基于行為意圖的海上目標(biāo)動態(tài)威脅評估

楊童瑤，楊風(fēng)暴，吉琳娜

(中北大學(xué)信息與通信工程學(xué)院，山西 太原 030051)

0 引言

威脅評估是戰(zhàn)場決策的一個關(guān)鍵環(huán)節(jié)，是對海上目標(biāo)信息融合的高層次階段[1]。隨著戰(zhàn)場態(tài)勢信息化的不斷發(fā)展，態(tài)勢變化迅速，對敵方目標(biāo)進行動態(tài)威脅評估可以為我方作戰(zhàn)決策和指揮提供支持，將戰(zhàn)爭趨勢朝對己方有利的方向發(fā)展[2]。目前威脅評估主要有貝葉斯網(wǎng)絡(luò)[3]、多屬性決策[4]、DS證據(jù)理論[5]、模糊邏輯[6]、人工智能[7]等多種研究方法。文獻[8—9]提出了采用逆泊松分布法對時間序列賦權(quán)，有效融合目標(biāo)多個靜態(tài)威脅評估值實現(xiàn)了目標(biāo)的多時刻動態(tài)威脅評估；文獻[10]提出根據(jù)指標(biāo)間非線性相關(guān)度進行動態(tài)灰色主成分分析，結(jié)合層次分析法與時間序列賦權(quán)融合多時刻威脅度。但是這些方法均是根據(jù)歷史不同時刻的靜態(tài)態(tài)勢要素進行威脅評估，通過時間賦權(quán)進行融合實現(xiàn)目標(biāo)的動態(tài)評估，忽略了態(tài)勢要素在時間維度上的動態(tài)變化對威脅度的影響。本文針對此問題，提出基于行為意圖的海上目標(biāo)動態(tài)威脅評估研究方法。

1 基于行為意圖的海上目標(biāo)動態(tài)威脅評估原理

威脅評估的研究內(nèi)容包括三個階段[11]：態(tài)勢要素提取、行為意圖識別、威脅評估。態(tài)勢要素提取是在復(fù)雜的戰(zhàn)場環(huán)境中對數(shù)據(jù)進行分類并提取有用信息，將提煉的有用信息作為后續(xù)戰(zhàn)場分析的重要態(tài)勢要素；行為意圖識別是通過對目標(biāo)狀態(tài)在時間和空間動態(tài)變化的發(fā)展中進行分析識別[12]；威脅評估是分析威脅指標(biāo)要素與威脅度之間的關(guān)系實現(xiàn)威脅度的評估，由此建立如圖1所示的海上動態(tài)威脅評估模型流程。針對海上目標(biāo)，獲取能夠反映海上目標(biāo)的屬性狀態(tài)以及作戰(zhàn)能力的指標(biāo)，在本文中目標(biāo)的屬性狀態(tài)由目標(biāo)的速度、航向角、坐標(biāo)位置衡量，目標(biāo)的作戰(zhàn)能力由目標(biāo)類型、毀傷能力、偵察能力衡量。利用GRU網(wǎng)絡(luò)強大的時序信息挖掘能力和表征能力的優(yōu)勢，分析目標(biāo)多個時刻的速度、航向角、坐標(biāo)屬性狀態(tài)信息在時間維度的變化識別其行為意圖，因此將目標(biāo)的多個歷史屬性狀態(tài)的時序特征和前后邏輯關(guān)系融合在行為意圖中，并將其作為威脅評估的全連接網(wǎng)絡(luò)的一個重要輸入，結(jié)合當(dāng)前時刻的屬性狀態(tài)、作戰(zhàn)能力對目標(biāo)進行動態(tài)威脅評估。利用GRU網(wǎng)絡(luò)的記憶功能提取歷史時刻屬性狀態(tài)在時間維度變化的特征，利用全連接網(wǎng)絡(luò)的自學(xué)習(xí)能力提取當(dāng)前態(tài)勢信息的特征，將兩個網(wǎng)絡(luò)進行級聯(lián)使它們能夠獨立提取特征，能夠在各自標(biāo)簽下進行端到端訓(xùn)練，簡化了梯度計算，避免了單一網(wǎng)絡(luò)深度過大難以訓(xùn)練的問題[13]。

