丁鵬，宋亞飛

空軍工程大學(xué) 防空反導(dǎo)學(xué)院，西安 710051

決策中心戰(zhàn)、聯(lián)合全域作戰(zhàn)等新型作戰(zhàn)概念都對(duì)指揮控制系統(tǒng)提出了新的能力需求，迫切需要加速信息優(yōu)勢(shì)向決策優(yōu)勢(shì)的轉(zhuǎn)變，誰(shuí)能夠更快地處理戰(zhàn)場(chǎng)信息、理解態(tài)勢(shì)、實(shí)施決策并執(zhí)行打擊，誰(shuí)就能贏得主動(dòng)。意圖識(shí)別是從信息域向認(rèn)知域過(guò)渡的關(guān)鍵，是指揮決策的基本依據(jù)，也是戰(zhàn)場(chǎng)認(rèn)知和智能決策的前提和基礎(chǔ)，一直被認(rèn)為是戰(zhàn)場(chǎng)態(tài)勢(shì)感知的核心內(nèi)容。對(duì)于防空反導(dǎo)這一空天領(lǐng)域的激烈對(duì)抗而言，對(duì)空中目標(biāo)作戰(zhàn)意圖的準(zhǔn)確識(shí)別，顯得尤為重要［1-2］。

意圖識(shí)別本質(zhì)上屬于模式識(shí)別的范疇，已經(jīng)廣泛應(yīng)用于諸多領(lǐng)域，在軍事領(lǐng)域的研究中也取得了一些成果。傳統(tǒng)的意圖識(shí)別方法主要包括模板匹配［3］、專家系統(tǒng)［4］、貝葉斯網(wǎng)絡(luò)［5-6］等。文獻(xiàn)［3］首先根據(jù)專家經(jīng)驗(yàn)構(gòu)建態(tài)勢(shì)模板，使用D-S 證據(jù)理論構(gòu)建推理模型進(jìn)行意圖識(shí)別，但是這種方式將戰(zhàn)場(chǎng)態(tài)勢(shì)割裂來(lái)看，沒(méi)有考慮意圖的欺騙性和靈活性；文獻(xiàn)［4］通過(guò)專家經(jīng)驗(yàn)構(gòu)建知識(shí)庫(kù)，使用推理機(jī)得到推理結(jié)果，通過(guò)對(duì)專家系統(tǒng)進(jìn)行分析，其主要依靠知識(shí)庫(kù)與完善的推理規(guī)則進(jìn)行抽象處理，而戰(zhàn)場(chǎng)環(huán)境復(fù)雜多變，僅憑借推理規(guī)則的力量很難實(shí)現(xiàn)全面覆蓋；文獻(xiàn)［5-6］基于貝葉斯定理，通過(guò)概率論與圖論的結(jié)合構(gòu)建貝葉斯網(wǎng)絡(luò)，實(shí)現(xiàn)了意圖識(shí)別。隨著深度學(xué)習(xí)的理論發(fā)展和廣泛應(yīng)用，文獻(xiàn)［7］主要針對(duì)誤差反向傳播算法（Back Propagation，BP）在目標(biāo)意圖識(shí)別過(guò)程中存在的收斂速度慢、容易陷入局部最優(yōu)的問(wèn)題進(jìn)行改進(jìn)，引入了Relu 激活函數(shù)和Adam 優(yōu)化算法明顯提高了收斂速度；文獻(xiàn)［8］通過(guò)建立全連接殘差網(wǎng)絡(luò)進(jìn)行空戰(zhàn)目標(biāo)威脅評(píng)估，在較快的收斂速度下取得了較好的效果；文獻(xiàn)［9］通過(guò)仿真推演平臺(tái)推演目標(biāo)數(shù)據(jù)，使用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）構(gòu)建深度學(xué)習(xí)模型，取得了比傳統(tǒng)分類器更好的效果；文獻(xiàn)［10］利用隨機(jī)森林方法在抗噪聲性能、數(shù)據(jù)集適應(yīng)力、訓(xùn)練速度和實(shí)現(xiàn)方式等方面的優(yōu)勢(shì)，實(shí)現(xiàn)了意圖識(shí)別，準(zhǔn)確率有一定提升。然而，文獻(xiàn)［7-10］雖然克服了傳統(tǒng)意圖識(shí)別方法存在的弊端，有效突破了傳統(tǒng)方法面臨的一些瓶頸，提高了空中目標(biāo)意圖識(shí)別的準(zhǔn)確率，但是沒(méi)有考慮作戰(zhàn)的時(shí)序特點(diǎn)，把作戰(zhàn)的各個(gè)階段孤立地分開(kāi)考慮，不符合防空作戰(zhàn)的實(shí)際情況。文獻(xiàn)［11-14］針對(duì)文獻(xiàn)［7-10］所提的模型存在的問(wèn)題，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）［15-16］和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）［16-17］將戰(zhàn)場(chǎng)態(tài)勢(shì)的時(shí)序數(shù)據(jù)用于意圖識(shí)別建模，取得了更高的準(zhǔn)確率。

然而，隨著空防博弈對(duì)抗的加劇，意圖識(shí)別方法的準(zhǔn)確率始終不可能達(dá)到100%，也就是說(shuō)，每種方法在識(shí)別過(guò)程中都存在或多或少的誤判問(wèn)題，而對(duì)于敵意圖的誤判則有可能造成重大損失甚至導(dǎo)致整場(chǎng)戰(zhàn)斗的失敗。在空防對(duì)抗中，敵空中作戰(zhàn)力量的不同作戰(zhàn)意圖往往會(huì)對(duì)我方的領(lǐng)空安全造成不同的威脅，例如，敵方的攻擊意圖對(duì)我領(lǐng)空造成的威脅程度明顯高于其撤退意圖。因此，如果將敵方的“撤退”意圖誤判為攻擊意圖和將其攻擊意圖誤判為撤退意圖造成的風(fēng)險(xiǎn)必然是不等價(jià)的，前者可能僅僅會(huì)導(dǎo)致我方組織一次無(wú)用的防空行動(dòng)，而后者則可能帶來(lái)毀滅性打擊，可見(jiàn)后者產(chǎn)生的代價(jià)將會(huì)遠(yuǎn)遠(yuǎn)高于前者，因此，在目標(biāo)意圖識(shí)別中需要考慮誤判代價(jià)的影響。

