難分類樣本快速空中目標(biāo)意圖識(shí)別方法

趙 亮, 孫 鵬, 張杰勇, 鐘 赟, 楊富平

(1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院,西安,710077;2. 94587部隊(duì),江蘇連云港,222345)

空中戰(zhàn)場(chǎng)環(huán)境復(fù)雜、瞬息萬(wàn)變,數(shù)據(jù)處理的速度尤為重要,基于同一場(chǎng)地的攻擊態(tài)勢(shì)變化復(fù)雜,除關(guān)鍵幾幀的動(dòng)作變化,大量的飛行意圖較為接近,造成捕獲數(shù)據(jù)高度相似。因此單純依靠人的經(jīng)驗(yàn)和傳統(tǒng)方法提取相似特征,難以滿足指揮員及時(shí)準(zhǔn)確決策的要求,也會(huì)影響對(duì)現(xiàn)有武器系統(tǒng)快速精準(zhǔn)的反應(yīng)。因此,需要設(shè)計(jì)一種能夠快速及時(shí)準(zhǔn)確識(shí)別敵方空中群組意圖的方法,從而輔助指揮員決策制定。

江蘇省“十二五”結(jié)轉(zhuǎn)“十三五”的城際鐵路項(xiàng)目總共2個(gè)，分別為連淮揚(yáng)鎮(zhèn)鐵路和徐宿淮鹽鐵路。其建設(shè)里程為621 km，總投資為866億元，資本金總額為433億元。根據(jù)路省商定比例，江蘇省方(包含省級(jí)、市縣)需投入資本金187億元。

燃油蒸汽發(fā)生器由供水口、水位計(jì)、煙囪、壓力表、壓力開(kāi)關(guān)、控制器、燃燒器和排污口等部分組成。其結(jié)構(gòu)及各部分如圖3所示。

國(guó)內(nèi)外的研究中,用于目標(biāo)意圖識(shí)別[1]的方法主要有傳統(tǒng)數(shù)學(xué)模型如專家系統(tǒng)[2-3]、貝葉斯網(wǎng)絡(luò)[4-6]、灰色關(guān)聯(lián)區(qū)間度[7]、模板匹配[8-9]、決策樹(shù)法[10]、證據(jù)網(wǎng)絡(luò)[11]、隨機(jī)森林[12]等,相對(duì)應(yīng)的機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等方法[13-17]也有許多研究者進(jìn)行了探索。傳統(tǒng)數(shù)學(xué)模型需根據(jù)場(chǎng)景進(jìn)行精準(zhǔn)建模,模型適配更體現(xiàn)當(dāng)前的參數(shù)設(shè)置和經(jīng)驗(yàn)知識(shí)的評(píng)估,對(duì)相關(guān)領(lǐng)域的專業(yè)知識(shí)整合要求較高,難度較大;同時(shí),更換新的參數(shù)或移植到新的場(chǎng)景往往需二次建模重新評(píng)估,模型調(diào)整較大,可移植性難以保證?；谏窠?jīng)網(wǎng)絡(luò)的方法,更依賴數(shù)據(jù)特征的提取捕捉,遷移至不同數(shù)據(jù)集或新場(chǎng)景的效果普遍較好,因此本文將延續(xù)神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行研究。

現(xiàn)有使用神經(jīng)網(wǎng)絡(luò)的方法均是在訓(xùn)練集各類別相對(duì)平衡以及數(shù)據(jù)相似度不高的情況下進(jìn)行。不平衡問(wèn)題[18]是分類問(wèn)題的一種,出現(xiàn)在日常生活的各個(gè)方面,是機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘等領(lǐng)域不可缺失的一部分,只有通過(guò)正確的數(shù)據(jù)分類后,才能通過(guò)相關(guān)算法挖掘信息的潛在價(jià)值。

