龔 誠 衣軍波 蔡林恭 余舟川

（91001部隊(duì) 北京 100841）

1 引言

由于軍事科技的不斷發(fā)展，戰(zhàn)場環(huán)境的復(fù)雜性和信息不對稱性不斷增加，僅憑個人經(jīng)驗(yàn)不能實(shí)時準(zhǔn)確地識別敵方目標(biāo)意圖，因此需要智能識別預(yù)測方法。近年來，學(xué)者們建立了不同的智能模型來研究不同領(lǐng)域的意圖識別問題，在空戰(zhàn)目標(biāo)意圖識別領(lǐng)域，文獻(xiàn)［1］綜合分析了軌跡與戰(zhàn)術(shù)之間的相關(guān)性，利用深度神經(jīng)網(wǎng)絡(luò)對識別單個空中目標(biāo)的作戰(zhàn)意圖。文獻(xiàn)［2］研究了一種在不完備信息條件下基于信息熵的空中目標(biāo)意圖預(yù)測方法，可以對目標(biāo)協(xié)同作戰(zhàn)意圖進(jìn)行有效識別。文獻(xiàn)［3］提出了一種基于不完全信息的LSTM 網(wǎng)絡(luò)的空戰(zhàn)目標(biāo)意圖預(yù)測模型，采用自適應(yīng)矩估計（Adam）優(yōu)化算法來加快目標(biāo)意圖預(yù)測模型的訓(xùn)練，有效解決了局部優(yōu)化問題。文獻(xiàn)［4］利用目標(biāo)信息特征集合以及戰(zhàn)場目標(biāo)的作戰(zhàn)屬性與對抗?fàn)顟B(tài)間的聯(lián)系性，建立模糊推理模型和模糊推理規(guī)則識別目標(biāo)意圖。文獻(xiàn)［5］利用專家先驗(yàn)知識構(gòu)建聯(lián)合貝葉斯網(wǎng)絡(luò)識別模型來識別目標(biāo)戰(zhàn)術(shù)意圖。雖然上述方法對目標(biāo)常規(guī)戰(zhàn)術(shù)意圖識別有較好的效果，但無法有效解決復(fù)雜戰(zhàn)場環(huán)境下的目標(biāo)意圖識別問題。另外，在分類器中加入不同線性度和相關(guān)度的特征會降低一些標(biāo)簽的識別率，影響模型的可解釋性。在車輛駕駛員制動意圖識別領(lǐng)域，不同類型的神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)累積樣本數(shù)據(jù)來提高意圖識別的準(zhǔn)確性［6～7］。SVM 用于提取低相關(guān)參數(shù)的特征，然后將提取的結(jié)果和高相關(guān)特征用于數(shù)據(jù)挖掘，進(jìn)一步提高了車輛駕駛員制動意圖識別的準(zhǔn)確性［8］。在用戶意圖識別領(lǐng)域，文獻(xiàn)［9］提出了一種啟用自動編碼器和基于k-means聚類（AKMC）的方法來識別潛在用戶，在仿真實(shí)驗(yàn)中，該方法的準(zhǔn)確率達(dá)到了80%以上。文獻(xiàn)［10］提出了一種雙向網(wǎng)格長短期記憶RNN 框架，用于提高用戶意圖識別的效率。通過綜合分析上述研究成果，學(xué)者們普遍使用機(jī)器學(xué)習(xí)來解決意圖識別問題，所選參數(shù)特征的相關(guān)性和完整性是影響識別結(jié)果準(zhǔn)確性的關(guān)鍵因素。然而這些研究并未能夠充分考慮戰(zhàn)場因素之間的關(guān)聯(lián)性，在復(fù)雜戰(zhàn)場環(huán)境下意圖識別的準(zhǔn)確性不高。

因此，本文利用知識圖譜嵌入學(xué)習(xí)技術(shù)，通過目標(biāo)意圖知識圖譜來組織多源異類戰(zhàn)場情報數(shù)據(jù)，構(gòu)建目標(biāo)活動因素關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)，形成跨時空、跨任務(wù)、跨實(shí)體等多維度的信息理解能力，實(shí)現(xiàn)在復(fù)雜戰(zhàn)場環(huán)境下對目標(biāo)作戰(zhàn)意圖智能識別。

2 目標(biāo)意圖知識圖譜

2.1 知識圖譜架構(gòu)

