周旺旺，姚佩陽,，張杰勇，王勛，魏帥

1. 空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710077 2. 中國人民解放軍95910部隊，酒泉 735000

敵方目標(biāo)作戰(zhàn)意圖識別是目前態(tài)勢估計領(lǐng)域研究的熱點，是我方指揮員指揮決策的重要依據(jù)。信息化條件下，現(xiàn)代戰(zhàn)場的復(fù)雜性、瞬變性劇增，指揮員難以在短時間內(nèi)處理大量的戰(zhàn)場信息，識別敵方目標(biāo)作戰(zhàn)意圖，這就迫切需求作戰(zhàn)指揮系統(tǒng)輔助指揮員進行決策，以縮短決策時間，提升決策質(zhì)量?？罩凶鲬?zhàn)目標(biāo)是現(xiàn)代戰(zhàn)爭中的典型作戰(zhàn)平臺，是奪取制空權(quán)的重要力量。對空中目標(biāo)作戰(zhàn)意圖及時、準確的識別為我方指揮員防空作戰(zhàn)指揮提供有力支撐。現(xiàn)有的作戰(zhàn)意圖識別研究主要基于模板匹配[1-3]、專家系統(tǒng)[4-6]、貝葉斯網(wǎng)絡(luò)[7-9]和神經(jīng)網(wǎng)絡(luò)[10-13]等方法對目標(biāo)的意圖進行判斷。文獻[1-3]依據(jù)領(lǐng)域?qū)＜业能娛轮R構(gòu)建模板庫，從敵方目標(biāo)作戰(zhàn)行動中提取特征，通過推理特征與模板庫的匹配程度確定目標(biāo)作戰(zhàn)意圖。文獻[4-6]依據(jù)領(lǐng)域?qū)＜业淖鲬?zhàn)知識構(gòu)建知識庫，并用規(guī)則的形式表示戰(zhàn)場態(tài)勢和作戰(zhàn)意圖的對應(yīng)關(guān)系，最后依據(jù)所得戰(zhàn)場態(tài)勢用推理機推理作戰(zhàn)意圖。文獻[7-9]依據(jù)領(lǐng)域?qū)＜抑R構(gòu)建貝葉斯網(wǎng)絡(luò)，利用節(jié)點表示特征，有向弧表示轉(zhuǎn)移關(guān)系，條件概率表達關(guān)系強度，能夠較好地表達特征與意圖之間的關(guān)系。上述方法雖在一定程度上解決了目標(biāo)作戰(zhàn)意圖識別問題，但均需要大量領(lǐng)域?qū)＜蚁闰炛R對意圖識別特征權(quán)重、先驗概率等進行量化，而由于戰(zhàn)場環(huán)境復(fù)雜性的不斷增強，新作戰(zhàn)平臺和作戰(zhàn)樣式的不斷涌現(xiàn)，領(lǐng)域?qū)＜逸^難在短時間掌握目標(biāo)的全面信息，其先驗知識不足以對目標(biāo)屬性與作戰(zhàn)意圖間的關(guān)系進行精確量化。針對以上問題，文獻[10-12]利用神經(jīng)網(wǎng)絡(luò)自適應(yīng)和自學(xué)習(xí)的能力，自動從訓(xùn)練特征數(shù)據(jù)中提取識別規(guī)則，并將識別規(guī)則記憶在網(wǎng)絡(luò)權(quán)值中以便后期意圖預(yù)測。這些基于神經(jīng)網(wǎng)絡(luò)的方法可以在領(lǐng)域?qū)＜蚁闰炛R不足情況下較好地解決目標(biāo)意圖識別問題，但由于隱藏層數(shù)較淺，難以表達復(fù)雜度高的問題。文獻[13]提出了一種基于棧式自編碼器的意圖識別深度學(xué)習(xí)模型，將戰(zhàn)場環(huán)境信息、目標(biāo)屬性和目標(biāo)實時狀態(tài)信息作為輸入，識別作戰(zhàn)意圖。該方法能有效識別目標(biāo)作戰(zhàn)意圖，但模型輸入包含多個時刻目標(biāo)狀態(tài)信息，在模型訓(xùn)練時會產(chǎn)生累積誤差，影響識別效果。上述方法均采用基本的反向傳播(Back Propagation, BP)算法對網(wǎng)絡(luò)進行訓(xùn)練，收斂速度較慢，且容易陷入局部最優(yōu)。

