基于Bi-LSTM和多頭自注意力的空戰(zhàn)目標(biāo)意圖識(shí)別模型

關(guān)鍵詞：意圖識(shí)別； 空中目標(biāo)； 多頭自注意力； Bi-LSTM； 時(shí)序特征

中圖分類號(hào)：V249.4 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.19452/j.issn1007-5453.2024.10.010

在現(xiàn)代信息化空戰(zhàn)中，獲取敵機(jī)的意圖對(duì)于評(píng)估空戰(zhàn)態(tài)勢(shì)至關(guān)重要。然而，空中目標(biāo)面臨來自先進(jìn)導(dǎo)彈、無人機(jī)和電子戰(zhàn)設(shè)備等多樣威脅，使得現(xiàn)代空戰(zhàn)環(huán)境變得異常復(fù)雜。為解決這一問題，采用智能化推理方法成為奪取制空權(quán)、確保飛行員和軍事力量安全的關(guān)鍵步驟[1-3]。

在對(duì)敵方目標(biāo)意圖識(shí)別的研究中，目前的方法主要分為兩大類：一是基于規(guī)則推理的方法，包括貝葉斯網(wǎng)絡(luò)[4-5]、證據(jù)推理[6-7]和模板匹配[8-9]等；二是基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法，包括支持向量機(jī)、深度神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)等[10-12]。

貝葉斯網(wǎng)絡(luò)以其因果概率推理和動(dòng)態(tài)參數(shù)調(diào)整能力在戰(zhàn)場(chǎng)環(huán)境中提供決策支持。王昊冉等[4]提出的多實(shí)體貝葉斯網(wǎng)絡(luò)（MEBN）有效解決了對(duì)意圖因素進(jìn)行不確定性表示的問題，但其主要針對(duì)單一目標(biāo)的意圖識(shí)別，未全面考慮復(fù)雜戰(zhàn)場(chǎng)環(huán)境。證據(jù)推理方法在面對(duì)不確定性問題時(shí)表現(xiàn)出色，但在復(fù)雜多目標(biāo)環(huán)境下需要進(jìn)一步研究和改進(jìn)[6-7]。模板匹配方法是一種傳統(tǒng)的戰(zhàn)術(shù)意圖識(shí)別方法，依賴于領(lǐng)域?qū)＜业慕?jīng)驗(yàn)，該方法雖然在某些情境下有用，但在處理復(fù)雜、多變的戰(zhàn)場(chǎng)環(huán)境時(shí)仍需進(jìn)一步改進(jìn)[8-9]。

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)方法為意圖識(shí)別任務(wù)帶來了新機(jī)遇和挑戰(zhàn)。江佳運(yùn)等[10]采用支持向量機(jī)（SVM）和遺傳算法相結(jié)合的雙層識(shí)別模型提高整體準(zhǔn)確性，但在實(shí)際應(yīng)用中，可能需要更多的計(jì)算資源和時(shí)間。在處理大規(guī)模的戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)時(shí)常面臨梯度爆炸的問題，這可能導(dǎo)致模型在訓(xùn)練過程中產(chǎn)生不穩(wěn)定性。針對(duì)該問題，翟翔宇等[11]在多層全連接神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行標(biāo)準(zhǔn)化處理和利用跳躍連接解決梯度爆炸問題，從而提高模型的性能。然而，這些神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)序列的目標(biāo)數(shù)據(jù)時(shí)，提取特征信息和實(shí)現(xiàn)意圖識(shí)別的能力仍有待改進(jìn)。鑒于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）具備挖掘長(zhǎng)序列數(shù)據(jù)中的非線性關(guān)系的能力，王晟[13]利用RNN處理目標(biāo)數(shù)據(jù)的時(shí)間序列屬性?？紤]到RNN在處理長(zhǎng)期依賴性時(shí)存在一定限制，參考文獻(xiàn)[14]～[17]引入了長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM），其能夠同時(shí)考慮短期和長(zhǎng)期依賴性，以更好地捕捉目標(biāo)意圖。李戰(zhàn)武等[14]提出基于LSTM-Attention 意圖識(shí)別算法，通過利用注意力機(jī)制，模型的性能得到有效提升。而滕飛等[15]提出了一種Bi-LSTM-Attention 意圖識(shí)別模型來同時(shí)利用當(dāng)前時(shí)刻前后的目標(biāo)信息，從而更有效地識(shí)別目標(biāo)的意圖。

