張?zhí)旌眨斫B雄，鄒強(qiáng)，王棟

(海軍航空工程學(xué)院，山東 煙臺(tái) 264001)

0 引言

在戰(zhàn)場(chǎng)態(tài)勢(shì)分析中，敵方的戰(zhàn)術(shù)意圖[1]是指揮員決策的重要依據(jù)之一，對(duì)敵方戰(zhàn)術(shù)意圖判斷的準(zhǔn)確性和及時(shí)性將直接影響我方作戰(zhàn)指揮決策的正確性和有效性。傳統(tǒng)作戰(zhàn)中，主要依靠人為判斷的戰(zhàn)術(shù)意圖[2]識(shí)別過程已經(jīng)不能適應(yīng)現(xiàn)代戰(zhàn)場(chǎng)上的信息化作戰(zhàn)需要，迫切需要智能化手段來實(shí)現(xiàn)戰(zhàn)術(shù)意圖的識(shí)別。

在美國國防部JDL實(shí)驗(yàn)室2004年發(fā)布的最新數(shù)據(jù)融合層次模型[3-4]中，意圖識(shí)別作為高層數(shù)據(jù)融合過程成為戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估和威脅評(píng)估中的重要組成部分。21世紀(jì)以來，隨著數(shù)據(jù)融合技術(shù)的發(fā)展，該技術(shù)已經(jīng)成為國內(nèi)外軍事決策領(lǐng)域研究的焦點(diǎn)。

軍事中的戰(zhàn)術(shù)意圖識(shí)別領(lǐng)域[5]，也就是依據(jù)從各種信息源得到的信息，結(jié)合敵方兵力的部署、戰(zhàn)場(chǎng)環(huán)境的分析、敵方戰(zhàn)斗編隊(duì)和戰(zhàn)場(chǎng)警戒程度、我方所承擔(dān)的作戰(zhàn)任務(wù)，來識(shí)別敵方戰(zhàn)術(shù)意圖和作戰(zhàn)計(jì)劃的過程。

現(xiàn)有的各種方法難以對(duì)軍事目標(biāo)的戰(zhàn)術(shù)意圖的進(jìn)行有效的識(shí)別和推理。為此，本文研究提出了基于無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型[6]，嘗試對(duì)潛艇對(duì)空戰(zhàn)術(shù)意圖識(shí)別問題給出另一種解決思路。

1 無監(jiān)督神經(jīng)網(wǎng)絡(luò)

1.1 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)[7]是一種典型的、應(yīng)用非常廣泛的無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)層組成。與RBF等神經(jīng)網(wǎng)絡(luò)類似，輸入層僅實(shí)現(xiàn)輸入模式的傳遞，并不參與實(shí)際的運(yùn)算。競(jìng)爭(zhēng)層的各個(gè)神經(jīng)元以相互競(jìng)爭(zhēng)的形式來贏得對(duì)輸入模式的響應(yīng)，最終只有一個(gè)神經(jīng)元贏得勝利，并使與該獲勝神經(jīng)元相關(guān)的各連接權(quán)值和閥值向著更有利于其競(jìng)爭(zhēng)的方向發(fā)展，而其他神經(jīng)元對(duì)應(yīng)的權(quán)值和閾值保持不變。

1.2 SOFM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

自組織特征映射(self-organizing feature mapping,SOFM)神經(jīng)網(wǎng)絡(luò)[8]是Kohonen于1981年提出的。其主要思想是在學(xué)習(xí)過程中逐步縮小神經(jīng)元之間的作用鄰域，并根據(jù)相關(guān)的學(xué)習(xí)規(guī)則增強(qiáng)中心神經(jīng)元的激活程度，從而去掉各神經(jīng)元[9]之間的側(cè)向連接，以達(dá)到模擬真實(shí)大腦神經(jīng)系統(tǒng)“近興奮遠(yuǎn)抑制”的效果。

如圖2所示，SOFM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類似，是一個(gè)由輸入層和自組織特征映射層(競(jìng)爭(zhēng)層)組成的兩層網(wǎng)絡(luò)。在SOFM神經(jīng)網(wǎng)絡(luò)中，不僅與獲勝神經(jīng)元對(duì)應(yīng)的權(quán)值和閾值得到調(diào)整，其鄰近范圍內(nèi)的其他神經(jīng)元也有機(jī)會(huì)進(jìn)行權(quán)值和閥值調(diào)整，這在很大程度上改善了網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力。

2 目標(biāo)戰(zhàn)術(shù)意圖識(shí)別步驟

2.1 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

(1) 網(wǎng)絡(luò)初始化[10]

如圖1所示，輸入層由R個(gè)神經(jīng)元構(gòu)成，競(jìng)爭(zhēng)層由S1個(gè)神經(jīng)元構(gòu)成。為不失一般性，設(shè)訓(xùn)練樣本的輸入矩陣為

式中：pij為第j個(gè)訓(xùn)練樣本的第i個(gè)輸入變量;Q為訓(xùn)練集樣本數(shù)，并記

pi=(pi1,pi2,…,piQ)，i=1,2,…,R.