本文針對領(lǐng)域?qū)＜抑R不足條件下，難以量化屬性特征與作戰(zhàn)意圖間的映射關(guān)系問題，提出了一種采用深度神經(jīng)網(wǎng)絡(luò)對空中目標(biāo)進行意圖識別的方法，通過將空中作戰(zhàn)目標(biāo)的機動類型、速度、高度、位置等屬性特征與對應(yīng)的意圖標(biāo)簽作為樣本輸入到深度神經(jīng)網(wǎng)絡(luò)模型中，調(diào)整網(wǎng)絡(luò)節(jié)點權(quán)值，然后用訓(xùn)練好的模型預(yù)測目標(biāo)的作戰(zhàn)意圖。深度神經(jīng)網(wǎng)絡(luò)是多隱藏層的神經(jīng)網(wǎng)絡(luò)，由于隱藏層數(shù)較深，后面層網(wǎng)絡(luò)可以在前面層網(wǎng)絡(luò)學(xué)習(xí)到的初步特征基礎(chǔ)上形成更高級別的特征[14]，因此能夠?qū)δ繕?biāo)意圖進行更好的識別。目標(biāo)狀態(tài)的改變是由于發(fā)生了機動，以目標(biāo)機動類型作為模型輸入，既能降低樣本維數(shù)，減少累積誤差，又能保留目標(biāo)運動信息。本文采用ReLU(Rectified Linear Unit)函數(shù)[15]作為激活函數(shù)解決梯度消失問題，同時結(jié)合自適應(yīng)矩估計(Adaptive moment estimation，Adam)[16]優(yōu)化算法加速模型收斂，跳出局部最優(yōu)，可以得到更好的訓(xùn)練模型。采用深度神經(jīng)網(wǎng)絡(luò)方法可以更好地解決領(lǐng)域?qū)＜抑R不足條件下的目標(biāo)意圖識別問題。

1 作戰(zhàn)意圖特征選取

本文研究的是空中目標(biāo)的作戰(zhàn)意圖識別過程。敵方的作戰(zhàn)意圖由所配置的兵力合力實現(xiàn)，敵方兵力會按一定的規(guī)則采取作戰(zhàn)行動去實現(xiàn)其作戰(zhàn)意圖，敵方作戰(zhàn)行動表現(xiàn)為目標(biāo)自身狀態(tài)的改變。因此我方通過對其狀態(tài)的觀測識別其行動，進一步識別其作戰(zhàn)意圖，意圖層次表示及推理過程如圖1所示。

圖1 意圖的層次表示及推理過程Fig.1 Hierarchical representation and reasoning process of intention

目標(biāo)作戰(zhàn)意圖的不同會表現(xiàn)為某些狀態(tài)的區(qū)別，意圖與狀態(tài)間存在某些特定關(guān)系。本文依據(jù)領(lǐng)域?qū)＜抑R選取了與目標(biāo)作戰(zhàn)意圖關(guān)系緊密的特征，如飛行速度、高度、航向角、方位角、距離、飛行加速度、雷達反射面積、對空雷達狀態(tài)、對海雷達狀態(tài)、干擾狀態(tài)、敵我識別應(yīng)答和機動類型共12維特征。作戰(zhàn)意圖分為突防、攻擊、電子干擾、運輸、加油、民航飛行、預(yù)警探測和偵察等8類。本文列舉了目標(biāo)飛行速度、高度、雷達狀態(tài)等3種特征與作戰(zhàn)意圖間的對應(yīng)關(guān)系：

1) 目標(biāo)飛行速度與作戰(zhàn)意圖

殲擊機在空戰(zhàn)格斗時通常采用大速度接敵，飛行速度一般為735～1 470 km/h；轟炸機和運輸機飛行速度一般為600～850 km/h；運輸機通常采用巡航速度執(zhí)行運輸任務(wù)，巡航速度一般小于其最大飛行速度；預(yù)警機飛行速度為750～950 km/h。

