難分類樣本快速空中目標意圖識別方法

趙 亮, 孫 鵬, 張杰勇, 鐘 赟, 楊富平

(1.空軍工程大學信息與導航學院,西安,710077;2. 94587部隊,江蘇連云港,222345)

空中戰場環境復雜、瞬息萬變,數據處理的速度尤為重要,基于同一場地的攻擊態勢變化復雜,除關鍵幾幀的動作變化,大量的飛行意圖較為接近,造成捕獲數據高度相似。因此單純依靠人的經驗和傳統方法提取相似特征,難以滿足指揮員及時準確決策的要求,也會影響對現有武器系統快速精準的反應。因此,需要設計一種能夠快速及時準確識別敵方空中群組意圖的方法,從而輔助指揮員決策制定。

江蘇省“十二五”結轉“十三五”的城際鐵路項目總共2個，分別為連淮揚鎮鐵路和徐宿淮鹽鐵路。其建設里程為621 km，總投資為866億元，資本金總額為433億元。根據路省商定比例，江蘇省方(包含省級、市縣)需投入資本金187億元。

燃油蒸汽發生器由供水口、水位計、煙囪、壓力表、壓力開關、控制器、燃燒器和排污口等部分組成。其結構及各部分如圖3所示。

國內外的研究中,用于目標意圖識別[1]的方法主要有傳統數學模型如專家系統[2-3]、貝葉斯網絡[4-6]、灰色關聯區間度[7]、模板匹配[8-9]、決策樹法[10]、證據網絡[11]、隨機森林[12]等,相對應的機器學習神經網絡等方法[13-17]也有許多研究者進行了探索。傳統數學模型需根據場景進行精準建模,模型適配更體現當前的參數設置和經驗知識的評估,對相關領域的專業知識整合要求較高,難度較大;同時,更換新的參數或移植到新的場景往往需二次建模重新評估,模型調整較大,可移植性難以保證。基于神經網絡的方法,更依賴數據特征的提取捕捉,遷移至不同數據集或新場景的效果普遍較好,因此本文將延續神經網絡的方法進行研究。

現有使用神經網絡的方法均是在訓練集各類別相對平衡以及數據相似度不高的情況下進行。不平衡問題[18]是分類問題的一種,出現在日常生活的各個方面,是機器學習數據挖掘等領域不可缺失的一部分,只有通過正確的數據分類后,才能通過相關算法挖掘信息的潛在價值。

真實戰場數據不僅存在著樣本集數量的不平衡,同一戰場環境的不同意圖樣本數據也有較高相似性,往往各類不同意圖的數據在數據特征上表現為特征相似、數據的重疊區間較大。特別是從針對現有神經網絡方法的仿真訓練結果可以看出隨著樣本數量的遞減,訓練效果不穩定,呈現較為直觀的下降趨勢,即現有模型更多依賴于數據量的積累。其中,對于不平衡數據下的相似樣本更是不能很好地提取特征。同時,對現有模型而言,隨著數據預處理過程中數據量的擴充,伴隨而來的是更大計算量和更長的訓練時間。難以同時平衡消耗的內存空間或時間。

針對以上問題,本文提出2點解決方法:一是采用滑窗估計的方式進行樣本數據的擴充,解決不平衡難分類數據的擴充問題;二是提出使用TCN-Self Attention模型替代現有機器學習進行空中群組意圖識別的模型。

1 目標意圖識別問題

本文通過空中群組特征數據集訓練TCN-Attention網絡,使得網絡能利用群組的時序特征狀態識別出群組意圖,完整流程如圖1所示。

圖 1空中群組意圖識別流程

1.1 意圖識別定義

意圖識別[1]指通過對我方各類戰場信息源、傳感器等所獲得的地方信息,進行綜合分析,從而合理地判斷、預測或解釋敵方目前的作戰行動意圖。意圖類型與時間、地點、環境、任務、規模等因素緊密關聯。不同的作戰意圖應用的作戰場景也不同。對敵方目標戰術意圖的識別,是從動態變化的戰場態勢數據中持續捕捉、抽取與敵方目標及相應時空域內戰場環境信息、分析并推斷敵方目標戰術意圖的過程。