在邏輯架構(gòu)上戰(zhàn)場目標(biāo)意圖知識圖譜可以分為模式層和數(shù)據(jù)層兩個方面，如圖1所示。模式層建立在數(shù)據(jù)層之上，通過形式化的方式描述相關(guān)公式、規(guī)則、概念實(shí)體、關(guān)系等模式信息，如圖1（a）所示。數(shù)據(jù)層含有許多實(shí)例與實(shí)例之間的關(guān)聯(lián)關(guān)系，是模式層的實(shí)例表示，如圖1（b）所示。屬性層主要是目標(biāo)本身固有的屬性信息，這些屬性是用于目標(biāo)意圖分析的參數(shù)，如：飛機(jī)本體有最大速度、最小速度、巡航速度和巡航高度、最大加速度、最大減速、最大過載爬升、最大過載俯沖等。特征層以各種特征為基本節(jié)點(diǎn)，節(jié)點(diǎn)信息主要包括特征類型和特征參數(shù)等，例如傳感器狀態(tài)、機(jī)動類型、環(huán)境狀態(tài)、我方目標(biāo)狀態(tài)等；而意圖層的節(jié)點(diǎn)信息主要包括目標(biāo)實(shí)體意圖間的包含關(guān)系、關(guān)系值域、關(guān)系約束等。

圖1 知識圖譜模型

2.2 知識圖譜構(gòu)建

目標(biāo)意圖知識圖譜的構(gòu)建是一個動態(tài)循環(huán)的過程［11］，如圖2所示。首先利用知識表示技術(shù)，結(jié)合可視化建模方法，對概念層、屬性、規(guī)則等進(jìn)行定義，明確概念和概念之間的語義關(guān)聯(lián)，實(shí)現(xiàn)多層級領(lǐng)域知識體系構(gòu)建；然后通過實(shí)體識別、關(guān)系抽取等知識抽取相關(guān)技術(shù)從結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化的數(shù)據(jù)中自動化地提取實(shí)體、關(guān)系、屬性、事件等知識要素；之后利用實(shí)體消歧技術(shù)、實(shí)體鏈接技術(shù)消除實(shí)體、屬性、關(guān)系、事件等知識對象之間的矛盾和歧義，利用知識合并技術(shù)來合并重復(fù)的知識；之后則是利用知識推理、知識計算、知識補(bǔ)全等技術(shù)，從知識庫中已有實(shí)體關(guān)系數(shù)據(jù)出發(fā)，經(jīng)過推理和計算，建立實(shí)體間的新的關(guān)聯(lián)關(guān)系，從而擴(kuò)展更新知識網(wǎng)絡(luò)，最終形成目標(biāo)意圖知識圖譜；在目標(biāo)意圖知識圖譜應(yīng)用過程中，會反饋出新需求新概念，指導(dǎo)目標(biāo)意圖領(lǐng)域認(rèn)知框架的補(bǔ)充與完善［12］。

圖2 知識圖譜構(gòu)建過程

3 基于知識圖譜嵌入學(xué)習(xí)的意圖識別

3.1 知識圖譜嵌入學(xué)習(xí)

為了方便戰(zhàn)場目標(biāo)意圖識別任務(wù)的使用，我們可以利用知識圖譜嵌入學(xué)習(xí)技術(shù)來獲取實(shí)體和關(guān)系隱含的語義信息。每一個戰(zhàn)場目標(biāo)在目標(biāo)意圖知識圖譜中都會有其它的實(shí)體通過直接關(guān)系相連或者間接關(guān)系路徑與其相連，這些關(guān)系主要包括錄屬關(guān)系、包含關(guān)系、協(xié)同關(guān)系等，這些實(shí)體可以看作是目標(biāo)的屬性，結(jié)合目標(biāo)固有的屬性信息和目標(biāo)狀態(tài)信息，能一定程度上反映目標(biāo)的意圖傾向，可以通過嵌入傳播方法來利用這些知識信息。

我們定義實(shí)體和關(guān)系路徑的集合用來表示目標(biāo)實(shí)體的傳播信息，公式如下：

其中Si(0)={(＜＞,i)} 為最初的集合，Si(1)={(＜r2,e3＞,i),(＜r3,e4＞,i)}，以此類推；||表示將關(guān)系r放到關(guān)系路徑pl-1的后面形成一個新的路徑，pl表示從目標(biāo)實(shí)體i開始傳播到第j跳的關(guān)系路徑。

目標(biāo)-關(guān)系路徑的注意力權(quán)重為

目標(biāo)-實(shí)體路徑的注意力權(quán)重為

歸一化得到最后的最終的權(quán)重：

對權(quán)重信息進(jìn)行線性組合可以得到：

因此可以得到所有L跳實(shí)體嵌入信息的集合Γi，如下所示：

3.2 目標(biāo)意圖識別模型

將集合Γi里的進(jìn)行求和操作，可以得到新的嵌入e*i：

再通過SVD++方法將目標(biāo)間的協(xié)同信息結(jié)合到目標(biāo)的嵌入中，則可以得到目標(biāo)u的嵌入u*：

其中T(u) 表示為與目標(biāo)u交互過的意圖集合。

然后對u*和e*i進(jìn)行內(nèi)積操作，可以得到預(yù)測目標(biāo)對意圖的概率分?jǐn)?shù)：

3.3 損失函數(shù)