2) 目標(biāo)飛行高度與作戰(zhàn)意圖

突防一般分為低空突防和高空突防，對應(yīng)高度分別為50～200 m和10 000～11 000 m；空戰(zhàn)格斗一般在1 000～6 000 m高空進行；為躲避雷達探測，偵察機一般采用低空和超高空偵察，對應(yīng)高度為100～1 000 m和15 000 m以上。表1為目標(biāo)高度與目標(biāo)作戰(zhàn)意圖對應(yīng)關(guān)系。

3) 目標(biāo)雷達狀態(tài)與作戰(zhàn)意圖

民航飛機一般不裝備對空和對海雷達；轟炸機一般裝備兩款雷達，但只在轟炸攻擊時保持對空或?qū)＠走_開機；執(zhí)行偵察任務(wù)的飛機一般保持兩款雷達同時開機；空戰(zhàn)格斗時對空雷達通常開機；執(zhí)行運輸任務(wù)時雷達一般靜默。

目標(biāo)作戰(zhàn)意圖的顯現(xiàn)是一個動態(tài)的時序過程，僅依賴某一時刻目標(biāo)的狀態(tài)預(yù)測其作戰(zhàn)意圖可能導(dǎo)致預(yù)測結(jié)果的片面性，本文將連續(xù)10個雷達取樣點的目標(biāo)狀態(tài)進行封裝，識別其機動類型。將得到的目標(biāo)機動類型及最后時刻目標(biāo)飛行速度、高度、航向角、方位角、距離、飛行加速度作為目標(biāo)機動特征。由于目標(biāo)狀態(tài)的連續(xù)性，以最后時刻目標(biāo)狀態(tài)及目標(biāo)機動類型作為模型輸入即可保留較為完備的目標(biāo)運動信息。表2為目標(biāo)機動類型與目標(biāo)作戰(zhàn)意圖之間的關(guān)系，表中未列出直飛、左轉(zhuǎn)彎、右轉(zhuǎn)彎3種所有作戰(zhàn)意圖都適用的機動類型。

表1 目標(biāo)高度與目標(biāo)作戰(zhàn)意圖的關(guān)系

表2 目標(biāo)機動類型與目標(biāo)作戰(zhàn)意圖的關(guān)系

2 樣本數(shù)據(jù)處理

神經(jīng)網(wǎng)絡(luò)模型只能處理數(shù)值數(shù)據(jù)，雷達等傳感器獲取的目標(biāo)飛行速度、高度、航向角、方位角、距離、飛行加速度、雷達反射面積等機動數(shù)據(jù)為數(shù)值數(shù)據(jù)，但不同類別數(shù)據(jù)間量級差別較大；電子偵查設(shè)備獲取的目標(biāo)對空雷達狀態(tài)、對海雷達狀態(tài)、干擾狀態(tài)、敵我識別應(yīng)答結(jié)果及意圖類型、機動類型均為分類數(shù)據(jù)。為滿足模型對數(shù)據(jù)的要求，消除量綱影響，需對樣本數(shù)據(jù)和意圖標(biāo)簽進行處理。

2.1 歸一化處理

(1)

式中：minAx為第x種屬性Ax的最小值；maxAx為屬性Ax的最大值。

2.2 數(shù)值化處理

(2)

生成作戰(zhàn)意圖標(biāo)簽的方法主要有以下2種：① 由前線作戰(zhàn)人員反饋其觀測到的敵方目標(biāo)作戰(zhàn)意圖，后方人員依據(jù)反饋結(jié)果確定樣本數(shù)據(jù)對應(yīng)的意圖標(biāo)簽；② 由領(lǐng)域?qū)＜彝ㄟ^對目標(biāo)實現(xiàn)其作戰(zhàn)意圖過程的持續(xù)跟蹤觀察確定敵方目標(biāo)作戰(zhàn)意圖。隨著戰(zhàn)場環(huán)境復(fù)雜性的不斷增強，新作戰(zhàn)平臺和作戰(zhàn)樣式的不斷涌現(xiàn)，領(lǐng)域?qū)＜逸^難在短時間掌握目標(biāo)的全面信息，導(dǎo)致其先驗知識不足以根據(jù)目標(biāo)的機動和狀態(tài)數(shù)據(jù)直接推斷目標(biāo)作戰(zhàn)意圖，但其能夠通過對目標(biāo)實現(xiàn)作戰(zhàn)意圖過程的持續(xù)跟蹤觀測，對目標(biāo)作戰(zhàn)意圖定性，得到樣本數(shù)據(jù)對應(yīng)的作戰(zhàn)意圖標(biāo)簽。如當(dāng)敵我雙方正進行空戰(zhàn)格斗時，領(lǐng)域?qū)＜夷軌蛞罁?jù)獲取的敵方目標(biāo)空戰(zhàn)過程的視頻、圖像等信息確定敵方目標(biāo)作戰(zhàn)意圖為攻擊。意圖識別結(jié)果為分類數(shù)據(jù)，同樣需對其進行數(shù)值化處理，作戰(zhàn)意圖與模型輸出對應(yīng)關(guān)系如圖2所示。

