基于時(shí)序特征編碼的目標(biāo)戰(zhàn)術(shù)意圖識(shí)別算法?

歐 微，柳少軍，賀筱媛，郭圣明

（1.國(guó)防大學(xué)信息作戰(zhàn)與指揮訓(xùn)練教研部，北京 100091，2.烏魯木齊民族干部學(xué)院，新疆烏魯木齊 830002）

基于時(shí)序特征編碼的目標(biāo)戰(zhàn)術(shù)意圖識(shí)別算法?

歐 微1，2，柳少軍1，賀筱媛1，郭圣明1

（1.國(guó)防大學(xué)信息作戰(zhàn)與指揮訓(xùn)練教研部，北京 100091，2.烏魯木齊民族干部學(xué)院，新疆烏魯木齊 830002）

對(duì)戰(zhàn)場(chǎng)目標(biāo)戰(zhàn)術(shù)意圖的快速、準(zhǔn)確和自動(dòng)識(shí)別，是智能決策的前提和基礎(chǔ)。目標(biāo)戰(zhàn)術(shù)意圖通常由多個(gè)戰(zhàn)術(shù)動(dòng)作組合完成，因而目標(biāo)狀態(tài)呈現(xiàn)動(dòng)態(tài)、時(shí)序變化特征。本文針對(duì)目標(biāo)意圖識(shí)別問(wèn)題的特點(diǎn)，提出一種基于棧式自編碼器（SAE）的智能識(shí)別模型，設(shè)計(jì)智能識(shí)別模型的基本框架，提出一種基于時(shí)序特征的輸入信號(hào)編碼方法及相應(yīng)的模式解析機(jī)制，通過(guò)將目標(biāo)狀態(tài)在多個(gè)時(shí)刻的時(shí)序特征和戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性等信息統(tǒng)一編碼為輸入信號(hào)，將軍事專家的知識(shí)經(jīng)驗(yàn)封裝為模式標(biāo)簽，模擬人的推理模式與認(rèn)知經(jīng)驗(yàn)，實(shí)現(xiàn)對(duì)目標(biāo)戰(zhàn)術(shù)意圖的智能識(shí)別。最后通過(guò)實(shí)驗(yàn)，分析預(yù)訓(xùn)練過(guò)程和網(wǎng)絡(luò)深度對(duì)算法性能的影響，并通過(guò)與多層感知機(jī)（MLP）和邏輯回歸分類器（LRC）識(shí)別準(zhǔn)確率的比較，驗(yàn)證所提SAE算法的有效性。

意圖識(shí)別；時(shí)序特征；棧式自編碼器；深度學(xué)習(xí)

目標(biāo)戰(zhàn)術(shù)意圖識(shí)別是戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估的核心內(nèi)容，是智能決策的前提和基礎(chǔ)。在信息化條件下，隨著戰(zhàn)場(chǎng)信息量劇增和敵我對(duì)抗復(fù)雜化，單純依靠人工方式很難勝任從多源戰(zhàn)場(chǎng)數(shù)據(jù)中實(shí)時(shí)、準(zhǔn)確地識(shí)別敵目標(biāo)戰(zhàn)術(shù)意圖的需求。戰(zhàn)術(shù)意圖識(shí)別是高度抽象的思維活動(dòng)，需要在軍事知識(shí)和作戰(zhàn)經(jīng)驗(yàn)的基礎(chǔ)上，綜合考慮戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性、目標(biāo)狀態(tài)的動(dòng)態(tài)變化特征等信息，通過(guò)關(guān)鍵特征提取、比較分析、聯(lián)想和推理等一系列思維活動(dòng)來(lái)實(shí)現(xiàn)［1?2］。因此，需要設(shè)計(jì)智能意圖識(shí)別模型，既能利用計(jì)算機(jī)高效的計(jì)算能力來(lái)克服人工處理方式在實(shí)時(shí)性和計(jì)算精度上的不足，同時(shí)又結(jié)合人類推理模式和認(rèn)知經(jīng)驗(yàn)的潛在優(yōu)勢(shì)，實(shí)現(xiàn)對(duì)目標(biāo)戰(zhàn)術(shù)意圖的智能、實(shí)時(shí)地分析，推理和判斷。

意圖識(shí)別在本質(zhì)上屬于模式識(shí)別的范疇，通常由模板匹配、證據(jù)理論、貝葉斯網(wǎng)絡(luò)和專家系統(tǒng)等一種或多種方法組合實(shí)現(xiàn)［3?8］。這些方法針對(duì)不同背景的作戰(zhàn)問(wèn)題取得了一些應(yīng)用，但在知識(shí)表示和時(shí)序特征挖掘上仍存在一定的局限性：首先，模板匹配技術(shù)標(biāo)準(zhǔn)模板庫(kù)的建立，證據(jù)理論中證據(jù)信息的收集與概率分布函數(shù)的構(gòu)造，貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和概率分布參數(shù)的確定，專家系統(tǒng)的知識(shí)庫(kù)和推理機(jī)的構(gòu)造，都需要組織、抽象并顯式描述領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，知識(shí)表示和工程實(shí)現(xiàn)難度大［3?5］。其次，目標(biāo)的戰(zhàn)術(shù)意圖通常由多個(gè)戰(zhàn)術(shù)動(dòng)作組合完成，從而導(dǎo)致目標(biāo)狀態(tài)呈現(xiàn)動(dòng)態(tài)特征，而且這些特征會(huì)表現(xiàn)出一定的時(shí)序性和關(guān)聯(lián)性。然而，目前大量的研究工作仍主要依據(jù)目標(biāo)在單一時(shí)刻的狀態(tài)特征來(lái)推測(cè)其戰(zhàn)術(shù)意圖，難以有效地從時(shí)序變化的目標(biāo)狀態(tài)特征中分析、挖掘其中隱含的深層信息［6?7］。

