基于LDA-TabTransformer的海上目標威脅評估

摘" 要：在現(xiàn)代海戰(zhàn)場中，復雜多變的環(huán)境使得目標威脅評估的準確性面臨諸多挑戰(zhàn)。針對海上目標的有效評估和復雜評估因素的分析，提出了一種基于深度學習的海上目標威脅評估方法。根據(jù)復雜海戰(zhàn)場的環(huán)境因素和目標屬性兩個角度，構(gòu)建了海上目標威脅評估指標體系，將數(shù)據(jù)類型分為類別特征與數(shù)值特征，對海上目標威脅評估進行分析。引入TabTransformer模型為基礎(chǔ)，加入線性判別分析對該模型進行優(yōu)化，建立了目標威脅評估模型，并通過仿真數(shù)據(jù)進行訓練測試，模型的準確率約為91%，魯棒性強并為海上目標威脅評估提供了新的解決方案，具有廣泛的應用前景。

關(guān)鍵詞：威脅評估；線性判別分析；深度學習；多頭自注意力機制

中圖分類號：TP18；TP39 文獻標識碼：A 文章編號：2096-4706（2025）04-0053-06

Maritime Target Threat Assessment Based on LDA-TabTransformer

WU Zhengwei

（Hubei University of Technology， Wuhan" 430068， China）

Abstract： In modern maritime battlefields， the complex and changeable environment poses numerous challenges to the accuracy of target threat assessment. To address the effective evaluation of maritime targets and the analysis of complex assessment factors， a method for maritime target threat assessment based on Deep Learning is proposed. According to the two perspectives of environmental factors and target attributes in complex maritime battlefields， an index system for maritime target threat assessment is constructed. The data types are categorized into categorical and numerical features for the analysis of maritime target threat assessment. Based on the introduced TabTransformer model， Linear Discriminant Analysis is incorporated to optimize the model， and a target threat assessment model is established. Through training and testing with simulated data， the accuracy of the model is approximately 91%. The model has strong robustness， provides a new solution for maritime target threat assessment， and has broad application prospects.

Keywords： threat assessment; Linear Discriminant Analysis; Deep Learning; Multi-head Self-attention Mechanism

0" 引" 言

隨著武器裝備和信息技術(shù)的發(fā)展，海上戰(zhàn)場環(huán)境變得更加復雜和多樣化。目標威脅評估的目的是通過目標的屬性信息和目標的作戰(zhàn)意圖，分析敵方目標的潛在作戰(zhàn)能力，獲得對目標威脅程度的定量描述。由于作戰(zhàn)環(huán)境的復雜性和戰(zhàn)場指揮員認知能力的局限性，在實際戰(zhàn)場決策中指揮員很難給出準確的目標威脅評估信息。如何有效利用戰(zhàn)場目標信息對敵方目標進行威脅評估，輔助指揮員進行科學決策，一直是戰(zhàn)場決策的重要環(huán)節(jié)和研究焦點。

傳統(tǒng)的威脅評估方法主要包括：直覺模糊證據(jù)理論[1-2]、灰色主成分分析[3]等方法。在評估過程中，這些方法大多需要對權(quán)值進行分析確定，主要的方法有層次分析法[4]、熵值法[5]、組合賦權(quán)法[6-7]、灰色關(guān)聯(lián)分析法[8]等研究方法。但是面對現(xiàn)代復雜多樣的戰(zhàn)場態(tài)勢信息，傳統(tǒng)的威脅評估方法的優(yōu)勢已經(jīng)不再突出。

