王家鑫，王瑞琪，孟海波，藺紅明，陳天群

（1.海裝駐上海地區(qū)某部，上海 201109；2.上海機(jī)電工程研究所，上海 201109）

0 引言

在目前日益緊張的國際局勢中，制海權(quán)一直是大國之間博弈的重點，海上艦艇編隊的進(jìn)攻與防御體系的建立是掌握制海權(quán)的關(guān)鍵，也是各國一直以來研究的重點。在海上作戰(zhàn)時，防空反導(dǎo)一直是主要防御手段，防空導(dǎo)彈自20世紀(jì)50 年代問世以來，就引起了世界各國的高度關(guān)注。在進(jìn)入21世紀(jì)后，隨著技術(shù)的不斷進(jìn)步與更新迭代，海上防空體系與高強(qiáng)度空襲體系間的對抗強(qiáng)度愈發(fā)激烈，如何識別敵方來襲目標(biāo)的攻擊意圖是提升海上防空反導(dǎo)攔截效率的必要手段。在當(dāng)下信息化戰(zhàn)爭時代，海上戰(zhàn)場環(huán)境日益復(fù)雜，在軍事需求和信_息技術(shù)雙輪驅(qū)動下，海上艦艇編隊作戰(zhàn)針對來襲目標(biāo)攻擊意圖識別是目前態(tài)勢分析領(lǐng)域研究的熱點，是防空反導(dǎo)作戰(zhàn)中指揮控制決策［1］的重要依據(jù)。戰(zhàn)場的復(fù)雜性、瞬時性的影響使得作戰(zhàn)指揮控制系統(tǒng)在短時間內(nèi)無法處理大量戰(zhàn)場信息，指戰(zhàn)員無法做出最優(yōu)決策，因此需要智能化作戰(zhàn)指揮控制系統(tǒng)輔助指戰(zhàn)員決策。智能化輔助決策系統(tǒng)提供的分析結(jié)果和預(yù)測模型可以提高指戰(zhàn)員的決策效率與準(zhǔn)確性，提升指揮控制質(zhì)量。隨著分布式殺傷、馬賽克戰(zhàn)、頻譜戰(zhàn)等新型作戰(zhàn)樣式與新型武器的應(yīng)用，強(qiáng)敵海上作戰(zhàn)體系具備較強(qiáng)的多域體系作戰(zhàn)和網(wǎng)絡(luò)中心作戰(zhàn)能力，對我國領(lǐng)海安全構(gòu)成重大威脅。強(qiáng)敵新型作戰(zhàn)概念與方式的運(yùn)用，增加了海上防空反導(dǎo)指戰(zhàn)員對于來襲目標(biāo)攻擊意圖的識別在短時間內(nèi)做出準(zhǔn)確判斷的難度，對作戰(zhàn)指揮控制的戰(zhàn)略戰(zhàn)術(shù)安排產(chǎn)生了至關(guān)重要的影響。

目標(biāo)攻擊意圖識別是通過量化分析來襲目標(biāo)的各項參數(shù)指標(biāo)，以此判斷來襲目標(biāo)可能鎖定打擊的我方艦艇，進(jìn)而輔助防空反導(dǎo)指戰(zhàn)員根據(jù)敵方作戰(zhàn)意圖制定作戰(zhàn)決策，從而提高防空反導(dǎo)攔截效率以及減少我方艦艇作戰(zhàn)損耗。根據(jù)目標(biāo)的攻擊意圖生成合理的防空反導(dǎo)攔截方案是防空作戰(zhàn)的重要組成部分。由于分析過程會受到未知與不確定因素的影響，現(xiàn)有模型的預(yù)測準(zhǔn)確率得不到很好的驗證?，F(xiàn)有研究主要基于模板匹配［2］、專家經(jīng)驗?zāi)Ｐ停?-4］、層析分析法等［5-6］、彈道預(yù)測等［7］，嚴(yán)重依賴專家經(jīng)驗生成的權(quán)重系數(shù)，不僅過于主觀，也不適用新的作戰(zhàn)樣式。

