基于深度神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)作戰(zhàn)意圖識(shí)別

周旺旺，姚佩陽(yáng),，張杰勇，王勛，魏帥

1. 空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710077 2. 中國(guó)人民解放軍95910部隊(duì)，酒泉 735000

敵方目標(biāo)作戰(zhàn)意圖識(shí)別是目前態(tài)勢(shì)估計(jì)領(lǐng)域研究的熱點(diǎn)，是我方指揮員指揮決策的重要依據(jù)。信息化條件下，現(xiàn)代戰(zhàn)場(chǎng)的復(fù)雜性、瞬變性劇增，指揮員難以在短時(shí)間內(nèi)處理大量的戰(zhàn)場(chǎng)信息，識(shí)別敵方目標(biāo)作戰(zhàn)意圖，這就迫切需求作戰(zhàn)指揮系統(tǒng)輔助指揮員進(jìn)行決策，以縮短決策時(shí)間，提升決策質(zhì)量?？罩凶鲬?zhàn)目標(biāo)是現(xiàn)代戰(zhàn)爭(zhēng)中的典型作戰(zhàn)平臺(tái)，是奪取制空權(quán)的重要力量。對(duì)空中目標(biāo)作戰(zhàn)意圖及時(shí)、準(zhǔn)確的識(shí)別為我方指揮員防空作戰(zhàn)指揮提供有力支撐?，F(xiàn)有的作戰(zhàn)意圖識(shí)別研究主要基于模板匹配[1-3]、專家系統(tǒng)[4-6]、貝葉斯網(wǎng)絡(luò)[7-9]和神經(jīng)網(wǎng)絡(luò)[10-13]等方法對(duì)目標(biāo)的意圖進(jìn)行判斷。文獻(xiàn)[1-3]依據(jù)領(lǐng)域?qū)＜业能娛轮R(shí)構(gòu)建模板庫(kù)，從敵方目標(biāo)作戰(zhàn)行動(dòng)中提取特征，通過推理特征與模板庫(kù)的匹配程度確定目標(biāo)作戰(zhàn)意圖。文獻(xiàn)[4-6]依據(jù)領(lǐng)域?qū)＜业淖鲬?zhàn)知識(shí)構(gòu)建知識(shí)庫(kù)，并用規(guī)則的形式表示戰(zhàn)場(chǎng)態(tài)勢(shì)和作戰(zhàn)意圖的對(duì)應(yīng)關(guān)系，最后依據(jù)所得戰(zhàn)場(chǎng)態(tài)勢(shì)用推理機(jī)推理作戰(zhàn)意圖。文獻(xiàn)[7-9]依據(jù)領(lǐng)域?qū)＜抑R(shí)構(gòu)建貝葉斯網(wǎng)絡(luò)，利用節(jié)點(diǎn)表示特征，有向弧表示轉(zhuǎn)移關(guān)系，條件概率表達(dá)關(guān)系強(qiáng)度，能夠較好地表達(dá)特征與意圖之間的關(guān)系。上述方法雖在一定程度上解決了目標(biāo)作戰(zhàn)意圖識(shí)別問題，但均需要大量領(lǐng)域?qū)＜蚁闰?yàn)知識(shí)對(duì)意圖識(shí)別特征權(quán)重、先驗(yàn)概率等進(jìn)行量化，而由于戰(zhàn)場(chǎng)環(huán)境復(fù)雜性的不斷增強(qiáng)，新作戰(zhàn)平臺(tái)和作戰(zhàn)樣式的不斷涌現(xiàn)，領(lǐng)域?qū)＜逸^難在短時(shí)間掌握目標(biāo)的全面信息，其先驗(yàn)知識(shí)不足以對(duì)目標(biāo)屬性與作戰(zhàn)意圖間的關(guān)系進(jìn)行精確量化。針對(duì)以上問題，文獻(xiàn)[10-12]利用神經(jīng)網(wǎng)絡(luò)自適應(yīng)和自學(xué)習(xí)的能力，自動(dòng)從訓(xùn)練特征數(shù)據(jù)中提取識(shí)別規(guī)則，并將識(shí)別規(guī)則記憶在網(wǎng)絡(luò)權(quán)值中以便后期意圖預(yù)測(cè)。這些基于神經(jīng)網(wǎng)絡(luò)的方法可以在領(lǐng)域?qū)＜蚁闰?yàn)知識(shí)不足情況下較好地解決目標(biāo)意圖識(shí)別問題，但由于隱藏層數(shù)較淺，難以表達(dá)復(fù)雜度高的問題。文獻(xiàn)[13]提出了一種基于棧式自編碼器的意圖識(shí)別深度學(xué)習(xí)模型，將戰(zhàn)場(chǎng)環(huán)境信息、目標(biāo)屬性和目標(biāo)實(shí)時(shí)狀態(tài)信息作為輸入，識(shí)別作戰(zhàn)意圖。該方法能有效識(shí)別目標(biāo)作戰(zhàn)意圖，但模型輸入包含多個(gè)時(shí)刻目標(biāo)狀態(tài)信息，在模型訓(xùn)練時(shí)會(huì)產(chǎn)生累積誤差，影響識(shí)別效果。上述方法均采用基本的反向傳播(Back Propagation, BP)算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，收斂速度較慢，且容易陷入局部最優(yōu)。