圖1 威脅評估流程圖Fig.1 Threat assessment flowchart

1.1 基于GRU網(wǎng)絡(luò)目標(biāo)行為意圖識別原理

GRU網(wǎng)絡(luò)[14]屬于循環(huán)記憶網(wǎng)絡(luò)的一種變體，作為一種具有記憶性、參數(shù)共享的深度學(xué)習(xí)方法，在對序列數(shù)據(jù)的非線性特征學(xué)習(xí)時具有一定優(yōu)勢，在語音識別、機器翻譯等領(lǐng)域取得一系列重大突破[15-16]。GRU通過門控機制選擇性記憶歷史信息并應(yīng)用于當(dāng)前輸出的計算，使用隱藏狀態(tài)傳輸信息，即隱藏層的輸入不僅包括輸入層的輸出，還包括上一時刻隱藏層的輸出，實現(xiàn)對長序列數(shù)據(jù)的建模。相比于長短記憶的時間遞歸神經(jīng)網(wǎng)絡(luò)(LSTM)網(wǎng)絡(luò)通過遺忘門、輸入門、忘記門來決定細胞需要舍棄、更新、輸出的時間序列數(shù)據(jù)[17]，GRU網(wǎng)絡(luò)結(jié)構(gòu)較簡單、參數(shù)較少，有效解決了保留長序列信息下減少梯度消失問題，具體結(jié)構(gòu)如圖2所示。

圖2 GRU結(jié)構(gòu)Fig.2 GRU structure

更新門zt用于控制前一時刻的狀態(tài)信息ht-1被代入到當(dāng)前狀態(tài)的程度，經(jīng)過sigmoid函數(shù)將結(jié)果映射到0～1之間，更新門的值越大說明前一時刻的狀態(tài)信息帶入越多。

zt=σ(Wz·[ht-1,xt])

(1)

重置門rt用于控制忽略前一時刻的狀態(tài)信息ht-1的程度，經(jīng)過S型函數(shù)(sigmoid)將結(jié)果映射到0～1之間，重置門的值越小說明前一時刻的狀態(tài)信息忽略得越多。

rt=σ(Wr·[ht-1,xt])

(2)

將重置門rt與ht-1的對應(yīng)元素相乘與新時刻的狀態(tài)信息數(shù)據(jù)xt結(jié)合放入雙曲正切(tanh)激活函數(shù)中確定當(dāng)前的記憶內(nèi)容，即：

(3)

通過更新門zt和ht-1對應(yīng)元素相乘表示前一時間步保留到最終記憶的信息，該信息加上當(dāng)前記憶保留至最終記憶的信息，并將當(dāng)前單元的信息傳遞到下一單元中。

(4)

向前傳播信息至輸出節(jié)點，根據(jù)損失函數(shù)計算網(wǎng)絡(luò)輸出與實際值之間的誤差，如式(5)所示，其中y*為真實值，y為網(wǎng)絡(luò)輸出值，用隨時間反向傳播的鏈?zhǔn)角髮?dǎo)算法調(diào)整GRU單元中權(quán)重值和偏置值使得損失值朝最快的方向減小，經(jīng)多次迭代至網(wǎng)絡(luò)收斂，損失值穩(wěn)定到較小值說明網(wǎng)絡(luò)學(xué)習(xí)到時序數(shù)據(jù)與輸出之間復(fù)雜的映射關(guān)系。

(5)

y=σ([Wo·h])

(6)

由于目標(biāo)的行為意圖具有時序性，利用GRU網(wǎng)絡(luò)具有較強的時序信息挖掘能力和表征能力的優(yōu)勢，分析目標(biāo)多個時刻的速度、航向角、坐標(biāo)位置的時序特征和前后邏輯關(guān)系識別其穩(wěn)健的行為意圖。將目標(biāo)的歷史動態(tài)態(tài)勢要素融合于行為意圖中，進一步基于行為意圖的威脅評估實現(xiàn)對目標(biāo)的動態(tài)威脅評估。