真實(shí)戰(zhàn)場(chǎng)數(shù)據(jù)不僅存在著樣本集數(shù)量的不平衡,同一戰(zhàn)場(chǎng)環(huán)境的不同意圖樣本數(shù)據(jù)也有較高相似性,往往各類不同意圖的數(shù)據(jù)在數(shù)據(jù)特征上表現(xiàn)為特征相似、數(shù)據(jù)的重疊區(qū)間較大。特別是從針對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)方法的仿真訓(xùn)練結(jié)果可以看出隨著樣本數(shù)量的遞減,訓(xùn)練效果不穩(wěn)定,呈現(xiàn)較為直觀的下降趨勢(shì),即現(xiàn)有模型更多依賴于數(shù)據(jù)量的積累。其中,對(duì)于不平衡數(shù)據(jù)下的相似樣本更是不能很好地提取特征。同時(shí),對(duì)現(xiàn)有模型而言,隨著數(shù)據(jù)預(yù)處理過(guò)程中數(shù)據(jù)量的擴(kuò)充,伴隨而來(lái)的是更大計(jì)算量和更長(zhǎng)的訓(xùn)練時(shí)間。難以同時(shí)平衡消耗的內(nèi)存空間或時(shí)間。

針對(duì)以上問(wèn)題,本文提出2點(diǎn)解決方法:一是采用滑窗估計(jì)的方式進(jìn)行樣本數(shù)據(jù)的擴(kuò)充,解決不平衡難分類數(shù)據(jù)的擴(kuò)充問(wèn)題;二是提出使用TCN-Self Attention模型替代現(xiàn)有機(jī)器學(xué)習(xí)進(jìn)行空中群組意圖識(shí)別的模型。

1 目標(biāo)意圖識(shí)別問(wèn)題

本文通過(guò)空中群組特征數(shù)據(jù)集訓(xùn)練TCN-Attention網(wǎng)絡(luò),使得網(wǎng)絡(luò)能利用群組的時(shí)序特征狀態(tài)識(shí)別出群組意圖,完整流程如圖1所示。

圖 1空中群組意圖識(shí)別流程

1.1 意圖識(shí)別定義

意圖識(shí)別[1]指通過(guò)對(duì)我方各類戰(zhàn)場(chǎng)信息源、傳感器等所獲得的地方信息,進(jìn)行綜合分析,從而合理地判斷、預(yù)測(cè)或解釋敵方目前的作戰(zhàn)行動(dòng)意圖。意圖類型與時(shí)間、地點(diǎn)、環(huán)境、任務(wù)、規(guī)模等因素緊密關(guān)聯(lián)。不同的作戰(zhàn)意圖應(yīng)用的作戰(zhàn)場(chǎng)景也不同。對(duì)敵方目標(biāo)戰(zhàn)術(shù)意圖的識(shí)別,是從動(dòng)態(tài)變化的戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)中持續(xù)捕捉、抽取與敵方目標(biāo)及相應(yīng)時(shí)空域內(nèi)戰(zhàn)場(chǎng)環(huán)境信息、分析并推斷敵方目標(biāo)戰(zhàn)術(shù)意圖的過(guò)程。

1.2 目標(biāo)群組意圖判別機(jī)動(dòng)特征描述

其次，一到“雙十一”，大學(xué)生之間的互動(dòng)語(yǔ)就變成了“你剁手了嗎？”、“有沒(méi)有搶到？”、“秒沒(méi)！”、“接下來(lái)的日子我要吃土了?！钡鹊?；在“雙十一”結(jié)束之后，接踵而至的一個(gè)環(huán)節(jié)就是曬單，屆時(shí)，大家紛紛在QQ空間，微信朋友圈，微博等社交平臺(tái)上曬出自己的“掠奪成果”。所以可以看出，大學(xué)生的消費(fèi)選擇在群體內(nèi)部相互影響，不斷循環(huán)，最終在購(gòu)買行為中顯現(xiàn)出來(lái)。

目標(biāo)作戰(zhàn)意圖的不同往往體現(xiàn)在飛行目標(biāo)的機(jī)動(dòng)動(dòng)作或飛行狀態(tài),即意圖與機(jī)動(dòng)動(dòng)作或狀態(tài)之間存在某種關(guān)聯(lián)。從作戰(zhàn)實(shí)際的角度出發(fā),當(dāng)敵方戰(zhàn)機(jī)具體參與某項(xiàng)作戰(zhàn)任務(wù)時(shí),其戰(zhàn)機(jī)的某些特征信息必須滿足一定的條件。而意圖的判別往往可以轉(zhuǎn)化為機(jī)動(dòng)動(dòng)作或飛行狀態(tài)的識(shí)別。機(jī)動(dòng)動(dòng)作或飛行狀態(tài)的識(shí)別又可進(jìn)一步化為對(duì)雷達(dá)數(shù)據(jù)量測(cè)和飛行特征的捕捉。

