A Review of Air Target Operational Intention Recognition Research

doi:10.3969/j.issn.1009-086x.2024.04.001

Abstract

Abstract:

With the continuous evolution of war forms and the upgrading of weapons and equipment， the air battlefield situation is becoming more and more complex. Quickly and accurately identifying the combat intention of the target is an important content of battlefield situation assessment， which can provide auxiliary information for commanders to make decisions and help them to seize the initiative in the war. This paper firstly introduces the basic concepts and related models of target intention recognition， defines the concepts of target intention and intention recognition， and determines the status and importance of target intention recognition from two aspects of the operational command decision-making process and information fusion process. Secondly， target features and intention space， as input attributes and recognition framework for intention recognition respectively， are the basis of intention recognition and are reviewed. Then， five common target intention recognition methods such as rule and template matching， evidence theory， Bayesian network， traditional machine learning and neural network are reviewed. The basic mechanism and recognition process of each recognition method are introduced， and its advantages and disadvantages are summarized. Finally， the performance of five kinds of target combat intention recognition methods is compared and analyzed， and the future research direction is prospected.

Key words: air battlefield situation, target operational intent, intention recognition, matching rules and templates, evidence theory, Bayesian network, machine learning, neural network

摘要：

随着战争形式的不断演变和武器装备的更新换代，空中战场态势日益复杂，迅速准确地识别目标作战意图是战场态势评估的一项重要内容，可以为指挥员的决策提供辅助信息，有利于掌握战争主动权。首先介绍了目标意图识别的基本概念及相关模型，界定了目标意图和意图识别的定义概念，从作战指挥决策流程和信息融合流程2个方面确定了目标意图识别的地位和重要性；其次目标特征和意图空间分别作为意图识别的输入属性和识别框架，是意图识别的基础并对此进行了综述；然后综述规则和模板匹配、证据理论、贝叶斯网络、传统机器学习和神经网络等5类常见的目标意图识别方法，介绍了每种识别方法的基本机理和识别过程，总结了其优缺点；最后对比分析了5类目标作战意图识别方法的性能，并对其未来研究方向进行了展望。

关键词: 空中战场态势, 目标作战意图, 意图识别, 规则和模板匹配, 证据理论, 贝叶斯网络, 机器学习, 神经网络

CLC Number:

E919

Chenhao ZHANG, Yan ZHOU, Yichao CAI, Jiaqi GUO. A Review of Air Target Operational Intention Recognition Research[J]. Modern Defense Technology, 2024, 52(4): 1-15.

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.

