一种基于不完全信息的在线作战意图识别方法及装置制造方法及图纸

本发明专利技术提供了一种基于不完全信息的在线作战意图识别方法及装置，通过各种探测和传感设备获取情报数据，得到每一个目标单元在时间段ΔT内的持续追踪信号形成的历史时变态势信息；对所述历史时变态势信息进行编码补全压缩处理，得到有效的输入数据；输入到深度学习模型进行训练，得到训练好的深度学习模型；将当前情报数据输入训练好的深度学习模型，得到目标意图识别结果。通过使用学习者进行全局结构的挖掘，学习潜在共享信息的表示，从有限的战场信息挖掘更多的全局结构并丢弃低级信息和更局部的噪声，考虑了目标情报信息的时间特征，设计可变长的时序处理模型进行意图分类的学习，实现在不完全信息下的在线意图识别效果。果。果。

【技术实现步骤摘要】
一种基于不完全信息的在线作战意图识别方法及装置


[0001]本专利技术属于目标意图识别
，尤其是涉及一种不完全信息在线作战意图识别方法及装置。

技术介绍

[0002]态势理解是根据态势觉察生成的态势特征向量，结合领域专家的军事知识对当前态势进行解释,对敌方意图和作战计划进行识别的过程。而战场目标作战意图识别一直以来都是各级指挥员关注的重点，是态势评估领域的热点问题，是指挥员决定下一步作战行动的重要依据。
[0003]随着信息技术的不断发展,大量侦察探测和传感设备应用于战场,大大提高了对情报侦察和战场数据的收集能力。然而，所有这些都需要经过数据分析后才能为决策者使用，情报界面临着信息过载的挑战,人类的认知速度和处理能力已很难跟上战场数据增长和变化的节奏，更不要说从瞬息万变的战场态势中快速、准确地识别敌方目标的战术意图。目标意图识别属于动态、对抗条件下的模式识别问题，需要在军事知识和作战经验的基础上，综合考虑战场环境、目标属性和目标状态等关键信息，通过关键特征提取、对比分析、联想和推理等一系列高度抽象的复杂思维活动实现对目标意图的准确识别，该过程很难显式地通过数学公式进行描述和归纳，因而需要设计高效的智能识别模型来辅助指挥员决策，以缩短决策时间，提高决策质量。现有的目标意图识别研究主要集中在模板匹配、专家系统、贝叶斯网络和神经网络几个方面。总体来说，模板匹配的方法符合人类认知规律，比较容易实现，但是，模板库的建立要依赖于领域专家先验知识的获取，客观性、可信性难以保证，模板库的更新也存在困难；虽然专家系统具有很强的知识表达和知识推理能力，但由于需要抽象出完备的知识库和推理规则，它的实现难度很大，且容错能力、学习能力不强；贝叶斯网络具有很强的因果概率推理能力，得到了广泛的关注，可以解决意图的不确定性推理问题，但贝叶斯网络各节点事件的先验概率与条件概率的确定存在一定困难。神经网络在各个领域得到了成功的应用，利用其自适应和自学习能力用于意图的预测，可以更好地解决领域专家先验知识不足时的目标意图识别问题。然而，传统的浅层神经网络存在网络训练困难、特征提取难度大和计算精度低等不足。
[0004]最重要的是，现有的研究成果很少讨论战场态势信息的不确定不完全不完美给智能模型带来的影响，而战争本身就是一种典型的不完美信息博弈，在对抗的战场上，各方自己的隐蔽性、相互之间的欺骗性、战争的不确定性等都会使得战场态势信息出现这个
‘
三不
’
特性，面对海量不完整、不及时和不准确的，甚至是错误的或者带有欺骗性的情报信息，如何实现高效的在线意图识别任务成为当前迫切需要解决的问题。
[0005]针对这个问题，本文提出了一种深度学习模型W
‑
CPCLSTM，借助对比预测编码(CPC)学习潜在共享信息的表示，它可以从有限的战场信息挖掘更多的全局结构并丢弃低级信息和更局部的噪声，并且综合考虑了目标情报信息的时间特征，设计可变长的时序处理模型LSTM来进行意图分类的学习，然后基于表征训练注意力的权值将两者有效结合起
来，通过三种不同探测程度的情报信息和一个理想状态下的完美态势来探讨所提模型在不完全信息下的在线意图识别效果。除此之外，还讨论了情报信息的不同长度对模型的影响。

