BiLSTM-Attention： 一種空中目標戰術意圖識別模型

滕飛 劉曙 宋亞飛

摘 要：傳統空中目標戰術意圖識別過程中僅依據單一時刻進行推理分析， 而實際戰場中目標戰術意圖是由一系列動作實現的， 因此目標狀態呈現動態、 時序變化特征。 針對此問題在長短期記憶網絡（LSTM）的基礎上引入雙向（Bidirectional）傳播機制和注意力（Attention）機制， 提出基于BiLSTM-Attention的空中目標戰術意圖識別模型。 采用分層的方法構建空戰意圖特征集， 并將其編碼成時序特征， 將決策人員經驗封裝成標簽， 通過BiLSTM神經網絡學習空戰意圖特征向量中的深層次信息， 并利用注意力機制自適應分配網絡權重， 將不同權重的空戰特征信息放入Softmax函數層進行意圖識別。 通過與傳統空中戰術目標意圖識別模型對比及消融實驗分析表明， 所提模型有效提升了空中目標戰術意圖識別效率， 對輔助作戰系統具有重要的理論意義和參考價值。

關鍵詞： 意圖識別; 注意力機制; 雙向長短時記憶網絡; 空中目標; 時序特征

中圖分類號： TJ760; E824? 文獻標識碼：??? A? 文章編號： 1673-5048（2021）05-0024-09

0 引? 言

在現代信息化空戰中， 航空科學和軍事技術的蓬勃發展導致空中目標受到越來越嚴重的威脅。 同時， 高科技的不斷應用導致戰場環境的復雜性和信息不對稱等特征不斷涌現， 僅依靠專家經驗很難從復雜空戰環境中實時、 準確地識別敵方目標意圖。 因此， 迫切需要智能化推理方法來突破傳統人工方式的弊端， 幫助己方奪取制空權甚至戰爭的勝利[1-2]。

近年來， 為滿足作戰決策系統的需求， 在軍事領域開展了大量的意圖識別研究。 現有的用于復雜戰場環境下對敵目標意圖識別研究主要有證據理論[3]、 模板匹配[4]、 專家系統[5]、 貝葉斯網絡[6-7]和神經網絡[8-9]等方法。 文獻[3]利用艦船的傳感器測得空中目標的特征信息， 建立置信規則庫， 用證據推理融合多源信息對目標意圖進行識別。 文獻[4]在以態勢數據庫為基礎構成的模板上， 設計了意圖識別推理模型， 并提出基于D-S證據理論的意圖識別模板匹配方法。 文獻[5]使用領域專家知識構建知識庫， 而后將戰場態勢與作戰意圖的對應關系用規則的形式進行表達， 最后使用推理機得出推理結果。 文獻[6-7]依據軍事專家知識確定貝葉斯網絡參數， 通過節點表示特征， 有向弧表示轉移關系， 條件概率表示關系強度， 利用新事件影響后向傳播從而對網絡參數進行更新， 一直到某個意圖超越閾值， 該意圖即為識別意圖。 文獻[8]將實際戰場中的信息進行收集， 從中選擇合適的特征并進行數據預處理得到數據集， 然后將數據集輸入神經網絡， 利用神經網絡的自適應和自學習能力得到作戰意圖識別規則， 之后使用空戰意圖識別規則來推理出敵目標作戰意圖。

上述方法通過依靠單一時刻的特征信息進行分析和推理， 很難有效從時序變化的目標狀態特征中尋找出隱含的深層信息。 而實際上， 目標意圖在戰場中是通過一系列戰術動作實施的， 所以目標的動態屬性和戰場環境會呈現出動態、 時序變化特征， 并且敵方目標的作戰行動會具有一定的欺騙性和隱蔽性， 故依據單一時刻的特征信息來推理敵目標意圖是不夠科學的[9]。? 文獻[10]針

對時序變化特征提出基于長短期記憶（long-term and??? short-term? memory， LSTM）網絡的戰術意圖智能識別模

型， 該模型對識別目標作戰意圖有良好的效果， 并且符合戰場態勢信息中的時序特征和前后邏輯關系， 但其只能利用歷史時刻信息來對當前信息作出判斷， 無法利用未來時刻信息， 且其準確率還有較大提升空間。

綜上， 本文提出一種基于BiLSTM-Attention空中目標戰術意圖智能識別模型， 在基于LSTM網絡的基礎上引入雙向（Bidirectional）循環機制和注意力（Attention）機制， 從而模擬決策人員對于空戰情況的推理過程。 將編碼化的空戰特征向量輸入BiLSTM層， 相比放入LSTM層能充分利用歷史時刻和未來時刻信息綜合作出判斷; 把BiLSTM層的輸出向量放入Attention機制層能進一步突出影響意圖的關鍵信息， 提高意圖識別的準確率。 將多種模型與本文提出模型進行對比實驗， 以準確率、 損失值、 召回率、 精確率、 F1-分數作為評價指標， 證明了本文提出模型在空中目標戰術意圖識別方面的有效性。