2016年提出使用神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)能力［8］，從訓(xùn)練數(shù)據(jù)中提取特征規(guī)則并用于目標(biāo)攻擊意圖識別［9-10］。此方法能夠解決先驗知識及專家經(jīng)驗不足情況下分析與識別目標(biāo)攻擊意圖的難點［11］，但是由于采用了簡單的BP（反向傳播算法）算法，不僅收斂速度慢，而且容易達(dá)到局部最優(yōu)，無法收斂到最優(yōu)解。2018年有學(xué)者使用深度神經(jīng)網(wǎng)絡(luò)對空中目標(biāo)的作戰(zhàn)意圖進(jìn)行識別，采用了Adam 優(yōu)化器和ReLu（rectified linear unit）［12-20］激活函數(shù)，但是存在Relu激活函數(shù)在學(xué)習(xí)率較大的情況下容易導(dǎo)致神經(jīng)元壞死的問題，同時Adam 優(yōu)化器在這類問題可能出現(xiàn)無法收斂到最優(yōu)解的問題。

文中提出了一種針對深度神經(jīng)網(wǎng)絡(luò)優(yōu)化后的預(yù)測模型［13-14］，分析了來襲目標(biāo)對我方單個目標(biāo)的打擊概率，綜合考慮各項參數(shù)量化分析結(jié)果得出來襲目標(biāo)的攻擊意圖識別，有效解決以往評估方法的不足［17］。文中采用GeLUs［18］激活函數(shù)（Gaussian error linear units）作為激活函數(shù)解決梯度爆炸和梯度消失問題，并提升模型訓(xùn)練速度。同時采用AdaMod優(yōu)化算法（adaptive and momental bound）［15］加快模型收斂，并解決了Adam 模型可能無法收斂到最優(yōu)解的問題。文中采取的方法可以更好地解決在先驗知識不足的情況下識別目標(biāo)攻擊意圖的問題。

1 攻擊意圖特征提取

現(xiàn)有的海上防空反導(dǎo)攻擊意圖提取方法存在特征識別單一，不能充分利用獲取到的目標(biāo)信息，信息深度挖掘不夠，導(dǎo)致對攻擊意圖的深層次分析不足，攻擊意圖識別的穩(wěn)定性與準(zhǔn)確度都不夠，導(dǎo)致往往攻擊意圖識別出來的結(jié)果給與決策者一個錯誤的判斷或者根本沒法使用。如何挖掘現(xiàn)有目標(biāo)信息的各個屬性參數(shù)信息，是目前攻擊意圖識別的難點，文中從多個角度對攻擊意圖特征進(jìn)行提取。

針對敵方來襲目標(biāo)的攻擊行為會遵從一定的規(guī)則：搜索目標(biāo)、發(fā)現(xiàn)目標(biāo)、鎖定目標(biāo)、打擊目標(biāo)。來襲目標(biāo)不同的作戰(zhàn)行動與攻擊行為表現(xiàn)為目標(biāo)態(tài)勢信息的改變，直觀表現(xiàn)為目標(biāo)的各項運(yùn)動參數(shù)及狀態(tài)發(fā)生變化，可以用來識別其攻擊意圖。敵方來襲目標(biāo)在搜索目標(biāo)和發(fā)現(xiàn)目標(biāo)階段往往無法識別其攻擊意圖，直到其鎖定目標(biāo)并實行打擊過程階段，其攻擊意圖才有明顯的特征。由于敵方來襲目標(biāo)的攻擊意圖的顯現(xiàn)是一個動態(tài)的過程，在不同的階段會有不同的特征表象，僅依賴某時刻的目標(biāo)態(tài)勢信息識別其攻擊意圖具有片面性和不確定性。

充分識別來襲目標(biāo)特征屬性，了解目標(biāo)的特殊屬性與攻擊意圖，以達(dá)到充分挖掘信息的目的，可以依據(jù)不同階段，各個特征點屬性不同來得到不同的數(shù)據(jù)集，可以更好地優(yōu)化屬性得到更理想的結(jié)果。

由于敵方來襲目標(biāo)的意圖和狀態(tài)間存在特定的聯(lián)系，文中根據(jù)專家經(jīng)驗選取了部分參數(shù)：目標(biāo)坐標(biāo)（x，y，z）、目標(biāo)速度Vt、速度方向φt、目標(biāo)加速度at、加速度方向φt、目標(biāo)俯沖角θt，目標(biāo)徑向速度Vr，目標(biāo)徑向到達(dá)時間Tr，我方艦艇坐標(biāo)（（xi，yi，zi）i∈1，…，k，k為我方編隊艦艇數(shù)量）。文中選取艦艇數(shù)量為5的典型編隊配置，訓(xùn)練樣本數(shù)據(jù)集（data）的每一項為5＊25形狀。根據(jù)訓(xùn)練樣本數(shù)據(jù)集在不同階段得到的特征不同，但是攻擊意圖識別的結(jié)果相同，就可以優(yōu)化模型參數(shù)，提取其重要特征，以達(dá)到相對較好的結(jié)果，為攻擊意圖的預(yù)測提供有效的數(shù)據(jù)訓(xùn)練基礎(chǔ)。