技术实现思路

[0006]本专利技术要解决的技术问题是在面对海量不完整、不及时和不准确，甚至是错误的或者带有欺骗性的情报信息时，如何实现高效的在线意图识别，提出了一种不完全信息在线作战意图识别方法及装置。
[0007]为解决上述技术问题，本专利技术所采用的技术方案是：
[0008]一种不完全信息在线作战意图识别方法，包括以下步骤：
[0009]步骤1：在当前时刻t将各种探测和传感设备对第i个目标单元在时间段ΔT内的持续追踪信号进行整合编码得到原始时变态势信息TU
ΔT
＝{Tu1,Tu2,
…
,Tu
N
},其中tu
t
表示t时刻的原始时变态势信息，N指的是在时间段ΔT内探测到的目标个数,T是ΔT的时间长度；
[0010]步骤2：对所述原始时变态势信息TU
ΔT
进行编码补全压缩处理，得到有效的深度学习模型输入数据TU
ΔT,P
，p表示补全压缩处理；
[0011]步骤3：将有效的深度学习模型输入数据TU
ΔT,P
输入到深度学习模型进行信息表征学习和意图分类；
[0012]步骤4：得到目标意图识别结果。
[0013]进一步地，其特征在于，所述深度学习模型包括：
[0014]用于对通过各种探测和传感设备所获取的情报态势数据之间的底层共享信息进行表征的学习者；
[0015]用于根据所述学习者在当前时段所获得的底层共享信息对所探测到的目标的当前时刻的作战意图进行精准识别的分类器；
[0016]以及用于合理分配所述学习者和所述分类器之间的训练注意力的控制器。
[0017]进一步地，所述学习者CPC的的主要组成部分包括：
[0018]可变长的时序处理模型LSTM，用于将所提取的N个探测目标单元在当前时间段ΔT获得的态势信息TU
ΔT
＝{Tu1,Tu2,
…
,Tu
N
}进行编码，补全和压缩处理得到其中其中为第i个目标单元补全和压缩后的不完全信息下的模型输入序列，然后输入到变长时序处理模型LSTM，对其进行融合编码，得到目标单元态势信息的潜在表征编码序列EU＝{Eu
t
‑
T
，
…
，Eu
t
‑1，Eu
t
}，Eu
t
为t时刻输出的潜在表征编码；
[0019]GRU的自回归模型：用于对所述目标单元态势信息的潜在表征编码序列EU的有效时间步信息表征进行汇总，IL
r
为补全前的原始信息长度；
[0020]全连接的预测层：用于基于自回归模型得到的汇总特征表征当前时刻t的情报态势数据之间的底层共享信息SI
t
；
[0021]通过InfoNCE loss对上述三个部分进行联合优化，定义所述学习者CPC模型的损
失函数L
CPC
：
[0022][0023]其中，(Tu
p，t
，SI
t
)可以看成正样本对，Tu
p，t
表示t时刻补全压缩后的态势信息，可以看成负样本对，f(Tu
p，t
，SI
t
)是密度比，f(Tu
p，t
，SI
t
)＝exp(Eu
t
SI
t
)。
[0024]进一步地，所述分类器的模型结构为：连接着一个线性输出层的可变长时序数据处理模型LSTM，损失函数采用基本的交叉熵损失函数：
[0025][0026]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不完全信息的在线作战意图识别方法，其特征在于，包括以下步骤：步骤1：在当前时刻t将各种探测和传感设备对第i个目标单元在时间段ΔT内的持续追踪信号进行整合编码得到原始时变态势信息TU
ΔT
＝{Tu1,Tu2,
…
,Tu
N
},其中tu
t
表示t时刻的原始时变态势信息，N指的是在时间段ΔT内探测到的目标个数,T是ΔT的时间长度；步骤2：对所述原始时变态势信息TU
ΔT
进行编码补全压缩处理，得到有效的深度学习模型输入数据TU
ΔT,P
，p表示补全压缩处理；步骤3：将有效的深度学习模型输入数据TU
ΔT,P
输入到深度学习模型进行信息表征学习和意图分类；步骤4：解码输出得到目标意图识别结果。2.根据权利要求1所述的在线作战意图识别方法，其特征在于，所述深度学习模型包括：用于对通过各种探测和传感设备所获取的情报态势数据之间的底层共享信息进行表征的学习者；用于根据所述学习者在当前时段所获得的底层共享信息对所探测到的目标的当前时刻的作战意图进行精准识别的分类器；以及用于合理分配所述学习者和所述分类器之间的训练注意力的控制器。3.根据权利要求2所述的在线作战意图识别方法，其特征在于，所述学习者CPC的的主要组成部分包括：可变长的时序处理模型LSTM，用于将所提取的N个探测目标单元在当前时间段ΔT获得的态势信息TU
ΔT
＝{Tu1,Tu2,
…
,Tu
N
}进行编码，补全和压缩处理得到其中其中为第i个目标单元补全和压缩后的不完全信息下的模型输入序列，然后输入到变长时序处理模型LSTM，对其进行融合编码，得到目标单元态势信息的潜在表征编码序列EU＝{EU
t
‑
T
，
…
，Eu
t
‑1，Eu
t
}，Eu
t
为t时刻输出的潜在表征编码；GRU的自回归模型：用于对所述目标单元态势信息的潜在表征编码序列EU的有效时间步信息表征进行汇总，IL
r
为补全前的原始信息长度；全连接的预测层：用于基于自回归模型得到的汇总特征表征当前时刻t的情报态势数据之间的底层共享信息SI
t
；通过InfoNCE loss对上述三个部分进行联合优化，定义所述学习者CPC模型的损失函数L

【专利技术属性】
技术研发人员：冯旸赫，陈丽，张驭龙，刘忠，黄金才，程光权，杨静，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：