面對(duì)空中目標(biāo)相關(guān)任務(wù)的復(fù)雜挑戰(zhàn)，本文提出了基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-LSTM）和多頭自注意力（MHSA）的空戰(zhàn)目標(biāo)意圖識(shí)別模型。Bi-LSTM融合了歷史和未來時(shí)刻信息，MHSA增強(qiáng)了目標(biāo)狀態(tài)特征提取和深層數(shù)據(jù)關(guān)聯(lián)關(guān)系挖掘的能力。試驗(yàn)證明，該模型在空中目標(biāo)的戰(zhàn)術(shù)意圖識(shí)別方面表現(xiàn)出顯著優(yōu)勢(shì)。這一成果為軍事領(lǐng)域的意圖識(shí)別研究提供了新思路和新方法，為未來的研究和應(yīng)用提供了有力的支持。

1 空中目標(biāo)意圖識(shí)別問題描述

在動(dòng)態(tài)、對(duì)抗性環(huán)境中，空中目標(biāo)戰(zhàn)術(shù)意圖識(shí)別是模式識(shí)別中一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。其要求推理敵我目標(biāo)的靜態(tài)特性、戰(zhàn)場(chǎng)態(tài)勢(shì)信息和實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)，然后通過綜合分析模型預(yù)測(cè)結(jié)果和相關(guān)的軍事領(lǐng)域知識(shí)以判定敵方目標(biāo)的意圖。

式中，f 為時(shí)序特征集合到意圖空間I ^P 的映射函數(shù)。由于目標(biāo)的特征信息通常具有多維性和復(fù)雜性，因此需要利用時(shí)間序列處理方法對(duì)這些數(shù)據(jù)進(jìn)行分析，使網(wǎng)絡(luò)能夠更好地理解和利用這些多維數(shù)據(jù)中的關(guān)鍵信息。

圖1 為基于時(shí)序序列分析的目標(biāo)戰(zhàn)術(shù)意圖識(shí)別過程。在對(duì)空戰(zhàn)目標(biāo)的戰(zhàn)術(shù)意圖進(jìn)行分析時(shí)，首先，對(duì)多個(gè)時(shí)刻下目標(biāo)的時(shí)序狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，以確保數(shù)據(jù)的質(zhì)量和一致性。然后從特征空間中選擇主要目標(biāo)特征，以構(gòu)建一個(gè)完整的訓(xùn)練數(shù)據(jù)集；其次，使用意圖網(wǎng)絡(luò)識(shí)別模型進(jìn)行訓(xùn)練，以挖掘戰(zhàn)術(shù)意圖和時(shí)序特征集之間的隱式映射關(guān)系。在實(shí)際空戰(zhàn)中，連續(xù)采集N 個(gè)時(shí)刻（T T ） 目標(biāo)狀態(tài)信息，并將這些信息整合和編碼后輸入已經(jīng)訓(xùn)練好的目標(biāo)意圖識(shí)別模型中，以獲取目標(biāo)的戰(zhàn)術(shù)意圖識(shí)別結(jié)果。

1.1 空中目標(biāo)特征描述

空中目標(biāo)的意圖受多種因素的影響，其中任務(wù)類型和環(huán)境條件是兩個(gè)主要因素。為了準(zhǔn)確表示不同任務(wù)和環(huán)境的情況，必須選擇適當(dāng)?shù)奶卣?。此外，還需要考慮雷達(dá)站和其他空中目標(biāo)感知傳感器的實(shí)際特性，以確保目標(biāo)的特征能夠在各種情況下可靠地識(shí)別和區(qū)分。

