1、书书书引用格式:李战武，李双庆，彭明毓，等 基于注意力机制改进的 LSTM 空战目标意图识别方法J 电光与控制，2023,30(3):1-7 LI Z W,LI SQ,PENG M Y,et al An air combat target intention recognition method based on LSTM improved by attention mechanismJ Electronics Optics Control,2023，30(3):1-7基于注意力机制改进的 LSTM 空战目标意图识别方法An Air Combat Target Intention Recogn
2、ition Method Basedon LSTM Improved by Attention Mechanism李战武1a，李双庆1b，彭明毓1b，江涛1b，鞠明2，孙爱民3(1 空军工程大学，a 航空工程学院;b 研究生院，西安710000;2 中国人民解放军 93131 部队，北京100000;3 中国人民解放军 93137 部队，北京100000)李战武李战武(1978)，陕西三原人，博士，教授，空军高层次科技人才，中国指挥控制学会、中国航空学会会员。近年来承担各类国防特区、省部级重点科研项目20 余项，承担理论重点研究课题2项，获省部级科技进步一等奖 1 项，国防科技进步二等奖 1
3、项，空军军事理论一等奖、二等奖各1 项。公开出版专著1部，编写教材 10 余部。电光与控制、火力与指挥控制 期刊编委，系统工程与电子技术 、空军工程大学学报等期刊审稿专家。近 5 年共发表论文30 余篇，其中，SCI 检索 6 篇，EI 检索 5篇，其余均为核心期刊。曾获省部级优秀电教教材一等奖1 项，全国电教教材三等奖2 项，2016 年获得大学微课比赛二等奖1 项，所负责课程获批陕西省一流线下课程。获国家职业院校教学竞赛三等奖 1 项。指导本科生获多个年度“中国工程机器人大赛暨国际公开赛”特等及一、二等奖。指导研究生获得“华为杯”数学竞赛一等奖。基金项目:空军工程大学校长基金(CXJ202
4、1010)空战对抗过程中的目标状态数据呈现时序性、多维性等特征，为进一步提升目标意图识别的准确率，提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法，将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据，生成特征序列;接着采用注意力机制提升目标的特征学习能力，增强空战过程中的主要目标状态特征表示，得到具有权值分配的特征向量;最后利用 LSTM 网络对目标特征向量进行训练，通过 softmax 层实现目标意图的识别。仿真实验表明，该方法利用注意力机制有效增强目标的特征学习，进一步提升了LSTM 网络的识别精度，具有一定的科学性和有效性。关键词:空
5、战;目标意图识别;注意力机制;LSTM 网络;权值分配中图分类号:V19doi:10 3969/j issn 1671 637X 2023 03 0010引言现代空战中，获取敌机意图是对空战态势有效评估，进而掌握战场先机的重要前提之一。当下，越来越复杂的空战环境，以及越来越庞大的目标状态信息量，使得飞行员难以仅凭经验对敌目标战术意图进行准确、及时、有效的识别。空战目标战术意图识别，是我方指挥者决策考虑的重要因素之一，也是夺取制空胜利的重要支撑。近些年来，目标意图识别的方法主要有模板匹配 1 2、专家系统 3、贝叶斯网络 4 5、机器学习 6 7 以及深度学习 8 9 等方法。模板匹配方法主要是