1.2 目標群組意圖判別機動特征描述

其次，一到“雙十一”，大學生之間的互動語就變成了“你剁手了嗎？”、“有沒有搶到？”、“秒沒！”、“接下來的日子我要吃土了。”等等；在“雙十一”結束之后，接踵而至的一個環節就是曬單，屆時，大家紛紛在QQ空間，微信朋友圈，微博等社交平臺上曬出自己的“掠奪成果”。所以可以看出，大學生的消費選擇在群體內部相互影響，不斷循環，最終在購買行為中顯現出來。

目標作戰意圖的不同往往體現在飛行目標的機動動作或飛行狀態,即意圖與機動動作或狀態之間存在某種關聯。從作戰實際的角度出發,當敵方戰機具體參與某項作戰任務時,其戰機的某些特征信息必須滿足一定的條件。而意圖的判別往往可以轉化為機動動作或飛行狀態的識別。機動動作或飛行狀態的識別又可進一步化為對雷達數據量測和飛行特征的捕捉。

圖2 數據特征空間

圖2為每條飛行記錄的數據結構。本文選取的數據為一組動態的時序過程,將連續12幀雷達量測和同一時刻相對應的飛行數據封裝為1次飛行記錄,即每條飛行記錄有12幀飛行片段;每幀飛行片段包含9維數據特征,即每條飛行記錄包含108個數據。

2 樣本數據預先處理

戰場態勢瞬息萬變,真實戰場環境下樣本首先呈現不平衡特性;其次,受到地理位置、天氣等環境外因制約,同一區域的戰術行動在一定數據量的積累下會展現出一定的規律。敵方為更好地完成后續戰術行動,飛行動作也會更加復雜。因此在實際測量過程中,不同標簽意圖的數據呈現高度相似性,對模型而言,即表現為難以對數據分類。

本文數據來自某仿真平臺,表1為各類數據意圖占比,所用的數據前期已通過領域專家完成了飛行意圖的判斷并通過計算機完成對數據的意圖標記見圖3。

3)剛度和屈服極限隨貯藏時間的延長呈逐漸下降趨勢，變形能則隨貯藏時間延長呈逐漸上升趨勢。破裂極限和破壞能在貯藏最后3天達到最大值。

表1 數據各意圖占比

為了更好地分析樣本特征,將對空、對海雷達的數據情況進行統計,攻擊、電子干擾、佯攻意圖時需要常態開啟雷達,而撤退、偵察、監視意圖時可能需要選擇性開閉雷達。

(a)數據高度分布情況

(b)數據意圖位置分布情況

2.1 數據預處理步驟

數據預處理一方面是將原始數據進行格式轉化,使得原始數據滿足可以輸入到神經網絡的數據形式。另一方面,對于原始數據而言,不同標簽數據的高度相似對模型的特征提取收效甚微。通過少量難分類數據的微小變化,也在一定程度上啟發式地促進后續模型的特征捕捉,從而促進模型性能提升。更好地達到模型識別的效果。結構見圖4。

圖4 數據預處理步驟

滑動窗口估計[19]作為一種對時間序列進行在線估計和預測的有效方法,其參數設置需要綜合考慮多方面因素。通過不斷驗證各項參數的配比,反復實驗對比,最終確定所使用的最佳參數:滑窗大小為3,滑窗步長為1,采樣長度間隔不大于5。

2.2 難分類樣本處理方法

本文采用更換原始時空卷積網絡(temporal convolutional network,TCN)結構中的激活函數實現難分類數據的非線性化,以此實現樣本的特征變化,進一步方便模型的分類訓練,原始TCN網絡模型使用ReLu作為激活函數,其特點是速度快,但會將負值樣本信息歸零,造成部分歸零的隱藏節點失活。為此本文引入Leakey-ReLu、Tanh、Sigmoid激活函數進行組合,用以代替模型原始結構中的3次ReLu。

滑窗估計公式如下:

(1)

win()為滑窗估計函數,mind()為取中位數的操作,wj為經過滑窗估計后得到的數據,Δd為最終得到的采樣間隔。當采樣序列有n個采樣點x1,x2,…,xn那么采樣點之間會產生n-1個采樣間隔dj=xi-xi-1,i∈[2,3,…,n],根據實際應用需要可自行確定使用k次滑窗估計產生估計值,并且對估計值排序后取中位數,作為新與舊點最后一幀之間的估計間隔。