深度學(xué)習(xí)（Deep Learning，DL）是對(duì)傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的繼承和發(fā)展，有效克服了傳統(tǒng)ANN在網(wǎng)絡(luò)訓(xùn)練、特征提取和計(jì)算精度等方面面臨的困難與不足，已經(jīng)成為當(dāng)前人工智能最熱門的一個(gè)研究領(lǐng)域［8?9］。深度學(xué)習(xí)的研究動(dòng)機(jī)在于通過(guò)建立、模擬人腦的深層神經(jīng)網(wǎng)絡(luò)，采用數(shù)據(jù)驅(qū)動(dòng)的方式，從原始數(shù)據(jù)中提取由低層到高層、由具體到抽象、由一般到特定語(yǔ)義的特征，進(jìn)而模擬人腦推理與思考的過(guò)程。棧式自編碼器（Stacked Auto?Encoder，SAE）是一種常用的深度學(xué)習(xí)框架，具有良好的特征提取和泛化能力，已經(jīng)在語(yǔ)音識(shí)別、圖像處理和數(shù)據(jù)降維等領(lǐng)域取得了廣泛應(yīng)用［10］。鑒于此，本文提出一種基于SAE算法的目標(biāo)戰(zhàn)術(shù)意圖智能識(shí)別模型，通過(guò)將戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性，以及目標(biāo)在連續(xù)多個(gè)時(shí)刻的狀態(tài)信息的統(tǒng)一編碼，描述輸入信號(hào)的時(shí)序特征，并通過(guò)將領(lǐng)域?qū)＜业恼J(rèn)知經(jīng)驗(yàn)封裝為相應(yīng)的模式標(biāo)簽，以有效克服傳統(tǒng)算法在知識(shí)表達(dá)上面臨的困難。

1 目標(biāo)戰(zhàn)術(shù)意圖識(shí)別問(wèn)題描述

戰(zhàn)場(chǎng)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別是在高度對(duì)抗的條件下進(jìn)行的，屬于對(duì)抗識(shí)別的范疇。由于被識(shí)別目標(biāo)會(huì)盡量隱藏自己的戰(zhàn)術(shù)企圖，因而偵察到的目標(biāo)在單一時(shí)刻的信息往往存在虛假和誤導(dǎo)信息；而由于目標(biāo)的戰(zhàn)術(shù)意圖是通過(guò)一系列戰(zhàn)術(shù)動(dòng)作完成的，因而其戰(zhàn)術(shù)意圖通常隱含在連續(xù)多個(gè)時(shí)刻時(shí)序變化的狀態(tài)信息中［11］。因此，從目標(biāo)在多個(gè)時(shí)刻的狀態(tài)信息中，分析、挖掘、推測(cè)其中隱含的戰(zhàn)術(shù)意圖，將有效提高對(duì)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的科學(xué)性，基于時(shí)序特征的目標(biāo)戰(zhàn)術(shù)意圖識(shí)別過(guò)程如圖1所示。

圖1 目標(biāo)戰(zhàn)術(shù)意圖識(shí)別過(guò)程

如圖1所示，基于目標(biāo)時(shí)序特征編碼的戰(zhàn)術(shù)意圖智能識(shí)別過(guò)程如下：1）從實(shí)時(shí)戰(zhàn)場(chǎng)數(shù)據(jù)中選擇、提取與目標(biāo)戰(zhàn)術(shù)意圖相關(guān)的數(shù)據(jù)信息，包括相應(yīng)局部時(shí)空域內(nèi)的戰(zhàn)場(chǎng)環(huán)境信息、目標(biāo)屬性信息，以及目標(biāo)的實(shí)時(shí)狀態(tài)信息等，形成初始特征集合；2）采集連續(xù)N個(gè)時(shí)刻（Tn～Tn+N）目標(biāo)的狀態(tài)特征數(shù)據(jù)，采用堆棧方式存儲(chǔ)，形成特征向量集合；3）整合Tn～Tn+N個(gè)時(shí)刻的特征數(shù)據(jù)，歸一化并統(tǒng)一編碼，形成標(biāo)準(zhǔn)化的時(shí)序特征集；4）將時(shí)序特征集作為意圖識(shí)別模型的輸入信號(hào)，由SAE算法進(jìn)行識(shí)別，并通過(guò)模式解析輸出目標(biāo)戰(zhàn)術(shù)意圖的識(shí)別結(jié)果。

2 目標(biāo)戰(zhàn)術(shù)意圖識(shí)別算法關(guān)鍵技術(shù)

