，所述剪枝操作基于以下损失函数予以度量：C_α(T_t)＝C(T_t)+α|T_t|，其中，α为正则化参数。α越大则越倾向于剪枝。

本发明的实施例提供的技术方案可以实现以下有益效果：本发明提供的多机协同空战中的目标战术意图识别方法针对多机协同战术推理展开研究，建立多机协同空战中的目标战术意图识别模型。具体地，通过构建能够处理不同线性度及关联度特征的SVM分类器，提升传统战术意图识别方法的模型性能。并且，结合传统方法所使用参数，提出多种协同战术特征提取方法，在初步特征中提取出更高级别的特征。另外，通过空战仿真样本训练决策树模型，然后将上述全部特征输入训练好的模型中，有效的识别出协同战术意图，从而有效满足实战需求。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了本申请一个实施例的目标战机与我方战机的空战态势空间占位的示意图；

图2描述的是本申请的一个优选实施例提供的目标战术意图识别所涉及到的相关参数及识别过程的示意图；

图3描述的是本申请的一个优选实施例的多机协同空战中的目标战术意图识别方法的流程示意图；

图4描述的是本申请一个优选实施例的对图3中的步骤S102进行描述的流程示意图；

图5描述的是基于SVM进行样本训练和测试的流程示意图；

图6为基于DBN的机动占位特征在线提取网络模型的示意图；

图7为本申请的网络模型中示例的节点的名称及状态集的示意图；

图8为本申请的住目标选择特征提取的流程示意图；

图9为本申请的决策树前端的方法处理后的数据将成为协同战术识别的标签及特征集的示意图；

图10为本申请进行仿真实验时提供的实验飞行轨迹示意图；

图11为本申请的样本集中的部分样本的示意图；

图12为本申请剪枝后生成的决策树为最终使用的分类器的示意图；

图13为本申请与现有技术对比的战术意图识别对比数据示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种″、“所述″和“该″也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明中使用的术语“和/或″是指并包括一个或多个相关联的列出项目的任何或所有可能组合。

根据本申请的一个实施例，提供了一种多机协同空战中的目标战术意图识别方法。

为了便于对本发明的方法步骤进行理解，在具体阐述本发明的方法步骤之前，对本发明涉及到的相关参数进行描述，这些参数将整合到本发明的方法中进行应用，以提高战术意图的识别精度。这些参数具体包括但不限于以下与空战态势相关的低关联度参数：

(1)飞行力学参数，如速度、法向过载；

(2)雷达系统参数，如主瓣增益、RCS值；

(3)武器系统参数，如导弹质量，燃料比冲；

(4)空间占位参数，如距离，航向角。

为了更好地理解上述参数，请参考图1所示，图1示出了本申请一个实施例的目标战机与我方战机的空战态势空间占位的示意图。图1中所展示的参数中，CA为我的航向角、TAA为目标的进入角、TAZ为目标的方位角、D为两方的距离、H为我机的高度、v为双方的速度，它们与战术意图的关联度相对较低。

除了上述参数，本发明也涉及到一些与信息态势相关的参数，包括但不限于以下与战术意图关联度高的参数：电子战状态、雷达模式、体系支撑状态。

上述全部参数在识别领域通常被称为“特征″，本发明最终会识别出多种结果，这些结果之间的区分度不高，这要求“特征″在特异性足够时，敏感性要尽量高。在确定特征后，多机协同空战中的目标战术意图将能够被识别，识别的流程可以参考图2、图3和图4，其中图2描述的是本申请的一个优选实施例提供的目标战术意图识别所涉及到的相关参数及识别过程的示意图；图3描述的是本申请的一个优选实施例的多机协同空战中的目标战术意图识别方法的流程示意图；图4描述的是本申请一个优选实施例的对图3中的步骤S102进行描述的流程示意图。

在描述了本申请涉及的上述部分参数后，下文将详述本申请的多机协同空战中的目标战术意图识别方法。

请参考图3和图4，根据本申请的一个优选实施例，本申请的多机协同空战中的目标战术意图识别方法包括以下步骤：

步骤S101，根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别。

步骤S102，基于预设的参数和特征提取规则，提取协同战术特征。

步骤S103，将提取的协同战术特征输入到已建立并训练的决策树分类器模型，对多机协同空战中的目标战术意图进行识别。

其中，步骤S102可以具体包括以下子步骤：

步骤S1021，基于动态贝叶斯网络规则，提取空间占位特征；

步骤S1022，基于雷达模型，提取静默突防特征；

步骤S1023，基于威胁评估的规则，提取主目标选择特征。

需要说明的是，尽管在上文以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。例如，上述步骤S1021至步骤S1023可以并行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