則網(wǎng)絡(luò)的初始連接權(quán)值為

IW1,1=(ω1,ω2,…,ωR)S1×R,

式中：

網(wǎng)絡(luò)的初始閾值為

同時(shí)，在學(xué)習(xí)之前需初始化相關(guān)參數(shù)。設(shè)權(quán)值的學(xué)習(xí)速率為α，閾值的學(xué)習(xí)速率為β，最大迭代次數(shù)為T，迭代次數(shù)初始值N=1。

(2) 計(jì)算獲勝神經(jīng)元

隨機(jī)選取一個(gè)訓(xùn)練樣本p，根據(jù)

(1)

設(shè)競(jìng)爭(zhēng)層第k個(gè)神經(jīng)元為獲勝神經(jīng)元，則應(yīng)滿足

(2)

(3) 權(quán)值、閾值更新

神經(jīng)元k對(duì)應(yīng)的權(quán)值和閾值分別按照

(3)

b1=e1-ln[(1-β)e1-ln b1+β×a1]

(4)

(5)

(4) 迭代結(jié)束判斷

若樣本還沒有學(xué)習(xí)完，則再另外隨機(jī)選取一個(gè)樣本，返回步驟(2)。若N

2.2 SOFM學(xué)習(xí)算法

SOFM神經(jīng)網(wǎng)絡(luò)與競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的算法相似，僅在權(quán)值調(diào)整部分有較大差異。

(1) 網(wǎng)絡(luò)初始化

(2) 計(jì)算獲勝神經(jīng)元

與競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)采取相同的方式。

(3) 權(quán)值更新

根據(jù)

(6)

獲勝神經(jīng)元k及其鄰域Nc(t)內(nèi)的所有神經(jīng)元進(jìn)行權(quán)值更新。

(4) 學(xué)習(xí)速率及鄰域更新

獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權(quán)值更新完成后，在進(jìn)入下一次迭代前，需要更新學(xué)習(xí)速率及鄰域，即

(7)

(8)

式中：「x?表示對(duì)x向上取整。

(5) 迭代結(jié)束判斷

與競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)采取相同的方式。

3 實(shí)驗(yàn)分析

本文給出了一種結(jié)合特征參數(shù)識(shí)別和事件檢測(cè)的潛艇對(duì)空戰(zhàn)術(shù)意圖識(shí)別方法[11]，由于潛艇在執(zhí)行任務(wù)過程中，空中目標(biāo)的意圖識(shí)別意義重大，直接決定了其是否發(fā)現(xiàn)我方潛艇，進(jìn)而知曉是否對(duì)我方采取行動(dòng)。而利用目標(biāo)特征參數(shù)(如目標(biāo)編隊(duì)組成(聲納信息)、區(qū)域警戒程度、距離、運(yùn)動(dòng)角度)[12]與作戰(zhàn)態(tài)勢(shì)及目標(biāo)的戰(zhàn)術(shù)意圖息息相關(guān)。本文選取了攻擊、搜潛、驅(qū)離、巡邏4種戰(zhàn)術(shù)意圖[13]作為輸出變量。其中基本目標(biāo)信息和作戰(zhàn)區(qū)域警戒程度如表1,2所示。

表1 基本目標(biāo)信息

表2 編隊(duì)目標(biāo)信息

當(dāng)雙方在某區(qū)域相遇時(shí)，區(qū)域的警戒程度對(duì)作戰(zhàn)雙方是否會(huì)采取更加激烈的應(yīng)對(duì)手段起到重要的作用，其區(qū)域警戒程度與戰(zhàn)術(shù)意圖之間的模擬關(guān)系[14]如表3，4所示。