目標(biāo)戰(zhàn)術(shù)意圖識(shí)別是從實(shí)時(shí)、共享的態(tài)勢(shì)數(shù)據(jù)中，抽取相應(yīng)時(shí)空域內(nèi)的戰(zhàn)場(chǎng)環(huán)境數(shù)據(jù)，以及目標(biāo)的靜態(tài)屬性和實(shí)時(shí)狀態(tài)信息，分析、推斷目標(biāo)戰(zhàn)術(shù)意圖的過(guò)程。其中，輸入信號(hào)的特征選擇與編碼方法、基于SAE的意圖識(shí)別算法、知識(shí)表示與模式解析機(jī)制是實(shí)現(xiàn)戰(zhàn)術(shù)意圖智能識(shí)別的關(guān)鍵技術(shù)。

2.1 基于棧式自編碼器的意圖識(shí)別模型

本文基于SAE算法，實(shí)現(xiàn)目標(biāo)戰(zhàn)術(shù)意圖的智能識(shí)別模型。SAE以自編碼神經(jīng)網(wǎng)絡(luò)（Auto?Encoder Neural Network，AENN）為基本的網(wǎng)絡(luò)單元，AENN的基本原理是首先對(duì)輸入信號(hào)進(jìn)行編碼，得到編碼后的輸出信號(hào)（output features），然后對(duì)輸出信號(hào)解碼，獲取重構(gòu)信號(hào)，再將重構(gòu)信號(hào)與原始信號(hào)進(jìn)行對(duì)比，計(jì)算重構(gòu)誤差。AENN以重構(gòu)誤差最小為優(yōu)化目標(biāo)，通過(guò)將輸入信號(hào)編碼成為另一種形式，提取其中的關(guān)鍵信息。最后將AENN逐層疊加，在頂層增加一個(gè)邏輯回歸層，就構(gòu)成了深層SAE網(wǎng)絡(luò)。SAE通過(guò)無(wú)監(jiān)督的訓(xùn)練方法優(yōu)化各層AENN的參數(shù)，并通過(guò)有監(jiān)督的方法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，其基本結(jié)構(gòu)如圖2所示［8］。

圖2 棧式自編碼器結(jié)構(gòu)圖

如圖2所示，在AENN的每一層，都包含一個(gè)編碼器（Encoder）和一個(gè)解碼器（Decoder），其是一種直接將輸入映射成輸出特征的反向傳播算法。SAE將上一層AENN的輸出作為下一層AENN的輸入，每一層單獨(dú)進(jìn)行優(yōu)化，通過(guò)對(duì)原始信號(hào)作逐層的編碼表達(dá)，最終得到隱含在輸入信號(hào)內(nèi)部的深層數(shù)據(jù)關(guān)系，提取其中的高層抽象特征。

目標(biāo)戰(zhàn)術(shù)意圖理解是戰(zhàn)場(chǎng)情況判斷的核心內(nèi)容，而情況判斷本身就是一個(gè)“去粗存精、去偽存真、由此及彼、由表及里”的思索過(guò)程。因而，深層SAE網(wǎng)絡(luò)由低層到高層、由具體到抽象的特征提取過(guò)程，與指揮員從復(fù)雜戰(zhàn)場(chǎng)態(tài)勢(shì)中捕捉關(guān)鍵特征，進(jìn)而分析、判斷和推測(cè)目標(biāo)戰(zhàn)術(shù)意圖的過(guò)程是類似的。因此，本文首先利用樣本數(shù)據(jù)對(duì)智能識(shí)別模型進(jìn)行訓(xùn)練，然后將訓(xùn)練好的模型應(yīng)用于目標(biāo)意圖識(shí)別，基本過(guò)程如下：1）利用無(wú)標(biāo)簽樣本，采取無(wú)監(jiān)督的預(yù)訓(xùn)練過(guò)程，以重構(gòu)誤差最小為優(yōu)化目標(biāo)，逐層優(yōu)化AENN的網(wǎng)絡(luò)參數(shù)；2）利用帶標(biāo)簽的樣本數(shù)據(jù)，采用有監(jiān)督的訓(xùn)練方法，通過(guò)反向誤差傳播算法，對(duì)SAE網(wǎng)絡(luò)的各層參數(shù)進(jìn)行微調(diào)；3）在完成網(wǎng)絡(luò)訓(xùn)練后，利用測(cè)試樣本對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試，若滿足精度要求，則保存模型參數(shù)，將其應(yīng)用于目標(biāo)戰(zhàn)術(shù)意圖的自動(dòng)識(shí)別；若不滿足精度要求，則返回步驟1），調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和模型訓(xùn)練參數(shù)，繼續(xù)對(duì)模型進(jìn)行訓(xùn)練。

可見，利用深層SAE網(wǎng)絡(luò)無(wú)監(jiān)督地從時(shí)序特征向量中提取關(guān)鍵信息，是模擬指揮員在進(jìn)行情況判斷時(shí)的特征提取和抽象思維過(guò)程；同時(shí)，將指揮員的認(rèn)知經(jīng)驗(yàn)封裝為訓(xùn)練樣本的模式標(biāo)簽，并利用這些帶標(biāo)簽數(shù)據(jù)樣本，采用有監(jiān)督的方式訓(xùn)練SAE模型，是模型學(xué)習(xí)指揮員的認(rèn)知經(jīng)驗(yàn)的過(guò)程。因而，上述意圖識(shí)別模型既能自主捕捉輸入向量中所隱含的深層特征信息，又能較好地模擬和學(xué)習(xí)人在戰(zhàn)爭(zhēng)中的推理模式與認(rèn)知經(jīng)驗(yàn)。