Figures/Tables 5

References 73

1	韩崇昭，朱洪艳，段战胜，等. 多源信息融合［M］. 2版. 北京：清华大学出版社， 2010.
	HAN Chongzhao， ZHU Hongyan， DUAN Zhansheng， et al. Multi-source Information Fusion［M］. 2nd ed. Beijing： Tsinghua University Press， 2010.
2	王海旺，史红权，赵晓哲. 目标意图识别方法综述［C］∥2020中国系统仿真与虚拟现实技术高层论坛论文集. 北京：中国系统仿真与虚拟现实技术层论坛组委会， 2020： 189-191.
	WANG Haiwang， SHI Hongquan， ZHAO Xiaozhe. A Summary of Target Intention Identification Methods［C］∥China System Simulation and Virtual Reality Technology High-Level Forum 2020. Beijing： Organizing Committee of China System Simulation and Virtual Reality Technology Forum， 2020： 189-191.
3	张子明，荆福龙，刘仲，等. 未来空战中的意图理解技术综述［C］∥第十九届中国航空测控技术年会论文集. 西安：航空工业测控技术发展中心， 2022： 400-404.
	ZHANG Ziming， JING Fulong， LIU Zhong， et al. Summary of Intention Comprehension Technology in Future Air Combat［C］∥Proceedings of the 19th China Aviation Measurement and Control Technology Annual Conference. Xi'an： Aviation Industry Measurement and Control Technology Development Center， 2022： 400-404.
4	高巍，罗俊仁，袁唯淋，等. 面向对手建模的意图识别方法综述［J］. 网络与信息安全学报， 2021， 7（4）： 86-100.
	GAO Wei， LUO Junren， YUAN Weilin， et al. Survey of Intention Recognition for Opponent Modeling［J］. Chinese Journal of Network and Information Security， 2021， 7（4）： 86-100.
5	陈优敏，李长云. 基于知识图谱的目标战术意图识别仿真［J］. 计算机仿真， 2019， 36（8）： 1-4， 19.
	CHEN Youmin， LI Changyun. Simulation of Target Tactical Intention Recognition Based on Knowledge Map［J］. Computer Simulation， 2019， 36（8）： 1-4， 19.
6	冷画屏，吴晓锋，殷卫兵. 舰艇战术意图识别技术［J］. 火力与指挥控制， 2007， 32（11）： 35-37， 41.
	LENG Huaping， WU Xiaofeng， YIN Weibing. Research on Recognition Technique of Vessel Tactical Intentions［J］. Fire Control & Command Control， 2007， 32（11）： 35-37， 41.
7	孙越林，包磊. 基于D-S证据理论的海战场目标战术意图识别技术研究［J］. 舰船电子工程， 2012， 32（5）： 48-51.
	SUN Yuelin， BAO Lei. Study on Recognition Technique of Targets' Tactical Intentions in Sea Battlefield Based on D-S Evidence Theory［J］. Ship Electronic Engineering， 2012， 32（5）： 48-51.
8	李香亭. 态势估计中目标意图识别的研究与实现［D］. 太原：中北大学， 2012.
	LI Xiangting. The Research and Implementation of Situation Assessment in the Target Intention Recognition［D］. Taiyuan： North University of China， 2012.
9	耿振余，张建康. 基于贝叶斯网络的空中目标作战企图识别研究［J］. 现代防御技术， 2008， 36（6）： 40-44.
	GENG Zhenyu， ZHANG Jiankang. Research on Air Target Combat Intention Inference Based on Bayesian Network［J］. Modern Defence Technology， 2008， 36（6）： 40-44.
10	王端龙，吴晓锋，冷画屏. 对敌战场意图识别的若干问题［J］. 舰船电子工程， 2004， 24（6）： 4-9.
	WANG Duanlong， WU Xiaofeng， LENG Huaping. Some Problems for Intention Assessment to Foe in Battle-Field［J］. Ship Electronic Engineering， 2004， 24（6）： 4-9.
11	岳师光. 面向计算机生成兵力的意图识别建模与推理方法研究［D］. 长沙：国防科学技术大学， 2016.
	YUE Shiguang. Research on Modeling and Inference of CGF-Oriented Intention Recognition［D］. Changsha： National University of Defense Technology， 2016.
12	朱波，方立恭，张小东. 基于贝叶斯网络的空中目标意图识别方法［J］. 现代防御技术， 2012， 40（2）： 109-113.
	ZHU Bo， FANG Ligong， ZHANG Xiaodong. Intention Assessment to Aerial Target Based on Bayesian Network［J］. Modern Defence Technology， 2012， 40（2）： 109-113.
13	余振翔，胡笑旋，夏维. 基于模糊动态贝叶斯网空战敌方作战企图识别［J］. 合肥工业大学学报（自然科学版）， 2013， 36（10）： 1210-1216， 1253.
	YU Zhenxiang， HU Xiaoxuan， XIA Wei. Foe Intention Inference in Air Combat Based on Fuzzy Dynamic Bayesian Network［J］. Journal of Hefei University of Technology（Natural Science）， 2013， 36（10）： 1210-1216， 1253.
14	冷画屏，吴晓锋，胡剑光，等. 海上目标战术意图序贯识别技术研究［J］. 系统工程与电子技术， 2008， 30（3）： 462-465.
	LENG Huaping， WU Xiaofeng， HU Jianguang， et al. Study on Sequential Recognition Technique of Marine Targets' Tactical Intentions［J］. Systems Engineering and Electronics， 2008， 30（3）： 462-465.
15	何友，王国宏，陆大䋮，等. 多传感器信息融合及应用［M］ . 2版. 北京：电子工业出版社， 2007.
	HE You， WANG Guohong， LU Dajin， et al. Multisensor Information Fusion with Applications［M］. 2nd ed. Beijing： Publishing House of Electronics Industry， 2007.
16	SILVANDER J， ANGELIN L. Introducing Intents to the OODA-Loop［J］. Procedia Computer Science， 2019， 159： 878-883.
17	TENG Fei， SONG Yafei， WANG Gang， et al. A GRU-Based Method for Predicting Intention of Aerial Targets［J］. Computational Intelligence and Neuroscience， 2021， 2021： 6082242.
18	周旺旺，姚佩阳，张杰勇，等. 基于深度神经网络的空中目标作战意图识别［J］. 航空学报， 2018， 39（11）： 195-203.
	ZHOU Wangwang， YAO Peiyang， ZHANG Jieyong， et al. Combat Intention Recognition for Aerial Targets Based on Deep Neural Network［J］. Acta Aeronautica et Astronautica Sinica， 2018， 39（11）： 195-203.
19	欧微，柳少军，贺筱媛，等. 基于时序特征编码的目标战术意图识别算法［J］. 指挥控制与仿真， 2016， 38（6）： 36-41.
	Wei OU， LIU Shaojun， HE Xiaoyuan， et al. Tactical Intention Recognition Algorithm Based on Encoded Temporal Features［J］. Command Control & Simulation， 2016， 38（6）： 36-41.
20	刘钻东，陈谋，吴庆宪，等. 非完备信息下无人机空战目标意图预测［J］. 中国科学（信息科学）， 2020， 50（5）： 704-717.
	LIU Zuandong， CHEN Mou， WU Qingxian， et al. Prediction of Unmanned Aerial Vehicle Target Intention Under Incomplete Information［J］. Scientia Sinica（Informationis）， 2020， 50（5）： 704-717.
21	徐建平，张立凡，韩德强. 基于模糊推理的空中目标意图识别［J］. 指挥信息系统与技术， 2020， 11（3）： 44-48.