目標(biāo)特征的選擇是至關(guān)重要的，其中包括目標(biāo)的雷達(dá)狀態(tài)、雷達(dá)反射面積和敵我屬性識(shí)別。雷達(dá)狀態(tài)是根據(jù)執(zhí)行的任務(wù)而變化的，例如，一架戰(zhàn)斗機(jī)在進(jìn)行空中格斗時(shí)可能需要打開其雷達(dá)以探測(cè)敵方目標(biāo)，而偵察機(jī)在執(zhí)行偵察任務(wù)時(shí)可能需要同時(shí)開啟對(duì)空雷達(dá)和對(duì)海雷達(dá)以獲得更全面的信息。雷達(dá)截面積（RCS）是一個(gè)關(guān)鍵特征，它反映了目標(biāo)的隱身能力，即目標(biāo)對(duì)雷達(dá)波的反射情況。這個(gè)特征對(duì)目標(biāo)能夠執(zhí)行的任務(wù)范圍產(chǎn)生了重要影響，因?yàn)殡[身能力強(qiáng)的目標(biāo)更難被探測(cè)。此外，敵我屬性識(shí)別用于區(qū)分目標(biāo)是敵方還是友方，這在決定是否要采取敵對(duì)行動(dòng)時(shí)至關(guān)重要。

目標(biāo)的狀態(tài)包括多種屬性，如目標(biāo)的航向角、高度、速度、加速度、距離等[18]。不同的戰(zhàn)術(shù)意圖對(duì)這些狀態(tài)屬性都有特定的要求和限制[19]，因此，在參考文獻(xiàn)[14]的基礎(chǔ)上，本文對(duì)目標(biāo)的戰(zhàn)術(shù)意圖在各個(gè)狀態(tài)屬性中的體現(xiàn)不同，對(duì)其可能的意圖進(jìn)行判斷。此外，為了便于研究，本文采取了簡(jiǎn)化規(guī)則，具體內(nèi)容見表1。

1.2 目標(biāo)戰(zhàn)術(shù)意圖空間描述

在空中作戰(zhàn)中，目標(biāo)的戰(zhàn)術(shù)意圖是決定戰(zhàn)場(chǎng)行動(dòng)的核心因素之一。這種意圖的復(fù)雜性在于它受到多種因素的影響，包括敵方的行為、地理環(huán)境、資源可用性以及作戰(zhàn)指揮人員的決策。根據(jù)目標(biāo)的不同特征，本文將其可能的戰(zhàn)術(shù)意圖分為7 類，包括突防、佯攻、攻擊、偵察、撤退、監(jiān)視和電子干擾。

考慮到目標(biāo)特征的多樣性，首先，使用默認(rèn)的意圖規(guī)則庫(kù)來生成初步的意圖標(biāo)簽空間，這可以幫助快速分類目標(biāo)的意圖。然后，由專業(yè)的作戰(zhàn)指揮人員修改和優(yōu)化初步生成的標(biāo)簽，以確保它們充分反映實(shí)際情況，并能夠適應(yīng)不同的戰(zhàn)術(shù)情景。由于戰(zhàn)術(shù)意圖本質(zhì)上是非數(shù)值型數(shù)據(jù)，進(jìn)一步分析和計(jì)算這些戰(zhàn)術(shù)意圖，需要將它們編碼為數(shù)值以得到對(duì)應(yīng)的類別標(biāo)簽，目標(biāo)意圖空間編碼過程如圖2所示。

2 基于Bi-LSTM和MHSA的空戰(zhàn)目標(biāo)意圖識(shí)別模型

本文提出了一種基于Bi-LSTM和MHSA空戰(zhàn)目標(biāo)意圖識(shí)別模型。該模型由Bi-LSTM、MHSA和目標(biāo)意圖決策過程三個(gè)部分組成。

2.1 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-LSTM）

LSTM是由Sepp等[20]學(xué)者于1997年提出的，目的在于有效處理長(zhǎng)序列數(shù)據(jù)問題。相比于RNN模型，LSTM在網(wǎng)絡(luò)結(jié)構(gòu)中增加了一個(gè)特征信息判別器（Cell）來保留對(duì)網(wǎng)絡(luò)有益的特征、遺忘無意義的特征。Cell中引入了三個(gè)關(guān)鍵門控單元，包括遺忘門、輸入門和輸出門，用于實(shí)現(xiàn)信息的保留和傳遞，使其能夠很好地處理長(zhǎng)時(shí)間序列數(shù)據(jù)。LSTM的結(jié)構(gòu)如圖3所示。