6、通过专家经验构建战场态势先验知识库，再将所提取的目标战术特征进行关联匹配，最终得到目标的战术意图。专家系统先通过专家经验构建先验知识库，然后确定战场态势与空战意图的对应规则，最后采用推理机制进行目标意图的推理而实现识别。贝叶斯网络利用网络节点对目标各状态要素进行描述，通过先验知识库确定相应节点参数，最终实现不确定目标意图的推理。机器学习利用网络的学习能力，通过提取空战目标状态特征进行训练，更新网络参数，实现目标意图的识别。基于专家系统和模板匹配的方法较为简单，容易实现，但是需要专家先验知识而导致模型的主观性较强;基于贝叶斯网络的方法能较好地结合专家经验知识处理不确定信息，但是模型较为简单，难以
7、构造全面的推理机制而导致现实空战对抗中，存在部分意图无法准确识别的问题;基于机器学习的方法和深度学习的方法，通过网络训练识别可较高精度地识别目标意图，但目标特征呈现多维，专家论坛电光与控制Electronics Optics ControlVol 30No 3Mar 2023目标意图受不同特征的影响程度不同，难以获取更可靠的特征表示。针对空战目标状态所存在的时序特性和多维特性，通过引入注意力机制以增强目标状态特征的提取能力，挖掘出深层次的关联关系，同时采用长短期记忆网络(Long Short-TermMemory，LSTM)进行训练，进一步改善意图识别方法的动态适应性。该方法首先对获取的目标状
8、态数据进行预处理;接着利用注意力机制对特征加以提取，得到权值分配后的特征向量;最后通过 LSTM 进行训练，softmax 层进行分类，实现目标意图识别。图 1基于时序序列分析的目标战术意图识别过程Fig 1Target tactical intention recognition process based on time sequence analysis1目标战术意图识别问题目标战术意图识别是在复杂空战过程中对目标所遂行的作战任务加以分析识别，隶属于对抗识别的范畴 8。在现代空战的过程中，所获得的目标信息愈加完备，但随之而来的是信息的准确性问题。敌方根据自身的战术、电磁对抗技术以及协同诱
9、骗等方式，对载机某一时刻所获得的数据加以误导欺骗，极大地影响飞行员的战术决策。而空战过程中，目标的状态信息反映一段时间内目标的战术动作，而往往目标的战术意图也隐含在一段时序序列状态信息中 9。通过对时序序列数据的深层次挖掘分析，可进一步准确有效地获取目标的各状态信息，提升目标意图的辨识能力。基于时序序列分析的目标战术意图识别过程见图1。如图1 所示，在现代空战过程中，目标的特征信息是多维且冗杂的 10。而时序序列处理就是从多维和冗余信息中，提取出有价值的关键信息，即X=F(A，B，C，)(1)式中:X 为提取到的目标关键状态时序信息;A，B，C，为目标在一段时序中的多维特征状态信息，A=at1
10、，at2，atn，B=bt1，bt2，btn，C=ct1，ct2，ctn，均为 n 个时序序列点的状态集合;F(*)为提取关键特征的映射过程。目标意图是目标在相应时空区域内，战场环境与敌我态势的综合分析判断下所定下的作战决策，其涉及的关键特征包含实时战场环境、目标属性及目标作战状态等11。在空战对抗过程中，目标的战术意图往往需要一定的战术机动、态势分析以及状态变化才可完成。因此，可从一段时序目标关键数据特征进行挖掘学习，进而得到目标特征与目标战术意图的映射关系为Y=f(X)=f(XE，XA，XS)(2)式中:Y 为目标可能的作战意图集合;f(*)为特征集合到意图集合之间的映射;XE=xEt1，
11、xEt2，xEtn，为目标所处环境的特征集合;XA=xAt1，xAt2，xAtn，为目标属性的特征集合;XS为目标空战过程的状态特征，其定义为XS=xSt1，1xSt1，2xSt1，mxSt2，1xSt2，2xSt2，mxStn，1xStn，2xStn，m。(3)空战对抗过程复杂多变且涉及信息广，要实现对目标意图 Y 的准确识别，不仅要依靠飞行员与指战人员的专业军事素质及经验，还需要从众多的目标特征提取出关键的特征进行高效辨识。本文通过改进 LSTM 网络，不断更新网络参数以对目标关键特征进行学习，最终实现有效的目标意图识别。2目标特征与战术意图空间2 1目标特征空间根据战场环境、目标属性和目
