CN112749761A - 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统 - Google Patents

Abstract

本发明提供了一种基于注意力机制和循环神经网络的敌方作战意图识别方法及系统，包括：步骤1：确定战场环境、目标特征及作战意图类型，构建当前场景下的样本数据库，按9：1的比例划分为训练集和测试集；步骤2：构建用于提取时序数据特征的状态循环计算层；步骤3：添加Attention层到状态循环计算层之后，构建基于Attention‑RNN的意图识别模型；步骤4：利用训练集数据对模型进行训练，再利用测试集检验模型准确率，最后根据战场目标实时信息，应用训练完成的识别模型对来袭目标意图作出判断。本发明避免了传统意图识别方法依赖专家经验、信息过载的问题，所提供的意图识别方法稳定可靠，识别结果更准确。

Description

基于注意力机制和循环神经网络的敌方作战意图识别方法及 系统

技术领域

本发明涉及导弹武器技术领域，具体地，涉及一种基于注意力机制和循环神经网络的敌方作战意图识别方法及系统。

背景技术

作战意图是指在战场上希望达到某种目的的基本设想和打算，对敌意图识别是指根据战场上我方信息源所获取的敌方信息，综合推理判断出敌方目前的作战意图。在现代信息化战争中，作战意图识别是战场态势感知的核心内容之一，是指挥员作出决策的重要依据。传统意图识别方法需要指挥员结合战场环境、目标属性、目标状态和敌我兵力部署等一系列特征，凭借经验作出判断。这些特征与意图之间很难用显式的数学公式表达，主要依赖于指挥员积累的经验知识。随着现代战争中信息规模剧增，传统意图识别方法普遍需要面对信息过载的问题。为减少对专家经验的依赖，解决信息过载的问题，需要设计一种高效的智能化意图识别模型。

循环神经网络是近年来人工智能算法的热点研究领域之一，是一种深层次的神经网络结构，对输入的时序数据从低层到高层逐渐提取特征。注意力Attention机制是认知神经学中的概念，是人脑的一种复杂认知机制。Attention机制能模拟人脑，在同时接收到大量输入信息时，过滤冗余信息，提取出部分有用信息进行处理。将Attention机制与循环神经网络相结合，既能减少对专家经验的依赖，又能解决信息过载问题，这为智能化意图识别提供了新思路。

专利文献CN111737458A(申请号：CN202010433435.0)公开了一种基于注意力机制的意图识别方法、装置、设备及存储介质，用于提高对需推理的信息进行多模态意图识别的准确性。方法包括：获取文本信息的文本意图特征和图像信息的图像意图特征；分别计算文本注意力值和图像注意力值；根据文本注意力值和文本意图特征以及图像注意力值与图像意图特征，分别获得文本偏重特征矩阵和图像偏重特征矩阵；根据文本意图特征、图像意图特征、文本偏重特征矩阵、图像偏重特征矩阵和预置门控机制，生成注意力融合意图特征和门控机制融合意图特征；将注意力融合意图特征和门控机制融合意图特征进行拼接处理得到目标意图特征；对目标意图特征进行意图分类得到对应的目标意图。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于注意力机制和循环神经网络的敌方作战意图识别方法及系统。

根据本发明提供的基于注意力机制和循环神经网络的敌方作战意图识别方法，包括：

步骤1：确定战场环境、目标特征及作战意图类型，构建当前场景下的样本数据库，按9：1的比例划分为训练集和测试集；

步骤2：构建用于提取时序数据特征的状态循环计算层；

步骤3：添加Attention层到状态循环计算层之后，构建基于Attention-RNN的意图识别模型；

步骤4：利用训练集数据对模型进行训练，再利用测试集检验模型准确率，最后根据战场目标实时信息，应用训练完成的识别模型对来袭目标意图作出判断。

优选的，所述步骤1中，战场环境包括战场上各类重要保卫目标的分布情况、战场地理条件、防空阵地数量及部署位置和敌方来袭方向；

选择来袭目标类型、数量、运动特性、雷达反射特性和位置信息作为目标特征，其中位置信息包含目标距离我方各类目标的距离、方位角及俯仰角；

作战意图类型包括：以目标为导向的攻击意图、侦查意图以及撤退意图；

对所有样本库中的数据进行min-max归一化。

优选的，在步骤2中设置初始超参数，包括输入层神经元数量、输出层神经元数量、状态循环计算层数量、各层神经元数量、激活函数、批处理容量和学习率，根据初始超参数建立初始的状态循环计算层。

优选的，在步骤3中引入Attention机制，在状态循环计算层后添加Attention层，依据计算得到的注意力分布值，对提取出的不同特征赋予不同的权重，并进行加权平均。

优选的，在步骤4中，若准确率低于90％，则返回步骤3重新设计模型结构，直至准确率满足指标要求；

将训练完成且指标合格的基于Attention机制和循环神经网络的敌方作战意图识别模型进行保存，将战场传感器探测到的目标实时数据经过预处理后，输入到意图识别模型中，直接得出目标类型结果。