2.2 基于時(shí)序特征的樣本編碼方法

由于目標(biāo)的作戰(zhàn)意圖是通過(guò)一系列的戰(zhàn)術(shù)動(dòng)作來(lái)完成的，因而目標(biāo)狀態(tài)將呈現(xiàn)出一定的時(shí)序變化特征。因此，指揮員在判斷目標(biāo)戰(zhàn)術(shù)意圖時(shí)，通常需要結(jié)合戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性和前后多個(gè)時(shí)刻的狀態(tài)特征，經(jīng)過(guò)分析、判斷和推理，最終得出目標(biāo)戰(zhàn)術(shù)意圖的判斷結(jié)論。對(duì)于設(shè)計(jì)智能識(shí)別模型而言，要模擬指揮員進(jìn)行戰(zhàn)術(shù)意圖判斷的過(guò)程，其首要任務(wù)是采集目標(biāo)在多個(gè)時(shí)刻的狀態(tài)特征，并編碼形成時(shí)序特征向量，作為智能識(shí)別模型的輸入信號(hào)。

2.2.1 初始特征的采集

將當(dāng)前目標(biāo)連續(xù)采樣TN個(gè)時(shí)刻，則目標(biāo)狀態(tài)變化矩陣AS（TN，LS）如式（3）所示。

其中，LE為描述戰(zhàn)場(chǎng)環(huán)境信息向量的采樣維度，LA為描述目標(biāo)靜態(tài)屬性向量的采樣維度，TN為連續(xù)偵查的時(shí)間步數(shù)，Ls為單個(gè)時(shí)刻采集的目標(biāo)動(dòng)態(tài)特征的維度。式（1）中分別表示相應(yīng)局部時(shí)空域內(nèi)的戰(zhàn)場(chǎng)環(huán)境信息；式（2）中分別表示目標(biāo)靜態(tài)屬性信息；式（3）中，表示目標(biāo)的在Ti時(shí)刻第j種動(dòng)態(tài)特征。

2.2.2 數(shù)據(jù)歸一化處理

由于在SAE網(wǎng)絡(luò)模型中，每一個(gè)AENN節(jié)點(diǎn)都采用Sigmoid函數(shù)計(jì)算激勵(lì)，而算法的輸入信號(hào)由戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性和目標(biāo)的實(shí)時(shí)狀態(tài)信息等多個(gè)部分組成，而且各組成部分又分別包含了多個(gè)維度的復(fù)雜、異構(gòu)數(shù)據(jù)，因而需要對(duì)輸入樣本進(jìn)行歸一化處理。記歸一化后的戰(zhàn)場(chǎng)環(huán)境信息向量為XE，XE＝｛x1，x2，…，xLE｝。采用極值歸一化法，將xi（i∈［1，LE］）數(shù)據(jù)放縮到［0，1］范圍內(nèi)，計(jì)算方法如式（4）所示。

其中，δ為一個(gè)非常小的常數(shù)，以防止maxi＝minj時(shí)分母為0（這里取δ＝10-6）；mini和maxj分別表示在所有樣本中第i個(gè)維度出現(xiàn)的最小值和最大值；L和U分別表示期望上界和下界，這里分別取0和1。同樣，用分別表示歸一化后的目標(biāo)屬性和第Tn時(shí)刻的狀態(tài)特征，其歸一化方法與上述過(guò)程一致，這里不再贅述。

2.2.3 特征數(shù)據(jù)編碼方法

在歸一化處理后，將上述信息進(jìn)行整合，依次加入到特征向量X中，則X為對(duì)SAE算法的一組輸入信號(hào)的描述（對(duì)應(yīng)一個(gè)輸入樣本），其編碼方法如圖3所示。

圖3 輸入特征編碼方法

可知，整合后的輸入信號(hào)X的編碼長(zhǎng)度為L(zhǎng)＝LE+ LA+TN·LS。這里以空中目標(biāo)戰(zhàn)術(shù)意圖識(shí)別為例簡(jiǎn)要介紹編碼方法。其中，戰(zhàn)場(chǎng)環(huán)境主要考慮地形、天候、風(fēng)向、通視性等局部時(shí)空域內(nèi)的屬性信息，目標(biāo)屬性主要考慮發(fā)現(xiàn)距離、初步判明的目標(biāo)類型和同一批目標(biāo)的數(shù)量等信息，目標(biāo)狀態(tài)主要考慮目標(biāo)的飛行高度、速度、航向，以及雷達(dá)信號(hào)特征，包括重頻、脈寬、載頻和散射截面積RCS等實(shí)時(shí)信息。在編碼時(shí)，首先將各個(gè)維度的信息映射到實(shí)數(shù)空間（主要指地形、天候、風(fēng)向等離散信息），然后分別進(jìn)行歸一化處理，再統(tǒng)一編碼表示。以戰(zhàn)場(chǎng)地形為例，本文主要考慮平原、丘陵、山地、盆地和高原五種地形，分別將其映射為1-5之間的數(shù)字，然后進(jìn)行歸一化，則在相應(yīng)維度上，0代表平原，0.25代表丘陵，1代表高原。對(duì)于飛行高度、飛行高度等連續(xù)數(shù)值空間的狀態(tài)信息，直接進(jìn)行歸一化即可。最后，進(jìn)行統(tǒng)一編碼表示，構(gòu)成一組標(biāo)準(zhǔn)的輸入信號(hào)。