加入空戰(zhàn)意圖誤判代價(jià)后的意圖識(shí)別問(wèn)題可歸類為代價(jià)敏感分類問(wèn)題，但是又不同于一般的代價(jià)敏感分類，主要體現(xiàn)在2 個(gè)方面：一是一般的代價(jià)敏感分類問(wèn)題主要優(yōu)化目標(biāo)是使所有樣本誤分類產(chǎn)生的代價(jià)總和最小，例如股民購(gòu)買多類股票的投資問(wèn)題，人們最在乎的往往是整體投資的收益，而空戰(zhàn)意圖的誤分類問(wèn)題則同時(shí)要通過(guò)強(qiáng)調(diào)高威脅意圖的準(zhǔn)確率來(lái)減少關(guān)鍵錯(cuò)誤，即在保證意圖識(shí)別準(zhǔn)確率的情況下，優(yōu)先降低高威脅意圖誤判為低威脅意圖的概率，使意圖識(shí)別的誤判傾向于低威脅意圖識(shí)別為高威脅意圖，生成更加保守的決策，保證我方安全；二是一般的代價(jià)敏感分類問(wèn)題需要構(gòu)建代價(jià)矩陣，對(duì)于多分類目標(biāo)來(lái)講，代價(jià)矩陣的構(gòu)建容易導(dǎo)致模型具有很大的不確定性，特別是對(duì)于防空作戰(zhàn)領(lǐng)域意圖誤判的代價(jià)矩陣，沒(méi)有統(tǒng)一的衡量標(biāo)準(zhǔn)，因此如果將一般的代價(jià)敏感分類模型用于空中目標(biāo)的意圖識(shí)別問(wèn)題，可能會(huì)導(dǎo)致模型的可靠性偏低。

針對(duì)上述問(wèn)題，本文設(shè)計(jì)了GRU-FCN 深度學(xué)習(xí)模型實(shí)現(xiàn)空中目標(biāo)意圖識(shí)別，并且針對(duì)該模型提出了一種空中目標(biāo)意圖識(shí)別的代價(jià)敏感（Cost-sensitive Air target combat Intention Recognition，CAIR）改進(jìn)策略，主要從2 個(gè)方面減少高代價(jià)誤判的情況：一是減少高威脅意圖到低威脅意圖的誤判；二是減少在威脅上存在較大差距的意圖之間的誤判，如圖1 所示。

圖1 意圖識(shí)別的誤判代價(jià)Fig.1 Misjudgment cost of intention recognition

在模型中，門控循環(huán)單元（Gated Recurrent Unit，GRU）［18-19］有著比LSTM［20-22］網(wǎng)絡(luò)更小的塊結(jié)構(gòu)，并顯示出與其相當(dāng)?shù)男阅?，而且不需要額外的算法來(lái)支持該模型，具有更少的訓(xùn)練參數(shù)、更少的內(nèi)存需求、更少的訓(xùn)練時(shí)間、更簡(jiǎn)單的硬件實(shí)現(xiàn)，具備較強(qiáng)的提取長(zhǎng)距離依賴信息的能力。CNN 由1986 年引入，廣泛應(yīng)用與圖像和時(shí)間序列中，CNN 內(nèi)的層可以從很少甚至沒(méi)有預(yù)處理的情況下從數(shù)據(jù)中提取出復(fù)雜的特征表示。全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）［23-26］將CNN 模型后面的全連接層替換為卷積層，可以較好地提取意圖樣本的空間特征，同時(shí)避免了CNN重復(fù)存儲(chǔ)和計(jì)算卷積的問(wèn)題，使模型更加高效。通過(guò)將GRU 和FCN 模型相結(jié)合，可以充分考慮空中目標(biāo)意圖樣本的時(shí)間特征和空間特征，進(jìn)一步提升意圖識(shí)別的效果。CAIR 則通過(guò)提出一種代價(jià)敏感的損失函數(shù)和代價(jià)敏感的評(píng)價(jià)指標(biāo)，使GRU-FCN 模型具備代價(jià)敏感空中目標(biāo)意圖識(shí)別的能力，然后通過(guò)實(shí)驗(yàn)驗(yàn)證了CAIR 改進(jìn)在代價(jià)敏感意圖識(shí)別中的效果，并通過(guò)與其他模型的對(duì)比實(shí)驗(yàn)證明了其對(duì)其他基于深度學(xué)習(xí)的空中目標(biāo)意圖識(shí)別模型同樣具有普適性。

1 代價(jià)敏感空中目標(biāo)意圖識(shí)別問(wèn)題描述

1.1 作戰(zhàn)意圖類型選取

在不同的作戰(zhàn)環(huán)境下，敵方的空中作戰(zhàn)力量可能存在的意圖類型會(huì)有不同，確定意圖類型空間需要根據(jù)戰(zhàn)場(chǎng)環(huán)境、我方防空力量類型、敵方空中目標(biāo)種類和任務(wù)背景等因素共同考慮。例如，文獻(xiàn)［27］根據(jù)海上防空的特點(diǎn)，將敵方空中目標(biāo)的可選意圖空間確定為｛撤退，掩護(hù)，攻擊，偵察｝；文獻(xiàn)［11］以敵方空中目標(biāo)近岸空襲軍事建筑為研究背景，建立的敵方空中目標(biāo)的意圖空間為｛攻擊，突防，偵察，佯攻，電子干擾，監(jiān)視，撤退｝，本文所針對(duì)的防空作戰(zhàn)場(chǎng)景與文獻(xiàn)［11］類似，因此，建立包含7 種意圖類型的作戰(zhàn)空間，包括｛攻擊，突防，干擾，監(jiān)視，偵察，佯攻，撤退｝。

在確定了作戰(zhàn)意圖空間后，參考仿真推演的結(jié)果數(shù)據(jù)，結(jié)合專家經(jīng)驗(yàn)，將各意圖類型對(duì)我方的威脅程度由大到小進(jìn)行排序，并且分別設(shè)置｛1，2，3，4，5，6，7｝對(duì)各意圖類型進(jìn)行映射處理，將意圖類型對(duì)應(yīng)為模型能夠識(shí)別并訓(xùn)練的編碼，編碼越小，威脅程度越高，意圖威脅程度的排序及其相應(yīng)編碼如圖2 所示。根據(jù)威脅程度排序，以攻擊和偵察意圖為例，將攻擊意圖編碼為1，偵察意圖編碼為5，如果模型的最終輸出結(jié)果為1，則可認(rèn)為模型將敵方空中目標(biāo)的作戰(zhàn)意圖識(shí)別為攻擊。

圖2 作戰(zhàn)意圖排序與編碼Fig.2 Sequencing and coding of operational intention

1.2 作戰(zhàn)意圖特征選取

敵機(jī)意圖特征的選取同樣需要考慮多方面因素，意圖識(shí)別的目的就是根據(jù)雷達(dá)等傳感器獲取的敵空中作戰(zhàn)力量的時(shí)序數(shù)據(jù)判斷敵機(jī)的作戰(zhàn)意圖。在執(zhí)行空中任務(wù)時(shí)，敵機(jī)同一種意圖類型往往表現(xiàn)出相同或相似的特征，例如，敵殲擊機(jī)在空戰(zhàn)攻擊時(shí)通常采用較高的飛行速度，最高可達(dá)1 400 km/h，執(zhí)行高空突防任務(wù)的敵機(jī)飛行高度往往會(huì)在10～11 km［8］。同樣，執(zhí)行偵察任務(wù)時(shí)，通常會(huì)保持所有機(jī)載雷達(dá)處在開(kāi)啟狀態(tài)，轟炸機(jī)在執(zhí)行轟炸任務(wù)時(shí)敵我距離隨著時(shí)間的推移逐漸接近，在撤退時(shí)敵我距離逐漸增大。