根据本发明提供的基于注意力机制和循环神经网络的敌方作战意图识别系统，包括：

模块M1：确定战场环境、目标特征及作战意图类型，构建当前场景下的样本数据库，按9：1的比例划分为训练集和测试集；

模块M2：构建用于提取时序数据特征的状态循环计算层；

模块M3：添加Attention层到状态循环计算层之后，构建基于Attention-RNN的意图识别模型；

模块M4：利用训练集数据对模型进行训练，再利用测试集检验模型准确率，最后根据战场目标实时信息，应用训练完成的识别模型对来袭目标意图作出判断。

优选的，所述模块M1中，战场环境包括战场上各类重要保卫目标的分布情况、战场地理条件、防空阵地数量及部署位置和敌方来袭方向；

选择来袭目标类型、数量、运动特性、雷达反射特性和位置信息作为目标特征，其中位置信息包含目标距离我方各类目标的距离、方位角及俯仰角；

作战意图类型包括：以目标为导向的攻击意图、侦查意图以及撤退意图；

对所有样本库中的数据进行min-max归一化。

优选的，在模块M2中设置初始超参数，包括输入层神经元数量、输出层神经元数量、状态循环计算层数量、各层神经元数量、激活函数、批处理容量和学习率，根据初始超参数建立初始的状态循环计算层。

优选的，在模块M3中引入Attention机制，在状态循环计算层后添加Attention层，依据计算得到的注意力分布值，对提取出的不同特征赋予不同的权重，并进行加权平均。

优选的，在模块M4中，若准确率低于90％，则返回模块M3重新设计模型结构，直至准确率满足指标要求；

将训练完成且指标合格的基于Attention机制和循环神经网络的敌方作战意图识别模型进行保存，将战场传感器探测到的目标实时数据经过预处理后，输入到意图识别模型中，直接得出目标类型结果。

与现有技术相比，本发明具有如下的有益效果：

本发明利用循环神经网络自动对来袭目标的时序数据进行特征提取，借鉴人脑聚焦式注意力机制，依据注意力分布处理输入信息和解决信息过载问题，提高了模型训练时的收敛速度和意图识别模型的准确率。

附图说明

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

图1为本发明实施例的基于Attention机制和循环神经网络的敌方作战意图识别方法的工程应用流程图；

图2为本发明实施例输入数据的结构图；

图3为本发明实施例的意图识别模型结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例：

如图1所示，本发明提供一种基于Attention机制和循环神经网络的敌方作战意图识别方法，包括：

步骤一：确定战场静态态势数据，包括但不限于战场地理条件、被保卫重要目标分布情况、防空阵地数量及部署位置、敌方可能来袭方向等因素。确定战场动态态势数据，包括但不限于来袭目标类型、数量、运动特性、雷达反射特性、位置等。确定三类在战场上指挥员较为重视的作战意图，即以目标为导向的攻击意图、侦查意图以及撤退意图。其中输入数据格式如图2所示，假设有m个重要目标可能会遭受敌方攻击或侦查，敌方航空兵的基本战术编队有突击编队、火力压制编队、电子压制编队、掩护编队、预警指挥编队、战术侦查编队这6种，结合图2说明输入数据具体格式，其中数据的下标表示时间。以t时刻的输入数据x_t为例，距离信息中，

表示编队i相较于重要目标j的相对距离；方位信息中，

表示编队i相对重要目标j的方位角；俯仰信息中，

表示编队i相对重要目标j的俯仰角；相对运动信息中，

表示编队i的航向与编队和目标连线之间的夹角；空间位置信息中，

分别表示编队i的在北天东坐标系下的坐标值；速度信息中，

分别表示编队i的速度三轴分量。

步骤二：对输入数据x进行预处理，对于每一维度的数据都采用下式进行min-max归一化：

式中，x_max为数据集中该维度的最大值，x_min为数据集中该维度的最小值。

步骤三：建立图3所示的意图识别模型中的状态循环计算层，设计空间上2层，时间上k+1步的循环计算层，其中输入神经元数量为(6m+6)，输出神经元数量为(2m+1)，学习率0.003623，批处理容量124，第1层隐藏层神经元数量为139，第2层隐藏层神经元数量为197，时间窗大小为100，激活函数为带泄露修正线性单元函数(Leaky_ReLU函数)。将经过min-max归一化预处理后的输入数据，依次循环输入，计算各隐藏层的隐状态输出q，最后得到第2层的输出状态