圖2 數(shù)據(jù)特征空間

圖2為每條飛行記錄的數(shù)據(jù)結(jié)構(gòu)。本文選取的數(shù)據(jù)為一組動(dòng)態(tài)的時(shí)序過(guò)程,將連續(xù)12幀雷達(dá)量測(cè)和同一時(shí)刻相對(duì)應(yīng)的飛行數(shù)據(jù)封裝為1次飛行記錄,即每條飛行記錄有12幀飛行片段;每幀飛行片段包含9維數(shù)據(jù)特征,即每條飛行記錄包含108個(gè)數(shù)據(jù)。

2 樣本數(shù)據(jù)預(yù)先處理

戰(zhàn)場(chǎng)態(tài)勢(shì)瞬息萬(wàn)變,真實(shí)戰(zhàn)場(chǎng)環(huán)境下樣本首先呈現(xiàn)不平衡特性;其次,受到地理位置、天氣等環(huán)境外因制約,同一區(qū)域的戰(zhàn)術(shù)行動(dòng)在一定數(shù)據(jù)量的積累下會(huì)展現(xiàn)出一定的規(guī)律。敵方為更好地完成后續(xù)戰(zhàn)術(shù)行動(dòng),飛行動(dòng)作也會(huì)更加復(fù)雜。因此在實(shí)際測(cè)量過(guò)程中,不同標(biāo)簽意圖的數(shù)據(jù)呈現(xiàn)高度相似性,對(duì)模型而言,即表現(xiàn)為難以對(duì)數(shù)據(jù)分類。

本文數(shù)據(jù)來(lái)自某仿真平臺(tái),表1為各類數(shù)據(jù)意圖占比,所用的數(shù)據(jù)前期已通過(guò)領(lǐng)域?qū)＜彝瓿闪孙w行意圖的判斷并通過(guò)計(jì)算機(jī)完成對(duì)數(shù)據(jù)的意圖標(biāo)記見(jiàn)圖3。

3)剛度和屈服極限隨貯藏時(shí)間的延長(zhǎng)呈逐漸下降趨勢(shì)，變形能則隨貯藏時(shí)間延長(zhǎng)呈逐漸上升趨勢(shì)。破裂極限和破壞能在貯藏最后3天達(dá)到最大值。

表1 數(shù)據(jù)各意圖占比

為了更好地分析樣本特征,將對(duì)空、對(duì)海雷達(dá)的數(shù)據(jù)情況進(jìn)行統(tǒng)計(jì),攻擊、電子干擾、佯攻意圖時(shí)需要常態(tài)開(kāi)啟雷達(dá),而撤退、偵察、監(jiān)視意圖時(shí)可能需要選擇性開(kāi)閉雷達(dá)。

(a)數(shù)據(jù)高度分布情況

(b)數(shù)據(jù)意圖位置分布情況

2.1 數(shù)據(jù)預(yù)處理步驟

數(shù)據(jù)預(yù)處理一方面是將原始數(shù)據(jù)進(jìn)行格式轉(zhuǎn)化,使得原始數(shù)據(jù)滿足可以輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)形式。另一方面,對(duì)于原始數(shù)據(jù)而言,不同標(biāo)簽數(shù)據(jù)的高度相似對(duì)模型的特征提取收效甚微。通過(guò)少量難分類數(shù)據(jù)的微小變化,也在一定程度上啟發(fā)式地促進(jìn)后續(xù)模型的特征捕捉,從而促進(jìn)模型性能提升。更好地達(dá)到模型識(shí)別的效果。結(jié)構(gòu)見(jiàn)圖4。

圖4 數(shù)據(jù)預(yù)處理步驟

滑動(dòng)窗口估計(jì)[19]作為一種對(duì)時(shí)間序列進(jìn)行在線估計(jì)和預(yù)測(cè)的有效方法,其參數(shù)設(shè)置需要綜合考慮多方面因素。通過(guò)不斷驗(yàn)證各項(xiàng)參數(shù)的配比,反復(fù)實(shí)驗(yàn)對(duì)比,最終確定所使用的最佳參數(shù):滑窗大小為3,滑窗步長(zhǎng)為1,采樣長(zhǎng)度間隔不大于5。