1 空中目標意圖識別問題描述

空中目標戰術意圖是從實時、 對抗性環境中， 通過提取相應時空域內的戰場環境信息、 空戰敵我目標的靜態屬性和實時動態信息進行分析， 并結合相應軍事領域知識， 來推理敵方目標作戰意圖的過程[11]， 如圖1所示。

空中目標戰術意圖識別是一種典型的模式識別問題， 可以描述為空戰意圖識別特征到空戰意圖類型的映射。 定義 I=（i1， i2， …， in） 為空中目標戰術意圖空間， 定義 Vt 為 t 時刻戰場實時特征信息。 由于空中目標戰術意圖識別是在復雜、 高對抗戰場條件下進行的， 被識別目標會盡可能欺騙我方決策人員， 迫使我方作出錯誤判斷， 故用單一時刻特征來識別敵方作戰意圖與實際情況會有較大差異。 因此， 從被識別目標多個連續時刻的特征信息中推測其作戰意圖更具有科學性。 定義 VT 為 t1 到 tT 連續 T 個時刻的特征集構成的時序特征集， 從而確定戰術意圖空間 I 到時序特征集 VT 的映射函數：

I=f（VT）=f（V（t1）， V（t2）， …， V（tT）） （1）

由于空戰本身存在的高對抗性、 不確定性、 復雜性等， 很難通過數學公式歸納推導出戰術意圖類型到時序特征集的映射關系[1]。 本文通過使用空戰數據集來訓練BiLSTM-Attention網絡結構， 從而隱式地建立戰術意圖類型到時序特征集的映射關系。 整個空戰意圖識別過程如圖2所示。

在進行空中目標戰術意圖識別時， 首先通過空戰領域專家對歷史數據進行意圖類型標定得到完整訓練數據集， 之后將預處理后的數據集輸入BiLSTM-Attention網絡訓練得到空戰意圖類型與時序特征集之間的映射關系; 在實際空戰時， 通過傳感器實時采集連續 N 個時刻（ Tn～Tn+N ）目標的狀態信息， 最后將采集的目標狀態信息整合編碼后輸入到訓練好的目標意圖識別模型， 得到目標意圖識別結果。

為準確描述空中目標戰術意圖識別模型， 做如下假設： （1）敵我雙方所處的空戰地形、 大氣層、 氣候等戰場環境條件大致相同; （2）敵方空中目標戰術意圖在所提取的時間序列中不發生改變[2]。

1.1 目標戰術意圖空間描述

目標戰術意圖空間對于不同的作戰形式、 不同的場景、 不同的敵方實體有不同的意圖空間。 因此， 需要根據相應的作戰情況定義適合的戰術意圖空間。 如文獻[3]中定義敵方空中目標對我方水面艦艇的戰術意圖空間為{偵察、 監視、 攻擊、 掩護}; 文獻[12]對于敵方單組海上艦船編隊建立戰術意圖空間為{攻擊、 偵察、 撤退、 掩護}; 文獻[13]定義敵方空中目標對我方潛艇的戰術意圖空間為{攻擊、 搜潛、 驅離、 巡邏}; 文獻[14]對于水下威脅目標建立戰術意圖空間為{攻擊、 規避、 巡邏}。

本文針對某空域無人機交戰為研究對象， 建立敵方目標的戰術意圖空間包括： 突防、 佯攻、 攻擊、 偵察、 撤退、 監視、 電子干擾7種意圖類型。

在確立意圖空間后， 如何將人的認知模式轉換成智能模型訓練的標簽， 并與戰術意圖空間中意圖類型相對應， 是將BiLSTM-Attention模型應用于戰術意圖識別的關鍵。 分析目標戰術意圖推理過程可知， 決策人員得到戰場態勢信息后， 結合自身經驗作出敵方目標意圖判斷是很難顯式表達出來的， 但是人的認知經驗往往隱含在對敵方目標作戰意圖的推理過程中。 因此， 可以將決策人員的認知經驗封裝成標簽來訓練BiLSTM-Attention模型。 針對本文中確立的7種敵方目標作戰意圖類型， 相應的作戰意圖類型編碼與模式解析機制如圖3所示。? 例如， 若BiLSTM-Attention模型輸出的意圖識別結果為3， 則可認為敵方目標的作戰意圖為監視意圖，? 故通過將敵方作戰意圖編碼的方式能簡單清楚地表達出決策者的認知經驗， 并且更加容易訓練模型。

1.2 空中目標戰術意圖識別特征描述

敵方目標戰術意圖與敵我雙方的威脅程度和作戰任務高度相關。? 例如，? 我方對敵方威脅程度遠大于敵方對我方的威脅程度時， 敵方目標的戰術意圖為“攻擊”的可能性就會大大降低。 因此，? 為識別不同的敵我雙方威脅