本文針對(duì)領(lǐng)域?qū)＜抑R(shí)不足條件下，難以量化屬性特征與作戰(zhàn)意圖間的映射關(guān)系問題，提出了一種采用深度神經(jīng)網(wǎng)絡(luò)對(duì)空中目標(biāo)進(jìn)行意圖識(shí)別的方法，通過將空中作戰(zhàn)目標(biāo)的機(jī)動(dòng)類型、速度、高度、位置等屬性特征與對(duì)應(yīng)的意圖標(biāo)簽作為樣本輸入到深度神經(jīng)網(wǎng)絡(luò)模型中，調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)權(quán)值，然后用訓(xùn)練好的模型預(yù)測(cè)目標(biāo)的作戰(zhàn)意圖。深度神經(jīng)網(wǎng)絡(luò)是多隱藏層的神經(jīng)網(wǎng)絡(luò)，由于隱藏層數(shù)較深，后面層網(wǎng)絡(luò)可以在前面層網(wǎng)絡(luò)學(xué)習(xí)到的初步特征基礎(chǔ)上形成更高級(jí)別的特征[14]，因此能夠?qū)δ繕?biāo)意圖進(jìn)行更好的識(shí)別。目標(biāo)狀態(tài)的改變是由于發(fā)生了機(jī)動(dòng)，以目標(biāo)機(jī)動(dòng)類型作為模型輸入，既能降低樣本維數(shù)，減少累積誤差，又能保留目標(biāo)運(yùn)動(dòng)信息。本文采用ReLU(Rectified Linear Unit)函數(shù)[15]作為激活函數(shù)解決梯度消失問題，同時(shí)結(jié)合自適應(yīng)矩估計(jì)(Adaptive moment estimation，Adam)[16]優(yōu)化算法加速模型收斂，跳出局部最優(yōu)，可以得到更好的訓(xùn)練模型。采用深度神經(jīng)網(wǎng)絡(luò)方法可以更好地解決領(lǐng)域?qū)＜抑R(shí)不足條件下的目標(biāo)意圖識(shí)別問題。

1 作戰(zhàn)意圖特征選取

本文研究的是空中目標(biāo)的作戰(zhàn)意圖識(shí)別過程。敵方的作戰(zhàn)意圖由所配置的兵力合力實(shí)現(xiàn)，敵方兵力會(huì)按一定的規(guī)則采取作戰(zhàn)行動(dòng)去實(shí)現(xiàn)其作戰(zhàn)意圖，敵方作戰(zhàn)行動(dòng)表現(xiàn)為目標(biāo)自身狀態(tài)的改變。因此我方通過對(duì)其狀態(tài)的觀測(cè)識(shí)別其行動(dòng)，進(jìn)一步識(shí)別其作戰(zhàn)意圖，意圖層次表示及推理過程如圖1所示。

圖1 意圖的層次表示及推理過程Fig.1 Hierarchical representation and reasoning process of intention