	XU Jianping， ZHANG Lifan， HAN Deqiang. Air Target Intention Recognition Based on Fuzzy Inference［J］. Command Information System and Technology， 2020， 11（3）： 44-48.
22	马钰棠，孙鹏，张杰勇，等. 样本不平衡下的空中群组意图识别方法［J］. 系统工程与电子技术， 2022， 44（12）： 3747-3755.
	MA Yutang， SUN Peng， ZHANG Jieyong， et al. Air Group Intention Recognition Method Under Imbalance Samples［J］. Systems Engineering and Electronics， 2022， 44（12）： 3747-3755.
23	ZHANG Zheng， QU Yang， LIU Hongkun. Air Target Intention Recognition Based on Further Clustering and Sample Expansion［C］∥2018 37th Chinese Control Conference （CCC）. Piscataway： IEEE， 2018： 3565-3569.
24	TENG Fei， GUO Xinpeng， SONG Yafei， et al. An Air Target Tactical Intention Recognition Model Based on Bidirectional GRU with Attention Mechanism［J］. IEEE Access， 2021， 9： 169122-169134.
25	滕飞，刘曙，宋亚飞. BiLSTM-Attention：一种空中目标战术意图识别模型［J］. 航空兵器， 2021， 28（5）： 24-32.
	TENG Fei， LIU Shu， SONG Yafei. BiLSTM-Attention： An Air Target Tactical Intention Recognition Model［J］. Aero Weaponry， 2021， 28（5）： 24-32.
26	TENG Fei， SONG Yafei， GUO Xinpeng. Attention-TCN-BiGRU： An Air Target Combat Intention Recognition Model［J］. Mathematics， 2021， 9（19）： 2412.
27	孙亮，于雷，邹德鹏. Dempster-Shafer证据理论在目标意图预测中的应用［J］. 电光与控制， 2008， 15（3）： 33-36.
	SUN Liang， YU Lei， ZOU Depeng. Application of Dempster-Shafer Evidence Theory in Target Intention Prediction［J］. Electronics Optics & Control， 2008， 15（3）： 33-36.
28	孙亮，于雷，黄文卿，等. 改进加权D-S证据理论在目标意图预测中的应用［J］. 空军工程大学学报（自然科学版）， 2009， 10（1）： 17-22.
	SUN Liang， YU Lei， HUANG Wenqing， et al. Application of Dempster-Shafer Evidence Theory to Target Intention Prediction［J］. Journal of Air Force Engineering University（Natural Science Edition）， 2009， 10（1）： 17-22.
29	ZHOU Tongle， CHEN Mou， WANG Yuhui， et al. Information Entropy-Based Intention Prediction of Aerial Targets Under Uncertain and Incomplete Information［J］. Entropy， 2020， 22（3）： 279.
30	SONG Yuan， ZHANG Xinhua， WANG Zhikai. Target Intention Inference Model Based on Variable Structure Bayesian Network［C］∥2009 International Conference on Computational Intelligence and Software Engineering. Piscataway： IEEE， 2009： 1-4.
31	XUE Junjie， ZHU Jie， XIAO Jiyang， et al. Panoramic Convolutional Long Short-Term Memory Networks for Combat Intension Recognition of Aerial Targets［J］. IEEE Access， 2020， 8： 183312-183323.
32	黄洁，刘伟，赵拥军. 直觉云推理及其在空中目标意图分析中的应用［J］. 运筹与模糊学， 2014， 4（4）： 60-69.
	HUANG Jie， LIU Wei， ZHAO Yongjun. Intuitionistic Cloud Reasoning and Its Application in Aerial Target Intention Analysis［J］. Operations Research and Fuzziology， 2014， 4（4）： 60-69.
33	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.
34	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.
35	尹江丽，郭效芝. 空天态势推演与预测分析方法［C］∥第19届中国系统仿真技术及其应用学术年会（19th CCSSTA 2018）论文集. 合肥：中国科学技术大学出版社， 2018： 293-296.
	YIN Jiangli， GUO Xiaozhi. Aerospace Situation Evolving and Predicting Methods［C］∥Proceedings of the 19th China System Simulation Technology and Its Applications Academic Annual Conference （19th CCSSTA 2018）. Hefei： China University of Science and Technology Press， 2018： 293-296.
36	史浩宇，赵克新. 无人作战飞机自主空战战术动作的分层识别方法［J］. 火力与指挥控制， 2019， 44（12）： 51-55， 60.
	SHI Haoyu， ZHAO Kexin. The Hierarchical Recognition Method of Autonomous Air Combat Tactical Action of Unmanned Combat Aircraft［J］. Fire Control & Command Control， 2019， 44（12）： 51-55， 60.
37	王海滨，关欣，衣晓，等. 基于改进模糊置信规则的意图识别方法［J］. 电子与信息学报， 2023， 45（3）： 941-948.
	WANG Haibin， GUAN Xin， YI Xiao， et al. An Intention Recognition Method Based on Fuzzy Belief-Rule-Base［J］. Journal of Electronics & Information Technology， 2023， 45（3）： 941-948.
38	SHAFER G. A Mathematical Theory of Evidence［M］. Princeton： Princeton University Press， 1976.
39	吴海秀. 基于贝叶斯网络和D-S证据理论的态势估计方法［D］. 杭州：杭州电子科技大学， 2013.
	WU Haixiu. A Method of Situation Assessment Based on Bayesian Network and D-S Evidence Theory［D］. Hangzhou： Hangzhou Dianzi University， 2013.
40	周志强，钱建刚，尹康银，等. 一种基于D-S证据理论的目标意图预测方法［J］. 空军预警学院学报， 2014， 28（2）： 116-118.
	ZHOU Zhiqiang， QIAN Jiangang， YIN Kangyin， et al. Method of Target Intention Prediction Based on D-S Evidence Theory［J］. Journal of Air Force Early Warning Academy， 2014， 28（2）： 116-118.
41	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.
42	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.
43	马静. 贝叶斯网络的战场作战意图评估方法［J］. 西安工业大学学报， 2010， 30（4）： 397-401.
	MA Jing. Assessment of Operational Intention in Battlefield Based on Bayesian Network［J］. Journal of Xi'an Technological University， 2010， 30（4）： 397-401.
44	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.
45	HAN T A， PEREIRA L M. State-of-the-Art of Intention Recognition and Its Use in Decision Making［J］. AI Communications， 2013， 26（2）： 237-246.
46	XU Linxuan， QIAO Dianfeng， LIANG Yan， et al. A Novel DBN-Based Intention Inference Algorithm for Warship Air Combat［C］∥2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference （ITAIC）. Piscataway： IEEE， 2020： 916-921.
47	国海峰，刘宏强，荘炎龙，等. 基于CIDBN的战术活动识别模型及在线精确推理［J］. 北京航空航天大学学报， 2020， 46（6）： 1097-1107.