2.2 難分類樣本處理方法

本文采用更換原始時(shí)空卷積網(wǎng)絡(luò)(temporal convolutional network,TCN)結(jié)構(gòu)中的激活函數(shù)實(shí)現(xiàn)難分類數(shù)據(jù)的非線性化,以此實(shí)現(xiàn)樣本的特征變化,進(jìn)一步方便模型的分類訓(xùn)練,原始TCN網(wǎng)絡(luò)模型使用ReLu作為激活函數(shù),其特點(diǎn)是速度快,但會(huì)將負(fù)值樣本信息歸零,造成部分歸零的隱藏節(jié)點(diǎn)失活。為此本文引入Leakey-ReLu、Tanh、Sigmoid激活函數(shù)進(jìn)行組合,用以代替模型原始結(jié)構(gòu)中的3次ReLu。

滑窗估計(jì)公式如下:

(1)

win()為滑窗估計(jì)函數(shù),mind()為取中位數(shù)的操作,wj為經(jīng)過(guò)滑窗估計(jì)后得到的數(shù)據(jù),Δd為最終得到的采樣間隔。當(dāng)采樣序列有n個(gè)采樣點(diǎn)x1,x2,…,xn那么采樣點(diǎn)之間會(huì)產(chǎn)生n-1個(gè)采樣間隔dj=xi-xi-1,i∈[2,3,…,n],根據(jù)實(shí)際應(yīng)用需要可自行確定使用k次滑窗估計(jì)產(chǎn)生估計(jì)值,并且對(duì)估計(jì)值排序后取中位數(shù),作為新與舊點(diǎn)最后一幀之間的估計(jì)間隔。

2.3 意圖編碼

保險(xiǎn)截止日期可能很多網(wǎng)友都記不住，各種原因?qū)е卤ｋU(xiǎn)過(guò)期的事經(jīng)常聽(tīng)說(shuō)，更有甚者連必須給車上交強(qiáng)險(xiǎn)這事都不知道。車輛在保險(xiǎn)過(guò)期情況下上道行駛，視為無(wú)保險(xiǎn)車輛，被警察查到交強(qiáng)險(xiǎn)過(guò)期，將按保費(fèi)雙倍罰款，補(bǔ)上交強(qiáng)險(xiǎn)，并扣留車輛。

膨脹卷積的采樣間隔滿足如下公式:dilation=2level-1,TCN網(wǎng)絡(luò)通過(guò)較少的層數(shù)捕獲較大的感受野,也能夠方便進(jìn)一步數(shù)據(jù)特征的提取。

3 TCN-Self Attention空中目標(biāo)意圖識(shí)別模型

在真實(shí)空中群組目標(biāo)意圖識(shí)別環(huán)境中,模型的訓(xùn)練時(shí)長(zhǎng)和內(nèi)存資源消耗對(duì)現(xiàn)實(shí)平臺(tái)的設(shè)計(jì)搭建運(yùn)用影響較大,因此是模型的時(shí)間空間消耗評(píng)估中最需考慮的關(guān)鍵指標(biāo)。為此,本文引入添加注意力機(jī)制的TCN時(shí)空卷積網(wǎng)絡(luò)。

3.1 TCN-Self Attention隱藏層結(jié)構(gòu)

3.1.1 TCN結(jié)構(gòu)

在課堂教學(xué)過(guò)程中引入情境教學(xué)，教師就可以與學(xué)生進(jìn)行情感上的溝通交流，不僅可以激發(fā)學(xué)生的學(xué)習(xí)興趣，還能夠滿足學(xué)生的學(xué)習(xí)需求。在小學(xué)體育課堂教學(xué)中構(gòu)建生活化的教學(xué)情境，可以幫助教師更好的完成教學(xué)任務(wù)。對(duì)于學(xué)生而言，可以將生動(dòng)抽象的體育知識(shí)轉(zhuǎn)換為形象豐富的內(nèi)容和技能，促使學(xué)生加深對(duì)體育知識(shí)或者技能的理解和記憶，促使學(xué)生養(yǎng)成良好的體育運(yùn)動(dòng)習(xí)慣，促使自身全面發(fā)展。