2.3 意圖編碼

保險截止日期可能很多網友都記不住，各種原因導致保險過期的事經常聽說，更有甚者連必須給車上交強險這事都不知道。車輛在保險過期情況下上道行駛，視為無保險車輛，被警察查到交強險過期，將按保費雙倍罰款，補上交強險，并扣留車輛。

膨脹卷積的采樣間隔滿足如下公式:dilation=2level-1,TCN網絡通過較少的層數捕獲較大的感受野,也能夠方便進一步數據特征的提取。

3 TCN-Self Attention空中目標意圖識別模型

在真實空中群組目標意圖識別環境中,模型的訓練時長和內存資源消耗對現實平臺的設計搭建運用影響較大,因此是模型的時間空間消耗評估中最需考慮的關鍵指標。為此,本文引入添加注意力機制的TCN時空卷積網絡。

3.1 TCN-Self Attention隱藏層結構

3.1.1 TCN結構

在課堂教學過程中引入情境教學，教師就可以與學生進行情感上的溝通交流，不僅可以激發學生的學習興趣，還能夠滿足學生的學習需求。在小學體育課堂教學中構建生活化的教學情境，可以幫助教師更好的完成教學任務。對于學生而言，可以將生動抽象的體育知識轉換為形象豐富的內容和技能，促使學生加深對體育知識或者技能的理解和記憶，促使學生養成良好的體育運動習慣，促使自身全面發展。

為了提高意圖識別模型對數據信息的利用效率,引入了TCN(時空卷積網絡)模型,文獻[21]證明了在不同通用數據集條件下(含通用序列數據集條件如:MNIST、Adding problem、Copy memory、Music JSB、Music Nottingham、PTB、Wiki-103、LAMBADA、text8),TCN網絡效果要明顯好于傳統針對RNN及其衍生應用于處理序列問題的神經網絡。

空中目標群組規模平均2～5架次,當敵方飛行小隊來襲時,優先查找該小隊最具特征的一組或幾組特征群組用以代替敵方目標小隊整體。

TCN模型使用膨脹卷積網絡[20],相對于傳統卷積神經網絡而言,膨脹卷積網絡擁有更大的感受野,能更好地提高模型對于輸入數據的特征提取。計算公式如下:

predictlabelj=Softmax(Lj),j∈[1,2,…,label]

(2)

膨脹卷積核的尺寸:

這張照片對色彩和層次的把控非常棒！天空在日出日落的時候顏色變化最為豐富，此時因為色溫以及云朵的陰陽面問題，很難讓顏色既豐富又不過分。作者很好地平衡了照片中不同暖色調的呈現效果，尤其是對紫色區域和橙色區域的把控。我建議作者后期還可以對地面上的水進行一些提亮，并選擇性銳化和增強山體，甚至可以給這里增加一點點冷色調，這樣照片表現力更強。總而言之，這張作品在還原色彩的同時，讓各個色彩搭配得非常和諧，看得出作者對顏色的駕馭和思考都比較到位。

kernel′=(dilation-1)×(kernel-1)+kernel

(3)

式中:input為卷積運算的輸入尺寸;output為卷積運算的輸出尺寸;kernel是卷積核的尺寸;表示向下取整;kernel′為膨脹卷積核的等效尺寸;dilation為膨脹卷積間隔。膨脹卷積運算輸出尺寸只需將kernel′帶入公式即可。

本文最終確定意圖共計6類{攻擊、撤退、電子干擾、監視、偵察、佯攻},前期經過領域專家對數據展現的飛行動作進行判別以及計算機數據標記,完成6類飛行意圖評判。由于該6類意圖不能直接作為神經網絡的評判依據,因而本文對6類目標行為對應編碼為{0, 1, 2, 3, 4, 5}。