綜上所述，本文選取12 種與敵機(jī)作戰(zhàn)意圖緊密相關(guān)的特征信息構(gòu)成空中目標(biāo)意圖特征空間，經(jīng)過(guò)預(yù)處理后輸入代價(jià)敏感的GRU-FCN 模型進(jìn)行意圖識(shí)別。意圖特征空間主要包括數(shù)值型和非數(shù)值型2 種數(shù)據(jù)，數(shù)值型數(shù)據(jù)包括｛高度，敵我距離，速度，加速度，航向角，方位角，雷達(dá)反射面積｝，非數(shù)值型數(shù)據(jù)包括｛敵機(jī)類型，對(duì)空雷達(dá)狀態(tài)，對(duì)地雷達(dá)狀態(tài)，機(jī)動(dòng)類型，干擾狀態(tài)｝，如表1所示。

表1 空中目標(biāo)意圖特征空間Table 1 Feature space of air target intention

對(duì)于數(shù)值型數(shù)據(jù)，使用1 個(gè)浮點(diǎn)型數(shù)據(jù)反映其大小，并對(duì)其按照式（1）進(jìn)行Min-Max 標(biāo)準(zhǔn)化。對(duì)于任意數(shù)值型數(shù)據(jù)x，標(biāo)準(zhǔn)化后的數(shù)據(jù)x′為

式中：X為數(shù)據(jù)x所屬的特征種類的數(shù)據(jù)集合；max｛X｝為數(shù)據(jù)集合X中的最大值；min｛X｝為數(shù)據(jù)集合X中的最小值。

對(duì)于非數(shù)值型數(shù)據(jù)，敵機(jī)類型數(shù)據(jù)按照敵機(jī)的種類型號(hào)進(jìn)行編碼；對(duì)空雷達(dá)狀態(tài)、對(duì)地雷達(dá)狀態(tài)和干擾狀態(tài)編碼為1 或0，1 表示開(kāi)啟，0 表示關(guān)閉；機(jī)動(dòng)類型主要以美國(guó)國(guó)家航空咨詢委員會(huì)（NASA）學(xué)者根據(jù)空戰(zhàn)中最常用的機(jī)動(dòng)方式提出的“基本操縱動(dòng)作庫(kù)”［28］進(jìn)行編碼，包括｛最大加速，最大減速，最大過(guò)載爬升，最大過(guò)載俯沖，最大過(guò)載右轉(zhuǎn)，最大過(guò)載左轉(zhuǎn)，穩(wěn)定分型｝7種機(jī)動(dòng)動(dòng)作。

2 意圖識(shí)別模型描述

本節(jié)詳細(xì)介紹本文提出的GRU-FCN 網(wǎng)絡(luò)和CAIR 改進(jìn)方法，GRU 可以捕捉一系列的長(zhǎng)期時(shí)序依賴，完成對(duì)敵方空中目標(biāo)的時(shí)序特征學(xué)習(xí)。FCN 模型善于提取時(shí)間序列數(shù)據(jù)細(xì)節(jié)變化規(guī)律，有效提高意圖識(shí)別的準(zhǔn)確率。為了充分利用它們的優(yōu)點(diǎn)，將其組合成一個(gè)新的混合模型，以進(jìn)一步提高意圖識(shí)別精度，實(shí)驗(yàn)證明該模型在當(dāng)前空中目標(biāo)意圖識(shí)別領(lǐng)域準(zhǔn)確率、損失值等評(píng)價(jià)指標(biāo)上超越了其他模型，取得了最好的效果。CAIR 主要通過(guò)2 個(gè)方面的改進(jìn)，使模型具備防空作戰(zhàn)代價(jià)敏感意圖識(shí)別的能力。在2.1～2.3 節(jié)中分別對(duì)GRU、FCN 和CAIR 進(jìn)行了介紹，在2.4 節(jié)中給出了所提模型整體框架的結(jié)構(gòu)細(xì)節(jié)。

2.1 門控循環(huán)單元

GRU 作為RNN 的變體，具有和RNN 相類似的遞歸結(jié)構(gòu)，在處理時(shí)間序列數(shù)據(jù)是具有很好的“記憶”功能。GRU 由2 個(gè)門（重置門和更新門）組成，能夠有效緩解深度RNN 訓(xùn)練過(guò)程中可能出現(xiàn)的梯度消失和梯度爆炸的問(wèn)題，同時(shí)結(jié)構(gòu)較為簡(jiǎn)單，訓(xùn)練效率高，可以滿足防空作戰(zhàn)對(duì)于時(shí)間緊迫性的要求。

GRU 的內(nèi)部結(jié)構(gòu)如圖3 所示。GRU 分別使用上一時(shí)刻的輸出狀態(tài)ht-1和當(dāng)前時(shí)刻的輸入序列值xt作為輸入，輸出為當(dāng)前時(shí)刻的狀態(tài)ht。其主要通過(guò)重置門rt和更新門zt來(lái)更新模型狀態(tài)，重置門rt控制遺忘歷史狀態(tài)信息的程度，使網(wǎng)絡(luò)能夠丟掉不重要的信息，重置門的值越大說(shuō)明遺忘的信息越少，反之越多。更新門zt控制前一時(shí)刻的狀態(tài)信息被代入當(dāng)前狀態(tài)之后在當(dāng)前狀態(tài)中的比重，使網(wǎng)絡(luò)能夠記憶較長(zhǎng)時(shí)間的信息［29］，更新門的值越小說(shuō)明傳遞的信息越少，反之則越多。其內(nèi)部計(jì)算公式為

圖3 GRU 內(nèi)部結(jié)構(gòu)Fig.3 Internal structure of GRU

式中：σ為sigmoid 激活函數(shù)，其作用是將中間狀態(tài)轉(zhuǎn)換到［0，1］范圍內(nèi)，如果其值接近于0，則表示沒(méi)有新的信息被記憶；ht-1、ht分別是t—1 時(shí)刻和t時(shí)刻的輸出狀態(tài)；xt為t時(shí)刻的輸入序列值；為候選輸出狀態(tài)；為各部分相對(duì)應(yīng)的權(quán)值系數(shù)矩陣；tanh 為雙曲正切函數(shù)，作為激活函數(shù)使用，因?yàn)樗亩A導(dǎo)數(shù)在趨于0 之前可以保持很長(zhǎng)的范圍，所以使用tanh 函數(shù)可以有效地解決循環(huán)神經(jīng)網(wǎng)絡(luò)中普遍面臨的梯度消失問(wèn)題；⊙為矩陣的哈達(dá)馬積。