為了提高意圖識(shí)別模型對(duì)數(shù)據(jù)信息的利用效率,引入了TCN(時(shí)空卷積網(wǎng)絡(luò))模型,文獻(xiàn)[21]證明了在不同通用數(shù)據(jù)集條件下(含通用序列數(shù)據(jù)集條件如:MNIST、Adding problem、Copy memory、Music JSB、Music Nottingham、PTB、Wiki-103、LAMBADA、text8),TCN網(wǎng)絡(luò)效果要明顯好于傳統(tǒng)針對(duì)RNN及其衍生應(yīng)用于處理序列問(wèn)題的神經(jīng)網(wǎng)絡(luò)。

空中目標(biāo)群組規(guī)模平均2～5架次,當(dāng)敵方飛行小隊(duì)來(lái)襲時(shí),優(yōu)先查找該小隊(duì)最具特征的一組或幾組特征群組用以代替敵方目標(biāo)小隊(duì)整體。

TCN模型使用膨脹卷積網(wǎng)絡(luò)[20],相對(duì)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)而言,膨脹卷積網(wǎng)絡(luò)擁有更大的感受野,能更好地提高模型對(duì)于輸入數(shù)據(jù)的特征提取。計(jì)算公式如下:

predictlabelj=Softmax(Lj),j∈[1,2,…,label]

(2)

膨脹卷積核的尺寸:

這張照片對(duì)色彩和層次的把控非常棒！天空在日出日落的時(shí)候顏色變化最為豐富，此時(shí)因?yàn)樯珳匾约霸贫涞年庩?yáng)面問(wèn)題，很難讓顏色既豐富又不過(guò)分。作者很好地平衡了照片中不同暖色調(diào)的呈現(xiàn)效果，尤其是對(duì)紫色區(qū)域和橙色區(qū)域的把控。我建議作者后期還可以對(duì)地面上的水進(jìn)行一些提亮，并選擇性銳化和增強(qiáng)山體，甚至可以給這里增加一點(diǎn)點(diǎn)冷色調(diào)，這樣照片表現(xiàn)力更強(qiáng)。總而言之，這張作品在還原色彩的同時(shí)，讓各個(gè)色彩搭配得非常和諧，看得出作者對(duì)顏色的駕馭和思考都比較到位。

kernel′=(dilation-1)×(kernel-1)+kernel

(3)

式中:input為卷積運(yùn)算的輸入尺寸;output為卷積運(yùn)算的輸出尺寸;kernel是卷積核的尺寸;表示向下取整;kernel′為膨脹卷積核的等效尺寸;dilation為膨脹卷積間隔。膨脹卷積運(yùn)算輸出尺寸只需將kernel′帶入公式即可。

本文最終確定意圖共計(jì)6類{攻擊、撤退、電子干擾、監(jiān)視、偵察、佯攻},前期經(jīng)過(guò)領(lǐng)域?qū)＜覍?duì)數(shù)據(jù)展現(xiàn)的飛行動(dòng)作進(jìn)行判別以及計(jì)算機(jī)數(shù)據(jù)標(biāo)記,完成6類飛行意圖評(píng)判。由于該6類意圖不能直接作為神經(jīng)網(wǎng)絡(luò)的評(píng)判依據(jù),因而本文對(duì)6類目標(biāo)行為對(duì)應(yīng)編碼為{0, 1, 2, 3, 4, 5}。

圖5 TCN網(wǎng)絡(luò)結(jié)構(gòu)

3.1.2 Self-Attention自注意力機(jī)制

式中:Wi、bi為線性層需要訓(xùn)練的網(wǎng)絡(luò)參數(shù);Linears(Yi)為整體隱藏層的輸出;label為分類標(biāo)簽的個(gè)數(shù);epoch為每批次讀取的數(shù)據(jù)個(gè)數(shù)。

巖樣采用薄壁金剛石鉆頭沿垂直于巖層方向鉆取巖芯，經(jīng)過(guò)鋸、磨加工成直徑為50 mm，高為100 mm，試樣兩端面不平行度不大于0.05 mm，滿足《規(guī)程》要求，60組共計(jì)180個(gè)試樣，制備部分試樣，如圖2所示，其中頂板巖石用A編號(hào)，底板巖石用B編號(hào)。試驗(yàn)在RMT-150B型電液伺服巖石力學(xué)試驗(yàn)系統(tǒng)進(jìn)行單軸壓縮試驗(yàn)，如圖3所示。軸向荷載采用1 000 kN力傳感器測(cè)量，軸向壓縮變形采用5.0 mm位移傳感器測(cè)量，變形精度為1.0×10-3 mm，采用位移控制方式，加載速率為0.002 mm/s，每組巖性重復(fù)進(jìn)行3次試驗(yàn)。煤層頂?shù)装鍘r石單軸壓縮試驗(yàn)結(jié)果見(jiàn)表1。