下文将针对上述步骤S101至步骤S103进行详述。

对于根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别的步骤S101而言，具体描述如下：

首先，进行数据提取和预处理。在工程实践中，样本可能存在不标准的数据，这将会降低模型训练时的拟合效果，因此本发明优先对样本进行标准化处理。

标准化分为min-max归一化、z-score规范化、范数正则化。在前期实验中作者发现，依赖样本间距的算法对特征的数量级差异较敏感，z-score规范化恰好能够消除这个问题。另外，它能够提高收敛速度，同时使样本具有单位方差。在比较后，z-score规范化综合性能最好，所以本发明选择该方法处理数据，z-score规范化定义如下公式：

上述公式中，x为观测值，μ为总体平均值，σ为总体标准差。

SVM的分类基于样本间距，所以对噪声数据特别敏感，数据清洗是必要的。在标准化阶段既已经求得了标准差及均值，恰好可以使用标准差去噪声法。

高斯分布是连续随机变量概率分布的一种，分布公式如下所示：

上述公式中，x为观测值，μ为总体平均值，σ为总体标准差。

在高斯分布中，数据落在三倍方差以外的概率小于千分之三。本发明研究数据可能不完全服从高斯分布，但落在均值外相对较远的点可被认为是噪声。具体落在多少倍方差以外的数据被归为噪声，要视每种特征的不同情况而定。

其中，SVM的核心思想是通过内积核函数将样本映射到高维度空间内，并在这个空间内构造最优分类超平面。这种思想使得SVM能够处理高维度的非线性问题。

其中，SVM常用的核函数有：

(1)线性核k(x_i,x_j)＝x_i ^Tx_j

(2)多项式核k(x_i,x_j)＝(x_i ^Tx_j)^d

(3)高斯核

(4)Sigmoid核k(x_i,x_j)＝tanh(βx_i ^Tx_j+θ)

为确定超平面的位置，设定了w和b两个参数，其中w为权重向量、b为偏置。分类面必须满足一定的约束，以上过程如下式所示：

通过引入松弛变量、拉格朗日乘子和核函数，可以得到：

其中，αi>0对应的点称为支持向量机，这些点只是样本特征的一少部分，这意味着最终模型与大部分样本点无关。

其次，进行模型的训练及测试。

具体地，本发明将进攻意图按照有意图和无意图量化，是一个典型的非线性二分类问题。本发明将样本分成测试集及训练集，通过训练来生成我们期望的模型、测试来对模型的性能进行评估。训练集将使用网格搜索法来选择最优参数，并同时执行交叉验证。交叉验证将样本数据等分，而后遍历所有的样本。若搜索到的参数未达到最优，则重复这个过程。测试集需要输出一些能够反映反映模型性能的指标，通过这些指标可以判断模型的准确性和泛化性。通常SVM的小样本性能都较为不错，本发明还将特别提取出最大训练集的5％作为少样本训练集来检验性能。训练及测试过程如图5所示。

在测试过程中，常用精度来确定模型参数。但在模型性能度量方面，它不能满足所有的需求。本发明引入查准率、查全率和F1作为度量指标。查准率代表分类的准确性，其补数是误检率；查全率代表分类的全面性，其补数是漏检率。我们得到：

其中TP为真正例，FP为假正例，FN为假反例。通过P和R可以推出F1度量指标：

进一步地，对于基于预设的参数和特征提取规则，提取协同战术特征的步骤S102而言，具体描述如下：

首先，基于DBN的机动占位特征提取过程。

该过程采用一种目标机动占位意图分类器，它的预测结果能够研判目标占位机动的危险性，从而判断目标在协同攻击中扮演的角色。

贝叶斯网是一种有向无环图，给定父节点集，贝叶斯网联合分布概率可定义为：

动态贝叶斯网络是一种随着毗邻时间片将不同变量联系起来的贝叶斯网络，这个将毗邻时间片连接的方法通常被描述为隐马尔可夫过程，HMM过程可定义为：

在空战过程中，飞行参数变化是实时且连续的。DBN受马尔科夫过程影响，在任何时间片内的不准确数据都会长时间影响分类器的性能，本发明采用模糊化方法对空战参数预处理以降低参数的不准确性。本发明使用sigmoid隶属函数做模糊化处理，解模糊化通常使用重心法，这里定义B’为一个模糊集，可给出：