步骤四：在状态循环计算层之后添加Attention层，如图3中注意力机制层所示。Attention层计算步骤如下：

1)计算各时间步的打分函数值：

式中：x_i为第i个时间步隐藏层的输出向量。

2)计算注意力分布值：

式中：z＝i表示选择被选择信息的索引值，α_i为注意力分布(AttentionDistribution)，表示需要对该时间步的输出值分配注意力的多少。

3)依据注意力分布值计算隐藏层输出的加权平均：

4)利用softmax函数对加权平均值进行概率归一化操作后，作为意图识别模型的输出。

步骤五：利用训练集数据对模型进行训练，利用测试集数据测试网络的识别准确率，若小于给定的准确率指标90％，则返回步骤2，重新设计网络结构，直至满足准确率指标要求为止。将训练完成且指标合格的基于Attention机制和循环神经网络的敌方作战意图识别模型保存下来，将战场传感器探测到的目标实时数据经过预处理后，输入到意图识别模型中，就可以直接得出目标类型结果。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于注意力机制和循环神经网络的敌方作战意图识别方法，其特征在于，包括：

步骤1：确定战场环境、目标特征及作战意图类型，构建当前场景下的样本数据库，按9：1的比例划分为训练集和测试集；

步骤2：构建用于提取时序数据特征的状态循环计算层；

步骤3：添加Attention层到状态循环计算层之后，构建基于Attention-RNN的意图识别模型；

步骤4：利用训练集数据对模型进行训练，再利用测试集检验模型准确率，最后根据战场目标实时信息，应用训练完成的识别模型对来袭目标意图作出判断。

2.根据权利要求1所述的基于注意力机制和循环神经网络的敌方作战意图识别方法，其特征在于，所述步骤1中，战场环境包括战场上各类重要保卫目标的分布情况、战场地理条件、防空阵地数量及部署位置和敌方来袭方向；

选择来袭目标类型、数量、运动特性、雷达反射特性和位置信息作为目标特征，其中位置信息包含目标距离我方各类目标的距离、方位角及俯仰角；

作战意图类型包括：以目标为导向的攻击意图、侦查意图以及撤退意图；

对所有样本库中的数据进行min-max归一化。

3.根据权利要求1所述的基于注意力机制和循环神经网络的敌方作战意图识别方法，其特征在于，在步骤2中设置初始超参数，包括输入层神经元数量、输出层神经元数量、状态循环计算层数量、各层神经元数量、激活函数、批处理容量和学习率，根据初始超参数建立初始的状态循环计算层。

4.根据权利要求1所述的基于注意力机制和循环神经网络的敌方作战意图识别方法，其特征在于，在步骤3中引入Attention机制，在状态循环计算层后添加Attention层，依据计算得到的注意力分布值，对提取出的不同特征赋予不同的权重，并进行加权平均。

5.根据权利要求1所述的基于注意力机制和循环神经网络的敌方作战意图识别方法，其特征在于，在步骤4中，若准确率低于90％，则返回步骤3重新设计模型结构，直至准确率满足指标要求；

将训练完成且指标合格的基于Attention机制和循环神经网络的敌方作战意图识别模型进行保存，将战场传感器探测到的目标实时数据经过预处理后，输入到意图识别模型中，直接得出目标类型结果。

6.一种基于注意力机制和循环神经网络的敌方作战意图识别系统，其特征在于，包括：

模块M1：确定战场环境、目标特征及作战意图类型，构建当前场景下的样本数据库，按9：1的比例划分为训练集和测试集；

模块M2：构建用于提取时序数据特征的状态循环计算层；

模块M3：添加Attention层到状态循环计算层之后，构建基于Attention-RNN的意图识别模型；

模块M4：利用训练集数据对模型进行训练，再利用测试集检验模型准确率，最后根据战场目标实时信息，应用训练完成的识别模型对来袭目标意图作出判断。

7.根据权利要求6所述的基于注意力机制和循环神经网络的敌方作战意图识别系统，其特征在于，所述模块M1中，战场环境包括战场上各类重要保卫目标的分布情况、战场地理条件、防空阵地数量及部署位置和敌方来袭方向；

选择来袭目标类型、数量、运动特性、雷达反射特性和位置信息作为目标特征，其中位置信息包含目标距离我方各类目标的距离、方位角及俯仰角；

作战意图类型包括：以目标为导向的攻击意图、侦查意图以及撤退意图；

对所有样本库中的数据进行min-max归一化。

8.根据权利要求6所述的基于注意力机制和循环神经网络的敌方作战意图识别系统，其特征在于，在模块M2中设置初始超参数，包括输入层神经元数量、输出层神经元数量、状态循环计算层数量、各层神经元数量、激活函数、批处理容量和学习率，根据初始超参数建立初始的状态循环计算层。

9.根据权利要求6所述的基于注意力机制和循环神经网络的敌方作战意图识别方法，其特征在于，在模块M3中引入Attention机制，在状态循环计算层后添加Attention层，依据计算得到的注意力分布值，对提取出的不同特征赋予不同的权重，并进行加权平均。

10.根据权利要求6所述的基于注意力机制和循环神经网络的敌方作战意图识别系统，其特征在于，在模块M4中，若准确率低于90％，则返回模块M3重新设计模型结构，直至准确率满足指标要求；

将训练完成且指标合格的基于Attention机制和循环神经网络的敌方作战意图识别模型进行保存，将战场传感器探测到的目标实时数据经过预处理后，输入到意图识别模型中，直接得出目标类型结果。

Images