表3 作戰(zhàn)區(qū)域警戒程度

表4 警戒程度與戰(zhàn)術(shù)意圖間的關(guān)系

編隊(duì)的構(gòu)成越復(fù)雜則其戰(zhàn)術(shù)意圖越具有攻擊性，表5選取了典型的編隊(duì)構(gòu)成情況，其對(duì)應(yīng)關(guān)系[15]如表5所示。

表5 目標(biāo)類型與目標(biāo)戰(zhàn)術(shù)意圖之間的關(guān)系Table 5 Relationship between target type and target tactical intention

目標(biāo)對(duì)潛艇的威脅程度隨著距離的減下而越來越大，表6設(shè)定了雙方距離閾值[16]及其對(duì)應(yīng)的戰(zhàn)術(shù)意圖。當(dāng)反潛直升機(jī)與反潛巡邏機(jī)和潛艇作用距離在2 000 km以上時(shí)，潛艇較難探測(cè)到目標(biāo)，且目標(biāo)對(duì)潛艇不構(gòu)成威脅，因此不進(jìn)行討論。

表6 目標(biāo)距離與目標(biāo)戰(zhàn)術(shù)意圖之間的關(guān)系Table 6 Relationship between target distance and target tactical intention

目標(biāo)運(yùn)動(dòng)角度越小，其威脅越大，表7設(shè)定了目標(biāo)運(yùn)動(dòng)角度的閾值及其對(duì)應(yīng)的戰(zhàn)術(shù)意圖。

由上述表格，專家評(píng)估給出每組數(shù)據(jù)對(duì)應(yīng)的目標(biāo)戰(zhàn)術(shù)意圖，目標(biāo)戰(zhàn)術(shù)意圖由數(shù)字1,2,3,4分別表示攻擊、搜潛、驅(qū)離及巡邏?，F(xiàn)采集到某類型數(shù)據(jù)樣本39組，由于獲取的樣本數(shù)量較少，為保證建立的模型具有較好的泛化能力，這里從每個(gè)戰(zhàn)術(shù)意圖組內(nèi)選出4個(gè)樣本作為測(cè)試集，余下的35個(gè)樣本作為訓(xùn)練集。其中部分樣本數(shù)據(jù)由表8給出。

表7 目標(biāo)運(yùn)動(dòng)角度與目標(biāo)戰(zhàn)術(shù)意圖間的關(guān)系Table 7 Relationship between target motion angle and target tactical intention

表8 部分系統(tǒng)訓(xùn)練樣本

為了減少輸入變量間的變化較大(不屬于同一數(shù)量級(jí))對(duì)模型性能的影響，在模型建立之前對(duì)輸入變量進(jìn)行歸一化處理。下面將系統(tǒng)訓(xùn)練樣本進(jìn)行歸一化處理[17]，歸一化使用Matlab自帶的歸一化函數(shù)mapminmax進(jìn)行歸一化處理，歸一化后的部分訓(xùn)練樣本數(shù)據(jù)見表9。

實(shí)際的戰(zhàn)術(shù)意圖[18]用y來表示，獲勝神經(jīng)元編號(hào)(競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò))用x1來表示，獲勝神經(jīng)元編號(hào)(SOFM神經(jīng)網(wǎng)絡(luò))用x2來表示，由于網(wǎng)絡(luò)在訓(xùn)練的過程中采取的是隨機(jī)抽取訓(xùn)練樣本的方法，因此每次運(yùn)行的結(jié)果都會(huì)有所不同。某次的運(yùn)行結(jié)果如表10所示。從表10中不難發(fā)現(xiàn)以下幾點(diǎn)：

(1) 對(duì)于競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)，第1種目標(biāo)戰(zhàn)術(shù)意圖與競(jìng)爭(zhēng)層第2個(gè)神經(jīng)元相對(duì)應(yīng);第2種戰(zhàn)術(shù)目標(biāo)與競(jìng)爭(zhēng)層第2個(gè)神經(jīng)元相對(duì)應(yīng)(僅有第18號(hào)樣本對(duì)應(yīng)的是競(jìng)爭(zhēng)層的第4個(gè)神經(jīng)元);第3種軍事目標(biāo)與競(jìng)爭(zhēng)層第4神經(jīng)元相對(duì)應(yīng);第4種軍事目標(biāo)與競(jìng)爭(zhēng)層的第1個(gè)神經(jīng)元相對(duì)應(yīng)(僅有第28號(hào)樣本對(duì)應(yīng)的是競(jìng)爭(zhēng)層的第4個(gè)神經(jīng)元)。因此對(duì)于第1，2，3，4種軍事目標(biāo)依次對(duì)應(yīng)的獲勝神經(jīng)元是第2，2，4，1神經(jīng)元，據(jù)此對(duì)應(yīng)關(guān)系推斷，可以發(fā)現(xiàn)測(cè)試集中36，37，38，39號(hào)樣本分類正確。