在上述編碼方法中，將相應(yīng)的局部時(shí)空內(nèi)的戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性，以及目標(biāo)在多個(gè)時(shí)刻的狀態(tài)信息編碼標(biāo)準(zhǔn)的特征序列，既考慮了目標(biāo)遂行戰(zhàn)術(shù)意圖的時(shí)空條件，又反映了目標(biāo)類型、固有屬性對(duì)目標(biāo)遂行戰(zhàn)術(shù)意圖的能力和任務(wù)約束；同時(shí)，由于整合了目標(biāo)在多個(gè)時(shí)刻的動(dòng)態(tài)特征，因而能較好地描述目標(biāo)在戰(zhàn)場(chǎng)中執(zhí)行一系列戰(zhàn)術(shù)動(dòng)作所帶來(lái)的動(dòng)態(tài)特征改變，從而為模型從多個(gè)時(shí)刻的時(shí)序狀態(tài)特征中推測(cè)目標(biāo)的戰(zhàn)術(shù)意圖奠定基礎(chǔ)。

2.3 戰(zhàn)術(shù)意圖空間抽象與模式解析

目標(biāo)意圖識(shí)別是一種典型的模式識(shí)別問(wèn)題，而實(shí)現(xiàn)模式識(shí)別的前提對(duì)分類模式有清晰的界定和描述，即確定問(wèn)題域?qū)?yīng)的模式空間。對(duì)于意圖識(shí)別而言，針對(duì)不同的想定背景、不同的作戰(zhàn)樣式和不同的目標(biāo)實(shí)體，所對(duì)應(yīng)的模式空間是存在差異的。因此，需根據(jù)相應(yīng)的作戰(zhàn)背景，以及敵方目標(biāo)的基本屬性和可能擔(dān)負(fù)的作戰(zhàn)任務(wù)，來(lái)定義目標(biāo)的戰(zhàn)術(shù)意圖空間。如文獻(xiàn)［4］針對(duì)水下目標(biāo)潛在的威脅目標(biāo)，建立目標(biāo)的意圖空間為｛攻擊、規(guī)避、巡邏｝等；文獻(xiàn)［7］提出的水面艦艇編隊(duì)的意圖空間包括｛反艦作戰(zhàn)、護(hù)航運(yùn)輸、反潛作戰(zhàn)、掃雷作戰(zhàn)｝等；文獻(xiàn)［12］定義艦艇戰(zhàn)術(shù)意圖包括｛巡邏、防空、搜潛、攻擊、規(guī)避｝等；文獻(xiàn)［8］定義空中目標(biāo)的戰(zhàn)術(shù)意圖包括｛偵察、監(jiān)視、攻擊、突防｝等。本文以近岸空襲目標(biāo)為研究對(duì)象，確立敵目標(biāo)的戰(zhàn)術(shù)意圖空間包括｛偵察、監(jiān)視、佯動(dòng)、攻擊、突防、誘敵、撤退｝七種模式。

在意圖空間確立后，如何將人的認(rèn)知模式抽象為指導(dǎo)模型訓(xùn)練的模式標(biāo)簽，并確定其在戰(zhàn)術(shù)意圖空間中所代表的分類模式，是將SAE模型應(yīng)用于戰(zhàn)術(shù)意圖識(shí)別的關(guān)鍵問(wèn)題。分析指揮員推測(cè)敵方目標(biāo)戰(zhàn)術(shù)意圖的過(guò)程可知，當(dāng)指揮員看到戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)或綜合態(tài)勢(shì)圖后，需通過(guò)關(guān)鍵特征提取、結(jié)合自身認(rèn)知經(jīng)驗(yàn)并綜合分析多種因素，最終推斷敵方目標(biāo)可能的戰(zhàn)術(shù)意圖。其中，人的認(rèn)知經(jīng)驗(yàn)主要隱含在對(duì)過(guò)往的特征向量對(duì)應(yīng)的目標(biāo)戰(zhàn)術(shù)意圖的推理結(jié)果中，因而，為了將這些認(rèn)知經(jīng)驗(yàn)轉(zhuǎn)換為指導(dǎo)深層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的知識(shí)，需針對(duì)樣本集中的訓(xùn)練樣本，結(jié)合人類的認(rèn)知經(jīng)驗(yàn)對(duì)其進(jìn)行識(shí)別，并將相應(yīng)結(jié)果封裝為指導(dǎo)模型訓(xùn)練的標(biāo)簽知識(shí)。針對(duì)文中確立的目標(biāo)戰(zhàn)術(shù)意圖空間，相應(yīng)的知識(shí)封裝與模式解析機(jī)制如圖4所示。