圖2 作戰(zhàn)意圖與模型輸出的對應(yīng)關(guān)系Fig.2 Correspondence between combat intention and model output

3 作戰(zhàn)意圖識別模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)可以在無先驗知識條件下，僅通過網(wǎng)絡(luò)自身的訓(xùn)練，自動學(xué)習(xí)輸入與輸出之間的映射關(guān)系。因此，在領(lǐng)域?qū)＜蚁闰炛R不足的條件下，通過獲取到的敵方目標(biāo)數(shù)據(jù)和意圖標(biāo)簽對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到作戰(zhàn)意圖識別神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練好的網(wǎng)絡(luò)對目標(biāo)意圖進行識別。

對于多隱藏層的神經(jīng)網(wǎng)絡(luò)，后面層網(wǎng)絡(luò)可以在前面層網(wǎng)絡(luò)學(xué)習(xí)到的初步特征基礎(chǔ)上形成更高級別的特征[14]，因此可以更好地刻畫數(shù)據(jù)特征，同時，相對于單隱藏層、多節(jié)點的神經(jīng)網(wǎng)絡(luò)可以用較少的參數(shù)表征相同復(fù)雜度的函數(shù)。基本的BP神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)復(fù)雜度的提高，其越容易陷入局部極值，導(dǎo)致網(wǎng)絡(luò)無法得到很好的訓(xùn)練。深度學(xué)習(xí)是機器學(xué)習(xí)中的一個分支，其目標(biāo)是建立能夠模擬人腦進行分析、學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，現(xiàn)已廣泛應(yīng)用于圖像識別[17-18]、語音識別[19-20]、行為識別[21-22]等領(lǐng)域。本文基于深度神經(jīng)網(wǎng)絡(luò)模型對目標(biāo)作戰(zhàn)意圖識別問題進行研究。

3.1 ReLU激活函數(shù)

激活函數(shù)ReLU的表達式為σ(z)=max(0,z)，即當(dāng)z≥0時保持不變;當(dāng)z<0時為0，其求導(dǎo)簡單;當(dāng)z≥0時，導(dǎo)數(shù)為1;當(dāng)z<0時，導(dǎo)數(shù)為0。因此不會隨著遞推的進行發(fā)生梯度衰減，可以解決部分梯度消失問題。

3.2 基于Adam算法的模型訓(xùn)練過程

傳統(tǒng)的梯度下降方法的學(xué)習(xí)率η保持不變，且隨著損失函數(shù)復(fù)雜度的提高，越容易陷入“鞍點”，即所有方向上梯度值為零。而Adam算法結(jié)合了Momentum優(yōu)化算法和RMSprop(Root Mean Square prop)優(yōu)化算法的優(yōu)點，當(dāng)梯度在連續(xù)朝同一個方向更新時會增大權(quán)重變化量，當(dāng)梯度更新方向變化時會減小權(quán)重變化量，如同石頭下落過程中的慣性一樣，利用這個“慣性”，避免網(wǎng)絡(luò)訓(xùn)練時陷入局部最優(yōu)點，加速網(wǎng)絡(luò)收斂。同時，Adam算法可以讓參數(shù)自適應(yīng)地更新學(xué)習(xí)率，更新頻率高的參數(shù)學(xué)習(xí)率較小，更新頻率低的參數(shù)學(xué)習(xí)率較大，可以提高梯度優(yōu)化算法的魯棒性。

(3)

式中：gt為對于參數(shù)θ在迭代次數(shù)t時目標(biāo)函數(shù)的梯度；參數(shù)θ指代網(wǎng)絡(luò)中所有參數(shù)。

