【技术实现步骤摘要】
本专利技术属于人工智能分析，具体涉及一种军事化目标行为分析智能体测试方法及设备。
技术介绍
1、在现代军事作战中，智能化和自动化技术的应用日益广泛，尤其是在军事化目标行为分析领域。通过对敌方目标行为的准确预测和分析，军事指挥官可以更好地制定战略决策，优化资源配置，提高作战效能。然而，现有的军事化目标行为分析技术在实际应用中仍然存在许多问题和挑战。目前，军事化目标行为分析技术主要依赖于数据驱动的方法，包括机器学习和深度学习技术。这些技术通过对大量历史数据的训练，构建预测模型，用于识别和推断敌方目标的行为意图。例如，利用监督学习方法，研究人员可以训练分类器来识别特定的目标行为模式；利用无监督学习方法，可以发现隐藏的行为模式和关联；利用深度学习方法，尤其是卷积神经网络（cnn）和循环神经网络（rnn），可以处理和分析复杂的时空数据，进行更精细的目标行为预测。
2、军事化目标行为分析依赖于大量高质量的训练数据。然而，在实际操作中，获取和处理这些数据存在诸多困难。军事情报数据往往包含噪声、不完整和不一致等问题，影响了模型的训练效果和预测精度。此外，不同数据源的数据格式和类型差异较大，如何有效融合多源数据也是一个重大挑战。现有的机器学习和深度学习模型在训练过程中容易过拟合，即模型在训练数据上的表现优异，但在实际应用中的泛化能力较差。这是由于模型在训练过程中记住了特定的数据模式，而未能有效学习到普遍适用的特征。这一问题在军事化目标行为分析中尤为突出，因为实际作战环境中的情况复杂多变，训练数据往往难以涵盖所有可能的情况。军事化目标行
技术实现思路
1、鉴于此，本专利技术的主要目的在于提供一种军事化目标行为分析智能体测试方法及设备，显著提高了军事化目标行为分析的精度、实时性、可解释性和可靠性。
2、本专利技术采用的技术方案如下：
3、一种军事化目标行为分析智能体测试方法，所述方法包括：
4、步骤1：获取军事化目标的多源数据，对多源数据中每个类别的数据进行数据预处理后，进行时间戳对齐和空间配准，再融合成一个输入张量；
5、步骤2：提取输入张量的张量特征；基于张量特征，定义一个多层意图层次结构，每层意图层包含多个可能的意图，使用条件概率来表示各层意图层之间的依赖关系；
6、步骤3：定义每层意图层的似然函数；使用递归神经网络来建模先验概率；使用贝叶斯规则计算后验概率；迭代执行以下过程，以完成训练：使用变分推断，定义一个近似后验分布，然后最小化kl散度；使用重要性采样来近似期望，使用随机梯度下降来优化变分推断的参数；当迭代执行的次数达到设定的次数后，执行步骤4：
7、步骤4：使用近似后验分布进行意图推理，并计算意图推理的不确定性。
8、进一步的，步骤2中的多层意图层次结构至少包括3个意图层，分别为：战略意图层、战术意图层和具体行动意图层；所述战略意图层至少包括以下意图：进攻、防御、撤退、重组和欺骗；所述战术意图层至少包括以下意图：包围、突破、侦查、阻击、迂回和佯攻；所述具体行动意图层至少包括以下意图：部署武器系统、建立防御工事、执行空中打击、进行电子干扰、发起地面进攻、实施特种作战、建立补给线。
9、进一步的，所述多源数据至少包括以下类别的数据：位置数据、速度数据、加速度数据、方向数据、环境数据、高度数据、经度数据和纬度数据；步骤1对多源数据中每个类别的数据进行数据预处理的过程包括：对每个类别的数据进行数据降噪和数据归一化处理；步骤1中，对预处理后的每个类别的数据进行时间戳对齐和空间配准后，进行数据的重采样和插值处理，融合成一个输入张量；步骤2中，使用深度神经网络提取输入张量的张量特征。
10、进一步的，步骤2中，定义层意图结构，第层意图层有个可能的意图；初始化每层的意图向量：
11、；
12、其中，，为索引序号；表示第层意图层的第个意图；每个是一个离散变量，可以取个可能的值；
13、对张量特征通过如下公式进行非线性转换，得到特征，以适应不同层次的意图推理：
14、；
15、其中，表示逐元素乘法，和分别是预设的特征权重矩阵和特征偏置矩阵；
16、使用条件概率来表示各层意图层之间的依赖关系：
17、；
18、其中，表示最高层意图，表示最低层意图；为给定特征时，整个意图层次结构的联合概率分布；为给定层意图和特征时，最低层意图的条件概率；为给定层意图和特征时，层意图的条件概率；为给定特征时，最高层意图的条件概率。
19、进一步的，步骤3中，通过如下公式，定义第层意图层的似然函数，其包含一个主分支的多层感知器和一个并行分支的多层传感器，主分支使用tanh激活函数，并行分支使用leakyrelu激活函数，通过如下公式进行表示：
20、；
21、其中，为从第1层到第层的意图序列；为低层意图的嵌入表示，是一个将离散的意图序列映射到连续向量空间的函数，设嵌入后的维度为；设的纬度为，为特征和低层意图嵌入的拼接，维度为；为第层意图层的权重矩阵，维度为，其中是第层意图层的维度；为第层意图层的偏置向量，维度为；为第层意图层的权重矩阵，维度为，其中是输出的维度；为第层意图层的偏置向量，维度为；为并行分支中第层意图层的权重矩阵，维度为；为并行分支中第层意图层的偏置向量，维度为；为并行分支中第层意图层的权重矩阵，维度为；为并行分支中第层意图层的偏置向量，维度为；为带泄漏的整流线性单元激活函数，为函数变量；为softmax函数，用于将输出转换为概率分布；为sigmoid激活函数，用于将输出压缩到(0,1)区间。
22、进一步的，通过如下公式，使用递归神经网络来建模第层意图层的先验概率，每一层意图层对递归神经网络的一个隐藏层：
23、；
24、；
25、其中，表示门控循环单元；为递归神经网络对应第层意图层的隐藏层；为递归神经网络对应第层意图层的隐藏层；为递归神经网络的权重矩阵；为递归神经网络的偏置矩阵。
26、进一步的，通过如下公式，使用贝叶斯规则计算第层意图层的后验概本文档来自技高网...