目標(biāo)作戰(zhàn)意圖的不同會(huì)表現(xiàn)為某些狀態(tài)的區(qū)別，意圖與狀態(tài)間存在某些特定關(guān)系。本文依據(jù)領(lǐng)域?qū)＜抑R(shí)選取了與目標(biāo)作戰(zhàn)意圖關(guān)系緊密的特征，如飛行速度、高度、航向角、方位角、距離、飛行加速度、雷達(dá)反射面積、對(duì)空雷達(dá)狀態(tài)、對(duì)海雷達(dá)狀態(tài)、干擾狀態(tài)、敵我識(shí)別應(yīng)答和機(jī)動(dòng)類型共12維特征。作戰(zhàn)意圖分為突防、攻擊、電子干擾、運(yùn)輸、加油、民航飛行、預(yù)警探測(cè)和偵察等8類。本文列舉了目標(biāo)飛行速度、高度、雷達(dá)狀態(tài)等3種特征與作戰(zhàn)意圖間的對(duì)應(yīng)關(guān)系：

1) 目標(biāo)飛行速度與作戰(zhàn)意圖

殲擊機(jī)在空戰(zhàn)格斗時(shí)通常采用大速度接敵，飛行速度一般為735～1 470 km/h；轟炸機(jī)和運(yùn)輸機(jī)飛行速度一般為600～850 km/h；運(yùn)輸機(jī)通常采用巡航速度執(zhí)行運(yùn)輸任務(wù)，巡航速度一般小于其最大飛行速度；預(yù)警機(jī)飛行速度為750～950 km/h。

2) 目標(biāo)飛行高度與作戰(zhàn)意圖

突防一般分為低空突防和高空突防，對(duì)應(yīng)高度分別為50～200 m和10 000～11 000 m；空戰(zhàn)格斗一般在1 000～6 000 m高空進(jìn)行；為躲避雷達(dá)探測(cè)，偵察機(jī)一般采用低空和超高空偵察，對(duì)應(yīng)高度為100～1 000 m和15 000 m以上。表1為目標(biāo)高度與目標(biāo)作戰(zhàn)意圖對(duì)應(yīng)關(guān)系。

3) 目標(biāo)雷達(dá)狀態(tài)與作戰(zhàn)意圖

民航飛機(jī)一般不裝備對(duì)空和對(duì)海雷達(dá)；轟炸機(jī)一般裝備兩款雷達(dá)，但只在轟炸攻擊時(shí)保持對(duì)空或?qū)＠走_(dá)開機(jī)；執(zhí)行偵察任務(wù)的飛機(jī)一般保持兩款雷達(dá)同時(shí)開機(jī)；空戰(zhàn)格斗時(shí)對(duì)空雷達(dá)通常開機(jī)；執(zhí)行運(yùn)輸任務(wù)時(shí)雷達(dá)一般靜默。

目標(biāo)作戰(zhàn)意圖的顯現(xiàn)是一個(gè)動(dòng)態(tài)的時(shí)序過程，僅依賴某一時(shí)刻目標(biāo)的狀態(tài)預(yù)測(cè)其作戰(zhàn)意圖可能導(dǎo)致預(yù)測(cè)結(jié)果的片面性，本文將連續(xù)10個(gè)雷達(dá)取樣點(diǎn)的目標(biāo)狀態(tài)進(jìn)行封裝，識(shí)別其機(jī)動(dòng)類型。將得到的目標(biāo)機(jī)動(dòng)類型及最后時(shí)刻目標(biāo)飛行速度、高度、航向角、方位角、距離、飛行加速度作為目標(biāo)機(jī)動(dòng)特征。由于目標(biāo)狀態(tài)的連續(xù)性，以最后時(shí)刻目標(biāo)狀態(tài)及目標(biāo)機(jī)動(dòng)類型作為模型輸入即可保留較為完備的目標(biāo)運(yùn)動(dòng)信息。表2為目標(biāo)機(jī)動(dòng)類型與目標(biāo)作戰(zhàn)意圖之間的關(guān)系，表中未列出直飛、左轉(zhuǎn)彎、右轉(zhuǎn)彎3種所有作戰(zhàn)意圖都適用的機(jī)動(dòng)類型。