1.1 歸一化處理

文中選取的特征數(shù)據(jù)均為數(shù)值數(shù)據(jù)，可以使用神經(jīng)網(wǎng)絡(luò)直接處理。由于數(shù)據(jù)在各評價指標(biāo)下的性質(zhì)不同，通常具有不同量綱和數(shù)量級，為保證結(jié)果可靠性，加快數(shù)據(jù)收斂速度，以及降低奇異數(shù)據(jù)的對算法的敏感度，需要對原始數(shù)據(jù)進(jìn)行歸一化處理。數(shù)據(jù)的歸一化是將數(shù)據(jù)按比例縮放到一個特定區(qū)間，將數(shù)據(jù)統(tǒng)一映射到［0 1］區(qū)間上。設(shè)MinA和MaxA分別是屬性A的最小值和最大值，將A的一個原始值x映射到區(qū)間［0 1］的值x′的公式如下：

式（1）用于模型訓(xùn)練的數(shù)據(jù)集中的數(shù)據(jù)全部進(jìn)行歸一化處理。轉(zhuǎn)化后用于模型的學(xué)習(xí)數(shù)據(jù)為矩陣A（n），矩陣A（n）的行數(shù)為5，列數(shù)為25，歸一化處理后的A（n）為：

1.2 生成攻擊意圖標(biāo)簽

在未來智能化時代，戰(zhàn)場數(shù)據(jù)呈現(xiàn)海量形態(tài)，智能化的指揮與輔助決策手段將被廣泛運(yùn)用，作戰(zhàn)空間由物理域、信息域向認(rèn)知域加速拓展，對指揮控制的精確性、時效性、實用性提出了更高的要求。由于戰(zhàn)場環(huán)境復(fù)雜，信息量巨大，敵方攻擊行為和作戰(zhàn)樣式不斷涌現(xiàn)并且復(fù)雜多變，僅依賴領(lǐng)域?qū)＜译y以在短時間對目標(biāo)信息進(jìn)行分析。以下兩種數(shù)據(jù)來源可用于生成目標(biāo)攻擊意圖識別標(biāo)簽：

1）由真實作戰(zhàn)或?qū)崙?zhàn)演練數(shù)據(jù)提供的來襲目標(biāo)攻擊意圖記錄；

2）由領(lǐng)域?qū)＜腋鶕?jù)不同的態(tài)勢判斷敵方目標(biāo)的攻擊意圖；

如圖1所示，典型水面艦艇編隊配置如下，每艘艦艇都擁有相應(yīng)編號。

圖1 水面艦艇編隊配置

圖2 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

樣本數(shù)據(jù)對應(yīng)的攻擊意圖轉(zhuǎn)化后用于模型學(xué)習(xí)的標(biāo)簽數(shù)據(jù)為矩陣S（n），由專家識別或記錄后標(biāo)記的矩陣為：

其中數(shù)據(jù)的索引值對應(yīng)艦艇編號，數(shù)值1代表攻擊意圖識別分析結(jié)果識別對應(yīng)編號的艦艇被敵方鎖定攻擊，數(shù)值0代表未被鎖定。來襲目標(biāo)攻擊意圖的識別結(jié)果同樣為格式相同，數(shù)據(jù)不同的矩陣，數(shù)值為0～1之間的概率值。經(jīng)過one-hot處理后生成的識別結(jié)果與標(biāo)簽數(shù)據(jù)完全一致。