【技术保护点】
1.一种军事化目标行为分析智能体测试方法，其特征在于，所述方法包括：
2.如权利要求1所述的军事化目标行为分析智能体测试方法，其特征在于，步骤2中的多层意图层次结构至少包括3个意图层，分别为：战略意图层、战术意图层和具体行动意图层；所述战略意图层至少包括以下意图：进攻、防御、撤退、重组和欺骗；所述战术意图层至少包括以下意图：包围、突破、侦查、阻击、迂回和佯攻；所述具体行动意图层至少包括以下意图：部署武器系统、建立防御工事、执行空中打击、进行电子干扰、发起地面进攻、实施特种作战、建立补给线。
3.如权利要求2所述的军事化目标行为分析智能体测试方法，其特征在于，所述多源数据至少包括以下类别的数据：位置数据、速度数据、加速度数据、方向数据、环境数据、高度数据、经度数据和纬度数据；步骤1对多源数据中每个类别的数据进行数据预处理的过程包括：对每个类别的数据进行数据降噪和数据归一化处理；步骤1中，对预处理后的每个类别的数据进行时间戳对齐和空间配准后，进行数据的重采样和插值处理，融合成一个输入张量；步骤2中，使用深度神经网络提取输入张量的张量特征。
4.如权
5.如权利要求4所述的军事化目标行为分析智能体测试方法，其特征在于，步骤3中，通过如下公式，定义第层意图层的似然函数，其包含一个主分支的多层感知器和一个并行分支的多层传感器，主分支使用tanh激活函数，并行分支使用LeakyReLU激活函数，通过如下公式进行表示：
6.如权利要求5所述的军事化目标行为分析智能体测试方法，其特征在于，通过如下公式，使用递归神经网络来建模第层意图层的先验概率，每一层意图层对递归神经网络的一个隐藏层：
7.如权利要求6所述的军事化目标行为分析智能体测试方法，其特征在于，通过如下公式，使用贝叶斯规则计算第层意图层的后验概率：
8.如权利要求7所述的军事化目标行为分析智能体测试方法，其特征在于，通过如下公式，最小化KL散度：
9.如权利要求8所述的军事化目标行为分析智能体测试方法，其特征在于，步骤4中，通过如下公式，使用近似后验分布进行意图推理：
10.一种军事化目标行为分析智能体测试设备，其特征在于，包括：数据获取部分，用于获取军事化目标的多源数据，对多源数据中每个类别的数据进行数据预处理后，进行时间戳对齐和空间配准，再融合成一个输入张量；意图模型构建部分，用于提取输入张量的张量特征；基于张量特征，定义一个多层意图层次结构，每层意图层包含多个可能的意图，使用条件概率来表示各层意图层之间的依赖关系；意图推理模型构建部分，用于定义每层意图层的似然函数；使用递归神经网络来建模先验概率；使用贝叶斯规则计算后验概率；迭代执行以下过程，以完成训练：使用变分推断，定义一个近似后验分布，然后最小化KL散度；使用重要性采样来近似期望，使用随机梯度下降来优化变分推断的参数；当迭代执行的次数达到设定的次数后，执行步骤4：意图推理部分，用于使用近似后验分布进行意图推理，并计算意图推理的不确定性。
...【技术特征摘要】
1.一种军事化目标行为分析智能体测试方法，其特征在于，所述方法包括：
2.如权利要求1所述的军事化目标行为分析智能体测试方法，其特征在于，步骤2中的多层意图层次结构至少包括3个意图层，分别为：战略意图层、战术意图层和具体行动意图层；所述战略意图层至少包括以下意图：进攻、防御、撤退、重组和欺骗；所述战术意图层至少包括以下意图：包围、突破、侦查、阻击、迂回和佯攻；所述具体行动意图层至少包括以下意图：部署武器系统、建立防御工事、执行空中打击、进行电子干扰、发起地面进攻、实施特种作战、建立补给线。
3.如权利要求2所述的军事化目标行为分析智能体测试方法，其特征在于，所述多源数据至少包括以下类别的数据：位置数据、速度数据、加速度数据、方向数据、环境数据、高度数据、经度数据和纬度数据；步骤1对多源数据中每个类别的数据进行数据预处理的过程包括：对每个类别的数据进行数据降噪和数据归一化处理；步骤1中，对预处理后的每个类别的数据进行时间戳对齐和空间配准后，进行数据的重采样和插值处理，融合成一个输入张量；步骤2中，使用深度神经网络提取输入张量的张量特征。
4.如权利要求3所述的军事化目标行为分析智能体测试方法，其特征在于，步骤2中，定义层意图结构，第层意图层有个可能的意图；初始化每层的意图向量：
5.如权利要求4所述的军事化目标行为分析智能体测试方法，其特征在于，步骤3中，通过如下公式，定义第层意图层的似然函数，其包含一个主分支的多层感知器和一个并行分支的多层传感器，主分支使用tanh激活函数，并行分支使用lea...
【专利技术属性】
技术研发人员：魏强，杨金龙，易明权，
申请(专利权)人：四川观想科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。