2.2 全卷積網(wǎng)絡(luò)

CNN 在處理類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)時(shí)表現(xiàn)優(yōu)異，現(xiàn)已廣泛應(yīng)用于時(shí)間序列分類［30-32］領(lǐng)域。CNN 一般由卷積層、池化層和全連接層組成。其中卷積層的作用是提取數(shù)據(jù)的復(fù)雜局部特征，主要通過(guò)稀疏交互、參數(shù)共享和等變表示等來(lái)提高學(xué)習(xí)效率，卷積后通過(guò)不同的激活函數(shù)實(shí)現(xiàn)非線性變換；池化層在保證輸入的表示近似不變的情況下，根據(jù)不同的池化函數(shù)對(duì)輸入值進(jìn)行少量平移調(diào)整或特征降維，并在一定程度上防止過(guò)擬合；卷積層和池化層產(chǎn)生的特征圖在經(jīng)過(guò)全連接層后將會(huì)映射為一個(gè)固定長(zhǎng)度的特征向量。與CNN 在卷積層之后使用若干全連接層得到固定長(zhǎng)度特征向量不同，F(xiàn)CN 使用不同參數(shù)的卷積層替換所有的全連接層。近年來(lái)，越來(lái)越多的學(xué)者將FCN 用于時(shí)序數(shù)據(jù)處理問(wèn)題，而且在處理時(shí)序數(shù)據(jù)時(shí)可以以任意序列長(zhǎng)度作為輸入，因此FCN在處理時(shí)序數(shù)據(jù)方面比CNN 更加靈活，經(jīng)過(guò)FCN 后能夠保留更多的序列數(shù)據(jù)特征?？罩心繕?biāo)意圖的特征空間屬于一種高維度的時(shí)間序列數(shù)據(jù)，可以使用FCN 提取時(shí)序特征。

FCN 模塊由3 個(gè)時(shí)序卷積（Temporal Convolutional）模塊組成，每個(gè)時(shí)序卷積模塊均包括1 個(gè)一維卷積層、1 個(gè)Batch Normalization 層（后接1 個(gè)ReLU 激活函數(shù)）和1 個(gè)Dropout 層（丟棄率為0.3）組成。根據(jù)空中目標(biāo)意圖特征數(shù)量，設(shè)置第1 個(gè)卷積層的輸入通道數(shù)為12，輸出通道數(shù)為128，卷積核大小為8；第2 個(gè)卷積層的輸入通道數(shù)為128，輸出通道數(shù)為256，卷積核大小為5；第3 個(gè)卷積層的輸入通道數(shù)為256，輸出通道數(shù)為128，卷積核大小為3。由此，切片后的航跡數(shù)據(jù)特征從12 維映射到了128 維，擴(kuò)展了特征數(shù)量。

2.3 空中目標(biāo)意圖識(shí)別的代價(jià)敏感改進(jìn)方法

GRU-FCN 模型的輸出不具備代價(jià)敏感的特性，本節(jié)將重點(diǎn)介紹針對(duì)空中目標(biāo)意圖識(shí)別的代價(jià)敏感改進(jìn)方法，通過(guò)加入本文提出的CAIR改進(jìn)使模型具有代價(jià)敏感意圖識(shí)別的能力。

在訓(xùn)練階段，GRU-FCN 模型采用交叉熵?fù)p失（Cross Entropy，CE）［33］函數(shù)計(jì)算損失值，網(wǎng)絡(luò)在整個(gè)訓(xùn)練集上的損失函數(shù)為

式中：N表示訓(xùn)練集中訓(xùn)練樣本的總數(shù)；M為訓(xùn)練集中意圖標(biāo)簽種類總數(shù)；p(xn，m)為訓(xùn)練集中第n個(gè)樣本對(duì)應(yīng)于真實(shí)標(biāo)簽類別m的概率；q(xn，m)為網(wǎng)絡(luò)模型輸出值的第n個(gè)樣本對(duì)應(yīng)于第m個(gè)類別的概率。

如果對(duì)式（3）表示的CE 函數(shù)按照標(biāo)簽的類別進(jìn)行變換，得到

式中：Hm(p，q)表示數(shù)據(jù)集中樣本真實(shí)分類為m的所有樣本的總交叉熵?fù)p失，通過(guò)式（4）可以看出，模型對(duì)于不同的樣本分類具有相同的權(quán)重，因此CE 函數(shù)不能處理代價(jià)敏感問(wèn)題。

針對(duì)引言中提到的代價(jià)敏感的空中目標(biāo)意圖識(shí)別問(wèn)題區(qū)別于一般代價(jià)敏感問(wèn)題的2 個(gè)特點(diǎn)，本文提出了針對(duì)代價(jià)敏感的空中目標(biāo)意圖識(shí)別的CAIR 改進(jìn)方法，CAIR 主要由改進(jìn)損失函數(shù)和改進(jìn)評(píng)價(jià)指標(biāo)2 個(gè)部分組成。

1）損失函數(shù)

由式（4），p為隨機(jī)變量的真實(shí)分布，q為模型的實(shí)時(shí)輸出，為近似分布，深度學(xué)習(xí)中交叉熵?fù)p失函數(shù)的作用是通過(guò)訓(xùn)練使模型的近似分布q逼近真實(shí)分布p，q與p越接近，損失值越小，反之則越大。根據(jù)式（3），每個(gè)樣本的交叉熵為

在對(duì)數(shù)據(jù)集中每個(gè)樣本的交叉熵計(jì)算中，如果將對(duì)數(shù)函數(shù)在x∈(0，1)區(qū)間的函數(shù)中轉(zhuǎn)換為正值并且進(jìn)行左右對(duì)稱變換后統(tǒng)計(jì)分類錯(cuò)誤的函數(shù)值之和，將式（5）替換為

理論上同樣可以達(dá)到使模型的近似分布逼近真實(shí)分布的效果。

然而在實(shí)際訓(xùn)練的過(guò)程中對(duì)數(shù)函數(shù)的求和會(huì)出現(xiàn)梯度損失或者梯度爆炸的問(wèn)題，因此考慮將對(duì)數(shù)函數(shù)替換為函數(shù)值控制在(0，+∞)的指數(shù)函數(shù)。