程度和作戰任務， 需要提取不同的空戰特征。

從威脅程度角度， 影響目標威脅程度大小的因素有

很多， 本文主要考慮敵我雙方距離、 速度、 角度以及飛行加速度。 空戰能力因子也是決定目標威脅程度大小的重要因素， 對于戰機的空戰能力， 借鑒文獻[15]構建單機空戰能力威脅函數：

C=[ ln ε1+ ln （ε2+1）+ ln （∑ε3+1）]ε4ε5ε6ε7 （2）

其中， ?ε1～ε7 分別表示戰機機動性能、 機載武器性能、 機載設備探測能力、 戰機的基本飛行性能、 戰機的操作性能、 戰機的作戰生存性能以及電子信息對抗性能。 空戰能力威脅是戰機的固有性能， 因此可根據公式計算出一定時期內敵我雙方各式戰機的空戰能力因子， 保存在數據庫中， 并根據我方掌握的裝備發展情況實時更新數據庫數據。

從作戰任務角度， 當敵方戰機執行某項作戰任務時， 其戰機的某些特征信息必須滿足一定的條件。 例如， 殲擊機在空戰攻擊時通常采用高速接近敵方目標， 戰機飛行速度一般是735～1 470 km/h; 執行突防任務時分為低空突防和高空突防， 對應高度為50～200 m和10 000～11 000 m[16]。 目標雷達信號狀態與作戰任務也存在一定聯系。 例如， 空戰格斗時通常保持對空雷達開啟， 執行偵察任務時保持對空雷達和對海雷達的開啟[2]。 不同類型的戰機具備不同的應用價值和戰術意義， 殲擊機攻擊性較強， 偵察機偵察能力強， 因此敵機類型也可作為戰術意圖識別特征。

此外， 空中目標戰術意圖的實現與戰機機動動作密切相關。 常見的機動動作庫有兩種設計類型： 一類是以典型空戰戰術飛機動作作為依據設計的“典型戰術動作庫”， 另一類以空戰基本操縱動作為設計依據的“基本操縱動作庫”。 由于本文研究的是時序特征， 通過采集12幀的目標特征信息進行戰術意圖識別， 而“典型戰術動作庫”的控制算法求解復雜， 動作的退出和轉換時間點難以確定， 故本文采用“基本操縱動作庫”[17]。 該庫是由美國國家航空咨詢委員會（NASA）學者根據空戰中最常用的機動方式提出的， 主要包括7種機動動作： 最大加速、 最大減速、 最大過載爬升、 最大過載俯沖、 最大過載右轉、 最大過載左轉、 穩定分型， 但是由這7種機動方式組合的機動動作還不夠多， 并且都采取極限操縱， 顯然不符合空戰實際。 本文選用改進后的基本操縱動作11種[18]， 包括：勻速前飛、 減速前飛、 加速前飛、 爬升、 右爬升、 左爬升、 俯沖、 右俯沖、 左俯沖、 右轉、 左轉。

綜上所述， 本文的空中目標戰術意圖識別特征集為{對空雷達狀態、 對海雷達狀態、 干擾狀態、 受干擾狀態、 機動類型、 敵機類型、 敵機加速度、 敵機高度、 敵機速度、 敵機空戰能力因子、 航向角、 方位角、 我機加速度、 我機高度、 我機速度、 我機空戰能力因子、 雙方距離}17維特征向量，? 并且可分為數值型特征和非數值型特征。 特征描述圖如圖4所示。

2 基于BiLSTM-Attention空戰意圖識別模型

BiLSTM-Attention模型共分為三部分： 空戰特征向量輸入層、 隱含層和輸出層。 其中， 隱含層由BiLSTM層、 Attention層和Dense層三部分組成。 網絡的輸入節點input=（12， 17）， 輸出節點output=7， 其中， 12表示步長; 17表示特征維數; 7表示意圖類別數。 其BiLSTM-Attention模型結構如圖5所示。

2.1 輸入層

本文的輸入層主要是對采集的空戰特征數據集進行預處理， 即將這些數據集處理成BiLSTM層能夠直接接受并能處理的特征向量形式。 空戰特征向量化具體操作步驟如下：

（1） 讀取采集數據并進行數據清洗。

（2） 將數值型空戰特征數據進行歸一化處理。? 數據歸一化能夠消除數據量綱影響， 提高網絡收斂效率， 本文對敵機加速度、 敵機高度、 敵機速度、 敵機空戰能力因子、 航向角、 方位角、 我機加速度、 我機高度、 我機速度、 我機空戰能力因子、 雙方距離共11種數值型空戰特征數據進行歸一化處理。 對于第x種數值型數據 Fx=[fx1， fx2， …fxi， …， fxn]（x=1， 2， …， 11） ; n為數據總數。 將第x種中第i個原始數據值 fxi 映射到區間[0， 1]的結果為 fxi′ ， 其公式為

fxi′=fxi- min Fx max Fx- min Fx （3）

式中： ??minFx 為第x維特征Fx 的最小值; ??maxFx 為第x維特征Fx 的最大值。

（3） 將非數值型空戰特征數據編碼。 對于對空雷達狀態、 對海雷達狀態、 干擾狀態、 受干擾狀態4種屬性數據編碼表示為0和1。 例如， 對空雷達狀態中0表示雷達處于關閉狀態， 1表示雷達處于打開狀態。 對于機動類型和敵機類型兩種屬性數據應用Mllier的9級量化理論[19]， 獲得各非數值型特征的編碼化數據， 而后進行歸一化處理。