圖4 知識(shí)封裝與模式解析

對(duì)于戰(zhàn)術(shù)意圖空間中的意圖模式，分別設(shè)置相應(yīng)0、1、2、3、4、5、6共7類標(biāo)簽值。在構(gòu)建帶標(biāo)簽的樣本集時(shí)，需將人類對(duì)樣本集中相應(yīng)特征向量的評(píng)估結(jié)果抽象、封裝為SAE的樣本標(biāo)簽；而當(dāng)將SAE應(yīng)用到實(shí)際的戰(zhàn)術(shù)意圖推理時(shí)，只需將SAE模型輸出的標(biāo)簽值映射為相應(yīng)模式，即為目標(biāo)戰(zhàn)術(shù)意圖的判斷結(jié)論。比如，若SAE輸出的標(biāo)簽值為3，則相應(yīng)目標(biāo)的戰(zhàn)術(shù)意圖為執(zhí)行“攻擊”任務(wù)?？梢姡捎蒙鲜鲋R(shí)封裝與模式解析機(jī)制，能清晰、完整地描述人的經(jīng)驗(yàn)知識(shí)，并便于工程實(shí)現(xiàn)。

3 實(shí)驗(yàn)測(cè)試與結(jié)果分析

本文以某區(qū)域近岸空襲目標(biāo)為研究對(duì)象，實(shí)驗(yàn)數(shù)據(jù)從某作戰(zhàn)仿真系統(tǒng)提取。采用文中所述數(shù)據(jù)處理與編碼方法，每個(gè)樣本采集相應(yīng)目標(biāo)連續(xù)10幀的狀態(tài)信息。分別構(gòu)建訓(xùn)練樣本集（含10000個(gè)訓(xùn)練樣本）、校驗(yàn)樣本集（含2000個(gè)校驗(yàn)樣本）和測(cè)試樣本集（含2000個(gè)測(cè)試樣本），然后由研究人員依據(jù)認(rèn)知經(jīng)驗(yàn)，分別為樣本標(biāo)注模式標(biāo)簽（由于樣本數(shù)量過(guò)多，為避免隨意性并確保實(shí)驗(yàn)可行，模式標(biāo)簽首先由計(jì)算機(jī)按預(yù)置規(guī)則生成，然后由領(lǐng)域?qū)＜覔?jù)經(jīng)驗(yàn)進(jìn)行修訂）。記隱含層數(shù)為NH，各隱含層節(jié)點(diǎn)數(shù)為HLS；網(wǎng)絡(luò)預(yù)訓(xùn)練的最大迭代次數(shù)為ep1，學(xué)習(xí)因子為ζ1；監(jiān)督訓(xùn)練的最大迭代次數(shù)為ep2，學(xué)習(xí)因子為ζ2。首先分析無(wú)監(jiān)督預(yù)訓(xùn)練過(guò)程對(duì)SAE網(wǎng)絡(luò)的收斂性能的影響。

3.1 無(wú)監(jiān)督預(yù)訓(xùn)練對(duì)收斂效率的影響

SEA結(jié)構(gòu)參數(shù)如下：NH＝3，HLS＝［256，128，128］。首先，通過(guò)無(wú)監(jiān)督的預(yù)訓(xùn)練過(guò)程優(yōu)化網(wǎng)絡(luò)參數(shù)，令學(xué)習(xí)因子ζ1＝0.02，分別設(shè)置3組預(yù)訓(xùn)練迭代參數(shù)：1）不進(jìn)行預(yù)訓(xùn)練，ep1＝0，記為SAE-NUP；2）進(jìn)行預(yù)訓(xùn)練，ep1＝50，記為SAE-UP50；3）進(jìn)行預(yù)訓(xùn)練，ep1＝100，記為SAE-SP100。然后采取監(jiān)督學(xué)習(xí)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，令ep2＝200，ζ2＝0.02。分別進(jìn)行多次實(shí)驗(yàn)，統(tǒng)計(jì)相應(yīng)SAE網(wǎng)絡(luò)在監(jiān)督訓(xùn)練過(guò)程的校驗(yàn)誤差，如圖5所示。

圖5 無(wú)監(jiān)督預(yù)訓(xùn)練對(duì)收斂效率的影響

由圖5可見，當(dāng)SAE模型進(jìn)入到有監(jiān)督訓(xùn)練階段，預(yù)訓(xùn)練迭代次數(shù)為100的SAE網(wǎng)絡(luò)（SAE-UP100）對(duì)應(yīng)模型的校驗(yàn)誤差下降最快，SAE-UP50次之，而SAE -NUP速度最慢；截至到監(jiān)督學(xué)習(xí)200代，SAE-UP100、SAE-UP50和SAE-NUP對(duì)應(yīng)的校驗(yàn)誤差分別下降到了27.5%、26.8%和22.9%。這說(shuō)明，所提的SAE模型具有良好的收斂性能，而通過(guò)引入無(wú)監(jiān)督的預(yù)訓(xùn)練過(guò)程，并適當(dāng)增加預(yù)訓(xùn)練的迭代次數(shù)，將有效降低SAE模型的訓(xùn)練難度，并明顯提升其收斂速度與計(jì)算精度。