1.2 基于全連接網(wǎng)絡(luò)的動態(tài)威脅評估原理

全連接神經(jīng)網(wǎng)絡(luò)具備強大的非線性函數(shù)逼近能力，實現(xiàn)對數(shù)據(jù)中復(fù)雜關(guān)系的建模，為研究大數(shù)據(jù)戰(zhàn)場目標(biāo)威脅評估提供了技術(shù)支持[18]。全連接神經(jīng)網(wǎng)絡(luò)的特點是任意相鄰兩層的所有神經(jīng)節(jié)點相連，層內(nèi)神經(jīng)元不連接，如圖3所示為4層全連接網(wǎng)絡(luò)，輸入層有3個節(jié)點，兩個隱藏層每一層有4個節(jié)點，輸出層有1個節(jié)點，它包括前向傳播和反向傳播兩個過程。

圖3 4層全連接神經(jīng)網(wǎng)絡(luò)Fig.3 4 Layers fully connected feedforward neural network

在前向傳播的過程中通過激活函數(shù)分別對第k-1層的每一個神經(jīng)元節(jié)點加權(quán)求和得到第k層每一個神經(jīng)節(jié)點的值，計算如式(7)所示：

(7)

反向傳播主要由激勵傳播、權(quán)重更新反復(fù)循環(huán)迭代，直到網(wǎng)絡(luò)的對輸入的響應(yīng)達到預(yù)定的目標(biāo)范圍為止。具體而言是將網(wǎng)絡(luò)學(xué)習(xí)到的輸出值與實際值之間的誤差逐層反向傳播，通過對各神經(jīng)節(jié)點求偏導(dǎo)的方法修改權(quán)值，網(wǎng)絡(luò)的學(xué)習(xí)在權(quán)值修改過程中完成，誤差達到所期望值時，網(wǎng)絡(luò)學(xué)習(xí)結(jié)束。一般將誤差定義為損失函數(shù)，主要分為兩種形式：一種是用于解決分類問題的交叉熵函數(shù)；另一種是用于解決預(yù)測問題的均方差(MSE)公式。在本文中是評估目標(biāo)的威脅度，故采用均方差公式作為威脅評估全連接網(wǎng)絡(luò)的目標(biāo)函數(shù)，如式(8)所示：

(8)

不同的行為意圖對我方的威脅度影響不同，將基于GRU網(wǎng)絡(luò)識別的目標(biāo)行為意圖作為威脅評估網(wǎng)絡(luò)模型的一個重要輸入，結(jié)合當(dāng)前態(tài)勢要素實現(xiàn)目標(biāo)的動態(tài)威脅評估。利用全連接網(wǎng)絡(luò)非線性學(xué)習(xí)能力構(gòu)建行為意圖與當(dāng)前態(tài)勢要素間、威脅度間的映射關(guān)系，旨在根據(jù)不同的行為意圖對各靜態(tài)指標(biāo)參數(shù)進行調(diào)節(jié)實現(xiàn)基于不同行為意圖下的動態(tài)威脅評估，使得目標(biāo)威脅評估結(jié)果更準(zhǔn)確。

2 基于行為意圖的動態(tài)威脅評估模型的構(gòu)建

2.1 基于GRU網(wǎng)絡(luò)的行為意圖識別模型的構(gòu)建

以30 s為時間步長，對敵目標(biāo)連續(xù)15個時刻的速度、航向角、位置(以我方目標(biāo)為坐標(biāo)原點)進行仿真，如表1所示為目標(biāo)連續(xù)15個時刻的航行狀態(tài)信息，將其作為時序數(shù)據(jù)輸入GRU網(wǎng)絡(luò)。

表1 目標(biāo)攻擊我方的連續(xù)15個時刻的航行數(shù)據(jù)Tab.1 The target attacks our navigation data for 15 consecutive moments

在本文中目標(biāo)的行為意圖主要分為攻擊、佯攻、偵察、撤離。如圖4所示為不同行為意圖下目標(biāo)連續(xù)15個時刻的航行信息，將目標(biāo)穩(wěn)健的行為意圖作為GRU網(wǎng)絡(luò)的輸出，利用GRU網(wǎng)絡(luò)適合處理長時域的序列數(shù)據(jù)的特點學(xué)習(xí)目標(biāo)連續(xù)歷史時刻屬性狀態(tài)特征與行為意圖間的映射關(guān)系。