其中，B*(y)为隶属度函数，以法向过载作为模糊化范例。在预处理完成后，将选定的参数作为观测节点构建如图6所示的DBN模型。

此网络模型共分为三层，底层对机动的能量特点进行分类，第二层对机动动作进行分类，顶层使用相对态势参数对机动占位进行分类。网络中所有节点的状态集如图7所示。

图7中的输入节点包含了多种参数。根节点是机动占位意图，该特征量化为侵略性占位、常规占位、高性能占位，其余节点为中间节点。

其次，基于雷达模型的静默突防特征提取。

静默突防状态定义为目标关闭雷达降低自身被截获的可能性，从而实现某种战术目的的状态，其通常是意图快速隐蔽攻击我机或攻击较后方的高价值(如预警机)目标。其特征是我机已经进入目标的雷达探测区，但我机雷达告警系统无反应。

本发明建立雷达探测距离模型以识别该特征，当信噪比为1时，雷达主瓣作用距离表示为：

其中。P_av为平均发射功率；G_SL为天线主瓣增益；λ为波长；σ为目标的雷达散射面积；C为通过多普勒窄带滤波器的杂波功率；N为噪声功率；L为系统与环境损耗因子；

在本中假设目标的雷达的增益、噪声、频率等系数不变，功率取最大值，此时可令：

K为主瓣性能常数，如此可求得雷达上视、下视作用距离：

其中α为误差冗余度。当雷达侧视时，目标落入主瓣杂波抑制区，无法被探测。根据雷达模型，该特征可量化为突防状态和非突防状态。

最后，基于威胁评估的主目标选择特征提取。

威胁评估是我方解算全部敌方目标的威胁评估值并排序，从而推导出哪个目标更易于对我发动攻击。歼击机的空战性能共有七个，空战能力可表示为：

T_C＝[lnε₁+ln(∑ε₂+1)+ln(∑ε₃+1)]ε₄ε₅ε₆ε₇

其中ε1～7分别指机动、火力、探测、操纵、生存、航程和电子对抗。目标的威胁评估值TA可由Tc与高度速度等参数通过加权法解算得到，本文不再详述。

在排序结果生成后，本文基于该方法创造了新的排序方法，它的运算逻辑是反向的。在威胁评估值已知时，通过数据链获取我方全部飞机对当前目标解算出的威胁评估值，而后针对这些参数再次输出排序结果，从而判定出目标更易于对我方哪些飞机发动攻击。其过程如图8所示。

图8中，F1-Fn代表我方不同的歼击机，T代表当前目标的威胁评估值，O代表其他目标的威胁评估值。本方法可以避免战术意图的误判，若存在友机受到威胁显著高于我方，分类或将产生分支。同样的，这能够提升战术的细化程度，使得佯攻战术及多目标攻击的识别称为可能。该特征在友机威胁度显著大于我方时量化为“主目标为友方″，记为F；反之量化为“主目标为我″，记为M。

进一步地，对于将提取的协同战术特征输入到已建立并训练的决策树分类器模型，对多机协同空战中的目标战术意图进行识别的步骤S103，具体描述如下：

现代空战的信息是复杂多变的，具有不完整性。为满足要求，选用C4.5决策树实现战术意图的识别。C4.5能够容忍缺失值以应对不完整信息，且能够剪枝来降低模型的复杂度以提升运行速度。