表1 目標(biāo)高度與目標(biāo)作戰(zhàn)意圖的關(guān)系

表2 目標(biāo)機(jī)動(dòng)類型與目標(biāo)作戰(zhàn)意圖的關(guān)系

2 樣本數(shù)據(jù)處理

神經(jīng)網(wǎng)絡(luò)模型只能處理數(shù)值數(shù)據(jù)，雷達(dá)等傳感器獲取的目標(biāo)飛行速度、高度、航向角、方位角、距離、飛行加速度、雷達(dá)反射面積等機(jī)動(dòng)數(shù)據(jù)為數(shù)值數(shù)據(jù)，但不同類別數(shù)據(jù)間量級(jí)差別較大；電子偵查設(shè)備獲取的目標(biāo)對(duì)空雷達(dá)狀態(tài)、對(duì)海雷達(dá)狀態(tài)、干擾狀態(tài)、敵我識(shí)別應(yīng)答結(jié)果及意圖類型、機(jī)動(dòng)類型均為分類數(shù)據(jù)。為滿足模型對(duì)數(shù)據(jù)的要求，消除量綱影響，需對(duì)樣本數(shù)據(jù)和意圖標(biāo)簽進(jìn)行處理。

2.1 歸一化處理

(1)

式中：minAx為第x種屬性Ax的最小值；maxAx為屬性Ax的最大值。

2.2 數(shù)值化處理

(2)

生成作戰(zhàn)意圖標(biāo)簽的方法主要有以下2種：① 由前線作戰(zhàn)人員反饋其觀測(cè)到的敵方目標(biāo)作戰(zhàn)意圖，后方人員依據(jù)反饋結(jié)果確定樣本數(shù)據(jù)對(duì)應(yīng)的意圖標(biāo)簽；② 由領(lǐng)域?qū)＜彝ㄟ^對(duì)目標(biāo)實(shí)現(xiàn)其作戰(zhàn)意圖過程的持續(xù)跟蹤觀察確定敵方目標(biāo)作戰(zhàn)意圖。隨著戰(zhàn)場(chǎng)環(huán)境復(fù)雜性的不斷增強(qiáng)，新作戰(zhàn)平臺(tái)和作戰(zhàn)樣式的不斷涌現(xiàn)，領(lǐng)域?qū)＜逸^難在短時(shí)間掌握目標(biāo)的全面信息，導(dǎo)致其先驗(yàn)知識(shí)不足以根據(jù)目標(biāo)的機(jī)動(dòng)和狀態(tài)數(shù)據(jù)直接推斷目標(biāo)作戰(zhàn)意圖，但其能夠通過對(duì)目標(biāo)實(shí)現(xiàn)作戰(zhàn)意圖過程的持續(xù)跟蹤觀測(cè)，對(duì)目標(biāo)作戰(zhàn)意圖定性，得到樣本數(shù)據(jù)對(duì)應(yīng)的作戰(zhàn)意圖標(biāo)簽。如當(dāng)敵我雙方正進(jìn)行空戰(zhàn)格斗時(shí)，領(lǐng)域?qū)＜夷軌蛞罁?jù)獲取的敵方目標(biāo)空戰(zhàn)過程的視頻、圖像等信息確定敵方目標(biāo)作戰(zhàn)意圖為攻擊。意圖識(shí)別結(jié)果為分類數(shù)據(jù)，同樣需對(duì)其進(jìn)行數(shù)值化處理，作戰(zhàn)意圖與模型輸出對(duì)應(yīng)關(guān)系如圖2所示。

圖2 作戰(zhàn)意圖與模型輸出的對(duì)應(yīng)關(guān)系Fig.2 Correspondence between combat intention and model output

3 作戰(zhàn)意圖識(shí)別模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)可以在無先驗(yàn)知識(shí)條件下，僅通過網(wǎng)絡(luò)自身的訓(xùn)練，自動(dòng)學(xué)習(xí)輸入與輸出之間的映射關(guān)系。因此，在領(lǐng)域?qū)＜蚁闰?yàn)知識(shí)不足的條件下，通過獲取到的敵方目標(biāo)數(shù)據(jù)和意圖標(biāo)簽對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到作戰(zhàn)意圖識(shí)別神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)目標(biāo)意圖進(jìn)行識(shí)別。

