一种样本不平衡下的飞机群组意图识别方法技术

本发明专利技术属于飞机群组意图识别技术领域，具体地涉及一种样本不平衡下的飞机群组意图识别方法。包括步骤1：建立基于BiGRU

【技术实现步骤摘要】
一种样本不平衡下的飞机群组意图识别方法


[0001]本专利技术属于飞机群组意图识别
，具体地涉及一种样本不平衡下的飞机群组意图识别方法。

技术介绍

[0002]二战以来，随着军事信息化的推进和科学技术的发展，以预警机为核心枢纽的信息化作战体系逐渐成型。空中作战形式也从单一作战单元间的对抗转变为飞行群组间的对抗。飞机群组的作战行动是影响战场态势的关键。然而战场环境也随之复杂化，指挥员很难依靠经验实时准确地判断出敌方群组的真实意图。因此需要一种智能化的方法来快速准确地识别敌方群组的意图，以辅助指挥员做出决策。
[0003]对于识别战场目标意图问题，传统的方法主要有模板匹配、专家系统、灰色关联、贝叶斯网络等，总体思路是先根据领域专家的先验知识构建知识规则库或贝叶斯网络，然后通过目标的状态特征进行意图识别，但传统方法过度依赖于先验知识，不适用于复杂多变的战场环境。而随着人工智能的发展、深度学习的应用，使机器能更快速处理大量复杂的数据。近年来，神经网络方法
[10
‑
13]被证明能够有效提升目标意图识别准确率，有学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种样本不平衡下的飞机群组意图识别方法，其特征在于：包括：步骤1：建立基于BiGRU
‑
Attention的意图识别模型，意图识别模型包括输入层、隐含层和输出层，隐含层由BiGRU层、注意力层和全连接层组成；步骤2：意图识别模型的输入层首先读取飞机群组特征数据集并进行数据清洗，对飞机群组的特征向量进行降维及归一化处理，然后将处理后的数据随机初始化，按8:2划分为训练集和测试集，最后在不平衡的训练集中用ABSMOTE
‑
NC扩充少数类样本；步骤3：将步骤2扩充后的少数类样本输入到步骤1意图识别模型的BiGRU层，综合前后时刻信息的特征提取；然后输入到注意力层，对多维特征进行深层次提取，提高对关键特征的关注度；最终通过softmax函数层输出判断的意图；步骤4：在实际的战场环境中，通过传感器采集时序性的目标特征向量，经预处理后输入到经过步骤2和3训练好的意图识别模型中识别出敌方意图。2.根据权利要求1所述的一种样本不平衡下的飞机群组意图识别方法，其特征在于：所述步骤2中降维具体为：假设单个飞机群组中有m架飞机，其中单机的n维特征向量为v
i
＝[v
i1
,v
i2
,...v
in
](i＝1,2,...m)，对v
in
中数值型数据求平均值，对非数值型数据取m架飞机中出现频率最高的值，当m架飞机出现频率相等时，选择对己方威胁程度大的特征值。3.根据权利要求2所述的一种样本不平衡下的飞机群组意图识别方法，其特征在于：所述步骤2中归一化具体为：对速度、加速度、高度、距离、航向角、方位角、雷达反射面积共7种数值型数据进行归一化处理，对于第k种数值型特征数据N
k
＝[n
k1
,n
k2
,...n
kj
,...n
kl
](k＝1,2,...7)，l为数据总数，将第j个原始数据值n
kj
映射到区间为[0,1]的范围内，结果为：其中，min N
k
为第k种特征数据N
k
的最小值，max N
k
为第k种特征数据N
k
的最大值；对目标机动类型、干扰状态、对空雷达状态、对海雷达状态共4种非数值型分类数据，将其数值化处理，转变到[0,1]区间内，对于第r种非数值型数据B
r
＝[b
r1
,b
r2
,...b
rh
,...b
rw
](r＝1,2,3,4)，w为分类空间的大小，将第h个分类数值b
rh
映射到区间为[0,1]的范围内，结果为：4.根据权利要求3所述的一种样本不平衡下的飞机群组意图识别方法，其特征在于：所述步骤2的初始化具体为：以飞机群组为对象，将意图空间定义为攻击、佯攻、撤退、侦察、监视、电子干扰6种模式，将6种模式进行编码，与{0，1，2，3，4，5}标签值相对应。5.根据权利要求4所述的一种样本不平衡下的飞机群组意图识别方法，其特征在于：步骤2所述在不平衡的训练集中采用ABSMOTE
‑
NC方法对少数类样本进行扩充具体包括：步骤2.3.1：定义飞机群组意图样本集中少数类样本集为P＝{p1,p2,...,p
pnum
}，pnum为攻击和监视的少数类意图样本数，侦察意图的多数类共有S类，且第s类样本数目为M
s
，对P中每个少数类意图样本集p
i
计算在训练集中的m近邻，将...

【专利技术属性】
技术研发人员：孙鹏，马钰棠，张杰勇，徐鑫，庄凯，闫云飞，赵亮，
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：