基于度量学习的半监督空中目标作战意图识别

doi:10.3969/j.issn.1009-086x.2025.01.006

摘要/Abstract

摘要：

空中战场态势是对空中战场中所有参与方行动和状态的总体描述，而目标作战意图识别则为空中战场态势评估提供重要依据。为了解决在激烈对抗、快速演化的空中战场态势背景下，大量已标记的空中目标战场态势数据获取难度大的问题，提出了一种基于度量学习的半监督空中目标作战意图识别模型。该模型提供了一种从无标签样本中发掘潜在模式的方法，缓解了对大量标记数据的需求。模型通过目标时序数据编码器对目标序列数据进行降维并得到其嵌入表示。在此基础上，通过分别度量已标记的目标序列与意图类型、未标记的目标序列之间的相似度，计算对应的损失值。实验结果表明，在有标签样本不同占比为30%、40%和50%的情况下，该模型识别空中目标作战意图的准确率分别为86%、89%和91%。

关键词: 空中目标, 战场态势, 作战意图, 意图识别, 度量学习, 半监督学习

Abstract:

The air battlefield situation provides a general description of the actions and states of all participants， while target combat intention recognition serves as a critical foundation for air battlefield posture assessment. To address the challenge of acquiring a large amount of labeled air target battlefield data amidst intense confrontation and rapidly evolving scenarios， a semi-supervised air targets combat intention recognition model is proposed based on metric learning. The model offers a method for uncovering potential patterns from unlabeled samples， thus reducing the reliance on extensive labeled data. In this model， the target time-series data encoder reduces the dimensionality of target data and produces an embedded representation. Based on this， loss values are calculated by measuring the similarity between labeled target sequences and intention types， as well as between labeled and unlabeled target sequences. The experimental results demonstrate that the model achieves combat intention recognition accuracy rates of 86%， 89%， and 91% with labeled sample rates of 30%， 40%， and 50%， respectively.

Key words: air targets, battlefield situation, combat intention, intention recognition, metric learning, semi-supervised learning

中图分类号:

E919

张晨浩, 周焰, 梁复台, 周通, 宋子豪, 袁凯. 基于度量学习的半监督空中目标作战意图识别[J]. 现代防御技术, 2025, 53(1): 52-62.

Chenhao ZHANG, Yan ZHOU, Futai LIANG, Tong ZHOU, Zihao SONG, Kai YUAN. Semi-supervised Air Targets Combat Intention Recognition Based on Metric Learning[J]. Modern Defense Technology, 2025, 53(1): 52-62.