3.2 網(wǎng)絡(luò)深度對(duì)SAE算法性能的影響

保持隱含節(jié)點(diǎn)總體數(shù)目不變，分別設(shè)置不同的隱含層數(shù)，分析網(wǎng)絡(luò)深度對(duì)算法性能的影響?；?組結(jié)構(gòu)參數(shù)分別構(gòu)建SAE模型：1）NH＝1，HLS＝［512］，記為SAE-HL1；2）NH＝2，HLS＝［256，256］，記為SAEHL2；3）NH＝3，HLS＝［256，128，128］，記為SAE-HL3；4）NH＝4，HLS＝［256，128，64，64］；5）NH＝5，HLS＝［256，128，64，32，32］，記為SAE-HL5。所有SAE模型采用相同的訓(xùn)練參數(shù)：ep1＝100，ζ1＝0.02，ep2＝200，ζ2＝0.02。分別進(jìn)行多次實(shí)驗(yàn)，統(tǒng)計(jì)相應(yīng)的校驗(yàn)誤差，統(tǒng)計(jì)結(jié)果如圖6所示。

圖6 網(wǎng)絡(luò)深度對(duì)算法性能的影響

由圖6可見，隨著隱含層數(shù)的增加，模型的收斂性能也逐漸提升，具有三個(gè)隱含層的SAE模型的性能明顯優(yōu)于單隱含層和雙隱含層SAE模型；當(dāng)隱含層數(shù)增加到四層，相應(yīng)模型在前期的收斂速度慢于三隱含層的SAE模型，但在訓(xùn)練后期又表現(xiàn)出了比SAE-HL3更優(yōu)的收斂性能；而當(dāng)隱含層增加到五層，截至模型監(jiān)督學(xué)習(xí)迭代200次，其收斂速度和計(jì)算精度均明顯低于含有三個(gè)隱含層和四個(gè)隱含層的SAE模型。因而可知，在隱含節(jié)點(diǎn)總數(shù)一定的情況下，適度增加SAE的網(wǎng)絡(luò)深度，將有效提高算法的收斂效率和計(jì)算精確；但當(dāng)網(wǎng)絡(luò)達(dá)到一定深度后，再試圖通過(guò)增加隱含層數(shù)提升算法性能，效果并不理想。

3.3 SAE模型與其它模型應(yīng)用測(cè)試比較

基于多層感知機(jī)（Multi?LayerPerception，MLP）［8］、邏輯回歸分類器（logistic regression classifier，LRC）［9］，以及基于不同網(wǎng)絡(luò)深度和訓(xùn)練方法的SAE模型，采用相同的輸入特征編碼方法和模式解析機(jī)制，分別實(shí)現(xiàn)目標(biāo)戰(zhàn)術(shù)意圖的智能識(shí)別模型。然后基于同一測(cè)試樣本，分別進(jìn)行測(cè)試并統(tǒng)計(jì)相應(yīng)的識(shí)別準(zhǔn)確率，如表1所示。

表1 不同意圖識(shí)別模型識(shí)別的準(zhǔn)確率

由表1的測(cè)試結(jié)果可見，隱含層數(shù)目為4，預(yù)訓(xùn)練100代的SAE模型對(duì)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的準(zhǔn)確率最高，達(dá)78.6%；而具有3隱含層、預(yù)訓(xùn)練100代的SAE模型略次之，約為77.85%。基于MLP的意圖識(shí)別模型的準(zhǔn)確率約為71.9%，優(yōu)于基于LRC的意圖識(shí)別模型（64.5%）。所有的SAE模型均保持了較高的準(zhǔn)確率，都在70%以上，接近或優(yōu)于MLP模型。這說(shuō)明，對(duì)于具有高度對(duì)抗性和主觀性的意圖識(shí)別問(wèn)題，本文所提的SAE算法具有較高的識(shí)別準(zhǔn)確率，是實(shí)現(xiàn)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別的一種有效算法。需要指出的是，在實(shí)驗(yàn)過(guò)程中我們發(fā)現(xiàn)，隨著訓(xùn)練樣本集的擴(kuò)充和有監(jiān)督訓(xùn)練迭代次數(shù)的增加，模型的識(shí)別精度仍將會(huì)隨之提升。目前，針對(duì)本文實(shí)驗(yàn)的數(shù)據(jù)集，當(dāng)訓(xùn)練樣本增加到20000個(gè)，有監(jiān)督訓(xùn)練迭代1000次時(shí)，SAE-HL4對(duì)應(yīng)模型在的識(shí)別準(zhǔn)確率可達(dá)到82.65%。

4 結(jié)束語(yǔ)

目標(biāo)戰(zhàn)術(shù)意圖具有很強(qiáng)的隱蔽性、欺騙性和對(duì)抗性。因而，戰(zhàn)術(shù)意圖識(shí)別是一種高度對(duì)抗的復(fù)雜思維活動(dòng)，需從戰(zhàn)場(chǎng)目標(biāo)動(dòng)態(tài)、時(shí)序變化的狀態(tài)信息中提取關(guān)鍵特征，并結(jié)合作戰(zhàn)背景、戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性等多種因素，通過(guò)特征提取、對(duì)比分析、聯(lián)想和推理等一系列思維活動(dòng)，來(lái)推測(cè)目標(biāo)的戰(zhàn)術(shù)意圖，很難通過(guò)顯式的數(shù)學(xué)公式來(lái)描述和歸納。本文提出一種基于棧式自編碼器（SAE）的目標(biāo)戰(zhàn)術(shù)意圖識(shí)別模型，以模擬指揮員進(jìn)行情況判斷的思維模式，并通過(guò)訓(xùn)練學(xué)習(xí)人認(rèn)知經(jīng)驗(yàn)，進(jìn)而實(shí)現(xiàn)對(duì)目標(biāo)戰(zhàn)術(shù)意圖的智能識(shí)別，最后分析了無(wú)監(jiān)督預(yù)訓(xùn)練過(guò)程與SAE網(wǎng)絡(luò)深度對(duì)模型性能的影響，并通過(guò)與多層感知機(jī)（MLP）和邏輯回歸分類器（LRC）的對(duì)比實(shí)驗(yàn)，驗(yàn)證基于SAE算法的智能意圖識(shí)別模型的有效性。如何提高智能模型對(duì)高維時(shí)序特征的抽象和推理能力，是我們下一步研究的重點(diǎn)。

