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）

ArtificialIntelligence.2024模拟环境中基于深度学习的目标战术意图本发明涉及一种模拟环境中基于深度学习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现有态势信息从任务层面对目标意图进行识别特征更为明显，其识别结果更具可靠性和实用2S4：将所述样本集划分为训练集和验证集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32.根据权利要求1所述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，其3.根据权利要求2所述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，其角、所述目标方位角以及所述相对高度3个特征采用_1到1的归一化方式进行归一化处理，对所述战场信息中其余特征采用0到1的归一化方式进行归4.根据权利要求1所述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，其表示第i个样本t时刻的特征信息，s')表示第一维5.根据权利要求1所述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，其ij6.根据权利要求5所述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，其47.根据权利要求6所述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，其QK5际空战角度仿真设计对抗游戏和模拟系统，更为重要的是战术模拟及其便捷性交互设计，[0006]本发明提供了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67[0031]其中，抽样前的第i个样本为表示第i个样本数据截取后[0032]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8K[0056]上述说明仅是本发明技术方案的概述，为了能够更清楚[0057]图1是本发明实施例提供的一种模拟环境中基于深度学习的目标战术意图在线识[0058]图2是本发明实施例提供的一种模拟环境中基于深度学习的目标战术意图在线识9[0069]由于战场环境的日益复杂，空战对抗的动态博弈使得态势信息具备一定的欺骗图1和图2，图1是本发明实施例提供的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的示意图；图2是本发明实施例提供的一种模拟环境中基于深度学习的目标战术[0081]由于空战过程中通过机载传感器可以得到己方和对抗方双方连续多时刻的态势传感器工作信息指的是己方传感器的工作状态及对对抗方传感器工作状态等的识别结果[0083]同时为尽可能减小特征维度避免信息冗余及算法识别效率，选取对抗方目标高[0086]s'=[s'(),s'()…s方战机受干扰状态和对抗方目标雷达状态识[0088]请结合如图3所示的目标运动坐标系与特征参数定义示意图，对目标进入角和目yuxuyu和vt在Oxgygzg地tt[0101]其中，抽样前的第i个样本为na表示第i个样本数据截取后[0103]S23：对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战机受干扰状态和对抗方目标雷达状态识别结[0115]如图5所示的目标战术意图识别网络结构示意图，本实施例的目标战术意图识别K时记忆神经网络层的输出经过flatten层将多维信息一维化，然后输入到sorftmax分类层[0140]进一步地，在将步骤1获取的战场信息输入至训练完成的目标战术意图识别模型[0144]其次，本实施例的目标战术意图识别模型通过一维卷积在时间维度进行特征提[0146]本实施例通过仿真实验对实施例一的模拟环境中基于深度学习的目标战术意图样本规模为9256，其中攻击意图样本占17.9防御意图样本占18.0探测意图样本占[0149]实验仿真环境采用python语言基于keras框架构建，电脑配置为window10，i7_样本规模为9256，其中攻击意图样本占17.9防御意图样本占18.0探测意图样本占[0165]仿真环境采用python语言基于keras框架构建，电脑配置为window10，i7_