表9 部分歸一化后的系統(tǒng)訓(xùn)練樣本

表10 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)與SOFM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比

(2) 對(duì)于SOFM神經(jīng)網(wǎng)絡(luò)[19]，第1種目標(biāo)戰(zhàn)術(shù)意圖對(duì)應(yīng)的獲勝神經(jīng)元編號(hào)為4，7，8;第2種目標(biāo)戰(zhàn)術(shù)意圖對(duì)應(yīng)的獲勝神經(jīng)元編號(hào)為3，6，7，11，12，14，15;第3種目標(biāo)戰(zhàn)術(shù)意圖對(duì)應(yīng)的獲勝神經(jīng)元編號(hào)為2，9，10，13，14，16;第4種目標(biāo)戰(zhàn)術(shù)意圖對(duì)應(yīng)的獲勝神經(jīng)元編號(hào)為1，2，5。據(jù)此對(duì)應(yīng)關(guān)系可以發(fā)現(xiàn)測(cè)試集中除了第38號(hào)樣本，其余3個(gè)樣本對(duì)應(yīng)的獲勝神經(jīng)元編號(hào)在訓(xùn)練集中對(duì)應(yīng)的獲勝神經(jīng)元編號(hào)集合內(nèi)，因此，可以判定其正確率為75%。

注意到，若測(cè)試集中某個(gè)樣本的預(yù)測(cè)獲勝神經(jīng)元編號(hào)為7，則難以斷定其屬于第1種目標(biāo)戰(zhàn)術(shù)意圖或是第2種目標(biāo)戰(zhàn)術(shù)意圖。同理，若測(cè)試集中某個(gè)樣本的預(yù)測(cè)獲勝神經(jīng)元編號(hào)為14，則同樣難以預(yù)測(cè)其屬于第2種目標(biāo)戰(zhàn)術(shù)意圖或是第3種目標(biāo)戰(zhàn)術(shù)意圖。圖3為神經(jīng)元網(wǎng)絡(luò)拓?fù)鋵W(xué)結(jié)構(gòu)圖，代表本次仿真生成神經(jīng)元的結(jié)構(gòu)。

這里需要強(qiáng)調(diào)，若測(cè)試集中的某個(gè)樣本的預(yù)測(cè)獲勝神經(jīng)元編號(hào)從未出現(xiàn)過訓(xùn)練次數(shù)(本文未出現(xiàn)該情況)，則難以圈定其屬于哪一類樣本。因?yàn)樵谟?xùn)練的過程中，其神經(jīng)元從未贏得獲勝機(jī)會(huì)，一直處于抑制狀態(tài)，即成為所謂的“死”神經(jīng)元。

圖4中神經(jīng)元的編號(hào)方式是從左至右，從上至下，神經(jīng)元編號(hào)逐漸增加，即左下角的神經(jīng)元編號(hào)為1，右上角的神經(jīng)元編號(hào)為16，而神經(jīng)元編號(hào)與其獲勝次數(shù)間的具體映射關(guān)系如表11所示。

圖5表示競(jìng)爭(zhēng)層鄰近神經(jīng)元的連接情況，灰色的表示神經(jīng)元節(jié)點(diǎn)，紅線表示神經(jīng)元之間有連接。

圖6為競(jìng)爭(zhēng)層各個(gè)神經(jīng)元與其周圍鄰近神經(jīng)元間的距離分布圖，相鄰神經(jīng)元間填充區(qū)域的顏色表示2個(gè)神經(jīng)元間的距離遠(yuǎn)近程度。顏色越深(越接近黑色)，表明神經(jīng)元間的距離越遠(yuǎn)。從圖中可以看出5號(hào)與6號(hào)神經(jīng)元之間的距離較遠(yuǎn)。同時(shí)，從表9可以看出5，6號(hào)獲勝的神經(jīng)元分別對(duì)應(yīng)第4，2種目標(biāo)戰(zhàn)術(shù)意圖，這表明不同類別的神經(jīng)元之間距離較遠(yuǎn)。同理可以觀察到，同一類別對(duì)應(yīng)的獲勝神經(jīng)元之間的距離較近，例如在第1種目標(biāo)戰(zhàn)術(shù)意圖所對(duì)應(yīng)的4，7，8神經(jīng)元間的距離就較近，其余類別的目標(biāo)戰(zhàn)術(shù)意圖分析方法類似，此處不再贅述。