（4） 將7種敵方目標作戰意圖類型按圖3所示編碼成類別標簽。

（5） 隨機初始化數據， 按8∶2劃分訓練集和測試集。

經過上面的五步操作之后， 采集到的空戰特征數據就變成隱含層能夠直接接受并處理的特征向量形式。

2.2 隱含層

2.2.1 BiLSTM層

長短期記憶網絡作為一種特殊的循環神經網絡（Recurrent Neural Network， RNN）， 也具有同RNN相類似的遞歸結構， 但LSTM通過引入門控開關的思想來模擬人腦的遺忘機制和記憶機制， 從而克服長序列訓練過程中的梯度消失和梯度爆炸問題[20]。

在LSTM體系結構中通過遺忘門、 更新門、 輸出門以及記憶單元實現信息的輸入和輸出， LSTM的單個神經元體系結構如圖6所示。 圖中Xt為時間t時刻的輸入特征;ct-1為更新前的神經元;Ct為更新后的神經元;ht-1和ht分別為上一時刻和當前時刻的輸出特征;Γf，Γu和Γo分別為遺忘門、 更新門和輸出門;t 為候選神經元; ?σ 為Sigmoid函數。 其運算過程如下：

Γf =σ（Wf [ht-1， Xt]+b f）（4）

Γu =σ（Wu [ht-1， Xt]+b u）（5）

C～t= tanh （Wc [ht-1， Xt]+bc ） （6）

ct=Γu *C～t+Γf *Ct-1 ?（7）

Γo =σ（Wo [ht-1， xt+b o]） （8）

ht=Γo*tanhct（9）

其中，Wf，W u，W c，Wo以及b f，b u，b c，b o為各相應部分的權重系數矩陣和偏移向量。

傳統的LSTM網絡為單向的神經網絡結構， 所獲取的信息都是當前時刻之前的歷史信息， 導致忽略了未來的信息， 而BiLSTM網絡是由前向的LSTM網絡與后向的LSTM網絡組成， 具有能夠捕獲前后信息特征的作用， 其模型結構如圖7所示。

從圖7可以看出， BiLSTM在t時刻隱層狀態Ot 可通過前向隱層狀態 ht 和后向隱層狀態 ht 兩部分求得， 前向隱層狀態 ht 由當前輸入的xt和（t-1）時刻前向的隱層狀態 ht-1 決定， 后向隱層狀態 ht 由當前輸入的xt和（t+1）時刻后向的隱層狀態 ht+1 決定[21]。 計算公式如式（10）～（12）所示， 其中wi（i=1， 2， …， 6）表示一個單元層到另一個單元層的權重。

ht=f（w1xt+w2ht-1） （10）

ht=f（w3xt+w5ht+1） （11）

Ot=g（w4ht+w6ht） （12）

2.2.2 Attention層

Attention機制與人類的視覺所特有的大腦信號處理機制相似， 其通過計算不同時刻BiLSTM網絡中輸出的特征向量的權重， 突出對預測結果占比更大的特征， 從而使整個神經網絡模型表現出更優的性能。 Attention機制在機器翻譯、 語音識別等時序數據中表現優異， 在分類預測中也有較為不錯的效果， 可以單獨使用， 也可以在其他混合模型中作為其他混合模型的層使用[22]。 在本文空中目標戰術意圖識別中， 神經網絡在訓練過程中通過Attention機制來重點關注一些關鍵的特征， 其核心是權重系數。 首先學習每個特征的重要程度， 而后根據重要程度為每個特征分配相應的權重。 例如， 敵機是攻擊意圖時， 其中航向角、 機動類型等特征會被Attention機制分配更多的權重來加深模型記憶。 Attention機制模型基本結構如圖8所示。Ot 為BiLSTM網絡輸出的第t個特征向量， 將其輸入注意力機制隱藏層得到初始狀態向量st ， 而后與權重系數αt對應相乘并累加求和， 得到最終輸出的狀態向量Y。 計算公式如下：

et= tanh （wtst+bt） （13）

αt= exp （et）/∑ti=1ei （14）

Y=∑nt=1αtst （15）

式中： et為第t個特征向量的狀態向量st所確定的能量值;wt為第t個特征向量的權重系數矩陣;bt為第t個特征向量相對應的偏移量。 根據式（14）可以實現由輸入初始狀態到新的注意力狀態的轉換， 之后通過式（15）得到最終輸出的狀態向量Y， 最后將Y與Dense層整合在一起作為一個輸出值輸入到最后的輸出層。