做好市場(chǎng)拓展，提升品牌價(jià)值。積極關(guān)注市場(chǎng)變化，研究消費(fèi)需求，找到客戶需求的“痛點(diǎn)”，不斷提升市場(chǎng)占有率。2015年在行業(yè)內(nèi)率先開(kāi)發(fā)出混合膠，受到市場(chǎng)推崇；2016年又率先推出顆粒型混合膠。與此同時(shí)，海外生產(chǎn)的產(chǎn)品用塑料托盤(pán)替代木制托盤(pán)，提升了客戶滿意度。盡管廣墾橡膠產(chǎn)品推出時(shí)間僅10余年，但在中國(guó)市場(chǎng)的接受度、占有率、流通性節(jié)節(jié)攀升，目前已經(jīng)與業(yè)內(nèi)老牌的詩(shī)董、聯(lián)益、宏曼麗并列。

計(jì)算式如下:

Yi=soft max(DiQi(DiKi)T)DiVi

(4)

式中:Di為經(jīng)過(guò)TCN膨脹卷積后的第TCN個(gè)數(shù)據(jù)輸出,Qi,Ki,Vi為Di輸入相關(guān)的參數(shù)矩陣(Q:Query,K:Key,V:Value),Yi為經(jīng)過(guò)Self-Attention層的輸出結(jié)果(其中i∈[1,2,…,epoch])

3.1.3 全連接層結(jié)構(gòu)

通過(guò)全連接結(jié)構(gòu)將注意力層的輸出節(jié)點(diǎn)縮小至輸出節(jié)點(diǎn)的數(shù)量,并完成權(quán)重的配置和Softmax函數(shù)的輸入格式整理。公式為:

Lj=Linears(Yi)=WiYi+bi,

j∈[1,2,…,label],i∈[1,2,…,epoch]

全金屬有效力矩緊固件通過(guò)有意設(shè)計(jì)的緊固件扭曲或變形來(lái)形成螺紋接合面。例如，圖5(b)中自鎖螺母頂部有一個(gè)彈簧板，該彈簧板壓在螺紋上，使螺母很難松開(kāi)，拆卸后，這種螺母仍可再次使用。圖 4中的7有螺紋剖面變形式有效力矩型螺栓，顧名思義是螺紋擰緊時(shí)變形而產(chǎn)生防松阻力。尼龍接合面有效力矩緊固件在緊固件螺紋上采用了尼龍材料來(lái)形成螺紋接合面。

(5)

為了使TCN網(wǎng)絡(luò)能夠更好地捕捉數(shù)據(jù)特征關(guān)鍵信息,提高模型分類識(shí)別性能,本文在TCN網(wǎng)絡(luò)的隱藏層和全連接層之間引入自注意力機(jī)制Self-Attention,使用乘性模型,通過(guò)訓(xùn)練優(yōu)化注意力層的權(quán)重分布,最后經(jīng)過(guò)加權(quán)匯總得到最終輸出向量。

3.2 輸出層結(jié)構(gòu)

將Self-Attention層的輸出作為本層的輸入,隱藏層的數(shù)據(jù)通過(guò)Softmax函數(shù)對(duì)上一層的輸出進(jìn)行歸一化,轉(zhuǎn)化為分類標(biāo)簽的概率向量,進(jìn)而依據(jù)概率向量對(duì)特征數(shù)據(jù)進(jìn)行意圖識(shí)別分類,公式為:

卷積層的輸出尺寸:

(6)

4 實(shí)驗(yàn)分析

本實(shí)驗(yàn)延用第2節(jié)數(shù)據(jù)。采用基于Annocada平臺(tái)的python語(yǔ)言,神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)框架為Pytorch,運(yùn)行環(huán)境為pycharm2021,win10。顯卡為RTX1060Ti,16GB內(nèi)存,引入模型運(yùn)行時(shí)占用的內(nèi)存空間、運(yùn)行速度和時(shí)間進(jìn)行對(duì)比。