通過(guò)實(shí)驗(yàn)對(duì)比式（5）和式（7）在GRU-FCN模型訓(xùn)練中的效果，結(jié)果如圖4 所示。圖4 中，H代表使用式（5）中H(p，q|xn)損失函數(shù)，準(zhǔn)確率為98.57%，H′代表使用式（7）中H′(p，q|xn)損失函數(shù)，準(zhǔn)確率為97.95%。表明式（7）中的H′(p，q|xn)函數(shù)成功在訓(xùn)練過(guò)程中取得了與H(p，q|xn)類似的效果。

圖4 損失函數(shù)效果對(duì)比Fig.4 Comparison of loss function effects

按照意圖的威脅程度對(duì)敵空中目標(biāo)的7 種作戰(zhàn)意圖排序?yàn)椋汗簦就环溃靖蓴_＞監(jiān)視＞偵察＞佯攻＞撤退，意圖誤判的差距越大，損失也就越大。同時(shí)，高威脅意圖誤判為低威脅意圖造成的損失也應(yīng)當(dāng)大于低威脅意圖誤判為高威脅意圖造成的損失。以此思路改進(jìn)H′(p，q|xn)函數(shù)得到C-CE 損失函數(shù)L(p，q)，當(dāng)數(shù)據(jù)集中第n條數(shù)據(jù)的真實(shí)標(biāo)簽值為yn時(shí)

式中：K1表示低風(fēng)險(xiǎn)意圖誤判為高風(fēng)險(xiǎn)意圖的代價(jià)因子；K2表示高風(fēng)險(xiǎn)意圖誤判為低風(fēng)險(xiǎn)意圖的代價(jià)因子，且K1＜K2。

2）評(píng)價(jià)指標(biāo)

GRU-FCN 模型一般采用準(zhǔn)確率（Accuracy，ACC）作為評(píng)價(jià)指標(biāo)，對(duì)于給定的測(cè)試數(shù)據(jù)集，分類模型中的準(zhǔn)確率對(duì)應(yīng)于所有預(yù)測(cè)正確的樣本數(shù)與數(shù)據(jù)集中總樣本數(shù)的比值

式中：Ti表示數(shù)據(jù)集中真實(shí)標(biāo)簽類別為i的樣本中被正確分類的總數(shù)；Fi，j表示數(shù)據(jù)集中真實(shí)標(biāo)簽類別為i的樣本中被錯(cuò)誤分類到類別j的總數(shù)，如圖5 所示。圖5 中以監(jiān)視意圖為例展示了F、T和模型意圖之間的對(duì)應(yīng)關(guān)系，預(yù)測(cè)為監(jiān)視意圖時(shí)代價(jià)為0，預(yù)測(cè)為其他意圖時(shí)長(zhǎng)度越長(zhǎng)，代價(jià)越高。通過(guò)式（9）也可以得到，ACC 評(píng)價(jià)指標(biāo)對(duì)于不同的樣本分類同樣具有相同的權(quán)重，因此對(duì)于代價(jià)敏感的意圖識(shí)別問(wèn)題同樣不能使用ACC 作為評(píng)價(jià)指標(biāo)。

圖5 監(jiān)視意圖的可能意圖識(shí)別結(jié)果Fig.5 Possible identification results of monitoring intention

評(píng)價(jià)指標(biāo)，決定我們對(duì)于模型想要得到的結(jié)果的期望，同樣需要體現(xiàn)代價(jià)敏感特性，因此在ACC 指標(biāo)中加入懲罰機(jī)制，對(duì)于分類差距過(guò)大的樣本在評(píng)價(jià)指標(biāo)中給予較高的懲罰，對(duì)于高威脅樣本誤判與低威脅樣本的情況同樣給予較高的懲罰，對(duì)式（9）進(jìn)行改進(jìn)，加入懲罰因子，得到CACC 評(píng)價(jià)指標(biāo)

式中：J1表示低風(fēng)險(xiǎn)意圖誤判為高風(fēng)險(xiǎn)意圖的懲罰因子；J2表示高風(fēng)險(xiǎn)意圖誤判為低風(fēng)險(xiǎn)意圖的懲罰因子，且J1＜J2。

通過(guò)調(diào)整CAIR 中的參數(shù)，可以調(diào)節(jié)空中目標(biāo)意圖識(shí)別的代價(jià)敏感程度，本文通過(guò)調(diào)試和對(duì)比篩選實(shí)驗(yàn)中整體代價(jià)最小的參數(shù)取值作為模型中CAIR 的參數(shù)取值，定義高威脅意圖誤判為低威脅意圖的情況為關(guān)鍵誤判，篩選關(guān)鍵誤判為0 的情況時(shí)的模型稱為CAIR-key 模型，此時(shí)的參數(shù)取值作為CAIR-key 模型中的CAIR 參數(shù)取值。

2.4 模型整體框架

模型結(jié)構(gòu)的主體包括1 個(gè)GRU 模塊和1 個(gè)FCN 模塊。GRU 模塊負(fù)責(zé)學(xué)習(xí)時(shí)間序列數(shù)據(jù)的長(zhǎng)期趨勢(shì)，F(xiàn)CN 模塊負(fù)責(zé)對(duì)切片后的時(shí)序數(shù)據(jù)進(jìn)行特征提取，由于采用了全卷積網(wǎng)絡(luò)，模型能更好地捕捉到空戰(zhàn)意圖時(shí)序數(shù)據(jù)的局部信息。GRU 模塊與FCN 模塊組合后，既能學(xué)習(xí)空戰(zhàn)意圖時(shí)序數(shù)據(jù)的長(zhǎng)期變化趨勢(shì)，又能提取出數(shù)據(jù)內(nèi)部的細(xì)節(jié)變化規(guī)律。圖6 展示了模型的整體框架。圖6 中，第i維度的意圖特征使用Xi表示將包含不同空戰(zhàn)意圖特征的時(shí)間序列數(shù)據(jù)由GRU 層進(jìn)行處理。同時(shí)，將相同的時(shí)間序列數(shù)據(jù)通過(guò)由濾波器大小為128、256 和128 的一維卷積層實(shí)現(xiàn)的全卷積網(wǎng)絡(luò)。這可以分3 個(gè)步驟進(jìn)行，每個(gè)步驟的全卷積網(wǎng)絡(luò)都涉及到ReLU 激活和批處理規(guī)范化。應(yīng)用全局平均池化，將轉(zhuǎn)換后的時(shí)間序列數(shù)據(jù)輸出包含目標(biāo)類可靠性的特征圖，減少了網(wǎng)絡(luò)的參數(shù)數(shù)量，消除了過(guò)擬合的風(fēng)險(xiǎn)。池化層和GRU 層的輸出結(jié)果通過(guò)連接層進(jìn)行連接得到輸出值h。最后，應(yīng)用softmax 來(lái)進(jìn)行多類分類。此時(shí)的softmax 層數(shù)等于輸出層數(shù)即空戰(zhàn)意圖標(biāo)簽類別總數(shù)。