給定目標(biāo)意圖知識圖譜G 和交互圖Y，對上面的預(yù)測模型進(jìn)行最大化后驗(yàn)概率模型參數(shù)θ：

max p(θ|G,Y)

其中，θ包括參數(shù)矩陣、偏置項(xiàng)向量、目標(biāo)實(shí)體的嵌入、意圖的嵌入等。利用貝葉斯理論，上式可轉(zhuǎn)換為

利用極大似然估計理論，可以得到目標(biāo)損失函數(shù)?：

4 實(shí)驗(yàn)分析

因?yàn)橐鈭D識別是一個分類問題，因此可以使用精確率、召回率、F1-分?jǐn)?shù)來驗(yàn)證方法的有效性，它們的定義為

其中真正數(shù)、假正數(shù)和假負(fù)數(shù)的含義如表1所示，真正數(shù)是預(yù)測值為正樣本且真實(shí)值也為正樣本的數(shù)量，假正數(shù)是預(yù)測值為負(fù)樣本而真實(shí)值為正樣本的數(shù)量，假負(fù)數(shù)是預(yù)測值為正樣本而真實(shí)值為負(fù)樣本的數(shù)量，真負(fù)數(shù)為預(yù)測值為負(fù)樣本且真實(shí)值也為負(fù)樣本的數(shù)量。

表1 混淆矩陣

采用某作戰(zhàn)仿真系統(tǒng)中的數(shù)據(jù)，研究本方法在對海作戰(zhàn)模式下對目標(biāo)意圖識別的整體有效性。分別采用基于知識圖譜嵌入學(xué)習(xí)的目標(biāo)意圖智能識別方法①、基于注意力機(jī)制的長短期記憶網(wǎng)絡(luò)的目標(biāo)意圖識別方法②、基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)意圖識別方法③、基于模糊推理的目標(biāo)意圖識別方法④，這四種方法識別目標(biāo)意圖，對比分析模型訓(xùn)練過程和識別結(jié)果。

從圖3損失函數(shù)值變化情況可以看出，從左往右隨著訓(xùn)練的迭代次數(shù)增加，四種意圖識別模型方法的損失函數(shù)值總體情況均逐漸下降，最后趨向于一個穩(wěn)定值，其中基于知識圖譜嵌入學(xué)習(xí)的目標(biāo)意圖智能識別方法損失函數(shù)值最小，優(yōu)于其他三種識別方法。

圖3 損失函數(shù)值變化情況

識別目標(biāo)意識所用的識別時間也是評估模型效果的一個重要指標(biāo)，表2是在兩個不同的作戰(zhàn)場景采用四種識別模型對目標(biāo)意圖進(jìn)行識別所消耗的時間，從表2中可以得知，采用基于知識圖譜嵌入學(xué)習(xí)的目標(biāo)意識智能識別的方法在四種方法中所消耗的時間最少，平均單次識別時間為1.20s。

表2 不同作戰(zhàn)場景和識別方法下的目標(biāo)意圖識別時間對比

從表3中可以得到四種方法對于撤退意圖的識別率較高，而突防意圖識別率較低，經(jīng)綜合分析，撤離意圖的目標(biāo)態(tài)勢特征與其它意圖區(qū)別最大，更易識別，而突防與攻擊的態(tài)勢特征接近，更難識別。基于知識圖譜嵌入學(xué)習(xí)的目標(biāo)意圖智能識別方法對各類型的意圖的識別在四種方法中精確率、召回率、F1-分?jǐn)?shù)均最高，表明本文所提方法對目標(biāo)意圖進(jìn)行識別的準(zhǔn)確度最高。

表3 目標(biāo)意圖識別性能度量

5 結(jié)語

針對當(dāng)前戰(zhàn)場目標(biāo)意圖識別方法戰(zhàn)場態(tài)勢情報信息利用率低、識別準(zhǔn)確率不高的問題，本文引入知識圖譜嵌入學(xué)習(xí)技術(shù)，提出了一種基于知識圖譜嵌入學(xué)習(xí)的目標(biāo)意圖智能識別方法。利用知識圖譜的可變動態(tài)數(shù)據(jù)模式、語義信息豐富、關(guān)聯(lián)清晰等優(yōu)點(diǎn)，可以有效解決多源異構(gòu)情報信息孤島問題，提高目標(biāo)意圖識別的準(zhǔn)確性。通過實(shí)驗(yàn)分析結(jié)果可以得知，基于知識圖譜嵌入學(xué)習(xí)的目標(biāo)意圖智能識別方法識別精度較高，平均識別時間短，能夠充分利用復(fù)雜環(huán)境下戰(zhàn)場因素之間的關(guān)聯(lián)關(guān)系信息獲取識別特征，擁有較好的魯棒性。