4.1 基于滑窗估計(jì)下TCN-Self Attention模型的消融實(shí)驗(yàn)分析

本文在分析數(shù)據(jù)分類的準(zhǔn)確性時(shí),主要用到4個(gè)評(píng)價(jià)指標(biāo),分別是準(zhǔn)確率、查準(zhǔn)率、查全率、以及F1-score作為分析指標(biāo),結(jié)果如表2和表3所示。

表3 各模型數(shù)據(jù)整體識(shí)別準(zhǔn)確率 %

4.2 TCN-Self Attention同往期模型結(jié)果對(duì)比

為驗(yàn)證本文模型結(jié)果的優(yōu)越性,將本文所提的TCN-Self Attention模型分別與文獻(xiàn)[8]中SAE網(wǎng)絡(luò)、文獻(xiàn)[12]中DNN網(wǎng)絡(luò)、文獻(xiàn)[15]中BiGRU+Attention網(wǎng)絡(luò)文獻(xiàn)[16] DNN-AG以及文獻(xiàn)[17]AT-TCNBiGRU共同進(jìn)行對(duì)比實(shí)驗(yàn)。

4.2.1 各模型精確性對(duì)比

1.3.1 學(xué)生意見(jiàn)反饋。制作學(xué)生意見(jiàn)反饋調(diào)查表，對(duì)兩組教學(xué)效果問(wèn)卷調(diào)查，包括：課堂情況、知識(shí)運(yùn)用情況、能力培養(yǎng)情況3大方面進(jìn)行評(píng)分，最低0分，最高10分。

為了更好展現(xiàn)本實(shí)驗(yàn)所用模型的效果,我們將不同模型所用的參數(shù)進(jìn)行統(tǒng)一。在模型的調(diào)試仿真階段。對(duì)每個(gè)參與對(duì)比實(shí)驗(yàn)的模型均做到盡可能的參數(shù)調(diào)優(yōu);進(jìn)行不同模型的準(zhǔn)確率、運(yùn)算時(shí)間、內(nèi)存消耗結(jié)果對(duì)比。表4僅列舉不同模型之間共同的一些結(jié)構(gòu)參數(shù)。

此外本文模型對(duì)原TCN的激活函數(shù)有一定改進(jìn)。在原Relu的基礎(chǔ)上引入Leakey-Relu、tanh、sigmoid激活函數(shù),因此本文模型每層待選的3個(gè)激活函數(shù)位相互可組合產(chǎn)生64種方案,表5僅列舉基于本實(shí)驗(yàn)數(shù)據(jù)集和參數(shù)條件下結(jié)果靠前的5種激活函數(shù)組合。通過(guò)多次運(yùn)行記錄各組合下的平均最優(yōu)值。

表4 對(duì)比實(shí)驗(yàn)的模型參數(shù)

表5 不同激活函數(shù)的最優(yōu)組合結(jié)果

圖6和圖7為TCN-Self Attention(淺藍(lán)曲線)與現(xiàn)有意圖識(shí)別模型基于本文實(shí)驗(yàn)數(shù)據(jù)條件下準(zhǔn)確率對(duì)照結(jié)果。TCN-Self Attention在分類準(zhǔn)確度方面對(duì)以往模型均有更好的表現(xiàn),其中針對(duì)以上傳統(tǒng)模型提升效率,如表6所示。本節(jié)的對(duì)比實(shí)驗(yàn)中TCN-Self Attention使用激活函數(shù)為第3組合leakey+tanh+tanh。因?yàn)橄啾扔跍?zhǔn)確率排名第1的tanh+tanh+Relu組合和排名第2的tanh+leakey+Relu組合,第3組激活函數(shù)生成曲線更加平滑且模型訓(xùn)練結(jié)果更快速更穩(wěn)定。

圖6 模型準(zhǔn)確率與數(shù)據(jù)量變化關(guān)系

圖7 模型準(zhǔn)確率與時(shí)間的變化關(guān)系

表6 模型運(yùn)算準(zhǔn)確率對(duì)比

4.2.2 模型計(jì)算復(fù)雜度分析

這個(gè)時(shí)期火星表面的水持續(xù)活動(dòng)著，形成了我們現(xiàn)在看到的各種河谷網(wǎng)絡(luò)和沉積巖記錄?；鹦莾?nèi)部的地磁發(fā)動(dòng)機(jī)在前5億年里經(jīng)歷了從活動(dòng)到停滯的全過(guò)程，之后，火星失去了地磁場(chǎng)的保護(hù)，也失去了它原生的大氣。如果火星曾經(jīng)出現(xiàn)生命，最有可能就是在這個(gè)時(shí)期。所以要類比這個(gè)時(shí)期的火星，科學(xué)家們尋找存在水-巖石-生物相互作用的地區(qū)，還有存在地球早期生命遺跡的地方。