圖6 整體模型框架Fig.6 Overall model framework

式中：標(biāo)量y′為模型預(yù)測(cè)的意圖結(jié)果；w為需要學(xué)習(xí)的權(quán)重矩陣；b為偏置向量。

模型訓(xùn)練的過(guò)程中，采用C-CE 損失函數(shù)計(jì)算損失值，使用C-ACC 評(píng)價(jià)指標(biāo)根據(jù)樣本意圖標(biāo)簽對(duì)模型進(jìn)行評(píng)價(jià)，使GRU-FCN 模型保留代價(jià)敏感意圖識(shí)別的結(jié)果，具備代價(jià)敏感意圖識(shí)別的能力。在測(cè)試階段，將測(cè)試集的數(shù)據(jù)輸入CAIR 改進(jìn)的GRU-FCN 模型，獲得敵空中目標(biāo)的意圖識(shí)別結(jié)果。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于Air Combat Maneuvering Generator（ACMG），由空戰(zhàn)領(lǐng)域?qū)＜覍?duì)其標(biāo)簽進(jìn)行修訂。共10 500 個(gè)樣本，包括8 400 個(gè)訓(xùn)練樣本和2 100 個(gè)測(cè)試樣本，每類意圖占比為14.3%。時(shí)間步長(zhǎng)為12 個(gè)采樣周期，特征維度為12。

實(shí)驗(yàn)使用Python3.9 語(yǔ)言，在Quadro RTX 5000/PCle/SSE2 GPU 和CUDA11.5 加速環(huán)境下進(jìn)行，采用Pytorch 深度學(xué)習(xí)框架，電腦配置為x86-64 CentOS7 PC 系統(tǒng)、Intel? Xeon（R）Sliver 4110 CPU @2.10 GHz、64 GB 內(nèi)存。實(shí)驗(yàn)設(shè)置的訓(xùn)練輪次為200，批量大小為32。

3.2 性能評(píng)估指標(biāo)

為驗(yàn)證本文提出的GRU-FCN-CAIR 代價(jià)敏感空中目標(biāo)作戰(zhàn)意圖識(shí)別模型的性能，采用了4 種指標(biāo)來(lái)評(píng)估網(wǎng)絡(luò)的分類情況，即準(zhǔn)確率（Accuracy）、誤判代價(jià)（Cost）、高威脅誤判量（Herror）、低威脅誤判量（L-error）。它們的計(jì)算公式為

式中：WA、WC、WH、WL分別為準(zhǔn)確率、誤判代價(jià)、高威脅誤判量、低威脅誤判量的取值。

評(píng)價(jià)指標(biāo)C-ACC 的取值WCA和WA、WC指標(biāo)之間的關(guān)系為

實(shí)驗(yàn)中為了更直觀形象地表現(xiàn)模型的效果，使用Accuracy和Cost代替C-ACC 作為評(píng)價(jià)指標(biāo)。

3.3 實(shí)驗(yàn)參數(shù)設(shè)置

模型中的超參數(shù)影響著實(shí)驗(yàn)結(jié)果和運(yùn)行速度，因此，本文通過(guò)實(shí)驗(yàn)測(cè)試選取能使模型達(dá)到滿意性能的超參數(shù)，不同超參數(shù)下的準(zhǔn)確率對(duì)比如表2～表4 所示。

表2 不同優(yōu)化器下準(zhǔn)確率對(duì)比Table 2 Comparison of accuracy under different optimizers

表3 不同訓(xùn)練周期下準(zhǔn)確率對(duì)比Table 3 Comparison of accuracy under different training cycles

表4 不同學(xué)習(xí)率下準(zhǔn)確率對(duì)比Table 4 Comparison of accuracy under different learning rates

關(guān)于優(yōu)化器，本文比較了4 種優(yōu)化算法，Stochastic Gradient Descent（SGD）［34］、Root Mean Square prop（RMSprop）［35］、Adaptive Moment Estimation（Adam）［36］和Adamax［36］。從表2 可以看出，與其他優(yōu)化器相比，Adam 優(yōu)化器準(zhǔn)確率最高。因此，選擇Adam 為本文模型的優(yōu)化器。

對(duì)于訓(xùn)練周期，在200 輪以后隨著訓(xùn)練周期的增加，模型的準(zhǔn)確率沒(méi)有提升，因此本文選取200 個(gè)訓(xùn)練周期。

從表4 得到，模型在學(xué)習(xí)率為0.001 的時(shí)候準(zhǔn)確率最高，且與其他學(xué)習(xí)率時(shí)的準(zhǔn)確率相比有著明顯的優(yōu)勢(shì)，因此采用0.001 的學(xué)習(xí)率。

將以上對(duì)比實(shí)驗(yàn)結(jié)果確定的實(shí)驗(yàn)訓(xùn)練過(guò)程中的超參數(shù)以及所選模型的默認(rèn)具體結(jié)構(gòu)數(shù)據(jù)匯總?cè)绫? 所示。

表5 模型中的超參數(shù)Table 5 Hyperparameters in model

3.4 實(shí)驗(yàn)結(jié)果與分析

3.4.1 GRU-FCN 結(jié)果分析

GRU-FCN 空中目標(biāo)意圖識(shí)別模型的實(shí)驗(yàn)結(jié)果如圖7 所示，在60 輪左右達(dá)到收斂狀態(tài)，訓(xùn)練集的準(zhǔn)確率最高可達(dá)100%，測(cè)試集的準(zhǔn)確率在98%上下浮動(dòng)，最高可達(dá)到98.57%。

圖7 GRU-FCN 模型的準(zhǔn)確率和損失值Fig.7 Accuracy and loss value of GRU-FCN

為進(jìn)一步觀測(cè)模型的意圖識(shí)別結(jié)果，制作了如圖8 所示的混淆矩陣表示真實(shí)意圖與模型的各預(yù)測(cè)意圖之間的關(guān)系，對(duì)角線表示識(shí)別正確的樣本個(gè)數(shù)，對(duì)角線以上表示從各低威脅的意圖誤判為高威脅的意圖的樣本個(gè)數(shù)，對(duì)角線以下表示從各高威脅的意圖誤判為低威脅的意圖的樣本個(gè)數(shù)，混淆矩陣中數(shù)據(jù)的顏色越深代表數(shù)值越大。從圖中可以看出，模型對(duì)于7 種意圖識(shí)別的準(zhǔn)確率都較高，其中撤退的意圖識(shí)別精度最高，可以達(dá)到100%，攻擊和佯攻的意圖識(shí)別精度最低，分別為95.33%和97.0%。除此之外發(fā)現(xiàn)，攻擊和佯攻、監(jiān)視和偵察意圖間會(huì)出現(xiàn)部分識(shí)別混淆的情況。通過(guò)分析，以上2 組意圖之間特征相似度較高，特別是佯攻意圖對(duì)防空作戰(zhàn)一方具有很強(qiáng)的欺騙性，因此2 類意圖的樣本本身可能不存在較大的差異，出現(xiàn)2 類意圖相互混淆的情況，符合實(shí)際［37］。