	GUO Haifeng， LIU Hongqiang， ZHUANG Yanlong， et al. Tactical Activity Recognition Model and Online Accurate Inference Based on CIDBN［J］. Journal of Beijing University of Aeronautics and Astronautics， 2020， 46（6）： 1097-1107.
48	XU Yuheng， CHENG Siyi， ZHANG Hubiao， et al. Air Target Combat Intention Identification Based on IE-DSBN［C］∥2020 International Workshop on Electronic Communication and Artificial Intelligence （IWECAI）. Piscataway： IEEE， 2020： 36-40.
49	ZHANG Honghai， YAN Yongjie， LI Shan， et al. UAV Behavior-Intention Estimation Method Based on 4-D Flight-Trajectory Prediction［J］. Sustainability， 2021， 13（22）： 12528.
50	江佳运，孙有朝，晏传奇. 基于GASVM-HMM算法的飞行员操控意图识别［J］. 航空计算技术， 2023， 53（1）： 43-47.
	JIANG Jiayun， SUN Youchao， YAN Chuanqi. Pilot Manipulation Intention Recognition Based on GASVM-HMM Algorithms［J］. Aeronautical Computing Technique， 2023， 53（1）： 43-47.
51	WANG Lei， LI Shizhong. Tactical Intention Recognition of Aerial Target Based on XGBoost Decision Tree［J］. Journal of Measurement Science and Instrumentation， 2018， 9（2）： 148-152.
52	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.
53	MENG Guanglei， ZHAO Runnan， WANG Biao， et al. Target Tactical Intention Recognition in Multiaircraft Cooperative Air Combat［J］. International Journal of Aerospace Engineering， 2021， 2021（1）： 9558838.
54	胡智勇，刘华丽，龚淑君，等. 基于随机森林的目标意图识别［J］. 现代电子技术， 2022， 45（19）： 1-8.
	HU Zhiyong， LIU Huali， GONG Shujun， et al. Target Intention Recognition Based on Random Forest［J］. Modern Electronics Technique， 2022， 45（19）： 1-8.
55	ZHOU Wangwang， ZHANG Jieyong， GU Nannan， et al. Recognition of Combat Intention with Insufficient Expert Knowledge［C］∥Proceedings of the 3rd International Conference on Computational Modeling， Simulation and Applied Mathematics， Wuhan， China， 2018： 27-28.
56	崔洋培，吴庆宪，陈谋. 基于自适应神经模糊推理系统的空中目标意图预测［C］∥第15届中国系统仿真技术及其应用学术会议论文集. 合肥：中国科学技术大学出版社， 2014： 277-281.
	CUI Yangpei， WU Qingxian， CHEN Mou. Aerial Target Intention Prediction Based on Adaptive Neuro-fuzzy Inference System［C］∥The 15th Chinese Conference on System Simulation Technology and Application. Hefei： China University of Science and Technology Press， 2014： 277-281.
57	崔洋培. 基于目标意图的空空导弹智能制导与控制技术研究［D］. 南京：南京航空航天大学， 2015.
	CUI Yangpei. Air-to-Air Missile Intelligent Guiding And Control Based on Target Intention［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2015.
58	贾苏元，徐金钰，王钰. 基于自适应神经网络模糊系统（ANFIS）的空中目标意图分类［J］. 电子测量技术， 2016， 39（12）： 62-66.
	JIA Suyuan， XU Jinyu， WANG Yu. Classification of Air Target Intention Based on Adaptive Neural Network Fuzzy System （ANFIS）［J］. Electronic Measurement Technology， 2016， 39（12）： 62-66.
59	AHMED A A， MOHAMMED M F. SAIRF： A Similarity Approach for Attack Intention Recognition Using Fuzzy Min-Max Neural Network［J］. Journal of Computational Science， 2018， 25： 467-473.
60	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.
61	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.
62	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.
63	WANG Xun， LU Aiguo， LIU Jin， et al. Intelligent Interaction Model for Battleship Control Based on the Fusion of Target Intention and Operator Emotion［J］. Computers & Electrical Engineering， 2021， 92： 107196.
64	王晟. 基于大数据处理的态势评估与威胁估计算法研究［D］. 成都：电子科技大学， 2019.
	WANG Sheng. Research of Situation Assessment and Threat Assessment Algorithms Based on Big Data Processing Technology［D］. Chengdu： University of Electronic Science and Technology of China， 2019.
65	赵佳欢，杨海明，邱令存. 融合注意力机制的战术意图智能识别模型研究［J］. 航天控制， 2021， 39（3）： 56-62， 81.
	ZHAO Jiahuan， YANG Haiming， QIU Lingcun. Research on Intelligent Recognition Model of Tactical Intent Combined with Attention Mechanism［J］. Aerospace Control， 2021， 39（3）： 56-62， 81.
66	QU Chongxiao， GUO Zichang， XIA Shaojie， et al. Intention Recognition of Aerial Target Based on Deep Learning［J］. Evolutionary Intelligence， 2024， 17（1）： 303-311.
67	欧微，柳少军，贺筱媛，等. 战场对敌目标战术意图智能识别模型研究［J］. 计算机仿真， 2017， 34（9）： 10-14， 19.
	Wei OU， LIU Shaojun， HE Xiaoyuan， et al. Study on the Intelligent Recognition Model of Enemy Target's Tactical Intention on Battlefield［J］. Computer Simulation， 2017， 34（9）： 10-14， 19.
68	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.
69	钱钊，刘钦，鹿瑶，等. 基于长短时神经网络的目标意图识别［J］. 太赫兹科学与电子信息学报， 2022， 20（11）： 1156-1162.
	QIAN Zhao， LIU Qin， LU Yao， et al. Identification of Target's Combat Intention Based on Long Short Term Memory Network［J］. Journal of Terahertz Science and Electronic Information Technology， 2022， 20（11）： 1156-1162.
70	孙华东. 基于机器学习的多源数据态势评估技术研究［D］. 成都：电子科技大学， 2020.
	SUN Huadong. Research on Situation Assessment Technology of Multi-Source Data Based on Machine Learning［D］. Chengdu： University of Electronic Science and Technology of China， 2020.
71	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.
72	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.
73	吴南方. 基于循环神经网络的集群意图识别方法研究［D］. 成都：西南交通大学， 2019.
	WU Nanfang. Research on Cluster Intention Recognition Method Based on Recurrent Neural Network［D］. Chengdu： Southwest Jiaotong University， 2019.