隨著信息技術(shù)的發(fā)展，深度學習能夠從復雜的戰(zhàn)場態(tài)勢信息中自動學習復雜的特征關(guān)系，從而能夠提高威脅評估的準確率。柴慧敏[9]等人利用包含多層隱藏層的深層神經(jīng)網(wǎng)絡對空中目標進行威脅評估。江達偉[10]等人在卷積神經(jīng)網(wǎng)絡的基礎(chǔ)上，加入殘差模塊提高網(wǎng)絡的性能和穩(wěn)定性，對空中目標威脅評估準確率有較大的提升。Cao[11]等人對訓練數(shù)據(jù)進行降維和線性判別分析（LDA）分類，消除指標之間的冗余和相關(guān)性，并根據(jù)目標距離將訓練數(shù)據(jù)分為中程和長程。然后，利用改進的慣性權(quán)值線性減小的螢火蟲群優(yōu)化算法構(gòu)建了一個優(yōu)化輸入權(quán)值和閾值的ELM神經(jīng)網(wǎng)絡。

現(xiàn)有的海上目標威脅評估方法在處理復雜數(shù)據(jù)特征時，存在類別與數(shù)值特征處理不一致的問題。為此，本文提出了一種創(chuàng)新性的LDA-TabTransformer模型，將LDA和多頭自注意力機制結(jié)合應用于海上目標威脅評估，解決了數(shù)據(jù)特征融合的挑戰(zhàn)。

1" 相關(guān)理論基礎(chǔ)

1.1" 線性判別分析

線性判別分析[12]（LDA）是一種用于分類和降維的統(tǒng)計方法。LDA的主要目標是尋找一個或多個線性組合，使得在這些組合下，不同類別的數(shù)據(jù)點之間的可分離性最大化，同時類別內(nèi)的數(shù)據(jù)點間的差異最小化。其核心思想是通過尋找一個最佳投影方向，使得投影后數(shù)據(jù)的類別間方差與類別內(nèi)方差的比值最大化。

LDA的具體實施步驟如下：

假設數(shù)據(jù)集的特征向量分別為。

1）計算各類別的均值向量μk和總體均值向量μ。對于第k類，其均值向量μk的計算公式為：

（1）

其中，Nk為第k類的樣本數(shù)量；Ck為第k類的樣本集合。總體均值向量μ計算公式為：

（2）

其中，N為所有樣本的總數(shù)量。

2）計算類別間散布矩陣SB和類別內(nèi)散布矩陣SW：

（3）

（4）

3）求解廣義特征值問題，獲得特征值和特征向量。LDA的目標是找到一個投影方向ω，使得投影后類別間散布與類別內(nèi)散布的比值最大化，即最大化以下目標函數(shù)：

（5）

通過求解廣義特征值問題：

（6）

得到特征值和特征向量ω。

4）選擇最大的特征值對應的特征向量ω作為投影方向，求解出特征值和特征向量后，選擇最大的特征值對應的特征向量ω作為投影方向：

（7）

最后得到輸出特征向量。

1.2" LDA-TabTransformer模型

TabTransformer是一種結(jié)合Transformer優(yōu)勢所構(gòu)建的深度學習模型。TabTransformer模型的輸入將特征分為數(shù)值特征與類別特征，其核心思想是使用Transformer編輯器對類別特征進行編碼，然后將這些編碼與數(shù)值特征進行結(jié)合，最后輸入到全連接網(wǎng)絡中進行預測。因此TabTransformer可以更好地捕捉和利用類別特征之間的復雜關(guān)系，是處理復雜的海上目標類別特征較好的解決方法。

LDA-TabTransformer模型具體結(jié)構(gòu)如圖1所示。

在TabTransformer模型的結(jié)構(gòu)中，核心部分為Transformer編碼器。其主要包括多頭自注意力機制、前饋神經(jīng)網(wǎng)絡和殘差連接等關(guān)鍵機制。通過上述機制，模型能夠有效處理類別特征與數(shù)值特征的復雜交互。