2 攻擊意圖識別模型構(gòu)建

傳統(tǒng)基于來襲目標(biāo)攻擊意圖特征識別來輔助指揮者決策的方法，是需要大量的領(lǐng)域內(nèi)專家經(jīng)驗對來襲目標(biāo)攻擊意圖特征的權(quán)重、先驗概率等進(jìn)行先驗量化，明確目標(biāo)攻擊意圖特征之間的對應(yīng)關(guān)系，但是戰(zhàn)場形式一旦發(fā)生變化，此種方法會由于缺乏靈活性與自由度，往往會導(dǎo)致指揮者決策失誤，這是基于先驗知識確定來襲目標(biāo)攻擊意圖特征的最大不足。

而深度神經(jīng)網(wǎng)絡(luò)可以在領(lǐng)域?qū)＜蚁闰炛R不足條件下，通過自身訓(xùn)練得到來襲目標(biāo)攻擊意圖特征之間的規(guī)則。針對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法在更新網(wǎng)絡(luò)節(jié)點權(quán)值時收斂速度慢、容易陷入局部最優(yōu)的問題，通過引入GeLUs激活函數(shù)和AdaMod優(yōu)化算法，設(shè)計了基于深度神經(jīng)網(wǎng)絡(luò)的來襲目標(biāo)攻擊意圖識別模型。

2.1 深度神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由稱為神經(jīng)元的簡單元素構(gòu)成，這些元素具有真實值，乘以權(quán)重，然后通過非線性激活函數(shù)運(yùn)行。深度神經(jīng)網(wǎng)絡(luò)（DNN）具有多個處理輸入的神經(jīng)元 “隱藏層”，隱藏層中的每個神經(jīng)元都會接收部分輸入變量，然后將其結(jié)果傳遞給下一層，網(wǎng)絡(luò)可以學(xué)習(xí)非常復(fù)雜的功能。深度學(xué)習(xí)網(wǎng)絡(luò)更準(zhǔn)確，隨著添加更多的神經(jīng)元層可以進(jìn)一步提高準(zhǔn)確性。只要有足夠的計算能力，神經(jīng)網(wǎng)絡(luò)就能夠?qū)W習(xí)任何函數(shù)的形狀。神經(jīng)網(wǎng)絡(luò)的優(yōu)點是對于高維問題非常有效，能夠處理變量之間的復(fù)雜關(guān)系，可以更好的提取數(shù)據(jù)特征，在領(lǐng)域?qū)＜蚁闰炛R不足的條件下根據(jù)態(tài)勢數(shù)據(jù)進(jìn)行訓(xùn)練，用于來襲目標(biāo)攻擊意圖識別。強(qiáng)大的調(diào)整選項可防止過擬合（over-fitting）和擬合不足（under-fitting），防止領(lǐng)域?qū)＜业闹饔^性對訓(xùn)練結(jié)果產(chǎn)生影響。

2.2 Gelus激活函數(shù)

深層神經(jīng)網(wǎng)絡(luò)存在梯度消失和梯度爆炸的問題，都是因為網(wǎng)絡(luò)層數(shù)太深而引發(fā)的梯度反向傳播中的連乘效應(yīng)，其連乘后結(jié)果變得很小導(dǎo)致梯度消失。Sigmoid激活函數(shù)［19］在深層神經(jīng)網(wǎng)絡(luò)中極大概率會引起梯度消失，還有很小的概率出現(xiàn)梯度爆炸。常用的Relu激活函數(shù)解決了梯度消失的問題，但是可能導(dǎo)致神經(jīng)元死亡，權(quán)重?zé)o法更新。近期的Leaky-ReLU 解決了Relu中的神經(jīng)元死亡問題，但是其中的超參數(shù)α需要人工調(diào)整。后期的PReLU 和RRelu激活函數(shù)都是針對超參數(shù)α進(jìn)行優(yōu)化調(diào)整［12］。ELUs是試圖將激活函數(shù)的平均值接近零，從而加快學(xué)習(xí)的速度。同時通過正值的標(biāo)識來避免梯度消失的問題。

為改善深層神經(jīng)網(wǎng)絡(luò)的性能，需要一種新的激活函數(shù)模型，使其在學(xué)習(xí)過程中，能同時對激活函數(shù)的陡度，位置及映射范圍進(jìn)行調(diào)節(jié)，降低深層神經(jīng)網(wǎng)絡(luò)存在梯度消失和梯度爆炸的問題發(fā)生率，且具有更強(qiáng)的自我修復(fù)能力，提高模型的擬合能力與收斂速度。