决策树是一种基于信息熵的监督学习方法，这种方法希望构建一颗熵值下降最快的树。信息熵可表示为：

信息熵可以推出信息增益，信息增益是ID3决策树的指标。我们得到：

信息增益对多分类问题有所偏好，所以推出了信息增益率作为指标：

当缺失值存在时，缺失的特征会依照信息增益率设定权重，然后分别携带权重进入下一层节点。在使用决策树时，在叶节点处选择权重最大的标签作为输出。

在测试集生成全部样本后，本文对决策树采取剪枝操作。剪枝是由损失函数度量的，在C4.5中，损失函数由方差决定：

C_α(T_t)＝C(T_t)+α|T_t|

其中，α为正则化参数。α越大则越倾向于剪枝。

决策树前端的方法处理后的数据将成为协同战术识别的特征，这些参数均是离散的，可以一定程度的提高精度和解释性。其特征及标签表如图9所示。

对于图9而言，普通战术定义为传统识别方法能够识别的战术，在不调用协同战术特征时仍能有效识别；常规协同战术是协同战术中较为常见的战术；复杂协同战术主目标不够明确，属于典型的当代空战战术，识别难度较大。现有技术中，学者由于存在空战理念上的误区，设计了一些不甚合理的标签，最典型的就是对进攻战术的理解。在交战区内只存在不同的攻击方式，是不存在防御和保护等战术的，这些工作通常由防空导弹部队和电子对抗部队完成。规避目标攻击的方式只有两种，一种是快速脱离交战区，另一种是去击落目标。本文设计的标签充分考虑专家实战经验，标签设计合理易懂。例如某目标表现的相对“友好″，参考图9，他可能处在巡逻或逃跑等状态。同样的，若某一架敌机进攻意图明显，他可能会采取多种不同的战术来实现目的，这取决于在他在编队中的角色。

为更好地验证本发明的技术效果，本发明的发明人采用仿真实验进行了多次检验。实验共采用超过5000个样本作为数据集，其特征共包括：双方速度、目标加速度、目标法向过载、导弹质量、导弹推进剂质量、推进剂比冲、能量损耗因子、雷达主瓣性能常数、RCS、噪声功率、杂波功率、双方高度、目标方位角、目标进入角、目标航向角、接近速率、相对距离、电子战状态、雷达模式、体系支撑状态，特征共计22维。本文基于某型4对2(分别以a1、a2、a3、a4和b1、b2标识不同的飞行轨迹)协同空战仿真平台完成实验，计算机处理器为Intel Core i5-4210m@2.60GHz、系统为64位。实验飞行轨迹如图10所示。

在仿真实验中，根据本申请的决策树部分确立七个维度特征：(1)电子战状态按有、无量化；(2)体系支撑状态按有、无量化；(3)雷达状态按关机、RWS、TWS、STT量化；(4)威胁评估相对状态按我机威胁高、友机威胁高量化；(5)进攻意图预测按有攻击意图、无攻击意图量化；(6)占位意图预测按照有占位意图、常规占位意图、侵略性占位意图量化；(7)突防意图按照有突防意图、无突防意图量化。进而根据这七个特征，确立标签：电子对抗、战场支援、索敌巡逻、静默突防、侵略性占位、机动占位、掩护攻击、超视距压制、已被锁定、攻击友机、诱敌战术、逃逸。确立特征及标签后，进行仿真实验并记录数据，根据不同的特征及标签排列组合以充分扩展样本空间，确保每一种特征及标签都被遍历。生成训练样本，检查样本集数据，去除噪声，并汇总为训练样本集，样本集中的部分样本如下图11所示。

进一步地，在样本库基础上构建C4.5决策树，C4.5决策树的基本思想是根据样本训练出一颗熵值下降最快的树，并通过剪枝操作降低这棵树的复杂度。建立决策树首先采用基于信息熵的信息增益比作为节点特征的选择方式，并在计算过程中引入缺失值的处理方法，确定该节点所分割的特征。而后分析是否需要继续分割，若剩余样本标签均属于同一类或所有样本特征均相同，则该节点划分完毕成为叶节点，否则继续分割。在上述过程循环时，若全部样本均被划分进叶节点则决策树生成完成。

进一步地，进行剪枝操作，设定损失函数，C4.5的损失函数基于方差。对于任意一颗子树，其未剪枝时的损失为N，若其剪枝后仅仅保留根节点的损失为N1，当判断N1相比N的损失在一个容忍度阈值内时，那么该节点决策为剪枝。剪枝后的决策树相比未剪枝的决策树更加精练，运行速度更快，数据的实时性更好。剪枝后生成的决策树为最终使用的分类器，如图12所示。对于图12所示，其中的术语ECM、TI等中文释义可以参考图9所示，其中的y和n分别表示是与否。从图12可以看到，基于分类和剪枝处理，共计得到从A到L个分类标签。本次实验生成的决策树具有完整的结构，在具有缺失值的情况下对全部标签都能有效分类。该决策树已经经历了轻度的剪枝处理，表明该方法能够兼顾模型性能与复杂度。在模型生成后，连续运行三十万次以检验模型响应速度。以上方法并行运行，仿真耗时51.8S，单次平均运行时间不超过200微秒，实时性良好。

为验证本发明对战术意图的识别率，实验根据样本库数据对战术意图进行识别。因为是对比实验，所以预设条件要有一致性。该实验去除了含有缺失值的样本，并不对决策树执行会损失精度的剪枝处理。本实验将与如下研究对比：现有技术的LSTM神经网络结合决策树(图13中的算法1)、Relu+Adam深度神经网络(图13中的算法2)以及LSTM+Adam神经网络(图13中的算法3)的识别方法，战术意图识别对比如图13所示，图中CT表示常规战术，GCT表示普通协同战术，CCT表示复杂协同战术。由图13可知，本申请对CT类识别率为99.13％、GCT类识别率为98.09％，CCT类识别率为92.22％，明显优于现有技术。