圖8 GRU-FCN 意圖識(shí)別結(jié)果的混淆矩陣Fig.8 Confusion matrix of GRU-FCN intention recognition results

為直觀顯示GRU-FCN 提取意圖特征信息的效果，使用T-distributed Stochastic Neighbor Embedding（T-SNE）［38］算法將其提取到的特征降維，映射為二維特征，作為橫縱坐標(biāo)點(diǎn)，繪制特征投影圖。如圖9 所示。由圖9 可以看出，模型的類內(nèi)距離較近，類間距離較遠(yuǎn)，說(shuō)明GRUFCN 的特征提取效果較好，對(duì)于不同的意圖類型都進(jìn)行了較好地分類。

圖9 GRU-FCN 提取特征降維后投影效果Fig.9 Projection effect after dimension reduction of features extracted by GRU-FCN

綜上，通過(guò)GRU-FCN 模型的準(zhǔn)確率、混淆矩陣、提取特征降維后的投影圖可以發(fā)現(xiàn)，GRUFCN 在非代價(jià)敏感的空中目標(biāo)意圖識(shí)別上表現(xiàn)優(yōu)異，一定程度上達(dá)到了在戰(zhàn)時(shí)輔助指揮員作戰(zhàn)決策的要求。

3.4.2 加入CAIR 后模型的代價(jià)敏感對(duì)比分析

為驗(yàn)證本文提出的針對(duì)代價(jià)敏感空中目標(biāo)意圖識(shí)別的CAIR 方法的有效性，現(xiàn)對(duì)原始的GRU-FCN 模型、加入CAIR 的GRU-FCN 模型和加入CAIR 后通過(guò)調(diào)整參數(shù)使關(guān)鍵誤判為0 的模型進(jìn)行對(duì)比分析，通過(guò)調(diào)試和對(duì)比選取較好實(shí)驗(yàn)結(jié)果的CAIR 中的參數(shù)，如表6 所示，實(shí)驗(yàn)結(jié)果如表7、圖10、圖11 所示。

表6 CAIR 中參數(shù)取值Table 6 Parameter value in CAIR

表7 模型的代價(jià)敏感對(duì)比Table 7 Comparison of cost sensitivity of models

圖11 CAIR 和CAIR-key 的混淆矩陣Fig.11 Confusion matrix of CAIR and CAIR-key

圖10 展示了不同模型訓(xùn)練過(guò)程中的準(zhǔn)確率和損失值的變化情況，“train”代表訓(xùn)練集上的表現(xiàn)，“test”代表測(cè)試集上的表現(xiàn)，CAIR 表示加入CAIR 改進(jìn)的GRU-FCN 模型，CAIR-key 表示加入CAIR 后關(guān)鍵誤判為0 的模型。表7 展示了不同模型在4 種評(píng)價(jià)指標(biāo)下的表現(xiàn)，可以發(fā)現(xiàn)，加入CAIR 之后的模型Accuracy 為96.14%，相比于原始模型雖略有下降但是仍然保持在較高的水平，Cost 從原有的0.346 7 降到了0.175 7，誤判代價(jià)有了明顯下降，H-error 也從18 降到了4，L-error 有所上升，說(shuō)明加入CAIR 后模型將空中目標(biāo)的意圖識(shí)別傾向于決策更加保守的方向。通過(guò)調(diào)整參數(shù)使模型的H-error 變?yōu)? 后，模型的Accuracy 有些許下降，但是依舊能夠超過(guò)90%，達(dá)到92.38%，Cost 變?yōu)?.225 7，相比于原有的GRU-FCN 模型同樣有較為明顯下降，達(dá)到了代價(jià)敏感的空中目標(biāo)意圖識(shí)別的效果。為了更加直觀呈現(xiàn)出CAIR 的效果對(duì)比，對(duì)于測(cè)試集的所有樣本識(shí)別結(jié)果繪制了如圖11 的混淆矩陣，分別展示了加入CAIR 和CAIR-key 的代價(jià)敏感意圖識(shí)別情況，并與圖8 中未加入CAIR 的識(shí)別結(jié)果作對(duì)比，可以看出在加入CAIR 后的模型將高威脅意圖誤判為低威脅意圖的情況明顯減少。

3.4.3 消融實(shí)驗(yàn)分析

為進(jìn)一步論證本文所提的CAIR 方法的CCE 和C-ACC 的有效性，通過(guò)消融實(shí)驗(yàn)進(jìn)行對(duì)比實(shí)驗(yàn)分析，通過(guò)表8 和圖12 發(fā)現(xiàn)，只加入C-CE 的模型和只加入C-ACC 的模型Cost分別為0.264 7和0.227 6，H-error 分別為12 和7，相比于原始GRU-FCN 模型的0.346 7 和18，Cost 和H-error均有明顯降低，證實(shí)了C-CE 和C-ACC 的在代價(jià)敏感意圖識(shí)別方面的有效性。另外，3 個(gè)模型相對(duì)于原始GRU-FCN 都對(duì)將攻擊意圖誤判為佯攻意圖這一代價(jià)較高的關(guān)鍵誤判情況進(jìn)行了改善，并且，同時(shí)加入C-CE 和C-ACC 的模型Cost為0.175 7，H-error 為4，相比于其他3 個(gè)模型的效果最好，進(jìn)一步證明了CAIR 的代價(jià)敏感意圖識(shí)別效果。

表8 消融實(shí)驗(yàn)結(jié)果Table 8 Results of ablation experiment

圖12 C-CE 和C-ACC 的混淆矩陣Fig.12 Confusion matrix of C-CE and C-ACC

3.4.4 模型魯棒性分析

為驗(yàn)證實(shí)戰(zhàn)條件下如果無(wú)法獲取某一特征或者部分特征數(shù)據(jù)獲取錯(cuò)誤對(duì)模型意圖識(shí)別結(jié)果造成的影響，驗(yàn)證本文所提模型的魯棒性，對(duì)原有的數(shù)據(jù)集按下式分別添加信噪比為10、5、0、—5、—10 dB 的高斯白噪聲。