文献	特征数量	目标特征
文献［9］	6	航向、距离、身份、机型、速度、高度
文献［17］	16	敌机加速度、敌机高度、敌机速度、敌机空战能力因子、我机加速度、我机高度、我机速度、我机空战能力因子、航向角、方位角、距离、对空雷达状态、对海雷达状态、干扰状态、受干扰状态、机动类型
文献［18］	11	飞行速度、高度、航向角、方位角、飞行加速度、雷达散射截面积、对空雷达状态、对海雷达状态、干扰状态、敌我识别应答、机动类型
文献［19］	7	飞行高度、速度、航向、重频、脉宽、载频、雷达散射截面积
文献［20］	13	敌机速度、敌机高度、敌机加速度、航向角、方位角、我机速度、我机加速度、双方距离、对空雷达状态、对海雷达状态、干扰、受干扰状态、机动类型
文献［21］	5	速度、高度、距离、相对航向角、转向趋势
文献［22］	11	速度、加速度、高度、距离、航向角、方位角、雷达反射面积、机动类型、干扰状态、对空雷达状态、对海雷达状态
文献［23］	5	方位角、距离、水平速度、航向角、高度
文献［24-25］	17	敌机加速度、敌机高度、敌机速度、敌机空战能力因子、我机加速度、我机高度、我机速度、我机空战能力因子、航向角、方位角、距离、对空雷达状态、对海雷达状态、干扰状态、受干扰状态、机动类型、敌机类型
文献［26］	12	距离、速度、雷达散射截面积、高度、方位角、航向角、加速度、作战效能因子、电子干扰状态、对空雷达状态、对地雷达状态、舆论分析
文献［27-28］	3	速度、距离、方位角
文献［29］	10	速度、高度、距离、航向角、方位角、机动类型、干扰状态、受干扰状态、对空雷达状态、对海雷达状态
文献［30］	11	高度、敌我识别应答、目标类型、航向角、位置、加速度、对海雷达状态、对空雷达状态、速度、雷达散射截面积、目标战术类型
文献［31］	9	方位角、距离、航向角、速度、高度、对空雷达状态、对地雷达状态、电子干扰状态、雷达散射截面积