圖5 TCN網絡結構

3.1.2 Self-Attention自注意力機制

式中:Wi、bi為線性層需要訓練的網絡參數;Linears(Yi)為整體隱藏層的輸出;label為分類標簽的個數;epoch為每批次讀取的數據個數。

巖樣采用薄壁金剛石鉆頭沿垂直于巖層方向鉆取巖芯，經過鋸、磨加工成直徑為50 mm，高為100 mm，試樣兩端面不平行度不大于0.05 mm，滿足《規程》要求，60組共計180個試樣，制備部分試樣，如圖2所示，其中頂板巖石用A編號，底板巖石用B編號。試驗在RMT-150B型電液伺服巖石力學試驗系統進行單軸壓縮試驗，如圖3所示。軸向荷載采用1 000 kN力傳感器測量，軸向壓縮變形采用5.0 mm位移傳感器測量，變形精度為1.0×10-3 mm，采用位移控制方式，加載速率為0.002 mm/s，每組巖性重復進行3次試驗。煤層頂底板巖石單軸壓縮試驗結果見表1。

做好市場拓展，提升品牌價值。積極關注市場變化，研究消費需求，找到客戶需求的“痛點”，不斷提升市場占有率。2015年在行業內率先開發出混合膠，受到市場推崇；2016年又率先推出顆粒型混合膠。與此同時，海外生產的產品用塑料托盤替代木制托盤，提升了客戶滿意度。盡管廣墾橡膠產品推出時間僅10余年，但在中國市場的接受度、占有率、流通性節節攀升，目前已經與業內老牌的詩董、聯益、宏曼麗并列。

計算式如下:

Yi=soft max(DiQi(DiKi)T)DiVi

(4)

式中:Di為經過TCN膨脹卷積后的第TCN個數據輸出,Qi,Ki,Vi為Di輸入相關的參數矩陣(Q:Query,K:Key,V:Value),Yi為經過Self-Attention層的輸出結果(其中i∈[1,2,…,epoch])

3.1.3 全連接層結構

通過全連接結構將注意力層的輸出節點縮小至輸出節點的數量,并完成權重的配置和Softmax函數的輸入格式整理。公式為:

Lj=Linears(Yi)=WiYi+bi,

j∈[1,2,…,label],i∈[1,2,…,epoch]

全金屬有效力矩緊固件通過有意設計的緊固件扭曲或變形來形成螺紋接合面。例如，圖5(b)中自鎖螺母頂部有一個彈簧板，該彈簧板壓在螺紋上，使螺母很難松開，拆卸后，這種螺母仍可再次使用。圖 4中的7有螺紋剖面變形式有效力矩型螺栓，顧名思義是螺紋擰緊時變形而產生防松阻力。尼龍接合面有效力矩緊固件在緊固件螺紋上采用了尼龍材料來形成螺紋接合面。

(5)

為了使TCN網絡能夠更好地捕捉數據特征關鍵信息,提高模型分類識別性能,本文在TCN網絡的隱藏層和全連接層之間引入自注意力機制Self-Attention,使用乘性模型,通過訓練優化注意力層的權重分布,最后經過加權匯總得到最終輸出向量。

3.2 輸出層結構

將Self-Attention層的輸出作為本層的輸入,隱藏層的數據通過Softmax函數對上一層的輸出進行歸一化,轉化為分類標簽的概率向量,進而依據概率向量對特征數據進行意圖識別分類,公式為:

卷積層的輸出尺寸:

(6)

4 實驗分析

本實驗延用第2節數據。采用基于Annocada平臺的python語言,神經網絡學習框架為Pytorch,運行環境為pycharm2021,win10。顯卡為RTX1060Ti,16GB內存,引入模型運行時占用的內存空間、運行速度和時間進行對比。

4.1 基于滑窗估計下TCN-Self Attention模型的消融實驗分析

本文在分析數據分類的準確性時,主要用到4個評價指標,分別是準確率、查準率、查全率、以及F1-score作為分析指標,結果如表2和表3所示。

表3 各模型數據整體識別準確率 %

4.2 TCN-Self Attention同往期模型結果對比

為驗證本文模型結果的優越性,將本文所提的TCN-Self Attention模型分別與文獻[8]中SAE網絡、文獻[12]中DNN網絡、文獻[15]中BiGRU+Attention網絡文獻[16] DNN-AG以及文獻[17]AT-TCNBiGRU共同進行對比實驗。