表7為模型計(jì)算復(fù)雜度對(duì)比,實(shí)際運(yùn)行時(shí)間以及內(nèi)存消耗對(duì)比基本一致。因此,綜合以上運(yùn)行時(shí)間、運(yùn)行內(nèi)存消耗以及復(fù)雜度估計(jì)結(jié)果對(duì)比,可以認(rèn)定TCN-Self Attention在準(zhǔn)確率、時(shí)間效率以及空間資源消耗方面整體表現(xiàn)出較為完善的效果。

3.建立信息的流轉(zhuǎn)機(jī)制與查詢制度。從總體上看，信息的流轉(zhuǎn)是信息利用的特殊方式，是信息效能發(fā)揮最大化的基本要求。但是，職務(wù)犯罪的信息流轉(zhuǎn)與公安機(jī)關(guān)的普通刑事犯罪信息流轉(zhuǎn)不同。信息作用的發(fā)揮需要流轉(zhuǎn)，但流轉(zhuǎn)過(guò)程中發(fā)揮作用的基本方式是需要信息的便捷查詢。為此，需要對(duì)現(xiàn)有的信息分級(jí)查詢權(quán)限和規(guī)范進(jìn)行總結(jié)。此外，由于信息研判功能的相對(duì)獨(dú)立，需要對(duì)信息研判單位的職責(zé)定位清晰，一方面它應(yīng)當(dāng)主動(dòng)進(jìn)行信息的研判，為功能對(duì)口單位提供信息支持，另一方面應(yīng)當(dāng)要求其對(duì)于業(yè)務(wù)部門的定向信息研判作出必須的響應(yīng)。

表7 模型計(jì)算復(fù)雜度對(duì)比

5 結(jié)語(yǔ)

本文針對(duì)空中目標(biāo)群組數(shù)據(jù)量不平衡問(wèn)題下的難分類數(shù)據(jù)意圖識(shí)別模型進(jìn)行了改進(jìn)。提出了先擴(kuò)充訓(xùn)練集中的不平衡難分類數(shù)據(jù)量,根據(jù)滑動(dòng)窗口方法擴(kuò)充了樣本空間中的少數(shù)難分類樣本數(shù)量。隨后在識(shí)別過(guò)程中引入TCN網(wǎng)絡(luò)及Self Attention機(jī)制對(duì)擴(kuò)充后的樣本信息進(jìn)行更深層次的特征捕捉,進(jìn)而提升模型意圖識(shí)別的效果。最終仿真結(jié)果也表明,滑動(dòng)窗口方法能夠在不平衡樣本的難分類數(shù)據(jù)擴(kuò)充時(shí)有效保留更多原有樣本細(xì)節(jié),同時(shí)TCN-Self Attention模型也在不平衡樣本的難分類數(shù)據(jù)空中目標(biāo)群組意圖識(shí)別問(wèn)題上有更高的訓(xùn)練效率和更精準(zhǔn)的分類效果。

然而,本文所采用的目標(biāo)飛行數(shù)據(jù)集是在受控的實(shí)驗(yàn)條件下獲得,無(wú)法充分反映實(shí)戰(zhàn)環(huán)境的復(fù)雜性。實(shí)際作戰(zhàn)場(chǎng)景中目標(biāo)的飛行軌跡和活動(dòng)模式會(huì)受到諸多不確定因素的影響,如天氣環(huán)境、地形掩護(hù)、電子干擾等,目標(biāo)也可能采用欺騙機(jī)動(dòng)對(duì)抗識(shí)別。這將影響目標(biāo)意圖識(shí)別算法的性能。此外,現(xiàn)有數(shù)據(jù)集規(guī)模有限,無(wú)法充分包含各種復(fù)雜情景,也可能制約了算法的泛化性。綜上,我們將在后續(xù)工作中構(gòu)建更加豐富多樣、包含復(fù)雜飛行情景的目標(biāo)意圖數(shù)據(jù)集,以提高研究的適用性。