圖7表示每個(gè)輸入向量和競(jìng)爭(zhēng)層神經(jīng)元之間的權(quán)重連接情況。權(quán)值最小的顏色塊為藍(lán)色，權(quán)值為0的顏色塊為黑色，權(quán)值最大的顏色塊為紅色。

神經(jīng)元編號(hào)12345678獲勝次數(shù)22115133神經(jīng)元編號(hào)910111213141516獲勝次數(shù)21523211

圖8為輸入數(shù)據(jù)與權(quán)重圖，其將輸入的向量用綠色的圓點(diǎn)標(biāo)注，并通過每個(gè)神經(jīng)元的權(quán)重向量和用紅線連接的相鄰神經(jīng)元顯示出SOM如何分類輸入空間[20]。

4 結(jié)束語

從表10及分析結(jié)果可以看出，與競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)相比，SOFM神經(jīng)網(wǎng)絡(luò)的性能更好，泛化能力更強(qiáng)。這是因?yàn)?，?jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)時(shí)，每次僅有一個(gè)神經(jīng)元贏得獲勝機(jī)會(huì)，只有獲勝神經(jīng)元的權(quán)值得到調(diào)整，而SOFM神經(jīng)網(wǎng)絡(luò)雖然每次亦只有一個(gè)神經(jīng)元贏得獲勝機(jī)會(huì)，但其及其鄰近范圍內(nèi)的神經(jīng)元對(duì)應(yīng)的權(quán)值同時(shí)進(jìn)行修正，朝著更有利于其獲勝的方向調(diào)整。同時(shí)，SOFM神經(jīng)網(wǎng)絡(luò)逐漸縮小其鄰域范圍，逐漸“排斥”鄰近的神經(jīng)元。這種“協(xié)作”與“競(jìng)爭(zhēng)”相結(jié)合的模式使得其性能更加優(yōu)越。

潛艇在水下面對(duì)復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境，尤其受到來自空中目標(biāo)的威脅，及時(shí)準(zhǔn)確的判斷空中目標(biāo)的意圖，對(duì)我方?jīng)Q策者采取合理應(yīng)對(duì)措施，提高潛艇的生存概率都具有重要意義。下一步，將增加競(jìng)爭(zhēng)層中“死”神經(jīng)元，增加其閾值的調(diào)整幅度，進(jìn)一步提升模型的準(zhǔn)確性。

參考文獻(xiàn)：

[1] 秦富童，岳麗華,萬壽紅.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別效果評(píng)估[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(5):148-156.

QIN Fu-tong,YUE Li-hua,WAN Shou-hong.Performance Evaluation in Automatic Target Tecognition Using BP Neural Network[J].Computer Engineering and Applications,2010,46(5):148-156.

[2] 葛順,夏學(xué)知.用于戰(zhàn)術(shù)意圖識(shí)別的動(dòng)態(tài)序列貝葉斯網(wǎng)絡(luò)[J].系統(tǒng)工程與電子技術(shù),2014,36(1):76-83.

GE Shun,XIA Xue-zhi.DSBN Used for Recognition of Tactical Intention[J].Systems Engineering and Electronics,2014,36(1):76-83.

[3] JOHANSSON F,FALKMAN G.Implementation and Integration of a Bayesian Network for Prediction of Tactical Intention into Ground Target Simulator[C]∥Proc.of the 9th International Conference on Information Fusion,2006:1-7.

[4] TIAN Yu,ZHANG Ai-qun.Simulation Environment and Guidance System for AUV Tracing Chemical Plume in 3-Dimensions [C]∥2010 2nd International Asia Conference on Informatics in Control,Automation and Robotics,2010:407-411.

[5] 蘇琦,于敬人,金國棟.一種潛艇對(duì)水面艦艇編隊(duì)攻擊意圖建模方法[J].四川兵工學(xué)報(bào),2014,35(9):147-149.

SU Qi,YU Jing-ren,JIN Guo-dong.A Modeling Method of Attack Intention of Submarine for Vessel Formation[J].Sichuan Ordnance Journal,2014,35(9):147-149.

[6] 錢江,許江湖.基于BP神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)威脅排序[J].現(xiàn)代防御技術(shù),2001,29(6):56-58.