圖4 不同行為意圖下的多時刻的航行信息Fig.4 Navigational information for multiple moments under different behavioral intents

在實驗中，將仿真的數(shù)據(jù)樣本按照8∶2的比例劃分為訓(xùn)練集、測試集。訓(xùn)練集是用來擬合模型，通過設(shè)置分類器的參數(shù)，訓(xùn)練行為意圖識別模型；使用測試集進行模型預(yù)測來衡量該模型的性能和分類能力。通過觀察訓(xùn)練集、測試集結(jié)果不斷調(diào)整網(wǎng)絡(luò)的隱含層層數(shù)、各隱含層節(jié)點數(shù)目從而確定最優(yōu)的網(wǎng)絡(luò)模型結(jié)構(gòu)[19]。如表2所示為最終的網(wǎng)絡(luò)模型結(jié)構(gòu)。與其他優(yōu)化器相比，自適應(yīng)矩估計(Adam)優(yōu)化器[20]計算更新步長時綜合考慮梯度的一階矩估計(梯度的均值)和二階矩估計(梯度的未中心化的方差)，使得參數(shù)的更新不受梯度的伸縮變換影響，故在本文中使用Adam優(yōu)化器尋找模型的最優(yōu)解。此外，將丟棄層的失活率設(shè)置為0.8避免網(wǎng)絡(luò)模型過擬合，提高模型的泛化能力。

表2 GRU網(wǎng)絡(luò)識別行為意圖模型參數(shù)設(shè)置Tab.2 GRU network identifies behavioral intent model parameter settings

2.2 基于行為意圖的動態(tài)威脅評估模型的構(gòu)建

全連接網(wǎng)絡(luò)是基于數(shù)據(jù)學(xué)習(xí)輸入與輸出之間的關(guān)系，數(shù)據(jù)樣本的質(zhì)量決定了網(wǎng)絡(luò)模型的學(xué)習(xí)效果，因此首先根據(jù)當(dāng)前態(tài)勢不同指標(biāo)與威脅度的關(guān)系采用不同的方法將指標(biāo)屬性數(shù)據(jù)統(tǒng)一到[0，1]范圍，提高全連接網(wǎng)絡(luò)模型的學(xué)習(xí)效果。

1) 行為意圖。當(dāng)目標(biāo)的行為意圖為攻擊或佯攻時，危險程度較高，對我方的威脅度比較大；目標(biāo)具有偵察的意圖時，目標(biāo)探測我方的信息情報為敵方下一步的攻擊、指揮決策奠定基礎(chǔ)，對我方仍具有較大的威脅度；當(dāng)目標(biāo)具有撤離意圖時，對我方的威脅度減小。根據(jù)以上特點將目標(biāo)的行為意圖的威脅進行量化，如表3所示。

表3 敵方目標(biāo)行為意圖的威脅度量化表Tab.3 The quantitative table of the threat level of the intent of the enemy’s target behavior

2) 目標(biāo)類型。不同的目標(biāo)類型對我方的威脅程度不同，根據(jù)海上目標(biāo)類型的特點將其威脅隸屬度進行量化，如表4所示。

表4 敵方目標(biāo)類型特點及威脅度量化表Tab.4 The quantitative table of enemy target type characteristics and threats

3) 速度。艦艇的經(jīng)濟航速一般為17 kn，即31.484 km/h，當(dāng)艦艇速度越大，意味目標(biāo)越靈活，我方對其攻擊難度大大增加，對我方的威脅度也會相應(yīng)變大。根據(jù)以上速度與威脅度的關(guān)系，構(gòu)建如式(9)的嶺形函數(shù)將目標(biāo)的速度統(tǒng)一到[0，1]的范圍：

(9)

式(9)中，Va選擇30 km/h，Vb選擇70 km/h。

4) 進入角。進入角的示意圖如圖5所示，其取值范圍為[0°，180°]，進入角越大，目標(biāo)的航行方向越靠近我方，對我方的威脅程度越大，根據(jù)該特點構(gòu)建目標(biāo)進入角與威脅度之間的關(guān)系如式(10)所示。