多頭自注意力機制是Transformer編碼器的核心組件之一。其利用并行的多個自注意力機制計算每個類別特征與其他類別特征之間的相關(guān)性，從而捕獲類別特征之間的依賴關(guān)系。該機制不僅可以分散注意力權(quán)重的計算，還能夠使單個注意力頭的計算更加穩(wěn)定。通過降低模型對單一特征的依賴，多頭自注意力機制有效減少了過擬合的風險，提高了模型的泛化能力。自注意力機制的計算式如下：

（8）

其中，Q、K、V為輸入數(shù)據(jù)通過線性變換得到的矩陣，為鍵向量的維度。通過并行多個注意力頭，模型能夠從不同角度學習類別特征之間的交互關(guān)系。最終，將所有注意力頭的結(jié)果連接在一起，形成更完整的特征表示。自注意力機制不僅能夠增強模型的表達能力，還通過降低對特定特征的依賴來提升模型的魯棒性。

其次，前饋神經(jīng)網(wǎng)絡在Transformer編碼器中起著重要作用。該網(wǎng)絡由一個非線性激活函數(shù)和兩個線性變換組合而成。首先輸入特征通過線性變換映射到高維空間，再通過非線性激活函數(shù)對高維表示進行處理，最后通過第二層線性變換將特征映射回原始維度。

為了確保模型在深度學習過程中保持穩(wěn)定，殘差連接在每個子層（包括多頭自注意力和前饋神經(jīng)網(wǎng)絡）中得到了應用。殘差連接的作用在于將輸入直接跳過一層并添加到該層的輸出中，從而有效緩解深層網(wǎng)絡中的梯度消失問題，確保梯度能夠順利反向傳播。

與上述類別特征的處理相比，數(shù)值特征的處理較為直接。在輸入階段，數(shù)值特征首先通過歸一化處理，以確保不同特征之間的尺度一致性，再利用線性判別分析進行降維和特征選擇，這一過程能夠減少數(shù)據(jù)中的冗余信息，同時保留最有助于預測任務的特征，從而提高數(shù)值特征數(shù)據(jù)的質(zhì)量和模型的整體性能。

最后，模型將處理后的類別特征與數(shù)值特征進行拼接，形成統(tǒng)一的特征向量。再將該特征向量輸入到多層感知機中進行最終的分類任務。多層感知機由多個全連接層組成，通過引入非線性激活函數(shù)和Dropout層，進一步增強了模型的表達能力，并有效防止過擬合現(xiàn)象的發(fā)生。

通過上述結(jié)構(gòu)設計，LDA-TabTransformer能夠充分利用類別特征與數(shù)值特征的優(yōu)勢，實現(xiàn)對復雜表格數(shù)據(jù)的高效建模和預測。該方法不僅解決了表格數(shù)據(jù)處理中長期存在的難題，還使模型在多個實際應用中表現(xiàn)出色，展現(xiàn)出強大的應用潛力。

2" 海上目標威脅評估指標體系

本文對海上目標威脅評估構(gòu)建如圖2所示指標體系。

下面是威脅評估指標體系中復雜因素解釋。

2.1" 目標狀態(tài)

目標狀態(tài)由敵方目標的航行速度、武器夾角、目標距離、武器打擊距離、雷達信號強度等態(tài)勢要素有關(guān)。

2.1.1" 航行速度

目標速度威脅指標是指目標速度快慢對我方海上平臺的威脅程度，目標速度不僅和目標意圖有很強的關(guān)聯(lián)性，而且速度越快，我方進行瞄準、攔截和打擊的難度也就越大。對于速度威脅。

（9）

式中：。

2.1.2" 武器夾角

武器夾角是敵方目標武器轉(zhuǎn)向方向與敵我兩方平臺連線的夾角。當敵方目標的武器轉(zhuǎn)向方向?qū)饰曳狡脚_，而我方武器轉(zhuǎn)向方向完全相反時，目標的威脅角度最大。對于角度威脅，計算式為：

（10）

式中：。

2.1.3" 目標距離

目標距離是敵方目標與我方平臺之間的直線距離。距離越近，敵方目標發(fā)動進攻留給我方的反應時間越短，威脅越大。當敵方目標距離小于我方預設限度時，威脅最大。對于距離威脅，計算式為：