GeLUs是一個新的激活函數(shù)，它引入了隨機(jī)正則的思想，直觀上更加符合高斯分布，實驗效果強(qiáng)于Relus。GELUs不僅解決了深層神經(jīng)網(wǎng)絡(luò)的梯度消失和爆炸問題，同時對于模型的擬合能力和收斂速度起著至關(guān)重要的重用，公式如下：

其中：Φ（x）指的是x的高斯正態(tài)分布的累積分布。

式（2）可近似表示為：

其中：σ的選擇比較關(guān)鍵。

3 基于AdaMod算法的深度神經(jīng)網(wǎng)絡(luò)模型

3.1 Adam 優(yōu)化器

深度學(xué)習(xí)通常需要大量時間和計算機(jī)資源進(jìn)行訓(xùn)練，這也是困擾深度學(xué)習(xí)算法發(fā)展的主要原因。優(yōu)化算法可以使用更少資源并使得模型收斂更快，從根本上提高了機(jī)器學(xué)習(xí)的速度和有效性。Adam 算法就是以為快速收斂為目的而設(shè)計的。自適應(yīng)矩估計（Adam）是一種在神經(jīng)網(wǎng)絡(luò)中被廣泛采用的優(yōu)化器，是一種對隨機(jī)目標(biāo)函數(shù)執(zhí)行梯度優(yōu)化的算法。由于Adam 算法梯度的對角縮放（diagonal rescaling）的不變性，適用解決大規(guī)模參數(shù)以及稀疏梯度的非穩(wěn)態(tài)問題。Adam 算法只需要一階梯度和很小的內(nèi)存，通過第一第二梯度的估計來計算不同參數(shù)的自適應(yīng)學(xué)習(xí)速率。此外Adam 算法的超參數(shù)可以直觀的解釋，不需要大量調(diào)參。

3.2 AdaMod優(yōu)化器

由于Adam 算法的收斂性較差，為了保證更優(yōu)的結(jié)果，文中采用了名為AdaMod的優(yōu)化算法，這是一種基于Adam的改進(jìn)優(yōu)化器，可以在訓(xùn)練的同時計算自適應(yīng)學(xué)習(xí)率的指數(shù)長期平均值，根據(jù)長期平均值對學(xué)習(xí)率進(jìn)行修剪，去除過高的學(xué)習(xí)率。相比Adam 優(yōu)化器，AdaMod能夠從訓(xùn)練開始就控制自適應(yīng)學(xué)習(xí)率的變化，無需預(yù)熱。AdaMod優(yōu)化器不僅能夠使用更少資源加快模型收斂，同時也不需要進(jìn)行大量調(diào)參就可以使模型得到一個穩(wěn)定可靠的結(jié)果。

3.3 算法實現(xiàn)

AdaMod算法比Adam 算法多出的第九步操作St＝β3st-1＋（1-β3）ηt，其中β3定義了記憶長度。定義了當(dāng)前平滑值和過去 “長期記憶”（long-term-memory）的關(guān)系，之后從當(dāng)前學(xué)習(xí)率ηt中選擇最小值從而剔除高學(xué)習(xí)率。當(dāng)β3＝0時，AdaMod等價于Adam。

4 目標(biāo)攻擊意圖識別流程

訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型并輸入目標(biāo)態(tài)勢對目標(biāo)攻擊意圖進(jìn)行識別，步驟如下：

1）從數(shù)據(jù)記錄系統(tǒng)中提取目標(biāo)參數(shù)，經(jīng)轉(zhuǎn)換后提取目標(biāo)特征數(shù)據(jù)，并根據(jù)作戰(zhàn)實際結(jié)果記錄以及領(lǐng)域?qū)＜覍Y(jié)果的判斷生成標(biāo)簽，數(shù)據(jù)結(jié)構(gòu)形如［0，1，0，0，0］。其中被敵方鎖定的我方艦船標(biāo)記為1。

2）將數(shù)據(jù)集隨機(jī)打亂，并采用10折交叉驗證（Crossvalidation）進(jìn)行訓(xùn)練。實現(xiàn)方式為將初始樣本分割為10個子樣本，其中10%的子樣本作為測試集，其余90%樣本用于訓(xùn)練。交叉驗證重復(fù)10次，每個子樣本驗證一次。

3）調(diào)整深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置隱藏層數(shù)和節(jié)點數(shù)。