文献	特征数量	目标特征
文献［9］	6	航向、距离、身份、机型、速度、高度
文献［17］	16	敌机加速度、敌机高度、敌机速度、敌机空战能力因子、我机加速度、我机高度、我机速度、我机空战能力因子、航向角、方位角、距离、对空雷达状态、对海雷达状态、干扰状态、受干扰状态、机动类型
文献［18］	11	飞行速度、高度、航向角、方位角、飞行加速度、雷达散射截面积、对空雷达状态、对海雷达状态、干扰状态、敌我识别应答、机动类型
文献［19］	7	飞行高度、速度、航向、重频、脉宽、载频、雷达散射截面积
文献［20］	13	敌机速度、敌机高度、敌机加速度、航向角、方位角、我机速度、我机加速度、双方距离、对空雷达状态、对海雷达状态、干扰、受干扰状态、机动类型
文献［21］	5	速度、高度、距离、相对航向角、转向趋势
文献［22］	11	速度、加速度、高度、距离、航向角、方位角、雷达反射面积、机动类型、干扰状态、对空雷达状态、对海雷达状态
文献［23］	5	方位角、距离、水平速度、航向角、高度
文献［24-25］	17	敌机加速度、敌机高度、敌机速度、敌机空战能力因子、我机加速度、我机高度、我机速度、我机空战能力因子、航向角、方位角、距离、对空雷达状态、对海雷达状态、干扰状态、受干扰状态、机动类型、敌机类型
文献［26］	12	距离、速度、雷达散射截面积、高度、方位角、航向角、加速度、作战效能因子、电子干扰状态、对空雷达状态、对地雷达状态、舆论分析
文献［27-28］	3	速度、距离、方位角
文献［29］	10	速度、高度、距离、航向角、方位角、机动类型、干扰状态、受干扰状态、对空雷达状态、对海雷达状态
文献［30］	11	高度、敌我识别应答、目标类型、航向角、位置、加速度、对海雷达状态、对空雷达状态、速度、雷达散射截面积、目标战术类型
文献［31］	9	方位角、距离、航向角、速度、高度、对空雷达状态、对地雷达状态、电子干扰状态、雷达散射截面积