（11）

式中：。

2.1.4" 武器打擊距離

武器打擊距離是目標武器的打擊能力的體現(xiàn)。目標的武器打擊距離越遠，對我方造成威脅的時間窗口也越大。這種情況下，我方平臺需要更快的反應時間和更高效的攔截能力來應對遠程打擊武器。對于武器打擊距離威脅，計算公式為：

（12）

式中：。

2.1.5" 雷達信號強度

雷達信號強度是敵方目標在雷達探測中的回波強度。雷達信號強度越強，意味著目標的雷達截面積越大，并且距離越近，探測概率和識別難度越高。我方平臺需要更高精度的雷達和更快速地反應能力來應對高雷達信號強度的目標。對于雷達信號強度，計算式為：

（13）

式中：。

2.2" 目標類型

針對海上目標威脅評估而言，目標種類繁多，本文主要將目標選取為航母、巡洋艦、驅(qū)逐艦、護衛(wèi)艦和其他類型艦艇等。如表1所示，通過分析各目標綜合屬性進行評估，對目標威脅程度進行量化。

2.3" 目標意圖

目標意圖是通過分析海上目標在多個時刻的行進數(shù)據(jù)得出，具有重要的威脅評估作用。在本文中，目標意圖被劃分為攻擊、偵察、巡航、撤退四類，每種意圖都對威脅程度有不同的影響。

攻擊：攻擊意圖表明目標正在準備或執(zhí)行敵對行為，對己方構(gòu)成直接且嚴重的威脅。其威脅程度最高，量化值為0.8。

偵察：偵察意圖是指目標為了獲取己方情報而進行的探查活動。由于偵察活動通常是敵方作戰(zhàn)行動的前兆，因此其威脅程度較高，量化值為0.6。相對于巡航，偵察活動的威脅性更大，因為其目的明確且具有潛在的敵對性。

巡航：巡航意圖通常表現(xiàn)為目標以相對穩(wěn)定的速度進行常規(guī)活動，未表現(xiàn)出明顯的敵對意圖。但巡航仍然可能隨時轉(zhuǎn)變?yōu)槠渌咄{的意圖，其威脅程度被定義為中等，量化值為0.3。

撤退：撤退意圖表明目標正在脫離戰(zhàn)斗區(qū)域或解除戰(zhàn)斗狀態(tài)，對己方的直接威脅較低，因此其威脅程度最低，量化值為0.1。

這些威脅度量化值的設定基于目標意圖對作戰(zhàn)行動可能帶來的影響程度。如表2所示，各個目標意圖的威脅程度量化值得以呈現(xiàn)，為輔助決策提供了定量化的依據(jù)。

3" 實驗分析

為了驗證本文提出的LDA-TabTransformer模型在海上目標威脅評估中的分類效果，首先根據(jù)圖1所示的相關(guān)威脅評估因素，選取了11個具有代表性的態(tài)勢要素，構(gòu)建出一個規(guī)模為10 000組數(shù)據(jù)的海上目標威脅評估數(shù)據(jù)集。為了確保模型的泛化能力，實驗將數(shù)據(jù)集按照8∶2的比例劃分為訓練集和測試集，其中訓練集包含8 000組數(shù)據(jù)，用于模型的學習；測試集包含2 000組數(shù)據(jù)，用于驗證模型的實際性能。

在實驗初期，首先嘗試了多種不同的參數(shù)設置組合，包括Transformer塊的數(shù)量、注意力頭的數(shù)量、類別特征的嵌入維度，以及MLP隱藏層的結(jié)構(gòu)和大小。由于TabTransformer模型涉及復雜的多頭自注意力機制和前饋神經(jīng)網(wǎng)絡，這些參數(shù)的設置對模型的性能有顯著影響。如表3所示，通過大量的實驗發(fā)現(xiàn)，其中的參數(shù)配置可以在分類精度和模型穩(wěn)定性之間取得較好平衡。