4）輸入訓(xùn)練數(shù)據(jù)到構(gòu)建的好的神經(jīng)網(wǎng)絡(luò)中，并調(diào)整參數(shù)。在計算資源充足的情況下并行調(diào)試多個模型，選取最優(yōu)的模型迭代優(yōu)化。

5）將待識別目標(biāo)特征數(shù)據(jù)輸入訓(xùn)練完成的模型，對敵方目標(biāo)攻擊意圖做出預(yù)測。

5 模型分析與參數(shù)設(shè)置

5.1 超參數(shù)設(shè)置

不同的參數(shù)和超參數(shù)設(shè)置決定了模型的精確度。在普通的模型中，由于剛開始訓(xùn)練時，模型的權(quán)重（weight）是隨機(jī)初始化的，此時若選擇較大的學(xué)習(xí)率，可能帶來模型的不穩(wěn)定。通常會選擇預(yù)熱（Warmup）學(xué)習(xí)率的方式，在最初訓(xùn)練的幾個epoches中使用較小的學(xué)習(xí)率，在預(yù)熱的小學(xué)習(xí)率下，模型可以慢慢趨于穩(wěn)定，等模型相對穩(wěn)定后再選擇預(yù)先設(shè)置的學(xué)習(xí)率進(jìn)行訓(xùn)練，使得模型的收斂速度更快，模型效果更佳。文中采用了AdaMod優(yōu)化器，它的優(yōu)點是對學(xué)習(xí)率超參數(shù)不敏感，訓(xùn)練曲線更平滑，并且不需要預(yù)熱（Warmup）。從圖3可以看到即使學(xué)習(xí)率相差兩個量級，也能收斂到同一個結(jié)果。而其他的優(yōu)化器例如Adam，如果不預(yù)熱，效果可能非常差，不能保證達(dá)到可用標(biāo)準(zhǔn)?；诖颂攸c，設(shè)置神經(jīng)網(wǎng)路的學(xué)習(xí)率α＝0.05，超參數(shù)β1＝0.9，β2＝0.99，β3＝0.999，平滑項ε＝10-7。

圖3 不同學(xué)習(xí)率下AdaMod優(yōu)化器的精確度

實驗結(jié)果表明，通過對模型進(jìn)行并行訓(xùn)練得到在迭代次數(shù)為200次左右時，設(shè)置神經(jīng)網(wǎng)路的學(xué)習(xí)率α＝0.05的模型表現(xiàn)最好。

此外，神經(jīng)網(wǎng)絡(luò)隱藏層結(jié)構(gòu)層數(shù)的設(shè)計會影響模型識別的準(zhǔn)確度。圖4與圖5分別使用了不同層級的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)來驗證使用AdaMod優(yōu)化器的模型對來襲目標(biāo)攻擊意圖識別的準(zhǔn)確率。從圖中可以看到在訓(xùn)練次數(shù)50 次之后，使用AdaMod優(yōu)化器的模型驗證的準(zhǔn)確率基本趨于穩(wěn)定。隱藏層設(shè)置為3層的準(zhǔn)確度相比于隱藏層設(shè)置為1層的準(zhǔn)確度更加的穩(wěn)定于準(zhǔn)確。當(dāng)然，如果隱藏層設(shè)置的層數(shù)越多，其預(yù)測的準(zhǔn)確度與穩(wěn)定性也開始下降。原因是層數(shù)越多，節(jié)點越多，雖然在訓(xùn)練模型上的效果越好，但隨之帶來模型過擬合問題，會造成穩(wěn)定性變差，準(zhǔn)確度下降。

圖4 三層節(jié)點神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率

圖5 五層節(jié)點神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率

5.2 模型精度實驗

為驗證最終模型的精確度，將原數(shù)據(jù)集再次隨機(jī)打亂，并抽取前90%作為訓(xùn)練樣本，剩余的10%數(shù)據(jù)作為測試樣本。將訓(xùn)練樣本作為模型輸入并用測試樣本檢測模型精確度，測試結(jié)果如圖6所示。在迭代次數(shù)為250次的情況下，模型的準(zhǔn)確率高于98.4%。從識別結(jié)果可以得出結(jié)論，該深度神經(jīng)網(wǎng)絡(luò)模型在現(xiàn)有樣本的條件下可以有效識別來襲空中目標(biāo)的攻擊意圖，同時模型準(zhǔn)確率高于98%，識別可靠性高。