2.3 輸出層

輸出層的輸入為隱含層中Attention機制層的輸出。 利用多分類Softmax函數對輸出層的輸入進行相應計算， 從而得出空中目標戰術意圖分類：

yk=softmax（w1Y+b1）（16）

其中：w1為Attention機制層到輸出層需要訓練的權重系數矩陣;b1為需要訓練的對應偏置; yk 為輸出層的輸出預測標簽。

3 實驗分析

3.1 實驗數據集

實驗以某空域無人機交戰為研究背景， 實驗數據來源于某作戰仿真系統中。 通過多次運行仿真系統， 得到多種空戰意圖模式， 從中隨機抽取10 000個空戰意圖樣本， 針對每個樣本采集連續12幀信息（每幀信息包括航向角、 飛行高度、 干擾狀態、 雷達狀態等17個維度特征信息）。 由于樣本集數據量過大，? 選擇由空戰領域專家通過空戰經驗編寫意圖識別規則來生成意圖標簽， 之后通過計算機對空戰意圖樣本進行模式分類， 最后由空戰領域專家根據空戰經驗對存在意圖分類歧義的樣本數據進行修訂。 其中數據集包括 7 種目標戰術意圖， 各戰術意圖數據占比情況為攻擊意圖 21.6%、 突防意圖20.0%、 偵察意圖19.8%、 監視意圖12.9%、 佯攻意圖10.0%、 電子干擾意圖9.25%、 撤退意圖6.45%。 樣本規模為10 000， 其中按8∶2劃分訓練集與測試集， 故訓練集樣本規模為8 000， 測試集樣本規模為2 000。

3.2 實驗設置

本實驗以準確率、 損失值作為實驗的評價指標。

實驗使用Python語言， 在GPU加速環境下進行， 采用Keras深度學習框架， 電腦配置為Win10t系統、? GTX960M顯卡、 8GB內存。

實驗中有很多超參數需要設置， 依據準確率進行調整。 記隱藏層層數為HL， 各隱藏層節點數為HS。 （1）保持隱藏層層數不變， 分別設置不同的隱藏層節點數， 分析隱藏層節點數對模型性能的影響， 設HL=1， HS=[64]， [128]， [256]， [512]， 得出最優隱藏層節點數， 結果如圖9所示。 （2）依據得出的最優隱藏層節點數， 在總體數目保持不變的情況下， 分別設置不同的隱藏層層數， 分析隱藏層層數對模型性能的影響， 設HL=1， HS=[256]; HL=2， HS=[128， 128]; HL=3， HS=[128， 64， 64]; HL=4， HS=[128， 64， 32， 32]， 結果如圖10所示。

由圖9可見， HS=64， 128， 256， 512的模型識別準確分別在93%， 94%， 96%， 95%左右， 說明隱藏層節點數并不是越多越好， 而是存在一個合適的隱藏層節點數， 隱藏層節點數過多還會容易發生“過擬合”現象。 由圖10可見， 隨著隱藏層層數的增加， 模型的識別準確率逐漸提升， 具有三隱藏層的BiLSTM-Attention模型的性能明顯優于單隱藏層和雙隱藏層模型。 當隱藏層層數增加到4層時， 模型的收斂速度稍有下降， 并且穩定后的準確率也低于三隱藏層模型。 故在隱藏層節點數不變的情況下， 適當增加網絡深度會有效提升模型識別準確率， 但當達到一定層數后， 再增加隱藏層層數效果會變差。 其他關鍵超參數設置如下表1所示。

3.3 實驗結果分析

3.3.1 BiLSTM-Attention模型識別結果分析

BiLSTM-Attention模型經訓練后對20%的樣本測試， 實驗表明本文提出的網絡模型準確率達到97.3%， 為進一步觀測各識別意圖之間的關系， 制作數據集的混淆矩陣， 對角線表示識別正確的樣本個數， 如表2所示。

可以看出， 模型對于7種意圖識別皆具有較高識別準確率， 特別是撤退意圖的識別準確率可達到100%。 對于攻擊意圖有較少部分錯誤識別為佯攻意圖， 偵察意圖和監視意圖也有少部分相互識別錯誤， 經分析應是兩種意圖對應的空戰特征相似性較高、 意圖欺騙性更強， BiLSTM神經網絡無法確保訓練的模型權重在識別此類戰術意圖之間有明顯差別， 故最后的注意力機制層無法準確地感知到兩者之間的權重差異， 從而導致有少部分意圖相互識別錯誤情況出現， 符合實際情況。