在模型訓練過程中，實驗采用了交叉熵損失函數(shù)，并使用Adam優(yōu)化器對模型進行優(yōu)化。訓練過程持續(xù)40個周期，期間監(jiān)測了損失值和準確率的變化情況。

圖3是訓練過程中損失值和準確率的變化趨勢。

由圖3可知，隨著訓練的進行，測試集的損失值從初始的約2.6逐漸下降，最終穩(wěn)定在1.2左右。這表明模型在訓練過程中逐漸學習數(shù)據(jù)中的有效信息，降低了分類錯誤的可能性。同時，模型的分類準確率也隨著訓練次數(shù)的增加穩(wěn)步提升，在第40次訓練后趨于穩(wěn)定，達到了91%左右的準確率。實驗結(jié)果表明，模型經(jīng)過充分訓練后，能夠在測試數(shù)據(jù)上保持較高的預測精度。模型的穩(wěn)定性和收斂速度在實驗中表現(xiàn)突出。與傳統(tǒng)的分類模型相比，LDA-TabTransformer在處理復雜類別特征與數(shù)值特征的混合數(shù)據(jù)時表現(xiàn)出了明顯的優(yōu)勢。通過LDA對數(shù)值特征進行降維和特征選擇，進一步提高了模型的分類效果。并且多頭自注意力機制能夠捕捉類別特征之間的深層依賴關(guān)系，有效提升了模型的表達能力。

為了進一步驗證LDA-TabTransformer模型的優(yōu)勢，本文設計并進行了消融實驗，旨在評估LDA在模型中的作用。具體來說，實驗對比了包含LDA的LDA-TabTransformer模型與未包含LDA的原始TabTransformer模型的分類效果。實驗結(jié)果如表4所示。

從表4中可以清晰地看出，LDA-TabTransformer模型在所有評價指標上均優(yōu)于僅使用TabTransformer的模型。其中，LDA-TabTransformer模型的準確率達到91%，F(xiàn)1值和召回率均為90%，而TabTransformer模型的相應指標分別為87%、86%和87%。實驗結(jié)果說明，在TabTransformer模型中加入LDA進行數(shù)值特征降維，不僅有效減少了數(shù)據(jù)冗余，還幫助模型提取了更具區(qū)分性的特征，從而顯著提升了模型的分類性能。

通過消融實驗，本文進一步驗證了LDA在提升TabTransformer模型性能中的關(guān)鍵作用。結(jié)果表明，LDA不僅改善了模型的精度和召回率，還顯著提高了模型的泛化能力。因此，在未來的研究和應用中，將LDA與TabTransformer結(jié)合使用，能夠為類似的分類任務提供更強大和可靠的解決方案。

4" 結(jié)" 論

本文提出了一種基于LDA與TabTransformer結(jié)合的模型用于海上目標威脅評估。通過對模型結(jié)構(gòu)的設計、參數(shù)的調(diào)優(yōu)和實驗驗證，證明了LDA-TabTransformer模型不僅在海上目標威脅評估中表現(xiàn)出色，還為復雜數(shù)據(jù)特征的處理提供了新思路，具有廣泛的應用前景。

實驗結(jié)果表明，該模型能夠有效結(jié)合類別特征與數(shù)值特征，通過多頭自注意力機制捕捉特征之間的復雜依賴關(guān)系，并借助LDA對數(shù)值特征進行降維與優(yōu)化，從而顯著提升了分類性能。尤其在準確率、F1值和召回率等關(guān)鍵指標上，LDA-TabTransformer模型較原始的TabTransformer模型有顯著提升。