由上可知，本申请针对多机协同空战中目标的战术意图识别问题做出了深入的研究及分析，通过仿真实验对比验证了本申请识别方法的有效性，为飞行员辅助决策乃至未来的无人机空战决策奠定了基础。

(1)本申请在样本库充足的条件下，对常规战术识别率为99.13％、普通协同战术识别率为98.09％、复杂协同战术类识别率为92.22％。识别率较传统研究成果有较大提升，且小样本性能较好，体现了该方法的先进性。

(2)本申请所述方法以战场在线获取到的参数为依据，经特征提取后输入分类器，在协同空战作战、仿真训练等方面均有较好的应用前景。该方法能够对空战中通常存在的缺失参数进行处理，避免了算法运行中断的情况，具有较好的鲁棒性。

(3)本申请提出的战术意图识别方法算法复杂度相对降低，其全部节点均被预先训练或设置好，避免在运行过程中反复的执行推理过程。单次运算速度达到了百微秒级，满足了方法的实时性要求。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.一种多机协同空战中空中目标的战术意图识别方法，其特征在于，包括：

根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别；

基于预设的参数和特征提取规则，提取协同战术特征；

将提取的协同战术特征输入到已建立并训练的决策树分类器模型，对多机协同空战中空中目标的战术意图进行识别；

其中，所述基于预设的参数和特征提取规则，提取协同战术特征的步骤包括：

基于动态贝叶斯网络规则，提取空间占位特征；

基于雷达模型，提取静默突防特征；

基于威胁评估的规则，提取主目标选择特征；

其中，选用C4.5决策树实现战术意图的识别，决策树是一种基于信息熵的监督学习方法，信息熵表示为：

信息熵推出信息增益，信息增益是ID3决策树的指标，得到：

信息增益对多分类问题有所偏好，推出信息增益率作为指标：

当缺失值存在时，缺失的特征会依照信息增益率设定权重，然后分别携带权重进入下一层节点，在使用决策树时，在叶节点处选择权重最大的标签作为输出；

在测试集生成全部样本后，对决策树采取剪枝操作，剪枝是由损失函数度量的，在C4.5中，损失函数由方差决定：

C_α(T_t)＝C(T_t)+α|T_t|

其中，α为正则化参数，α越大则越倾向于剪枝。

2.根据权利要求1所述的战术意图识别方法，其特征在于，所述根据已提取并经过预处理的数据，基于支持向量机对战术意图中的进攻意图特征进行量化识别的步骤包括：

根据已提取并经过z-score规范化处理的数据，基于支持向量机对战术意图中的进攻意图特征中的有意图特征和无意图特征进行量化识别。

3.根据权利要求2所述的战术意图识别方法，其特征在于，在基于支持向量机对战术意图中的进攻意图特征中的有意图特征和无意图特征进行量化识别的过程中，使用交叉检验法对支持向量机的模型中的样本数据进行交叉验证。

4.根据权利要求1所述的战术意图识别方法，其特征在于，所述基于贝叶斯网络规则，提取空间占位特征的步骤包括：

设置合理的贝叶斯概率及马尔科夫状态转移矩阵，使用基于动态贝叶斯网络DBN的占位意图预测方法作为分类器，提取空间占位特征。

5.根据权利要求1所述的战术意图识别方法，其特征在于，所述基于雷达模型，提取静默突防特征的步骤包括：

使用基于雷达探测距离模型的突防意图预测方法作为分类器，确立雷达建模方法，完成上视、下视的雷达建模，以预设类型的歼击机RCS为样本建立雷达模型，最终确认并提取静默突防特征。

6.根据权利要求1所述的战术意图识别方法，其特征在于，所述基于威胁评估的规则，提取主目标选择特征的步骤包括：

基于以下公式计算目标战机的空战能力Tc：

T_C＝[lnε₁+ln(∑ε₂+1)+ln(∑ε₃+1)]ε₄ε₅ε₆ε₇

其中ε1～7分别指机动、火力、探测、操纵、生存、航程和电子对抗，而目标的威胁评估值TA可由Tc与高度速度在内的参数通过加权法解算得到；

基于计算得到的空战能力的排序，确定和提取住目标选择特征。