3.3.2 模型的對比實驗

本實驗選取100次迭代過程中， 測試集上最高的準確率作為該模型的準確率， 相對應的損失值即為該模型的損失值。 使用本文所提模型BiLSTM-Attention分別與文獻[9]提出的棧式自編碼器（SAE）戰術意圖智能識別模型、 文獻[10]提出的基于LSTM的戰場對敵目標戰術意圖識別模型、 文獻[16]提出的使用ReLU函數和Adam算法優化的DBP神經網絡空中目標作戰意圖識別模型、 傳統的多分類模型支持向量機（SVM）和多層感知機（MLP）進行對比實驗。 對比實驗參數設置如表3所示， 實驗具體結果如表4所示。

從表4可看出， 本文所提出的模型BiLSTM-Attention較其他五種模型在準確度和損失值兩方面都表現得更加優異， 較兩種傳統機器學習方法SVM和MLP準確率可提高約30%， 較傳統神經網絡方法準確率可提高約20%， 較基礎LSTM模型準確率提高2.8%， 從而驗證本文所提模型對于空中目標戰術意圖識別的有效性。 進一步分析， LSTM與BiLSTM-Attention作為以RNN為基礎的時序特征網絡模型較其他模型更加適用空中目標戰術意圖識別， 進一步說明依據時序特征變化來判斷空中目標意圖更加具有科學性。

3.3.3 模型消融實驗

雖然BiLSTM-Attention模型與LSTM， SAE， DBP， MLP， SVM模型的對比實驗已經充分說明BiLSTM-Attention模型具有高準確率和低損失率的特點， 能準確識別空中目標戰術意圖， 但其畢竟不屬于同種類型混合實驗模型的對比， 缺少一定實驗說服力。 因此， 在同一數據集上做模型消融實驗， 其實驗結果如表5、 圖11～12所示。

從表5中可以看出， 本文所提模型準確率可高達97.3%， 對比LSTM， LSTM-Attention， BiLSTM模型使準確率分別提升了2.8%， 1.5%， 和1.1%。 所提模型損失值對比其他三種模型也更低。 從圖11～12的消融實驗準確率與損失值變化情況分析， 四種模型中從左往右看隨訓練輪次的增加總體上準確率不斷提高， 損失值不斷降低， 其中BiLSTM-Attention模型始終優于其余三種模型， BiLSTM-Attention與BiLSTM在最初訓練不久后， 其準確率和損失值就明顯優于其余兩種模型， 經分析認為雙向傳播機制能有效提高訓練效果， 使神經網絡模型在相同批量大小、 學習率、 訓練輪次的情況下能更快地學習。 BiLSTM與LSTM-Attention兩種模型曲線較為接近， 且都明顯優于LSTM模型， 可見通過引入雙向傳播機制和注意力機制對于LSTM模型有明顯提升。

引入精確率（意圖識別正確的正樣本個數占意圖識別器判定為正樣本個數的比例）、 召回率（意圖識別正確的正樣本個數占實際的正樣本個數的比例）、 F1-分數（精確率和召回率的調和平均值）三種模型評估指標， 進一步驗證模型優越性。 結果見表6。

表5中①、 ②、 ③、 ④分別表示BiLSTM-Attention、 BiLSTM、 LSTM-Attention、 LSTM空中目標戰術意圖識別模型。 可以得出四種模型對于佯攻和監視意圖識別率相對較低， 經分析， 應是這兩種意圖與攻擊意圖和偵察意圖空戰特征相似性較高， 對于撤退意圖識別率較高。 BiLSTM與LSTM-Attention模型三種評估指標結果相差較小， 但都明顯高于LSTM， BiLSTM-Attention模型在各項評估指標中全面占優， 證明了本文所提模型能夠以高準確度對空中目標戰術意圖進行識別。

4 結? 論

本文針對在復雜戰場環境下僅依靠專家經驗很難高效識別敵方目標意圖， 且傳統空中目標戰術意圖識別僅依據單一時刻分析， 缺乏科學性， 準確率較低的問題， 分析了空戰目標戰術意圖識別問題特點。 采用分層策略從威脅程度和作戰任務兩方面選取共17維空戰特征， 將決策人員的認知經驗封裝作為標簽， 提出一種利用空中目標時序特征變化的BiLSTM-Attention空戰目標戰術意圖識別模型。 該模型利用BiLSTM神經網絡充分學習連續12幀空戰特征信息， 提取更為深層次特征， 而后利用注意力機制對特征分配不同權重， 以達到更加精確識別意圖的目的。 通過與其他模型對比實驗顯示， 本文所提模型學習速度較快且識別準確率更高。 本文模型對于空戰特征相似性高、 欺騙性強的意圖識別還存在不足， 以及在所檢測的時間序列中意圖若發生改變應如何識別， 這將是下一步研究的重點。

參考文獻：

[1] 樊會濤， 閆俊.? 自主化——機載導彈重要的發展方向[J]. 航空兵器， 2019， 26（1）： 1-10.