［1］ 鄧海軍，尹全軍，胡記文，等.基于MEBN的戰(zhàn)術(shù)意圖識(shí)別［J］.系統(tǒng)工程與電子技術(shù)，2010，32（11）：2374?2379.

［2］ Levchuk G M，Grande D，Pattipati K R，et al.Mission Plan Recognition：Developing Smart Automated Opposing ForcesforBattlefieldSimulationsandIntelligence Analyses［C］／／.13th ICCRTS?2008“C2 for Complex En?deavors”，2008.

［3］ 王昊冉，老松楊，白亮，等.基于MEBN的戰(zhàn)術(shù)級(jí)空中目標(biāo)意圖識(shí)別［J］.火力與指揮控制，2012，37（10）：133?138.

［4］ 陸光宇，丁迎迎.水下平臺(tái)對(duì)敵意圖識(shí)別技術(shù)研究［J］.指揮控制與仿真，2012，34（6）：100?102.

［5］ 張肅，程啟月，解瑤，等.不確定空情信息條件下的意圖識(shí)別方法［J］.空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，9（3）：50?53.

［6］ 孫越林，包磊.基于D?S證據(jù)理論的海戰(zhàn)場(chǎng)目標(biāo)戰(zhàn)術(shù)意圖識(shí)別技術(shù)研究［J］.艦船電子工程，2012，32（5）：48?51.

［7］ 冷畫屏，吳曉鋒，胡劍光.海上目標(biāo)戰(zhàn)術(shù)意圖序貫識(shí)別技術(shù)研究［J］.系統(tǒng)工程與電子技術(shù)，2008，30（3）：62?65.

［8］ Schmidhuber J.Deep learning in neural networks：An o?verview［J］.Neural Networks the Official Journal of the International Neural Network Society，2015（61）：85?117.

［9］ Deng L，Yu D.Deep Learning：Methods and Applications［J］.Foundations＆Trends in Signal Processing，2013，7（3）：197?387.

［10］Vanhoucke V.Adaptive auto?encoders：US，US8484022［P］.2013，1?20.

［11］Cai Z，F(xiàn)eng Y，Gan Y，et al.Research on Plan Recogni?tion Based on Misleading Action Processing［J］.The Open Automation and Control Systems Journal，2014，6（1）：1029?1037.

［12］牛曉博，趙虎，張玉冊(cè).基于決策樹的海戰(zhàn)場(chǎng)艦艇意圖識(shí)別［J］.兵工自動(dòng)化，2010，29（6）：44?46.

Tactical Intention Recognition Algorithm Based on Encoded Temporal Features

OU Wei1，2，LIU Shao?jun1，HE Xiao?yuan2，GUO Sheng?ming1
（1.Department of Information Operation＆Command Training，NDU，Beijing 100091；2.Urumqi Border Cadre Training Unit，Urumqi 830002，China）

Automatic and fast intention recognition is the premise and bedrock of intelligent decision?making，and it refers to the process of deducing the intention of a target from a set of observed actions with dynamic and temporal characteristics. Here，an automatic tactical intention recognition model based on deep learning methods of stacked auto?encoder（SAE）is proposed.The temporal features and attributes of corresponding target and battlefield environment are encoded as the input signal，and then the recognition experience of domain expert are encapsulated and labeled as knowledge to train the intelli?gent model so as to simulate the deducing and cognition mode of human.Finally，the influence of pre?training and the depth of the SAE network on the performance are analyzed，and the validation of SAE model was illustrated by comparison of recog?nition accuracy ratios with that obtained by the models based on multi?layer perceptron（MLP）and logistic regression classi?fier（LRC）.

tactical intention recognition；temporal features；stacked auto?encoder；deep learning

E917；E391.9

A

10.3969／j.issn.1673?3819.2016.06.008

1673?3819（2016）06?0036?06

2016?07?03

2016?07?22

國(guó)家自然科學(xué)基金（60403401，61374179，6127318 9，61174156，61174035）；全軍軍事學(xué)研究生課題（2015JY035）

歐 微（1983?），男，湖南武岡人，博士研究生，講師，研究方向?yàn)閼?zhàn)爭(zhēng)模擬與智能決策。

柳少軍（1962?），男，教授，博士生導(dǎo)師。

賀筱媛（1968?），女，副教授，碩士生導(dǎo)師。

郭圣明（1981?），男，博士后。