然而，LSTM僅考慮了單方向的信息傳遞，即其只關(guān)注前向數(shù)據(jù)之間對(duì)當(dāng)前時(shí)刻數(shù)據(jù)的重要信息而沒有挖掘后向數(shù)據(jù)序列之間隱藏的信息。這在某些任務(wù)中可能會(huì)導(dǎo)致無法捕捉到完整的上下文信息從而使得任務(wù)失敗，尤其是需要考慮未來數(shù)據(jù)信息的情況。而Bi-LSTM 引入了雙向信息傳遞機(jī)制，以更全面地處理序列數(shù)據(jù)。通過同時(shí)使用兩個(gè)獨(dú)立的LSTM層，一個(gè)用于前向時(shí)間步的信息獲取，另一個(gè)用于后向時(shí)間步的信息獲取。這兩個(gè)LSTM層是相互獨(dú)立的，每個(gè)都有自己的隱藏狀態(tài)和單元格狀態(tài)。前向LSTM 從序列的起始處開始處理數(shù)據(jù)，而后向LSTM 則從序列的末尾開始處理數(shù)據(jù)。該模型的結(jié)構(gòu)如圖4所示。

在現(xiàn)代化復(fù)雜、高對(duì)抗目標(biāo)意圖識(shí)別任務(wù)中，經(jīng)雷達(dá)和傳感器獲取的空戰(zhàn)數(shù)據(jù)呈多維度和長(zhǎng)序列特征。因此，本文通過使用Bi-LSTM分別獲取當(dāng)前時(shí)刻目標(biāo)狀態(tài)的前向和后向依賴信息，從而使模型獲取當(dāng)前目標(biāo)狀態(tài)完整的上下文信息能力，旨在增強(qiáng)動(dòng)態(tài)目標(biāo)的表征能力。

2.2 MHSA

盡管通過Bi-LSTM可捕獲敵方目標(biāo)狀態(tài)的動(dòng)態(tài)時(shí)序表征，然而特征中仍然存在大量的冗余信息。在空戰(zhàn)對(duì)抗中，目標(biāo)的意圖與其狀態(tài)屬性密切相關(guān)，不同的目標(biāo)狀態(tài)特征對(duì)于目標(biāo)意圖分析的影響不同。因此，引入多頭注意力機(jī)制從不同的角度捕獲當(dāng)前狀態(tài)序列特征更豐富的上下文關(guān)系。

注意力機(jī)制源于人類視覺的關(guān)注過程，它在深度學(xué)習(xí)中的應(yīng)用針對(duì)多維多層次的輸入特征，然而，并非所有特征對(duì)最終的輸出具有相同的重要性[21]。為了更好地理解輸入內(nèi)容的關(guān)鍵信息，注意力機(jī)制通過對(duì)上層網(wǎng)絡(luò)輸出的狀態(tài)信息序列進(jìn)行權(quán)重分配，從而自動(dòng)篩選出重要信息并排除不必要的信息。自注意力機(jī)制[22]是深度學(xué)習(xí)模型中的一個(gè)重要組成部分，特別適用于序列數(shù)據(jù)的處理。它能夠捕捉同一序列中不同位置信息的相互影響，更注重?cái)?shù)據(jù)特征和內(nèi)部交互，通過為輸入序列中的每個(gè)元素分配不同的權(quán)重，以捕捉元素之間的關(guān)系和依賴關(guān)系，同時(shí)不受序列長(zhǎng)度的限制。飛機(jī)軌跡數(shù)據(jù)通常是時(shí)序數(shù)據(jù)，包括飛行速度、高度、航向等屬性。自注意力機(jī)制可以用來構(gòu)建用于飛機(jī)軌跡數(shù)據(jù)的序列模型，以有效地捕捉不同時(shí)間點(diǎn)之間的關(guān)聯(lián)和依賴關(guān)系。自注意力機(jī)制模型結(jié)構(gòu)如圖5 所示。