通過消融實驗進一步驗證了LDA在提升模型性能中的關(guān)鍵作用。結(jié)果表明，LDA的引入有效減少了數(shù)據(jù)冗余，顯著增強了模型的泛化能力。該模型在海上目標威脅評估中的成功應用，表明其在類似復雜多維度分類任務中的潛在應用價值。

未來可以進一步探索LDA-TabTransformer模型在其他領(lǐng)域中的應用，并且可以通過結(jié)合更多的特征選擇和降維方法，進一步優(yōu)化模型結(jié)構(gòu)，以應對更加復雜的數(shù)據(jù)場景。通過持續(xù)的優(yōu)化和改進，該模型有望在更多的實際場景中得到應用和推廣。

參考文獻：

[1] XIA J Y，CHEN M Q，F(xiàn)ANG W G，et al. Normal Wiggly Probabilistic Hesitant Fuzzy Set and Its Application in Battlefield Threat Assessment [J].International Journal of Fuzzy Systems，2023，25（1）：145-167.

[2] ZHAO R J，YANG F B，JI L N，et al. Dynamic Air Target Threat Assessment Based on Interval-Valued Intuitionistic Fuzzy Sets， Game Theory， and Evidential Reasoning Methodology [J/OL].Mathematical Problems in Engineering，2021（1）：6652706[2024-08-12].https：//doi.org/10.1155/2021/6652706.

[3] 孫云柯，方志耕，陳頂.基于動態(tài)灰色主成分分析的多時刻威脅評估 [J].系統(tǒng)工程與電子技術(shù)，2021，43（3）：740-746.

[4] LUO R N，HUANG S C，ZHAO Y，et al. Threat Assessment Method of Low Altitude Slow Small （LSS） Targets Based on Information Entropy and AHP [J/OL].Entropy，2021，23（10）：1292[2024-08-10].https：//doi.org/10.3390/e23101292.

[5] YU D，WANG H J，LI B Y，PROMETHEE-Based Multi-AUV Threat Assessment Method Using Combinational Weights [J/OL].Journal of Marine Science and Engineering，2023，11（7）：1422[2024-08-06].https：//doi.org/10.3390/jmse11071422.

[6] HUANG X，KHETAN A，CVITKOVIC M，et al. TabTransformer： Tabular Data Modeling Using Contextual Embeddings [J/OL].arXiv：2012.06678 [cs.LG].[2024-08-09].https：//doi.org/10.48550/arXiv.2012.06678.

[7] 唐偉廣，徐超，康彥肖.基于組合賦權(quán)TOPSIS的海上目標威脅評估 [J].無線電工程，2024，54（5）：1286-1293.

[8] 趙若靜，楊風暴，吉琳娜.基于可能性理論擴展灰關(guān)聯(lián)的目標威脅評估 [J].指揮信息系統(tǒng)與技術(shù)，2021，12（3）：23-29.

[9] 柴慧敏，張勇，李欣粵，等.基于深度學習的空中目標威脅評估方法 [J].系統(tǒng)仿真學報，2022，34（7）：1459-1467.

[10] 江達偉，董陽陽，張立東，等.基于深度學習的空中目標威脅評估技術(shù)研究 [J/OL].系統(tǒng)仿真學報，2024：1-17[2024-06-30].https：//doi.org/10.16182/j.issn1004731x.joss.23-1323.

[11] CAO Y，KOU Y X，XU A，et al. Target Threat Assessment in Air Combat Based on Improved Glowworm Swarm Optimization and ELM Neural Network [J/OL].International Journal of Aerospace Engineering，2021（1）：4687167[2024-09-01].https：//doi.org/10.1155/2021/4687167.

[12] 劉立芳，楊海霞，齊小剛.基于線性判別分析的時頻域特征提取算法 [J].系統(tǒng)工程與電子技術(shù)，2019，41（10）：2184-2190.

作者簡介：吳正威（2000—），男，漢族，安徽宣城人，碩士研究生，研究方向：機器學習與態(tài)勢感知。

收稿日期：2024-09-09