(4)

式中：mt為梯度的一階力矩；vt為梯度的二階力矩。通過計算偏差修正一階和二階力矩估計來減少偏差

(5)

式中：β1、β2為超參數(shù)，用于修正一階和二階力矩估計。

Adam算法的參數(shù)更新公式為

(6)

式中：ε為平滑項，防止被零除。

4 目標(biāo)作戰(zhàn)意圖識別流程

基于深度神經(jīng)網(wǎng)絡(luò)模型對目標(biāo)作戰(zhàn)意圖進行識別，步驟為：

步驟1從各類傳感器中提取目標(biāo)特征數(shù)據(jù)，并根據(jù)實際作戰(zhàn)結(jié)果和領(lǐng)域?qū)＜遗袛鄬ζ錁?biāo)記意圖標(biāo)簽。利用獲取的目標(biāo)特征數(shù)據(jù)和意圖標(biāo)簽構(gòu)建數(shù)據(jù)庫，將數(shù)據(jù)庫中數(shù)據(jù)抽取一部分作為測試數(shù)據(jù)庫，其他部分作為訓(xùn)練數(shù)據(jù)庫，從訓(xùn)練數(shù)據(jù)庫中隨機抽取部分數(shù)據(jù)作為驗證數(shù)據(jù)庫。

步驟2調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，確定隱藏層數(shù)和節(jié)點數(shù)。

步驟3將訓(xùn)練數(shù)據(jù)庫中所有數(shù)據(jù)輸入到構(gòu)建好的深度神經(jīng)網(wǎng)絡(luò)中，調(diào)整網(wǎng)絡(luò)權(quán)值，將輸出的意圖識別結(jié)果與標(biāo)簽對比，計算識別精度，若識別精度達到模型既定標(biāo)準則轉(zhuǎn)步驟4，否則轉(zhuǎn)步驟2。

步驟4將驗證數(shù)據(jù)庫中的數(shù)據(jù)輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，計算識別精度，若識別精度達到模型既定標(biāo)準則轉(zhuǎn)步驟5，否則轉(zhuǎn)步驟2。

步驟5將測試數(shù)據(jù)庫中的目標(biāo)特征數(shù)據(jù)輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，計算識別精度，判定模型識別效果。

步驟6將待識別作戰(zhàn)意圖的目標(biāo)特征數(shù)據(jù)輸入模型，預(yù)測出其作戰(zhàn)意圖。

5 仿真實驗分析

實驗采用作戰(zhàn)意圖數(shù)據(jù)集Data，數(shù)據(jù)集Data為不同空中目標(biāo)作戰(zhàn)意圖對應(yīng)特征狀態(tài)量測值，包含飛行速度、高度、航向角、方位角、距離、飛行加速度、雷達反射面積、對空雷達狀態(tài)、對海雷達狀態(tài)、干擾狀態(tài)、敵我識別應(yīng)答和機動動作共12維特征數(shù)據(jù)，分為8種作戰(zhàn)意圖，數(shù)據(jù)占比情況為突防13.6%、攻擊22.7%、電子干擾9.1%、運輸13.6%、加油4.5%、民航飛行13.6%、預(yù)警探測9.1%、偵察13.6%，樣本規(guī)模為8 000。分別隨機抽取90%數(shù)據(jù)構(gòu)成訓(xùn)練數(shù)據(jù)庫，剩余10%構(gòu)成測試數(shù)據(jù)庫。實驗迭代步長均為10 000，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率η=0.01，超參數(shù)β1=0.9,β2=0.999，平滑項ε=10-8。

5.1 模型結(jié)構(gòu)確定實驗

不同網(wǎng)絡(luò)結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)識別效果不同，因此需確定深度神經(jīng)網(wǎng)絡(luò)模型隱藏層層數(shù)和節(jié)點數(shù)。模型輸入層、輸出層節(jié)點數(shù)分別設(shè)定為數(shù)據(jù)維數(shù)和分類數(shù)。雖然模型效果是由測試數(shù)據(jù)來評判的，但在實驗中不能利用測試數(shù)據(jù)來調(diào)整模型結(jié)構(gòu)。使用測試數(shù)據(jù)來調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)可能會導(dǎo)致模型過擬合，失去對未知數(shù)據(jù)的判別能力。本文從訓(xùn)練數(shù)據(jù)庫中隨機抽取10%建立驗證數(shù)據(jù)庫，用驗證數(shù)據(jù)庫評判模型的效果，調(diào)整模型結(jié)構(gòu)。圖3為Data數(shù)據(jù)集在不同網(wǎng)絡(luò)結(jié)構(gòu)下識別效果對比圖，識別率均為數(shù)據(jù)集整體識別率。