圖5 進入角示意圖Fig.5 The angle diagram of entry μ(θ) = e-k(θ-π)2,k=5×10-3

(10)

5) 距離。當(dāng)敵方目標(biāo)距離我方較遠時，敵方對我方的作戰(zhàn)威脅能力影響較小，且到達我方防御陣地的時間較長，對我方的威脅度較小；當(dāng)敵方目標(biāo)距離我方較近時，留給我方的防御時間較短，威脅度較高，因此基于以上特點構(gòu)建距離與威脅度之間的隸屬度函數(shù)如式(11)所示。

(11)

式(11)中，Xa選擇為20 km，Xb選擇為100 km。

6) 毀傷能力。目標(biāo)的毀傷能力是影響敵方目標(biāo)對我方威脅大小的關(guān)鍵指標(biāo)之一，目標(biāo)的毀傷能力越大，對我方目標(biāo)的生存能力、攻擊能力的傷害越大，威脅程度也就越高。可以從武器射程、數(shù)目、種類衡量目標(biāo)的毀傷能力，將其量化為四個等級，對應(yīng)的威脅隸屬度如表5所示。

表5 敵方目標(biāo)毀傷能力威脅度量化表Tab.5 The quantitative table of the threat level of the enemy’s target damage capability

7) 偵察能力。海上目標(biāo)的信息化程度不斷提高，常采用不同的雷達信號探測敵方信息獲取情報，當(dāng)敵方的偵察能力越強時獲取我方的信息越多，敵方的指揮決策能力相對提高，對我方的威脅程度越高。根據(jù)不同的雷達信號脈沖寬度、頻率、功率考慮目標(biāo)的偵察能力，將不同等級的偵察能力分別對應(yīng)不同的威脅隸屬度，如表6所示。

表6 敵方目標(biāo)偵察能力威脅度量化表Tab.6 The quantitative table of threat levels for enemy target detection capabilities

為了進一步反映目標(biāo)行為意圖對威脅度的影響，將威脅度映射到[0,4]的范圍內(nèi)，威脅值越高，威脅程度越大。

因此將7個評估指標(biāo)威脅隸屬度作為全連接網(wǎng)絡(luò)的輸入，目標(biāo)的威脅度為網(wǎng)絡(luò)模型的輸出，故輸入節(jié)點數(shù)目為7，輸出節(jié)點數(shù)目為1，增加隱含層及隱含層中的神經(jīng)單元增強網(wǎng)絡(luò)模型的復(fù)雜非線性學(xué)習(xí)能力，提高動態(tài)威脅評估的準(zhǔn)確性。本文的網(wǎng)絡(luò)模型如表7所示。此外本文采用了批量歸一化算法，即將層間輸入值的均值和方差進行歸一化，從而緩解內(nèi)部協(xié)變量偏移問題，同時降低梯度對參數(shù)的依賴，提高學(xué)習(xí)率；使用的激活函數(shù)為修正線性單元(ReLu)函數(shù)，其導(dǎo)數(shù)為0和1直接決定了ReLU函數(shù)具備更加有效的梯度下降，且函數(shù)表達式比較簡單，降低了網(wǎng)絡(luò)本身的計算成本。

表7 全連接網(wǎng)絡(luò)的威脅評估模型結(jié)構(gòu)Tab.7 Fully connected threat assessment network model structure

3 實驗驗證

3.1 網(wǎng)絡(luò)模型實驗結(jié)果及分析

3.1.1GRU網(wǎng)絡(luò)識別行為意圖結(jié)果及分析

本文GRU網(wǎng)絡(luò)模型訓(xùn)練結(jié)果如圖6所示。

圖6 GRU網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.6 GRU network training results

圖6(a)反映了訓(xùn)練準(zhǔn)確率隨訓(xùn)練步數(shù)的增加逐漸上升；圖6(b)反映了訓(xùn)練損失值隨訓(xùn)練步數(shù)的增加逐漸下降，且網(wǎng)絡(luò)模型收斂速度較快，訓(xùn)練的準(zhǔn)確率最終穩(wěn)定在0.9，損失值穩(wěn)定在0.2。