2.3 目標(biāo)戰(zhàn)術(shù)意圖識(shí)別算法流程

本文提出的目標(biāo)戰(zhàn)術(shù)意圖識(shí)別算法整體流程如圖6所示。

該模型在對(duì)空戰(zhàn)目標(biāo)的戰(zhàn)術(shù)意圖進(jìn)行分析時(shí)，首先對(duì)多個(gè)時(shí)刻下目標(biāo)的時(shí)序狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，以確保數(shù)據(jù)的質(zhì)量和一致性，然后從特征空間中選擇主要目標(biāo)特征，構(gòu)建訓(xùn)練數(shù)據(jù)集；通過Bi-LSTM 學(xué)習(xí)空戰(zhàn)意圖特征矢量中的深層次信息，并借助多頭自注意力機(jī)制自適應(yīng)分配網(wǎng)絡(luò)權(quán)重，從而提升目標(biāo)的特征學(xué)習(xí)能力，增強(qiáng)在空戰(zhàn)過程中的主要目標(biāo)狀態(tài)特征表示，得到具有權(quán)值分配的特征矢量；最后，將不同權(quán)重的空戰(zhàn)特征信息送入SoftMax 層，以實(shí)現(xiàn)對(duì)空中目標(biāo)意圖的識(shí)別。

利用多分類SoftMax 函數(shù)對(duì)多頭自注意力層的輸出進(jìn)行相應(yīng)計(jì)算，從而得出空中目標(biāo)戰(zhàn)術(shù)意圖分類

3 仿真試驗(yàn)

3.1 試驗(yàn)數(shù)據(jù)

雷達(dá)截面積和敵我屬性等因素在飛機(jī)意圖識(shí)別過程中至關(guān)重要。然而，考慮到本文的研究重點(diǎn)和限制，將專注于使用飛機(jī)的6 種狀態(tài)屬性（飛行速度、高度、航向角、加速度、距離、雷達(dá)狀態(tài)）進(jìn)行識(shí)別，因?yàn)檫@些屬性對(duì)于研究問題非常關(guān)鍵且具有代表性。此外，考慮更多的屬性可能會(huì)帶來額外的計(jì)算和數(shù)據(jù)處理的負(fù)擔(dān)。因此，通過結(jié)合不同意圖所對(duì)應(yīng)的狀態(tài)范圍（見表1）構(gòu)造了7 種不同的目標(biāo)戰(zhàn)術(shù)意圖數(shù)據(jù)，包括攻擊、突防、偵察、監(jiān)視、佯攻、電子干擾、撤退。需要強(qiáng)調(diào)的是，戰(zhàn)術(shù)意圖不僅受一架飛機(jī)的狀態(tài)決定，還受戰(zhàn)場(chǎng)環(huán)境以及其他飛機(jī)的影響。為了研究的可控性和可行性，在研究中將這些復(fù)雜因素進(jìn)行了簡(jiǎn)化處理，以便更專注于方法研究，并有效地探索了所提方法在給定假設(shè)下的有效性和適用性。

仿真數(shù)據(jù)規(guī)模為9000個(gè)樣本，訓(xùn)練集樣本規(guī)模為5000個(gè)樣本，測(cè)試集和驗(yàn)證集規(guī)模為2000個(gè)樣本。每個(gè)樣本連續(xù)采集12幀信息（每幀信息包括航向角、飛行高度、干擾狀態(tài)、雷達(dá)狀態(tài)等7個(gè)維度特征信息）。

3.2試驗(yàn)設(shè)置

試驗(yàn)采用多分類任務(wù)中的單個(gè)類別的準(zhǔn)確率（意圖識(shí)別正確的正樣本個(gè)數(shù)占意圖識(shí)別器判定為正樣本個(gè)數(shù)的比例）和F1 分?jǐn)?shù)（精確率和召回率的調(diào)和平均值）指標(biāo)來定量評(píng)估所提出模型的有效性和競(jìng)爭(zhēng)性。本文提出的模型采用Bi-LSTM 作為主干網(wǎng)絡(luò)模型，MHSA機(jī)制中選擇了6個(gè)不同的注意力機(jī)制頭，采用SGD優(yōu)化器更新網(wǎng)絡(luò)參數(shù)，損失函數(shù)為交叉熵?fù)p失函數(shù)，學(xué)習(xí)率設(shè)置為0.001，批大小和訓(xùn)練周期分別設(shè)置為64 個(gè)和1000個(gè)epoch。