由圖3可知，驗證數(shù)據(jù)集與測試數(shù)據(jù)集的曲線趨勢基本一致，因此可以用驗證數(shù)據(jù)集來判斷模型的好壞，調(diào)整模型結(jié)構(gòu)。由圖3(c)可見，隱藏層數(shù)為4層，節(jié)點數(shù)依次為10、20、20、10時模型識別準確度較高，確定其為深度神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)。

圖3 4種不同網(wǎng)絡(luò)結(jié)構(gòu)下驗證數(shù)據(jù)庫和測試數(shù)據(jù)庫的識別率對比Fig.3 Comparison of recognition rate of verification database and test database under four different network structures

5.2 模型可靠性驗證實驗

為驗證所提模型的可靠性，分8次從數(shù)據(jù)庫中抽取90%的數(shù)據(jù)構(gòu)成訓(xùn)練樣本，剩余10%的數(shù)據(jù)構(gòu)成測試樣本，將訓(xùn)練樣本輸入到模型調(diào)整節(jié)點參數(shù)，用測試樣本判斷模型識別效果。圖4為

圖4 訓(xùn)練識別率、測試識別率和損失值變化曲線Fig.4 Curves of training recognition rate, test recognition rate and loss value

不同迭代次數(shù)下模型的識別效果圖，表3為8個不同數(shù)據(jù)庫下模型識別效果對比。

通過8次相同規(guī)模、不同訓(xùn)練樣本的識別結(jié)果可以看出，深度神經(jīng)網(wǎng)絡(luò)模型在不同訓(xùn)練樣本條件下可以有效地識別空中目標(biāo)作戰(zhàn)意圖，平均識別率達0.981 7，驗證了所提模型的可靠性。

表3 不同數(shù)據(jù)庫模型識別效果對比

5.3 模型準確性驗證實驗

為驗證所提模型的準確性，實驗中對比基于單層BP神經(jīng)網(wǎng)絡(luò)模型、深度BP (Deep BP, DBP)神經(jīng)網(wǎng)絡(luò)模型和Adam+Sigmiod深度神經(jīng)網(wǎng)絡(luò)模型、文獻[13]所提棧式自編碼器(Stacked Auto-Ecoder, SAE)模型和Adam+RuLU深度神經(jīng)網(wǎng)絡(luò)模型的識別效果，如圖5和圖6所示。

由圖5和圖6可知，Adam+RuLU深度神經(jīng)網(wǎng)絡(luò)模型在Data數(shù)據(jù)集上能得到更好的識別效果。對比圖5所示的5種模型對空中目標(biāo)作戰(zhàn)意圖識別準確率變化曲線可以看出，SAE模型收斂速度更快，在迭代1 200次左右即收斂，但Adam+RuLU深度神經(jīng)網(wǎng)絡(luò)模型較其他4種模型識別準確率更高。

圖5 5種模型識別效果對比圖Fig.5 Comparison of recognition effects of five models

圖6 不同模型識別效果對比Fig.6 Comparison of recognition effects of different models

6 結(jié) 論

1) 本文分析了作戰(zhàn)意圖識別問題特點，采用監(jiān)督學(xué)習(xí)的方法解決領(lǐng)域?qū)＜抑R不足條件下的作戰(zhàn)意圖識別問題。

2) 設(shè)計了一種基于深度神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)作戰(zhàn)意圖識別模型，利用ReLU函數(shù)和Adam算法優(yōu)化模型，提高了模型識別效果。

3) 深度神經(jīng)網(wǎng)絡(luò)模型能夠?qū)罩心繕?biāo)作戰(zhàn)意圖進行識別，有著良好的可靠性和準確性；對比實驗結(jié)果顯示，該模型收斂速度更快且識別效果更好。