對(duì)于多隱藏層的神經(jīng)網(wǎng)絡(luò)，后面層網(wǎng)絡(luò)可以在前面層網(wǎng)絡(luò)學(xué)習(xí)到的初步特征基礎(chǔ)上形成更高級(jí)別的特征[14]，因此可以更好地刻畫數(shù)據(jù)特征，同時(shí)，相對(duì)于單隱藏層、多節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)可以用較少的參數(shù)表征相同復(fù)雜度的函數(shù)?；镜腂P神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)復(fù)雜度的提高，其越容易陷入局部極值，導(dǎo)致網(wǎng)絡(luò)無法得到很好的訓(xùn)練。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)分支，其目標(biāo)是建立能夠模擬人腦進(jìn)行分析、學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，現(xiàn)已廣泛應(yīng)用于圖像識(shí)別[17-18]、語(yǔ)音識(shí)別[19-20]、行為識(shí)別[21-22]等領(lǐng)域。本文基于深度神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)作戰(zhàn)意圖識(shí)別問題進(jìn)行研究。

3.1 ReLU激活函數(shù)

激活函數(shù)ReLU的表達(dá)式為σ(z)=max(0,z)，即當(dāng)z≥0時(shí)保持不變;當(dāng)z<0時(shí)為0，其求導(dǎo)簡(jiǎn)單;當(dāng)z≥0時(shí)，導(dǎo)數(shù)為1;當(dāng)z<0時(shí)，導(dǎo)數(shù)為0。因此不會(huì)隨著遞推的進(jìn)行發(fā)生梯度衰減，可以解決部分梯度消失問題。

3.2 基于Adam算法的模型訓(xùn)練過程

傳統(tǒng)的梯度下降方法的學(xué)習(xí)率η保持不變，且隨著損失函數(shù)復(fù)雜度的提高，越容易陷入“鞍點(diǎn)”，即所有方向上梯度值為零。而Adam算法結(jié)合了Momentum優(yōu)化算法和RMSprop(Root Mean Square prop)優(yōu)化算法的優(yōu)點(diǎn)，當(dāng)梯度在連續(xù)朝同一個(gè)方向更新時(shí)會(huì)增大權(quán)重變化量，當(dāng)梯度更新方向變化時(shí)會(huì)減小權(quán)重變化量，如同石頭下落過程中的慣性一樣，利用這個(gè)“慣性”，避免網(wǎng)絡(luò)訓(xùn)練時(shí)陷入局部最優(yōu)點(diǎn)，加速網(wǎng)絡(luò)收斂。同時(shí)，Adam算法可以讓參數(shù)自適應(yīng)地更新學(xué)習(xí)率，更新頻率高的參數(shù)學(xué)習(xí)率較小，更新頻率低的參數(shù)學(xué)習(xí)率較大，可以提高梯度優(yōu)化算法的魯棒性。

(3)

式中：gt為對(duì)于參數(shù)θ在迭代次數(shù)t時(shí)目標(biāo)函數(shù)的梯度；參數(shù)θ指代網(wǎng)絡(luò)中所有參數(shù)。

(4)

式中：mt為梯度的一階力矩；vt為梯度的二階力矩。通過計(jì)算偏差修正一階和二階力矩估計(jì)來減少偏差

(5)

式中：β1、β2為超參數(shù)，用于修正一階和二階力矩估計(jì)。

Adam算法的參數(shù)更新公式為

(6)

式中：ε為平滑項(xiàng)，防止被零除。

4 目標(biāo)作戰(zhàn)意圖識(shí)別流程

基于深度神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)作戰(zhàn)意圖進(jìn)行識(shí)別，步驟為：

步驟1從各類傳感器中提取目標(biāo)特征數(shù)據(jù)，并根據(jù)實(shí)際作戰(zhàn)結(jié)果和領(lǐng)域?qū)＜遗袛鄬?duì)其標(biāo)記意圖標(biāo)簽。利用獲取的目標(biāo)特征數(shù)據(jù)和意圖標(biāo)簽構(gòu)建數(shù)據(jù)庫(kù)，將數(shù)據(jù)庫(kù)中數(shù)據(jù)抽取一部分作為測(cè)試數(shù)據(jù)庫(kù)，其他部分作為訓(xùn)練數(shù)據(jù)庫(kù)，從訓(xùn)練數(shù)據(jù)庫(kù)中隨機(jī)抽取部分?jǐn)?shù)據(jù)作為驗(yàn)證數(shù)據(jù)庫(kù)。

步驟2調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，確定隱藏層數(shù)和節(jié)點(diǎn)數(shù)。