图/表 8

参考文献 31

1	和钰，常雷雷，姜江，等. 基于置信规则库的防空目标意图识别方法［J］. 火力与指挥控制， 2017， 42（9）： 7-12.
	HE Yu， CHANG Leilei， JIANG Jiang， et al. Intension Identification in Air Defense Based on Belief Rule Base Expert System Under Expert Guidance［J］. Fire Control & Command Control， 2017， 42（9）： 7-12.
2	赵福均，周志杰，胡昌华，等. 基于置信规则库和证据推理的空中目标意图识别方法［J］. 电光与控制， 2017， 24（8）： 15-19， 50.
	ZHAO Fujun， ZHOU Zhijie， HU Changhua， et al. Aerial Target Intention Recognition Approach Based on Belief-Rule-Base and Evidential Reasoning［J］. Electronics Optics & Control， 2017， 24（8）： 15-19， 50.
3	李曼，冯新喜，张薇. 基于模板的态势估计推理模型与算法［J］. 火力与指挥控制， 2010， 35（6）： 64-66.
	LI Man， FENG Xinxi， ZHANG Wei. Template-Based Inference Model and Algorithm for Situation Assessment in Information Fusion［J］. Fire Control & Command Control， 2010， 35（6）： 64-66.
4	杨璐，刘付显，朱丰，等. 基于贝叶斯推理的海战场空中目标意图分层识别方法［J］. 火力与指挥控制， 2018， 43（7）： 86-93.
	YANG Lu， LIU Fuxian， ZHU Feng， et al. Hierarchical Recognition Method of Hostile Air-targets in Sea Battlefields Based on Bayesian Deduction［J］. Fire Control & Command Control， 2018， 43（7）： 86-93.
5	JIN Qing， GOU Xiantai， JIN Weidong， et al. Intention Recognition of Aerial Targets Based on Bayesian Optimization Algorithm［C］//2017 2nd IEEE International Conference on Intelligent Transportation Engineering （ICITE）. Piscataway： IEEE， 2017： 356-359.
6	王小平，夏命辉，林秦颖，等. 接敌前基于D-S理论的空战意图预测［J］. 火力与指挥控制， 2016， 41（9）： 185-188.
	WANG Xiaoping， XIA Minghui， LIN Qinying， et al. Combat Intent Forecast Based on D-S Evidence Theory Before Contecting the Enermy［J］. Fire Control & Command Control， 2016， 41（9）： 185-188.
7	曹思远，刘以安，薛松. 改进高维数据相似度的目标意图识别方法［J］. 传感器与微系统， 2017， 36（5）： 25-28.
	CAO Siyuan， LIU Yian， XUE Song. Target Tactical Intention Recognition Method of Improved High-Dimensional Data Similarity［J］. Transducer and Microsystem Technologies， 2017， 36（5）： 25-28.
8	牛晓博，赵虎，张玉册. 基于决策树的海战场舰艇意图识别［J］. 兵工自动化， 2010， 29（6）： 44-46， 53.
	NIU Xiaobo， ZHAO Hu， ZHANG Yuce. Naval Vessel Intention Recognition Based on Decision Tree［J］. Ordnance Industry Automation， 2010， 29（6）： 44-46， 53.
9	魏蔚，王公宝. 基于径向基神经网络的侦察目标意图识别研究［J］. 舰船电子工程， 2018， 38（10）： 37-40， 110.
	WEI Wei， WANG Gongbao. Detection and Recognition of Air Targets by Unmanned Aerial Vehicle Based on RBF Neural Network［J］. Ship Electronic Engineering， 2018， 38（10）： 37-40， 110.
10	翟翔宇，杨风暴，吉琳娜，等. 面向空中目标作战意图分析的标准化全连接残差网络模型［J］. 国外电子测量技术， 2019， 38（12）： 1-6.
	ZHAI Xiangyu， YANG Fengbao， JI Linna， et al. Standardized Fully Connected Network and Residual Network Model for Combat Intention Analysis of Air Targets［J］. Foreign Electronic Measurement Technology， 2019， 38（12）： 1-6.
11	朱丰，胡晓峰，吴琳，等. 基于深度学习的战场态势高级理解模拟方法［J］. 火力与指挥控制， 2018， 43（8）： 25-30.
	ZHU Feng， HU Xiaofeng， WU Lin， et al. Simulation Method of Battlefields Situation Senior Comprehension Based on Deep Learning［J］. Fire Control & Command Control， 2018， 43（8）： 25-30.
12	李战武，李双庆，彭明毓，等. 基于注意力机制改进的LSTM空战目标意图识别方法［J］. 电光与控制， 2023， 30（3）： 1-7.
	LI Zhanwu， LI Shuangqing， PENG Mingyu， et al. An Air Combat Target Intention Recognition Method Based on LSTM Improved by Attention Mechanism［J］. Electronics Optics & Control， 2023， 30（3）： 1-7.
13	WANG Yinhan， WANG Jiang， FAN Shipeng， et al. Quick Intention Identification of an Enemy Aerial Target Through Information Classification Processing［J］. Aerospace Science and Technology， 2023， 132： 108005.
14	ZHANG Zhuo， WANG Hongfei， GENG Jie， et al. An Information Fusion Method Based on Deep Learning and Fuzzy Discount-Weighting for Target Intention Recognition［J］. Engineering Applications of Artificial Intelligence， 2022， 109： 104610.
15	柴慧敏，王宝树. 动态贝叶斯网络在战术态势估计中的应用［J］. 计算机应用研究， 2011， 28（6）： 2151-2153， 2160.
	CHAI Huimin， WANG Baoshu. Application of Dynamic Bayesian Networks in Tactical Situation Assessment［J］. Application Research of Computers， 2011， 28（6）： 2151-2153， 2160.
16	李宁安，张剑，周倜. 一种TensorFlow平台上目标意图识别模型设计与实现［J］. 舰船电子工程， 2019， 39（5）： 26-29.
	LI Ningan， ZHANG Jian， ZHOU Ti. A Target Intent Recognition Model Designed and Implemented on TensorFlow Platform［J］. Ship Electronic Engineering， 2019， 39（5）： 26-29.
17	RAMÍREZ-SANZ J M， MAESTRO-PRIETO J A， ARNAIZ-GONZÁLEZ Á， et al. Semi-Supervised Learning for Industrial Fault Detection and Diagnosis： A Systemic Review［J］. ISA Transactions， 2023， 143： 255-270.
18	AGRAWALA A. Learning with a Probabilistic Teacher［J］. IEEE Transactions on Information Theory， 1970， 16（4）： 373-379.
19	HUO Xiaoyang， ZENG Xiangping， WU Si， et al. Collaborative Learning with Unreliability Adaptation for Semi-Supervised Image Classification［J］. Pattern Recognition， 2023， 133： 109032.
20	LIAO Leiyao， DU Lan， GUO Yuchen. Semi-Supervised SAR Target Detection Based on an Improved Faster R-CNN［J］. Remote Sensing， 2021， 14（1）： 143.
21	DE SOUZA M C， NOGUEIRA B M， ROSSI R G， et al. A Network-Based Positive and Unlabeled Learning Approach for Fake News Detection［J］. Machine Learning， 2022， 111（10）： 3549-3592.
22	DUAN Hongda， MA Fei， MIAO Lixin， et al. A Semi-Supervised Deep Learning Approach for Vessel Trajectory Classification Based on AIS Data［J］. Ocean & Coastal Management， 2022， 218： 106015.
23	RASMUS A， VALPOLA H， HONKALA M， et al. Semi-Supervised Learning with Ladder Networks［C］//Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 3546-3554.
24	SAJJADI M， JAVANMARDI M， TASDIZEN T. Regularization with Stochastic Transformations and Perturbations for Deep Semi-Supervised Learning［C］//Proceedings of the 30th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2016： 1171-1179.
25	LAINE S， AILA T. Temporal Ensembling for Semi-Supervised Learning［EB/OL］. （2017-03-15）［访问日期］. .
26	TARVAINEN A， VALPOLA H. Mean Teachers Are Better Role Models： Weight-Averaged Consistency Targets Improve Semi-Supervised Deep Learning Results［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 1195-1204.
27	KE Zhanghan， WANG Daoye， YAN Qiong， et al. Dual Student： Breaking the Limits of the Teacher in Semi-Supervised Learning［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE， 2019： 6727-6735.
28	MIYATO T， MAEDA S I， KOYAMA M， et al. Virtual Adversarial Training： A Regularization Method for Supervised and Semi-Supervised Learning［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2019， 41（8）： 1979-1993.
29	PARK S， PARK J K， SHIN S J， et al. Adversarial Dropout for Supervised and Semi-Supervised Learning［C］//Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence and Thirtieth Innovative Applications of Artificial Intelligence Conference and Eighth AAAI Symposium on Educational Advances in Artificial Intelligence. Palo Alto： AAAI Press， 2018： 3917-3924.
30	HUANG Shuzhan， TANG Jian， DAI Juying， et al. Signal Status Recognition Based on 1DCNN and Its Feature Extraction Mechanism Analysis［J］. Sensors， 2019， 19（9）： 2018.
31	HAMEED Z， GARCIA-ZAPIRAIN B. Sentiment Classification Using a Single-Layered BiLSTM Model［J］. IEEE Access， 2020， 8： 73992-74001.