4.2.1 各模型精確性對比

1.3.1 學生意見反饋。制作學生意見反饋調查表，對兩組教學效果問卷調查，包括：課堂情況、知識運用情況、能力培養情況3大方面進行評分，最低0分，最高10分。

為了更好展現本實驗所用模型的效果,我們將不同模型所用的參數進行統一。在模型的調試仿真階段。對每個參與對比實驗的模型均做到盡可能的參數調優;進行不同模型的準確率、運算時間、內存消耗結果對比。表4僅列舉不同模型之間共同的一些結構參數。

此外本文模型對原TCN的激活函數有一定改進。在原Relu的基礎上引入Leakey-Relu、tanh、sigmoid激活函數,因此本文模型每層待選的3個激活函數位相互可組合產生64種方案,表5僅列舉基于本實驗數據集和參數條件下結果靠前的5種激活函數組合。通過多次運行記錄各組合下的平均最優值。

表4 對比實驗的模型參數

表5 不同激活函數的最優組合結果

圖6和圖7為TCN-Self Attention(淺藍曲線)與現有意圖識別模型基于本文實驗數據條件下準確率對照結果。TCN-Self Attention在分類準確度方面對以往模型均有更好的表現,其中針對以上傳統模型提升效率,如表6所示。本節的對比實驗中TCN-Self Attention使用激活函數為第3組合leakey+tanh+tanh。因為相比于準確率排名第1的tanh+tanh+Relu組合和排名第2的tanh+leakey+Relu組合,第3組激活函數生成曲線更加平滑且模型訓練結果更快速更穩定。

圖6 模型準確率與數據量變化關系

圖7 模型準確率與時間的變化關系

表6 模型運算準確率對比

4.2.2 模型計算復雜度分析

這個時期火星表面的水持續活動著，形成了我們現在看到的各種河谷網絡和沉積巖記錄。火星內部的地磁發動機在前5億年里經歷了從活動到停滯的全過程，之后，火星失去了地磁場的保護，也失去了它原生的大氣。如果火星曾經出現生命，最有可能就是在這個時期。所以要類比這個時期的火星，科學家們尋找存在水-巖石-生物相互作用的地區，還有存在地球早期生命遺跡的地方。

表7為模型計算復雜度對比,實際運行時間以及內存消耗對比基本一致。因此,綜合以上運行時間、運行內存消耗以及復雜度估計結果對比,可以認定TCN-Self Attention在準確率、時間效率以及空間資源消耗方面整體表現出較為完善的效果。

3.建立信息的流轉機制與查詢制度。從總體上看，信息的流轉是信息利用的特殊方式，是信息效能發揮最大化的基本要求。但是，職務犯罪的信息流轉與公安機關的普通刑事犯罪信息流轉不同。信息作用的發揮需要流轉，但流轉過程中發揮作用的基本方式是需要信息的便捷查詢。為此，需要對現有的信息分級查詢權限和規范進行總結。此外，由于信息研判功能的相對獨立，需要對信息研判單位的職責定位清晰，一方面它應當主動進行信息的研判，為功能對口單位提供信息支持，另一方面應當要求其對于業務部門的定向信息研判作出必須的響應。

表7 模型計算復雜度對比

5 結語

本文針對空中目標群組數據量不平衡問題下的難分類數據意圖識別模型進行了改進。提出了先擴充訓練集中的不平衡難分類數據量,根據滑動窗口方法擴充了樣本空間中的少數難分類樣本數量。隨后在識別過程中引入TCN網絡及Self Attention機制對擴充后的樣本信息進行更深層次的特征捕捉,進而提升模型意圖識別的效果。最終仿真結果也表明,滑動窗口方法能夠在不平衡樣本的難分類數據擴充時有效保留更多原有樣本細節,同時TCN-Self Attention模型也在不平衡樣本的難分類數據空中目標群組意圖識別問題上有更高的訓練效率和更精準的分類效果。

然而,本文所采用的目標飛行數據集是在受控的實驗條件下獲得,無法充分反映實戰環境的復雜性。實際作戰場景中目標的飛行軌跡和活動模式會受到諸多不確定因素的影響,如天氣環境、地形掩護、電子干擾等,目標也可能采用欺騙機動對抗識別。這將影響目標意圖識別算法的性能。此外,現有數據集規模有限,無法充分包含各種復雜情景,也可能制約了算法的泛化性。綜上,我們將在后續工作中構建更加豐富多樣、包含復雜飛行情景的目標意圖數據集,以提高研究的適用性。