用測試集的數(shù)據(jù)在訓(xùn)練好的模型上進行測試，圖7(a)為網(wǎng)絡(luò)模型測試準(zhǔn)確率，其平均測試準(zhǔn)確率為0.905；圖7(b)為網(wǎng)絡(luò)模型測試損失值，平均損失為0.203，與訓(xùn)練收斂結(jié)果相近，較高的行為意圖預(yù)測準(zhǔn)確率為后續(xù)得到可靠的威脅評估結(jié)果奠定基礎(chǔ)。

圖7 GRU網(wǎng)絡(luò)測試結(jié)果Fig.7 GRU network test results

3.1.2全連接網(wǎng)絡(luò)威脅評估結(jié)果及分析

為了說明態(tài)勢要素的動態(tài)變化對目標(biāo)威脅度的影響，本文所用的模型(模型一)與不考慮行為意圖的全連接神經(jīng)網(wǎng)絡(luò)模型(模型二)進行對比，即在相同的訓(xùn)練集和測試集中忽略目標(biāo)行為意圖進行威脅評估。如圖8所示分別為兩種網(wǎng)絡(luò)模型訓(xùn)練和測試結(jié)果，圖8(a)反映了訓(xùn)練的均方差損失函數(shù)隨訓(xùn)練步數(shù)的增加，兩種網(wǎng)絡(luò)模型的損失都逐漸下降，模型一訓(xùn)練損失更低；圖8(b)反映了在訓(xùn)練好的兩個網(wǎng)絡(luò)模型用測試集數(shù)據(jù)測試的結(jié)果，模型一的平均損失值為0.076 7，模型二的平均損失為0.168 7，較低的平均損失值說明網(wǎng)絡(luò)模型預(yù)測的威脅值具有較高的可靠性，因此認為考慮目標(biāo)的行為意圖可以提高目標(biāo)威脅評估的準(zhǔn)確性。

圖8 全連接網(wǎng)絡(luò)實驗結(jié)果Fig.8 The results of the FNN experiments

3.2 基于行為意圖的威脅評估結(jié)果及分析

3.2.1行為意圖對威脅度的影響分析

利用模型一和模型二對表8中目標(biāo)進行威脅評估進一步說明目標(biāo)行為意圖對威脅度的影響。

表8 威脅評估數(shù)據(jù)Tab.8 Threat assessment data

實驗結(jié)果如圖9所示，基于目標(biāo)行為意圖的威脅評估總體誤差較小。結(jié)合數(shù)據(jù)可以得出：

圖9 不同網(wǎng)絡(luò)模型威脅評估結(jié)果Fig.9 Threat assessment results for different network models

1) 在目標(biāo)行為意圖為攻擊時，兩種模型威脅評估相近，且與真實威脅度誤差較小。

2) 在目標(biāo)行為意圖為撤離時，模型二的威脅評估結(jié)果誤差較大。目標(biāo)3的速度、進入角、距離對我方的指標(biāo)威脅隸屬度分別為0.543、0.846、0.544，在不考慮目標(biāo)的行為意圖下評估的威脅度為2.152，但是由于目標(biāo)處具有撤離的意圖，目標(biāo)的整體威脅度理應(yīng)偏低，故基于目標(biāo)行為意圖的威脅評估更合理。

3) 目標(biāo)5的行為意圖為佯攻，目標(biāo)6的行為意圖為攻擊，與模型二威脅評估結(jié)果相比，模型一降低了目標(biāo)5的威脅度，稍微提高了目標(biāo)6的威脅度，與真實威脅度的誤差更小。

因此認為利用GRU網(wǎng)絡(luò)分析目標(biāo)多個歷史時刻屬性狀態(tài)在時間維度上的變化識別目標(biāo)的行為意圖，將目標(biāo)的歷史屬性狀態(tài)信息融合在行為意圖中，可以提高目標(biāo)威脅評估結(jié)果的準(zhǔn)確率。

