基于双向门控循环单元和条件随机场的意图识别方法技术

提供一种基于双向门控循环单元和条件随机场的意图识别方法，包括下列步骤：目标意图空间编码；目标意图识别输入特征输入；双向门控循环单元BiGRU设计；注意力机制设计；条件随机场CRF设计。针对传统的空中目标意图识别方法仅仅考虑单一时刻的目标状态信息，且最终得到意图识别结果不具有前后依赖性的问题，相较于其他先进的意图识别方法，本发明专利技术的方法在空中意图识别领域具有整体上的优势。中意图识别领域具有整体上的优势。中意图识别领域具有整体上的优势。

Intention recognition method based on two-way gated cyclic unit and conditional random field

【技术实现步骤摘要】
基于双向门控循环单元和条件随机场的意图识别方法


[0001]本专利技术涉及深度学习领域技术，具体涉及一种基于双向门控循环单元和条 件随机场的意图识别方法。

技术介绍

[0002]战场态势瞬息万变，快速准确地识别敌方目标的战术意图是获得决策优势 的重要条件。针对传统的目标意图识别方法仅仅考虑了单一时刻的目标状态信 息，且最终得到意图识别结果不具有前后依赖性的问题。
[0003]赵捍东的《舰艇对空中来袭目标意图的预判方法》(中国舰船研究，2018， 13(01)：133
‑
139.)等人利用统计学习的方法进行模板匹配，提出应用异质集成学 习器解决目标意图的模糊不确定性分类问题。何艳的《基于历史航迹特征的飞 行意图识别》(现代计算机，2019(29)：29
‑
34.)等利用均值及曲线拟合的思想，从 历史航迹数据中总结航迹特征，并提出一种基于航迹形状约束的半监督K
‑
means 聚类改进算法对历史航迹进行聚类。Wang的《Tactical intention recognition ofaerial target based on XGBoost decision tree》(Journal of Measurement Science andInstrumentation，2018，9(2)：148
‑
152.)给出一种基于XGBoost决策树的方法对空 中目标进行意图识别。专家系统利用规则来描述知识，其需要构建知识库和推 理机，如果条件与已知的事实相匹配，则输出意图识别结果。陈优敏的《基于 知识图谱的目标战术意图识别仿真》(计算机仿真，2019，36(08)：1
‑
4.)提出基于 知识图谱的目标战术意图识别方法，构建战场目标的本体模型，分析战场目标 本体模型中的二元关系，根据分析结果构建知识图谱。
[0004]近年来，由于数据获取能力和计算能力的不断增强，使得以数据为驱动的 意图识别算法变为可能。魏蔚的《基于径向基神经网络的侦察目标意图识别研 究》(舰船电子工程，2018，38(10)：37
‑
40)针对无人机空中侦查目标，提出一种 基于径向基神经网络的目标意图识别模型，其仍属于浅层学习范畴。周旺旺的 《基于深度神经网络的空中目标作战意图识别》(航空学报，2018，39(11)： 200
‑
208.)针对BP算法的收敛速度慢以及容易陷入局部最优的情况，引入ReLU 激活函数和Adam优化算法构建意图识别模型，获得了更高的识别准确率。欧 微的《战场对敌目标战术意图智能识别模型研究》(计算机仿真，2017，34(09)：10
‑
14)针对传统模型在知识表达和网络训练方面的困难，提出基于长短时记忆 网络(LSTM)的智能意图识别模型，通过设计相应的特征编码、标签封装和意 图解析等方式对意图进行识别。Xue的《Panoramic Convolutional Long Short
‑
TermMemory Networks for Combat Intention Recognition of Aerial Targets》(IEEEAccess 2020，8，183312
‑
183323.)设计出一种全景卷积长短期记忆神经网络 (PCLSTM)来提高意图识别能力，并通过时间序列池化层来减少神经网络的参 数。对于空中目标的意图识别问题，其输出应该具有前后依赖性，即目标在连 续时刻的意图识别结果前后关联。前述方法均没有同时考虑这两方面的性质。
数值及非数值特征均用i表示；n为目标的非数值型特征总维度；M为每个时刻 的采样帧数；
[0022]根据以上归一化及数值化处理方式，得到t时刻目标意图识别输入特征初始 输入总特征I
t
＝{U
t
，V
t
}；在此基础上，对其进行整合及统一编码，得到标准特征输 入矩阵X
t
，表示为
[0023][0024]其中，元素表示在t时刻的输入中，目标在第j帧的第i种特征值；N为目标意 图识别输入特征总维度；M为每个时刻的采样帧数；
[0025]Step3.双向门控循环单元BiGRU设计
[0026]给定t时刻的输入X
t
和上一时刻隐藏状态H
t
‑1，H
t
‑1在上一时刻求解得到，经 过激活函数sigmoid函数的全连接层的计算，得到重置门R
t
、更新门Z
t
的输出：
[0027]R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)
ꢀꢀꢀꢀꢀ
(6)
[0028]Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)
ꢀꢀꢀꢀꢀ
(7)
[0029]其中，W
xr
、W
hr
和W
xz
、W
hz
分别为第一、第二、第三、第四权重参数，b
r
、b
z
分别 为第一、第二偏差参数；重置门和更新门中每个元素的值域都是[0，1]；σ为归一 化系数；
[0030]t时刻的候选隐藏状态和隐藏状态H
t
的计算如下：
[0031][0032][0033]其中，W
xh
和W
hh
分别为第五、第六权重参数，b
h
是第三偏差参数，
·
是按元素乘 法；重置门R
t
的功能是决定前一时刻隐藏状态需要重置的信息有多少，当R
t
元素 值接近0时，代表重置对应隐藏状态元素为0，即前一时刻的隐藏状态全部重置 为当前时刻的输入；更新门Z
t
的功能是决定前一时刻的信息是否被丢弃，其值越 小，代表前一时刻隐藏节点所包含的信息被丢弃得越多；GRU网络模型复杂度 较低的原因是忽略了某些没用的信息，而其中的重置门能够捕捉时间序列里短 期的依赖关系，更新门则能够捕捉时间序列里长期的依赖关系；
[0034]在对意图识别模型进行训练过程中，会发现当前时刻不仅仅由之前的时刻 序列决定，有时候也可能由后面时刻的序列决定；BiGRU由前向的GRU网络与 后向的GRU网络组成，在GRU的基础上增加从后往前传递信息的隐藏层，从 而解决上述问题；
[0035]BiGRU在时刻t的隐藏状态H
t
由正向隐藏状态和反向隐藏状态两部分 共同求得，正向隐藏状态由当前时刻的输入X
t
和前一时刻的正向隐藏状态决定，反向隐藏状态由当前时刻的输入X...