圖6 訓(xùn)練后的模型準(zhǔn)確率

5.3 實驗結(jié)果與分析

實驗中所提出的激活函數(shù)和優(yōu)化器配置對比基于單層BP神經(jīng)網(wǎng)絡(luò)模型，普通深度神經(jīng)網(wǎng)絡(luò)模型，Sigmiod激活函數(shù)與Adam 優(yōu)化器深度神經(jīng)網(wǎng)絡(luò)模型，ReLu激活函數(shù)與Adam 優(yōu)化器深度神經(jīng)網(wǎng)絡(luò)模型的識別效果對比如圖7所示。

圖7 不同模型準(zhǔn)確度對比

由圖7可知，文中提出的GELUs激活函數(shù)與AdaMod優(yōu)化器改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)模型在同樣的數(shù)據(jù)集上能得到比其他模型更好的識別效果。其中使用Adam 優(yōu)化器的深度神經(jīng)網(wǎng)絡(luò)模型特定學(xué)習(xí)率參數(shù)設(shè)置下收斂存在問題，出現(xiàn)了無法收斂的情況。在不預(yù)熱的情況下，模型準(zhǔn)確率過低，如圖8所示。作為對比，文中提出的深度神經(jīng)網(wǎng)絡(luò)模型不存在無法收斂到最優(yōu)解的問題，同時收斂的速度更快，識別效果更好。在保證精度問題的同時，還解決了訓(xùn)練數(shù)據(jù)量不足的情況下，其他模型訓(xùn)練結(jié)果不理想的情況。

圖8 無預(yù)熱情況下模型準(zhǔn)確度對比

通過上述的模型分析與實驗對比可以發(fā)現(xiàn)，文中提出的GELUs激活函數(shù)對神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，可以需要更少的訓(xùn)練樣本，得到更好的預(yù)測效果，而AdaMod優(yōu)化器讓模型有了更好的收斂性與收斂速度，只需要一個較小的樣本集對模型進(jìn)行訓(xùn)練，就可以讓敵方空襲目標(biāo)意圖識別結(jié)果穩(wěn)定可靠、準(zhǔn)確率高。

故此，采用AdaMod優(yōu)化器與深層神經(jīng)網(wǎng)絡(luò)GeLUs激活函數(shù)的來襲目標(biāo)攻擊意圖識別模型有以下幾個特點：

1）模型魯棒性性好，結(jié)果輸出穩(wěn)定；

2）收斂速度快，樣本集需求少；

3）攻擊意圖特征提取充分，數(shù)據(jù)挖掘比較完全；

4）模型訓(xùn)練結(jié)果可靠性高，準(zhǔn)確度高。

當(dāng)然，由于戰(zhàn)場態(tài)勢千變?nèi)f化，戰(zhàn)場信息錯綜復(fù)雜，受神經(jīng)網(wǎng)絡(luò)各參數(shù)的初始化數(shù)據(jù)影響較大，小樣本集的訓(xùn)練可能會有所偏差，所以此模型有待進(jìn)一步的改進(jìn)與提高。

6 結(jié)束語

文中結(jié)合了敵方空襲目標(biāo)意圖識別問題的特點，提出采用自適應(yīng)學(xué)習(xí)率的深度神經(jīng)網(wǎng)絡(luò)來解決特征數(shù)據(jù)龐大，領(lǐng)域?qū)＜抑R不足條件下的攻擊意圖識別問題。

文中選擇了當(dāng)前較為新穎同時效果更好的GeLUs激活函數(shù)和AdaMod優(yōu)化器對深度神經(jīng)網(wǎng)路模型進(jìn)行優(yōu)化，最大程度降低了初始學(xué)習(xí)率設(shè)置對模型的影響，提高了模型收斂速度，降低訓(xùn)練時間，同時提高了模型識別效果。此外，文中設(shè)計的模型對訓(xùn)練樣本的數(shù)量要求更低，解決了當(dāng)前樣本不足的難點。

深度神經(jīng)網(wǎng)絡(luò)模型能夠很好地對來襲目標(biāo)攻擊意圖進(jìn)行識別，有著優(yōu)異的準(zhǔn)確性和可靠性。同時實驗結(jié)果顯示，該模型的表現(xiàn)由于其他常用模型，解決了使用Adam 模型可能出現(xiàn)無法收斂到最優(yōu)解的問題。