Fan Huitao， Yan Jun.? The Important Development Direction of Airborne Missile：?? Autonomization[J].? Aero Weaponry， 2019， 26（1）： 1-10. （in Chinese）

[2] 劉鉆東，? 陳謀，? 吳慶憲，? 等. 非完備信息下無人機空戰目標意圖預測[J]. 中國科學： 信息科學，? 2020，? 50（5）： 704-717.

Liu Zuandong，? Chen Mou，? Wu Qingxian，? et al. Prediction of Unmanned Aerial Vehicle Target Intention under Incomplete Information[J]. Scientia Sinica Informationis，? 2020，? 50（5）： 704-717.（in Chinese）

[3] 趙福均，? 周志杰，? 胡昌華，? 等. 基于置信規則庫和證據推理的空中目標意圖識別方法[J]. 電光與控制，? 2017，? 24（8）： 15-19.

Zhao Fujun，? Zhou Zhijie，? Hu Changhua，? et al. Aerial Target Intention Recognition Approach Based on Belief-Rule-Base and Evidential Reasoning[J]. Electronics Optics & Control，? 2017，? 24（8）： 15-19.（in Chinese）

[4] 李香亭. 態勢估計中目標意圖識別的研究與實現[D]. 太原： 中北大學，? 2012.

Li Xiangting. The Research and Implementation of Situation Assessment in the Target Intention Recognition[D]. Taiyuan： North University of China，? 2012. （in Chinese）

[5] 尹翔，? 張萌，? 陳夢喬. 基于判別分析的空中目標作戰意圖識別[J]. 彈箭與制導學報，? 2018，? 38（3）： 46-50.

Yin Xiang，? Zhang Meng，? Chen Mengqiao. Combat Intention Re-cognition of the Target in the Air Based on Discriminant Analysis[J]. Journal of Projectiles， Rockets， Missiles and Guidance，? 2018，? 38（3）： 46-50.（in Chinese）

[6] Jin Q，? Gou X T，? Jin W D，? et al. Intention Recognition of Aerial Targets Based on Bayesian Optimization Algorithm[C]∥ 2nd IEEE International Conference on Intelligent Transportation Engineering，? 2017： 356-359.

[7] Song Y，? Zhang X H，? Wang Z K. Target Intention Inference Model Based on Variable Structure Bayesian Network[C]∥ International Conference on Computational Intelligence and Software Engineering，? 2009： 1-4.

[8] 吳南方. 基于循環神經網絡的集群意圖識別方法研究[D]. 成都： 西南交通大學，? 2019.

Wu Nanfang. Research on Cluster Intention Recognition Method Based on Recurrent Neural Network[D]. Chengdu： Southwest Jiaotong University，? 2019. （in Chinese）

[9] 歐微，? 柳少軍，? 賀筱媛，? 等. 基于時序特征編碼的目標戰術意圖識別算法[J]. 指揮控制與仿真，? 2016， ?38（6）： 36-41.

Ou Wei，? Liu Shaojun，? He Xiaoyuan，? et al. Tactical Intention Re-cognition Algorithm Based on Encoded Temporal Features[J]. Command Control & Simulation，? 2016，? 38（6）： 36-41.（in Chinese）

[10] 歐微，? 柳少軍，? 賀筱媛，? 等. 戰場對敵目標戰術意圖智能識別模型研究[J]. 計算機仿真，? 2017，? 34（9）： 10-14.

Ou Wei，? Liu Shaojun，? He Xiaoyuan，? et al. Study on the Intelligent Recognition Model of Enemy Targets Tactical Intention on Battlefield[J]. Computer Simulation，? 2017，? 34（9）： 10-14.（in Chinese）

[11] Zhou T L，? Chen M，? Wang Y H，? et al. Information Entropy-Based Intention Prediction of Aerial Targets under Uncertain and Incomplete Information[J]. Entropy，? 2020， 22（3）： 279.

[12] 陳浩，? 任卿龍，? 滑藝，? 等. 基于模糊神經網絡的海面目標戰術意圖識別[J]. 系統工程與電子技術， ?2016，? 38（8）： 1847-1853.

Chen Hao，? Ren Qinglong，? Hua Yi，? et al. Fuzzy Neural Network Based Tactical Intention Recognition for Sea Targets[J]. Systems Engineering and Electronics，? 2016，? 38（8）： 1847-1853.（in Chinese）

[13] 張天赫，? 彭紹雄，? 鄒強，? 等. 無監督神經網絡的潛艇對空戰術意圖識別[J]. 現代防御技術，? 2018，? 46（2）： 122-129.

Zhang Tianhe，? Peng Shaoxiong，? Zou Qiang，? et al. Unsupervised Learning Neural Network Based Submarine Recognize Tactical Intention for Air Target[J]. Modern Defence Technology，? 2018，? 46（2）： 122-129.（in Chinese）

[14] 陸光宇，? 丁迎迎. 水下平臺對敵意圖識別技術研究[J]. 指揮控制與仿真，? 2012，? 34（6）： 100-102.