3.3試驗(yàn)結(jié)果分析

所提出的模型在2000個(gè)測(cè)試樣本上的分類混淆矩陣見表2，其中對(duì)角線上的數(shù)值表示意圖預(yù)測(cè)正確的樣本數(shù)，每一行非對(duì)角線上的數(shù)值表示該類意圖被錯(cuò)誤預(yù)測(cè)為其他意圖的樣本個(gè)數(shù)。

觀察表2可知，本文所提出的模型在7 種不同意圖的識(shí)別任務(wù)上表現(xiàn)出了相當(dāng)高的準(zhǔn)確率，特別是對(duì)于突防意圖，所提出模型僅將一個(gè)樣本錯(cuò)誤地預(yù)測(cè)為偵察類意圖。然而，對(duì)于攻擊意圖來說，所提出模型將39個(gè)攻擊意圖樣本錯(cuò)誤地識(shí)別為佯攻意圖，而偵察意圖和監(jiān)視意圖也可能發(fā)生一些誤識(shí)別。這些錯(cuò)誤識(shí)別背后的原因可能是因?yàn)檫@幾種不同意圖所對(duì)應(yīng)的空戰(zhàn)序列特征相似性較高，同時(shí)這些意圖也具有較強(qiáng)的欺騙性，從而導(dǎo)致本文模型作出錯(cuò)誤的決策。

為了進(jìn)一步說明所提出模型的競(jìng)爭(zhēng)性，試驗(yàn)中選擇Bi-LSTM和Bi-LSTM Attention 方法與本文模型進(jìn)行定量比較，試驗(yàn)結(jié)果見表3。仔細(xì)分析表3 可得出，與Bi-LSTM和Bi-LSTM Attention 算法相比，在F1 分?jǐn)?shù)上，本文模型比Bi-LSTM 和Bi-LSTM Attention 方法分別高出11.09%和5.08%。此外，在單個(gè)意圖類別上，與Bi-LSTM和Bi-LSTM Attention 方法相比，oYCifUw4sqOKge8M/En1Mg==本文模型在攻擊、偵察、佯攻、監(jiān)視、撤退意圖上的準(zhǔn)確率占據(jù)了絕對(duì)的優(yōu)勢(shì)，而在突防和電子干擾意圖上僅落后2.07%和0.35%。

此外，為進(jìn)一步說明本文所提出模型的空戰(zhàn)意圖識(shí)別過程，選擇攻擊、偵察、撤退、佯攻、電子干擾和監(jiān)視6種目標(biāo)意圖實(shí)例的識(shí)別過程進(jìn)行可視化，如圖7 所示。圖7 中空心的紅色圓圈表示目標(biāo)的不同時(shí)期的歷史狀態(tài)，對(duì)應(yīng)的數(shù)值表示目標(biāo)處于不同狀態(tài)下的實(shí)時(shí)屬性，實(shí)心紅色圓圈表示模型預(yù)測(cè)的目標(biāo)意圖。

4 結(jié)束語(yǔ)

本文針對(duì)空戰(zhàn)中目標(biāo)戰(zhàn)術(shù)意圖的多樣性和時(shí)序性等復(fù)雜挑戰(zhàn)，提出了一種基于Bi-LSTM和MHSA的目標(biāo)意圖識(shí)別方法?？紤]到戰(zhàn)術(shù)意圖通常隨著時(shí)間而變化，通過利用Bi-LSTM網(wǎng)絡(luò)捕捉目標(biāo)狀態(tài)數(shù)據(jù)中的前后時(shí)序關(guān)系，使模型能夠理解不同特征序列之間的依賴關(guān)系；此外，MHSA方法通過多個(gè)獨(dú)立不同的自注意力機(jī)制以從多個(gè)角度捕獲時(shí)序特征的不同關(guān)聯(lián)關(guān)系增強(qiáng)目標(biāo)的表征能力。最終，通過SoftMax 層將模型的輸出映射到不同的戰(zhàn)術(shù)意圖類別中，以實(shí)現(xiàn)最終的意圖分類。試驗(yàn)結(jié)果表明，本文提出的方法在意圖識(shí)別問題上表現(xiàn)出顯著的優(yōu)勢(shì)。