[1]	张晨浩, 周焰, 蔡益朝, 郭佳琦. 空中目标作战意图识别研究综述[J]. 现代防御技术, 2024, 52(4): 1-15.
[2]	赵小瑞, 李宏权, 梁复台, 戚玉志. 一种空中目标关联关系挖掘分析方法[J]. 现代防御技术, 2024, 52(3): 96-103.
[3]	宋晓程, 冯舒婷, 姜涛, 李陟. 基于PACA的复杂空中目标战术意图识别方法[J]. 现代防御技术, 2024, 52(3): 48-54.
[4]	商城, 徐志明, 张杨, 张楷煜, 吴其华, 朱义奇, 艾小锋. 空中目标动态电磁散射数据仿真系统设计与实现[J]. 现代防御技术, 2024, 52(2): 163-171.
[5]	梁复台, 周焰, 张晨浩, 宋子豪, 赵小瑞. 对抗条件下空中目标威胁评估方法[J]. 现代防御技术, 2024, 52(1): 147-154.
[6]	李喆, 童逸琦, 夏文博, 应宇欣. 一种多源集中式空中目标类型综合识别方法[J]. 现代防御技术, 2023, 51(4): 53-62.
[7]	李伟强, 邓红艳, 张婷霆, 赵帅, 王修齐. 军事元宇宙中空中作战杀伤云运用研究[J]. 现代防御技术, 2023, 51(4): 36-45.
[8]	陈黎, 李芳芳, 邹长虹. 基于动态贝叶斯网络和模板匹配的空中目标意图识别[J]. 现代防御技术, 2023, 51(2): 62-70.
[9]	陈致远, 沈堤, 余付平, 谭芮锶, 杨天雨, 黄益恒. 基于空域协同的空中目标综合识别方法[J]. 现代防御技术, 2022, 50(3): 61-77.
[10]	刘秋辉, 崇元. 基于OKNN的目标战术意图识别方法[J]. 现代防御技术, 2021, 49(3): 73-79.
[11]	宋宝军, 冯卉. 基于Vague集加权距离的空中目标类型判别方法[J]. 现代防御技术, 2020, 48(4): 29-33.
[12]	杨绍清, 陶中韬, 黄义. 舰炮射击指挥员指挥决策过程混沌建模与分析[J]. 现代防御技术, 2020, 48(1): 38-43.
[13]	梁复台, 李宏权, 孟庆文, 蔡莉. 一种空中目标航迹聚类方法研究[J]. 现代防御技术, 2020, 48(1): 19-25.