步驟3將訓(xùn)練數(shù)據(jù)庫(kù)中所有數(shù)據(jù)輸入到構(gòu)建好的深度神經(jīng)網(wǎng)絡(luò)中，調(diào)整網(wǎng)絡(luò)權(quán)值，將輸出的意圖識(shí)別結(jié)果與標(biāo)簽對(duì)比，計(jì)算識(shí)別精度，若識(shí)別精度達(dá)到模型既定標(biāo)準(zhǔn)則轉(zhuǎn)步驟4，否則轉(zhuǎn)步驟2。

步驟4將驗(yàn)證數(shù)據(jù)庫(kù)中的數(shù)據(jù)輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，計(jì)算識(shí)別精度，若識(shí)別精度達(dá)到模型既定標(biāo)準(zhǔn)則轉(zhuǎn)步驟5，否則轉(zhuǎn)步驟2。

步驟5將測(cè)試數(shù)據(jù)庫(kù)中的目標(biāo)特征數(shù)據(jù)輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，計(jì)算識(shí)別精度，判定模型識(shí)別效果。

步驟6將待識(shí)別作戰(zhàn)意圖的目標(biāo)特征數(shù)據(jù)輸入模型，預(yù)測(cè)出其作戰(zhàn)意圖。

5 仿真實(shí)驗(yàn)分析

實(shí)驗(yàn)采用作戰(zhàn)意圖數(shù)據(jù)集Data，數(shù)據(jù)集Data為不同空中目標(biāo)作戰(zhàn)意圖對(duì)應(yīng)特征狀態(tài)量測(cè)值，包含飛行速度、高度、航向角、方位角、距離、飛行加速度、雷達(dá)反射面積、對(duì)空雷達(dá)狀態(tài)、對(duì)海雷達(dá)狀態(tài)、干擾狀態(tài)、敵我識(shí)別應(yīng)答和機(jī)動(dòng)動(dòng)作共12維特征數(shù)據(jù)，分為8種作戰(zhàn)意圖，數(shù)據(jù)占比情況為突防13.6%、攻擊22.7%、電子干擾9.1%、運(yùn)輸13.6%、加油4.5%、民航飛行13.6%、預(yù)警探測(cè)9.1%、偵察13.6%，樣本規(guī)模為8 000。分別隨機(jī)抽取90%數(shù)據(jù)構(gòu)成訓(xùn)練數(shù)據(jù)庫(kù)，剩余10%構(gòu)成測(cè)試數(shù)據(jù)庫(kù)。實(shí)驗(yàn)迭代步長(zhǎng)均為10 000，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率η=0.01，超參數(shù)β1=0.9,β2=0.999，平滑項(xiàng)ε=10-8。

5.1 模型結(jié)構(gòu)確定實(shí)驗(yàn)

不同網(wǎng)絡(luò)結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)識(shí)別效果不同，因此需確定深度神經(jīng)網(wǎng)絡(luò)模型隱藏層層數(shù)和節(jié)點(diǎn)數(shù)。模型輸入層、輸出層節(jié)點(diǎn)數(shù)分別設(shè)定為數(shù)據(jù)維數(shù)和分類數(shù)。雖然模型效果是由測(cè)試數(shù)據(jù)來評(píng)判的，但在實(shí)驗(yàn)中不能利用測(cè)試數(shù)據(jù)來調(diào)整模型結(jié)構(gòu)。使用測(cè)試數(shù)據(jù)來調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)可能會(huì)導(dǎo)致模型過擬合，失去對(duì)未知數(shù)據(jù)的判別能力。本文從訓(xùn)練數(shù)據(jù)庫(kù)中隨機(jī)抽取10%建立驗(yàn)證數(shù)據(jù)庫(kù)，用驗(yàn)證數(shù)據(jù)庫(kù)評(píng)判模型的效果，調(diào)整模型結(jié)構(gòu)。圖3為Data數(shù)據(jù)集在不同網(wǎng)絡(luò)結(jié)構(gòu)下識(shí)別效果對(duì)比圖，識(shí)別率均為數(shù)據(jù)集整體識(shí)別率。

由圖3可知，驗(yàn)證數(shù)據(jù)集與測(cè)試數(shù)據(jù)集的曲線趨勢(shì)基本一致，因此可以用驗(yàn)證數(shù)據(jù)集來判斷模型的好壞，調(diào)整模型結(jié)構(gòu)。由圖3(c)可見，隱藏層數(shù)為4層，節(jié)點(diǎn)數(shù)依次為10、20、20、10時(shí)模型識(shí)別準(zhǔn)確度較高，確定其為深度神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)。