3.2.2行為意圖對指標(biāo)關(guān)系的影響分析

當(dāng)速度分別為15.4、43.2、50.1、56.8 km/h其指標(biāo)威脅隸屬度為0.2、0.4、0.6、0.8；當(dāng)進入角為123.7°、137.3°、148.1°、159.0°對應(yīng)的威脅隸屬度分別為0.2、0.4、0.6、0.8；當(dāng)距離為77.4、64.9、55.2、43.1 km對應(yīng)的威脅隸屬度為0.2、0.4、0.6、0.8。在不同的行為意圖下用控制變量的方法觀察各指標(biāo)變化對威脅度的影響，本文考慮在攻擊意圖和偵察意圖下，依次將各指標(biāo)的威脅隸屬度控制為0.2、0.4、0.6、0.8，其他指標(biāo)威脅隸屬度為0.4進行威脅評估。圖10(a)為在攻擊意圖下的評估結(jié)果，當(dāng)毀傷能力威脅隸屬度處于0.2時，目標(biāo)的威脅度最低，當(dāng)毀傷能力為0.8時，目標(biāo)的威脅度最大；圖10(b)為在偵察意圖下的評估結(jié)果，當(dāng)距離威脅隸屬度處于0.2時，目標(biāo)的威脅度最低，當(dāng)距離威脅隸屬度為0.8時，目標(biāo)的威脅度最大；偵察意圖下目標(biāo)的威脅度均比攻擊意圖下目標(biāo)的威脅度較低。

圖10 不同行為意圖下指標(biāo)變化對威脅度的影響Fig.10 Effects of indicator changes on threat levels under different behavioral intents

用指標(biāo)變化引起的目標(biāo)威脅度的標(biāo)準(zhǔn)差衡量兩種行為意圖下各指標(biāo)的重要程度，如表9所示，在攻擊意圖下，目標(biāo)毀傷能力的變化產(chǎn)生的標(biāo)準(zhǔn)差最大，偵察能力的變化產(chǎn)生的標(biāo)準(zhǔn)差最小；而在偵察意圖下目標(biāo)距離的變化造成威脅度的標(biāo)準(zhǔn)差最大，進入角的變化造成威脅度的標(biāo)準(zhǔn)差最小；且在攻擊意圖下，偵察能力造成的威脅度的標(biāo)準(zhǔn)差最小，為0.734；相比在偵察意圖下，偵察能力造成威脅度變化的標(biāo)準(zhǔn)差提高到0.915 1，引起威脅度的波動幅度增加。

表9 不同指標(biāo)變化引起威脅度的標(biāo)準(zhǔn)差Tab.9 Standard deviation in threat levels under different indicator changes

綜上所述，利用全連接神經(jīng)網(wǎng)絡(luò)可以基于大樣本數(shù)據(jù)自學(xué)習(xí)到行為意圖與威脅評估之間的非線性關(guān)系，考慮在不同的行為意圖下目標(biāo)各指標(biāo)的變化對威脅程度的影響不同，更符合作戰(zhàn)背景，提高動態(tài)威脅評估結(jié)果的準(zhǔn)確性、可靠性。

4 結(jié)論

本文提出基于行為意圖的海上目標(biāo)動態(tài)威脅方法。該方法利用GRU網(wǎng)絡(luò)的時序信息挖掘能力和表征能力分析歷史時刻屬性狀態(tài)的變化識別目標(biāo)行為意圖，將其作為全連接網(wǎng)絡(luò)的重要輸入，以級聯(lián)的方式將GRU網(wǎng)絡(luò)的優(yōu)勢與全連接網(wǎng)絡(luò)的優(yōu)勢結(jié)合實現(xiàn)對目標(biāo)的動態(tài)威脅評估。仿真實驗結(jié)果表明，利用GRU網(wǎng)絡(luò)分析多個歷史時刻航行屬性狀態(tài)的變化識別目標(biāo)的行為意圖，使得基于目標(biāo)行為意圖的威脅評估中包含歷史數(shù)據(jù)實現(xiàn)戰(zhàn)場動態(tài)威脅評估；利用全連接網(wǎng)絡(luò)的自學(xué)習(xí)能力進行基于目標(biāo)行為意圖的威脅評估既能夠?qū)W習(xí)到行為意圖對威脅評估結(jié)果的影響，又能學(xué)習(xí)到不同行為意圖下的各指標(biāo)不同的關(guān)系，從而提高威脅評估的準(zhǔn)確性、可靠性。