CN115204286B 模拟环境中基于深度学习的目标战术意图在线识别方法 （西北工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115204286B(45)授权公告日2025.07.11

(21)申请号202210810491.0

(22)申请日2022.07.11

(65)同一申请的已公布的文献号申请公布号CN115204286A

(43)申请公布日2022.10.18

(73)专利权人西北工业大学

地址710072陕西省西安市友谊西路127号

(72)发明人杨振王星煜朴海音李枭扬

周德云

(74)专利代理机构西安嘉思特知识产权代理事务所(普通合伙)61230

专利代理师李薇

(51)Int.CI.

GO6F18/214(2023.01)

GO6N3/0442(2023.01)

GO6N3/049(2023.01)

GO6N3/08(2023.01)

GO6N5/048(2023.01)

(56)对比文件

XingyuWang.Intelligentrecognitionmethodoftargettacticalbehavior

intentioninaircombatbasedondeeplearning.EngineeringApplicationsofArtificialIntelligence.2024,全文.

审查员黄丹

权利要求书3页说明书13页附图5页

(54)发明名称

模拟环境中基于深度学习的目标战术意图在线识别方法

(57)摘要

CN115204286B本发明涉及一种模拟环境中基于深度学习的目标战术意图在线识别方法，包括：步骤1:获取模拟环境中的实时战场信息，战场信息包括己方和对抗方的双方态势特征信息以及传感器状态信息；步骤2:对战场信息进行多种归一化处理，将多种归一化处理后的战场信息输入至训练完成的目标战术意图识别模型，得到目标战术意图的识别结果。本发明的模拟环境中基于深度学习的目标战术意图在线识别方法，针对难以根据现有态势信息从任务层面对目标意图进行识别的问题，提出目标战术行为意图识别这一概念，基于空战对抗角度去识别目标战术行为，其结果

CN115204286B

性。

CN115204286B权利要求书1/3页

2

1.一种模拟环境中基于深度学习的目标战术意图在线识别方法，其特征在于，包括：

步骤1:获取模拟环境中的实时战场信息，所述战场信息包括己方和对抗方的双方态势特征信息以及传感器状态信息；

步骤2:对所述战场信息进行多种归一化处理，将多种归一化处理后的战场信息输入至训练完成的目标战术意图识别模型，得到目标战术意图的识别结果；所述目标战术意图识别模型的训练过程包括：

S1:建立目标战术意图空间及特征描述模型；

S2:获取意图样本数据集，对所述意图样本数据集进行预处理得到样本集；

S3:构建目标战术意图识别网络，所述目标战术意图识别网络包括级联的输入层、特征提取模块和分类识别模块，其中，所述特征提取模块包括级联的卷积层、双向长短时记忆神经网络层和自注意力机制层；

S4:将所述样本集划分为训练集和验证集，将所述训练集和所述验证集输入至所述目标战术意图识别网络对其网络参数进行训练优化，得到最优网络参数，根据所述最优网络参数得到训练完成的目标战术意图识别模型；

所述S2包括：

S21:通过空战对抗仿真平台获取所述意图样本数据集，所述意图样本数据集包括多个样本和对应的意图类型标签，每个样本均由特征描述模型表示；

S22:根据预设时序长度N,去除所述意图样本数据集中时序长度小于N的样本，得到清洗样本数据集；

S23:对所述清洗样本数据集中的样本进行抽样，得到抽样样本数据集，所述抽样方式

为：

k=n/N;

Sicu=[s?,s,…s];

其中，抽样前的第i个样本为S;=[S,?S?…sy。],nc表示第i个样本数据截取后的时序长度，n,表示第i个样本数据的时序长度，k表示抽样间隔，Sicut表示抽样后的第i个样本；

S23:对所述抽样样本数据集中样本的己方战机受干扰状态和对抗方目标雷达状态识别结果进行编码，对每个样本对应的意图类型标签进行独热编码；

S24:对编码后的所述抽样样本数据集进行多种归一化处理，得到样本集，所述多种归