式中：x為原始信號(hào)；n為噪聲信號(hào)；N為原始信號(hào)長(zhǎng)度；S為信噪比；y為通過(guò)信噪比計(jì)算得到的噪聲信號(hào)。在不同信噪比下訓(xùn)練測(cè)試模型，并對(duì)比不同信噪比條件下的意圖識(shí)別效果，結(jié)果如表9 所示。表9 中，使用原始的GRU-FCN 模型和加入CAIR 后的GRU-FCN 模型在不同信噪比下進(jìn)行對(duì)比。通過(guò)表9 發(fā)現(xiàn)，隨著信噪比的降低，模型的準(zhǔn)確率呈現(xiàn)下降趨勢(shì)且總代價(jià)呈現(xiàn)上升趨勢(shì)，但是在信噪比為-10 dB 時(shí)模型的準(zhǔn)確率仍可以超過(guò)85%，且加入CAIR 的模型總誤判代價(jià)低于1.5，遠(yuǎn)低于未加入CAIR 的原始GRU-FCN 模型。證明本文所提的模型在應(yīng)對(duì)環(huán)境噪聲時(shí)準(zhǔn)確率變化波動(dòng)較小，魯棒性較好。

表9 模型在不同信噪比時(shí)識(shí)別情況對(duì)比Table 9 Comparison of recognition of models with different SNRs

3.4.5 不同模型應(yīng)用CAIR 對(duì)比分析

為驗(yàn)證本文提出的模型相比于現(xiàn)有模型的優(yōu)越性以及本文所提CAIR 方法的普適性，現(xiàn)將其分別與文獻(xiàn)［9］提出的基于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的戰(zhàn)場(chǎng)對(duì)敵目標(biāo)戰(zhàn)術(shù)意圖識(shí)別模型；文獻(xiàn)［13］提出的基于BiGRU-Attention 的空中目標(biāo)作戰(zhàn)意圖識(shí)別方法；文獻(xiàn)［11］提出的Attention-TCN-BiGRU空中目標(biāo)意圖識(shí)別模型等3 種現(xiàn)今常用的表現(xiàn)優(yōu)異的空中目標(biāo)意圖識(shí)別模型進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表10和圖13所示。

表10 不同意圖模型對(duì)比Table 10 Comparison of different intention recognition models

圖13 模型對(duì)比實(shí)驗(yàn)的準(zhǔn)確率和損失值Fig.13 Accuracy and loss value of model comparison experiment

由圖13 可以看出，以上對(duì)比模型均在訓(xùn)練60輪左右時(shí)達(dá)到收斂狀態(tài)，各模型在加入CAIR 后準(zhǔn)確率略有降低，但是并沒(méi)有影響模型的收斂速度。各模型在加入CAIR 后均有準(zhǔn)確率降低的現(xiàn)象，考慮是因?yàn)槲醇尤隒AIR 的模型的結(jié)果單一追求準(zhǔn)確率最高，在加入CAIR 后，模型的結(jié)果為綜合準(zhǔn)確率和代價(jià)敏感屬性后的結(jié)果，并不一定在準(zhǔn)確率方面取得極大值。通過(guò)表10 中可以發(fā)現(xiàn)，本文提出的GRU-FCN 意圖識(shí)別模型相對(duì)于其他3 種意圖識(shí)別模型的準(zhǔn)確率明顯提高，同時(shí)，加入CAIR 的GRU-FCN 模型獲得了最小的誤判代價(jià)。通過(guò)對(duì)比發(fā)現(xiàn)，所有的意圖識(shí)別模型在加入CAIR 后的誤判代價(jià)均明顯降低，且H-error 減少、L-error 增加，說(shuō)明誤判成功向著減少關(guān)鍵代價(jià)、決策更加保守的方向靠攏，成功證明了本文所提代價(jià)敏感空中目標(biāo)意圖識(shí)別方法的普適性。

為了探究CAIR 機(jī)制對(duì)不同意圖類型的效果和規(guī)律，按照意圖類型分類別計(jì)算不同模型在4 種評(píng)估指標(biāo)上的結(jié)果，如表11所示。表11中，①～④分別代表LSTM、BiGRU-Attention、Attention-TCN-BiGRU 和GRU-FCN；⑤～⑧分別代表加入 CAIR 后的 LSTM、BiGRU-Attention、Attention-TCN-BiGRU 和GRU-FCN 模型。

表11 不同模型對(duì)比中各評(píng)估指標(biāo)結(jié)果Table 11 Results of evaluation indexes of ablation experiment

從表11 得出，在加入CAIR 后，對(duì)于攻擊意圖的識(shí)別準(zhǔn)確率有明顯提高，誤判代價(jià)明顯大幅度降低，分析原因，是攻擊意圖的威脅性最大，通過(guò)優(yōu)先保證攻擊意圖的準(zhǔn)確率減少了出現(xiàn)關(guān)鍵代價(jià)誤判的情況；對(duì)于撤退意圖所有模型的準(zhǔn)確率都接近100%，因此誤判代價(jià)幾乎為0，考慮是因?yàn)槌吠艘鈭D帶有明顯區(qū)別于其他意圖的特征，自身容易分類；在加入CAIR 后幾乎所有模型的H-error 減少，L-error 增加，證明了該方法的代價(jià)敏感效果，同樣有效減少了關(guān)鍵代價(jià)的誤判；對(duì)于進(jìn)攻意圖和佯攻意圖，在加入CAIR 模型后，不同模型對(duì)進(jìn)攻意圖識(shí)別的準(zhǔn)確率明顯上升，誤判代價(jià)明顯減小，對(duì)佯攻意圖識(shí)別的準(zhǔn)確率下降，代價(jià)增大，分析原因，由于進(jìn)攻和佯攻意圖本身欺騙性強(qiáng)、不易區(qū)分，可能是模型為使決策偏于保守，將介于進(jìn)攻和佯攻意圖之間的情況向識(shí)別為進(jìn)攻的方向靠攏。

4 結(jié)論

通過(guò)理論研究和實(shí)驗(yàn)發(fā)現(xiàn)，空中目標(biāo)的意圖識(shí)別問(wèn)題還存在以下突出問(wèn)題，在接下來(lái)的工作中對(duì)于以下問(wèn)題將重點(diǎn)關(guān)注。

1）作戰(zhàn)中對(duì)于時(shí)間的緊迫性要求高，如何將意圖識(shí)別發(fā)展為準(zhǔn)確有效的意圖預(yù)測(cè)，為作戰(zhàn)決策爭(zhēng)取更多寶貴時(shí)間的問(wèn)題。

2）對(duì)于相似性高的意圖如何區(qū)分的問(wèn)題。

3）現(xiàn)有的研究多是將數(shù)據(jù)的時(shí)序特征與位置、速度和加速度等空間特征當(dāng)作獨(dú)立的變量分開(kāi)考慮，實(shí)際的防空作戰(zhàn)應(yīng)該是時(shí)間信息和空間信息相對(duì)應(yīng)的統(tǒng)一整體，考慮時(shí)間信息與空間特征的融合可能會(huì)使模型的效果有進(jìn)一步的提升。