圖3 4種不同網(wǎng)絡(luò)結(jié)構(gòu)下驗(yàn)證數(shù)據(jù)庫(kù)和測(cè)試數(shù)據(jù)庫(kù)的識(shí)別率對(duì)比Fig.3 Comparison of recognition rate of verification database and test database under four different network structures

5.2 模型可靠性驗(yàn)證實(shí)驗(yàn)

為驗(yàn)證所提模型的可靠性，分8次從數(shù)據(jù)庫(kù)中抽取90%的數(shù)據(jù)構(gòu)成訓(xùn)練樣本，剩余10%的數(shù)據(jù)構(gòu)成測(cè)試樣本，將訓(xùn)練樣本輸入到模型調(diào)整節(jié)點(diǎn)參數(shù)，用測(cè)試樣本判斷模型識(shí)別效果。圖4為

圖4 訓(xùn)練識(shí)別率、測(cè)試識(shí)別率和損失值變化曲線Fig.4 Curves of training recognition rate, test recognition rate and loss value

不同迭代次數(shù)下模型的識(shí)別效果圖，表3為8個(gè)不同數(shù)據(jù)庫(kù)下模型識(shí)別效果對(duì)比。

通過8次相同規(guī)模、不同訓(xùn)練樣本的識(shí)別結(jié)果可以看出，深度神經(jīng)網(wǎng)絡(luò)模型在不同訓(xùn)練樣本條件下可以有效地識(shí)別空中目標(biāo)作戰(zhàn)意圖，平均識(shí)別率達(dá)0.981 7，驗(yàn)證了所提模型的可靠性。

表3 不同數(shù)據(jù)庫(kù)模型識(shí)別效果對(duì)比

5.3 模型準(zhǔn)確性驗(yàn)證實(shí)驗(yàn)

為驗(yàn)證所提模型的準(zhǔn)確性，實(shí)驗(yàn)中對(duì)比基于單層BP神經(jīng)網(wǎng)絡(luò)模型、深度BP (Deep BP, DBP)神經(jīng)網(wǎng)絡(luò)模型和Adam+Sigmiod深度神經(jīng)網(wǎng)絡(luò)模型、文獻(xiàn)[13]所提棧式自編碼器(Stacked Auto-Ecoder, SAE)模型和Adam+RuLU深度神經(jīng)網(wǎng)絡(luò)模型的識(shí)別效果，如圖5和圖6所示。

由圖5和圖6可知，Adam+RuLU深度神經(jīng)網(wǎng)絡(luò)模型在Data數(shù)據(jù)集上能得到更好的識(shí)別效果。對(duì)比圖5所示的5種模型對(duì)空中目標(biāo)作戰(zhàn)意圖識(shí)別準(zhǔn)確率變化曲線可以看出，SAE模型收斂速度更快，在迭代1 200次左右即收斂，但Adam+RuLU深度神經(jīng)網(wǎng)絡(luò)模型較其他4種模型識(shí)別準(zhǔn)確率更高。

圖5 5種模型識(shí)別效果對(duì)比圖Fig.5 Comparison of recognition effects of five models

圖6 不同模型識(shí)別效果對(duì)比Fig.6 Comparison of recognition effects of different models

6 結(jié) 論

1) 本文分析了作戰(zhàn)意圖識(shí)別問題特點(diǎn)，采用監(jiān)督學(xué)習(xí)的方法解決領(lǐng)域?qū)＜抑R(shí)不足條件下的作戰(zhàn)意圖識(shí)別問題。

2) 設(shè)計(jì)了一種基于深度神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)作戰(zhàn)意圖識(shí)別模型，利用ReLU函數(shù)和Adam算法優(yōu)化模型，提高了模型識(shí)別效果。

3) 深度神經(jīng)網(wǎng)絡(luò)模型能夠?qū)罩心繕?biāo)作戰(zhàn)意圖進(jìn)行識(shí)別，有著良好的可靠性和準(zhǔn)確性；對(duì)比實(shí)驗(yàn)結(jié)果顯示，該模型收斂速度更快且識(shí)別效果更好。