Lu Guangyu，? Ding Yingying. Study on Intention Recognition to? Foe of Underwater Platform[J]. Command Control & Simulation，? 2012，? 34（6）： 100-102.（in Chinese）

[15] 奚之飛，? 徐安，? 寇英信，? 等. 基于PCA-MPSO-ELM的空戰目標威脅評估[J]. 航空學報，? 2020，? 41（9）： 216-231.

Xi Zhifei，? Xu An，? Kou Yingxin，? et al. Target Threat Assessment in Air Combat Based on PCA-MPSO-ELM Algorithm[J]. Acta Aeronautica et Astronautica Sinica， ?2020，? 41（9）： 216-231.（in Chinese）

[16] 周旺旺，? 姚佩陽，? 張杰勇，? 等. 基于深度神經網絡的空中目標作戰意圖識別[J]. 航空學報，? 2018，? 39（11）： 200-208.

Zhou Wangwang，? Yao Peiyang，? Zhang Jieyong，? et al. Combat Intention Recognition for Aerial Targets Based on Deep Neural Network[J]. Acta Aeronautica et Astronautica Sinica，? 2018，? 39（11）： 200-208.（in Chinese）

[17] 朱可欽，? 董彥非. 空戰機動動作庫設計方式研究[J]. 航空計算技術，? 2001，? 31（4）： 50-52.

Zhu Keqin，? Dong Yanfei. Study on the Design of Air Combat Maneuver Library[J]. Aeronautical Computer Technique，? 2001，? 31（4）： 50-52.（in Chinese）

[18] 周思羽，? 吳文海，? 李翔，? 等. 空戰機動決策集模型分析[J]. 飛機設計，? 2012，? 32（3）： 42-45.

Zhou Siyu，? Wu Wenhai，? Li Xiang，? et al. Analysis of Air Combat Maneuver Decision Set Model[J]. Aircraft Design，? 2012，? 32（3）： 42-45.（in Chinese）

[19] 李俊生，? 梁偉，? 劉雪梅，? 等. 基于離差最大化的導彈中段目標威脅度評估[J]. 系統工程理論與實踐，? 2007，? 27（5）： 164-167.

Li Junsheng，? Liang Wei，? Liu Xuemei，? et al. The Multi-Attribute Evaluation of Menace of Targets in Midcourse of Ballistic Missile Based on Maximal Windage Method[J]. Systems Engineering-Theory & Practice，? 2007，? 27（5）： 164-167.（in Chinese）

[20] Qiao Y C，? Zhang B，? Zhang W Z，? et al. DGA Domain Name Classification Method Based on Long Short-Term Memory with Attention Mechanism[J]. Applied Sciences，? 2019，? 9（20）： 4205.

[21] Chen J X，? Jiang D M，? Zhang Y N. A Hierarchical Bidirectional GRU Model with Attention for EEG-Based Emotion Classification[J]. IEEE Access，? 2019，? 7： 118530-118540.

[22] 朱銘康，? 盧先領. 基于Bi-LSTM-Attention模型的人體行為識別算法[J]. 激光與光電子學進展，? 2019，? 56（15）： 153-161.

Zhu Mingkang，? Lu Xianling. Human Action Recognition Algorithm Based on Bi-LSTM-Attention Model[J]. Laser & Optoelectronics Progress，? 2019，? 56（15）： 153-161.（in Chinese）

BiLSTM-Attention： An Air Target Tactical

Intention Recognition Model

Teng Fei， Liu Shu， Song Yafei*

（Air and Missile Defense College，? Air Force Engineering University，? Xian 710051，? China）

Abstract： ?In the traditional air target tactical intention recognition process，? reasoning analysis is only based on a single moment，? but in the actual battlefield，? the target tactical intention is realized by a series of actions，? so the target state presents the characteristics of dynamic and temporal changes. In order to solve this problem，? the bi-directional（Bidirectional） propagation mechanism and attention（Attention） mechanism are introduced on the basis of long-term and short-term memory network （LSTM），? and a target tactical intention recognition model based on BiLSTM-Attention is proposed. The hierarchical method is used to construct the feature set of air combat intention and encode it into time series feature. The decision makers experience is encapsulated into a label. The deep information in the feature vector of air combat intention is learned by BiLSTM neural network，? and the network weight is adaptively assigned by attention mechanism. Finally，? the air combat feature information with different weights is put into Softmax function layer for intention recognition. Through the comparison with the traditional air tactical target intention recognition model and the analysis of? ablation experimental，? the proposed model effectively improves the recognition efficiency of air target tactical intention. It has important theoretical significance and reference value for auxiliary combat system.

Key words： ?intention recognition; attention mechanism; bi-directional long-term and? short-term memory network; air target; temporal feature