QIAN Jiang,XU Jiang-hu.Threat Sequencing for Aerial Target Based on BP Neural Network[J].Modern Defence Technology,2001,29(6):56-58.

[7] 何隆玲,胡桂明,李維維,等.基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)識(shí)別[J].現(xiàn)代防御技術(shù),2014,42(5):115-120.

HE Long-ling,HU Gui-ming,LI Wei-wei,et al.Rader Target Recognition Based on PSO-RBF Neural Network[J].Modern Defence Technology,2014,42(5):115-120.

[8] KANG Hai-yan,LI Chen.Research and Design on Personalized DL Based on J2EE[C]∥2008 IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application.Wuhan,China:IEEE,2008:527-531.

[9] 劉偉偉,胡興平,盧曉敏,等.基于SOFM神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別[J].現(xiàn)代防御技術(shù),2016,44(4):56-60.

LIU Wei-wei,HU Xing-ping,LU Xiao-min,et al.SAR Image Target Recognition Method Based on SOFM Neural Network[J].Modern Defence Technology,2016,44(4):56-60.

[10] 朱波,方立恭,張小東.基于貝葉斯網(wǎng)絡(luò)的空中目標(biāo)意圖識(shí)別方法[J].現(xiàn)代防御技術(shù),2012,40(2):109-113.

ZHU Bo,FANG Li-gong,ZHANG Xiao-dong.Intention Assessment to Aerial Target Based on Bayesian Network[J].Modern Defence Technology,2012,40(2):109-113.

[11] DONG Y K,KWAE H Y,JU H K,et al.Prediction of Leak Flow Rate Using Fuzzy Neural Networks in Severe Post-LOCA Circumstances[J].IEEE Trans.on Nuclear Science,2014,61(6):3644-3652.

[12] WAI R J,MUTHUSAMY R.Fuzzy Neural Network Inherited Sliding-Mode Control for Rodot Manipulator Including Actuator Dynamics[J].IEEE Trans.on Neural Networks and Learning Systems,2013,24(2):274-287.

[13] 陳紹順,王君.基于前向型神經(jīng)網(wǎng)絡(luò)的空襲目標(biāo)類型識(shí)別模型[J].現(xiàn)代防御技術(shù),2002,30(2):57-60.

CHEN Shao-shun,WANG Jun.Model of Air Striking Targets Type Recognition Based on Forward Neural Network[J].Modern Defence Technology,2002,30(2):57-60.

[14] WU G D,HUANG P H.A Vectorization Optimization Method Based Type-2 Fuzzy Neural Network for Noisy Data Classification[J].IEEE Trans.on Fuzzy Systems,2013,21(1):1-15.

[15] 吳文龍,黃文斌,劉劍.潛艇對(duì)水面艦艇編隊(duì)攻擊意圖推理研究[J].火力與指揮控制,2010,35(9):101-105.

WU Wen-long,HUANG Wen-bin,LIU Jian.The Researching on the Inference about Fleet’s Attack Intention by the Submarine[J].Fire Control&Command Control,2010,35(9):101-105.

[16] 陳浩,任卿龍,滑藝,等.基于模糊神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)戰(zhàn)術(shù)意圖識(shí)別[J].系統(tǒng)工程與電子技術(shù),2016,38(8):1847-1853.

CHEN Hao,REN Qing-long,HUA Yi,et al.Fuzzy Neural Network Based Tactical Intention Recognition for Sea Targets[J].Systems Engineering and Electronics,2016,38(8):1847-1853.

[17] HATAKEYA N,FURUTA K.Bayesian Network Modeling of Operator’s Intent Inference[C]∥IEEE 7th Human Factors Meeting,2002:55-60.

[18] 陸光宇,丁迎迎.水下平臺(tái)對(duì)敵意圖識(shí)別技術(shù)研究[J].指揮控制與仿真,2012,34(6):100-102.

LU Guang-yu,DING Ying-ying.Study on Intention Recognition to Foe of Underwater Platform[J].Command Control &Simulation,2012,34(6):100-102.

[19] CARVALHO R N,COSTA P C G,LASKEY K B,et al.PROGNOS:Predictive Situational Awareness with Probabilistic Ontologies[C]∥Proceedings of the 13th International Conference on Information Fusion,Edin-Burgh,UJ,Jul.，2010:214-218.

[20] CARVALHO R N.PO:Represention and Modeling Methodology[D].Virginia:George Mason University,2011.