12、标状态 3 种目标信息特征集合以及在空战中目标的作战属性与对抗状态间有一定的联系12，复杂的空战对抗中主要涉及的目标特征空间见图 2。空战的战场环境主要涉及气象环境、信息作战环境、电磁环境等11。其中:气象环境可影响武器的选择与使用;信息作战环境涉及编队的协同作战方式及能力;电磁环境涉及目标的电磁干扰，与目标遂行的电子对抗作战行为有着密切的联系。目标属性主要包括目标雷达状态、雷达反射面积、敌我属性识别等。其中:目标雷达状态因任务不同而状态不同，如战斗机格斗时对空雷达开机、侦察机执行侦察任务时保持两雷达开机等;雷达反射面积反映目标的隐身能力，限制目标可遂行的任务范围;敌我属性识别区分敌友。目标状
13、态主要包括目标的速度、高度、航向角、方位、距离、加速度和机动类型等 13。表1 所示，不同的战术意图对目标的各个状态均有限制，因此，战术意图在目标的各个状态上均有所体现9。2第 30 卷电光与控制图 2目标特征空间组成Fig 2Space composition oftarget feature表 1不同的目标状态对应可能的目标意图Table 1Different target statescorresponding to possibletarget intentions目标状态描述可能的目标意图目标飞行速度/(kmh1)600 850轰炸攻击、运输750 950预警735 1470攻击目标
14、飞行高度/m50 1000突防、侦察10000 11000突防1000 6000攻击15000侦察目标雷达状态对空雷达开机攻击对海雷达开机攻击对空、海雷达开机侦察静默突防、运输目标机动类型8 字型预警、电子干扰低位跃升攻击、运输S 型电子干扰高速摇一摇攻击转弯掉头撤退目标的特征具有多样性、多量纲性，进行意图识别前需要对目标的特征数据进行归一化处理，以消除不同量纲影响，以及非数值型数值化，从而构建可用于识别模型的输入。其空间建立的预处理步骤如下。1)数值型时序数据归一化。为消除不同量纲的影响以及加快网络收敛，对目标的飞行状态以及雷达反射面积进行最大 最小归一化处理，即xi=xt min(Xi)m
15、ax(Xi)min(Xi)(4)式中:Xi为目标某一状态属性的时序集合;xt为某一时序点目标的状态属性值。2)非数值型时序数据数值化。战场环境特征以及目标的敌我属性、雷达状态、机动类型，均属于非数值型数据，因此为使网络得以学习到非数值型的特征，需将非数值型数据进行数值化处理，即Xi=g(Xi)xi=xi max(xi)(5)式中:g(*)为非数值型数据的标签映射过程，如对于气象环境特征 Xi=晴，雨，雷雨，雾，大风 映射为 Xi=0，1，2，3，4;xi为某一属性的对应标签;xi 0，1。经过上述处理则可得到目标的特征空间数据。2 2战术意图空间根据不同的目标特征，可将目标的可能战术意图分为9
16、 运输、侦察、电子干扰、突防、攻击、掩护、撤退等 7类战术意图。由于目标的特征空间庞大，可先由默认的意图规则库进行初步的意图标签空间生成，再由经验丰富的作战指挥人员进行修改，得到意图标签空间。目标的战术意图仍属于非数值型数据，因此需要将意图进行数值化处理，从而得到数值型标签。作战意图空间标签化处理如图3 所示。图 3意图空间标签化处理Fig 3Labeling processing ofintention space3基于注意力机制改进的 LS-TM 识别模型3 1LSTM 长短期记忆网络长短期记忆网络(LSTM)最早是由HOCHREITER 等 14 提出，目的是为缓解循环神经网络(RNN)中随着时间步长变长而存在的梯度消失的问题。LS-TM 网络中，通过引入 3 个门处理过程，从而使其具备分析长时序序列数据的能力。LSTM 基本的组成如图 4所示。图 4LSTM 基本单元Fig 4Basic units of LSTM如图 4 所示:LSTM 包含一个记忆单元 Ct，用来存储长期时序序列数据的特征信息;it为输入门，控制着输入序列 xt的时序序列信息对当前 Ct进行更新;ft为遗忘