【技术保护点】

【技术特征摘要】
1.基于双向门控循环单元和条件随机场的意图识别方法，其特征在于，具体包括下列步骤：Step1.目标意图空间编码建立目标战术意图空间集合为{攻击、侦察、监视、掩护、干扰、撤退}；假定每个目标在某一时刻只有一个主要战术意图，采用目标的主要战术意图对样本数据进行标注和识别；针对上述6种战术意图进行标签化处理，每一种意图用一个数字编码；对样本数据的标注采用仿真推演系统事后分析得到，系统采用上帝视角，对每一组样本数据进行复推，根据环境属性、实体状态、执行任务等信息归纳出目标的作战意图，并赋予意图标签，之后再由专家对加注的标签进行校验和修订；Step2.目标意图识别输入特征输入选取的目标意图识别输入特征共有W维，包括数值型特征和非数值型特征两种；定义矩阵U
(t)
和矩阵V
(t)
，分别描述t时刻目标意图识别输入特征中的数值型和非数值型特征；对目标意图识别输入特征进行归一化处理能够消除数据量纲影响，同时能够提高网络收敛效率；对于高度、速度、加速度等数值型特征，采用最大
‑
最小标准化方法进行归一化处理，将其映射到区间[0，1]，计算过程如下：其中，u
′
为初始输入数值，u为归一化后的结果，min为该维度下的最小值，max为该维度下的最大值，c为极小的常数；每一时刻的目标状态输入采用矩阵形式；目标意图识别输入特征中的数值型特征表示为其中，元素表示在t时刻的输入中，目标在第j帧的第i种数值型特征状态值；m为目标的数值型特征总维度；M为每个时刻的采样帧数，采样帧数是可变的，在训练过程中通过测试得到最佳采样帧数；非数值型特征均为分类数据，神经网络无法直接处理分类数据，因此需要对其进行数值化处理，将其转化为在区间[0，1]的结果，过程如下：其中，K为该维度下的总分类数目，则原始输入v
′
对应的该维度下第k类映射到区间[0，1]的结果为v；目标意图特征输入中的非数值型特征表示为其中，元素表示在t时刻的输入中，目标在第j帧的第i种非数值型特征状态值，数值及非数值特征均用i表示；n为目标的非数值型特征总维度；M为每个时刻的采样帧数；
根据以上归一化及数值化处理方式，得到t时刻目标意图识别输入特征初始输入总特征I
t
＝{U
t
，V
t
}；在此基础上，对其进行整合及统一编码，得到标准特征输入矩阵X
t
，表示为其中，元素表示在t时刻的输入中，目标在第j帧的第i种特征值；N为目标意图识别输入特征总维度；M为每个时刻的采样帧数；Step3.双向门控循环单元BiGRU设计给定t时刻的输入X
t
和上一时刻隐藏状态H
t
‑1，H
t
‑1在上一时刻求解得到，经过激活函数sigmoid函数的全连接层的计算，得到重置门R
t
、更新门Z
t
的输出：R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)
ꢀꢀꢀꢀ
(6)Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)
ꢀꢀꢀꢀ
(7)其中，W
xr
、W
hr
和W
xz
、W
hz
分别为第一、第二、第三、第四权重参数，b
r
、b
z
分别为第一、第二偏差参数；重置门和更新门中每个元素的值域都是[0，1]；σ为归一化系数；t时刻的候选隐藏状态和隐藏状态H
t
的计算如下：的计算如下：其中，W
xh
和W
hh
分别为第五、第六权重参数，b
h
是第三偏差参数，
·
是按元素乘法；重置门R
t
的功能是决定前一时刻隐藏状态需要重置的信息有多少，当R
t
元素值接近0时，代表重置对应隐藏状态元素为0，即前一时刻的隐藏状态全部重置为当前时刻的输入；更新门Z
t
的功能是决定前一时刻的信息是否被丢弃，其值越小，代表前一时刻隐藏节点所包含的信息被丢弃得越多；GRU网络模型复杂度较低的原因是忽略了某些没用的信息，而其中的重置门能够捕捉时间序列里短期的依赖关系，更新门则能够捕捉时间序列里长期的依赖关系；在对意图识别模型进行训练过程中，会发现当前时刻不仅仅由之前的时刻序列决定，有时候也可能由后面时刻的序列决定；BiGRU由前向...

【专利技术属性】
技术研发人员：付强，王思远，王刚，范成礼，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：