文献	数量	意图空间
文献［9］	6	侦察、攻击、支援、返航、我机、其他无威胁意图
文献［17，24-26］	7	监视、侦察、佯攻、攻击、突防、撤退、电子干扰
文献［18，31］	8	突防、攻击、电子干扰、运输、加油、民航飞行、预警探测、侦察
文献［19］	7	侦察、监视、佯攻、攻击、突防、诱敌、撤退
文献［20］	7	攻击、侦察、监视、佯攻、突防、防守、电子干扰
文献［21］	4	攻击、突防、撤离、搜索
文献［22］	6	攻击、佯攻、撤退、侦察、监视、电子干扰
文献［23］	5	攻击、监视、侦察、搜索、其他
文献［30］	5	攻击、侦察、护卫、运输、汇合

文献	数量	意图空间
文献［9］	6	侦察、攻击、支援、返航、我机、其他无威胁意图
文献［17，24-26］	7	监视、侦察、佯攻、攻击、突防、撤退、电子干扰
文献［18，31］	8	突防、攻击、电子干扰、运输、加油、民航飞行、预警探测、侦察
文献［19］	7	侦察、监视、佯攻、攻击、突防、诱敌、撤退
文献［20］	7	攻击、侦察、监视、佯攻、突防、防守、电子干扰
文献［21］	4	攻击、突防、撤离、搜索
文献［22］	6	攻击、佯攻、撤退、侦察、监视、电子干扰
文献［23］	5	攻击、监视、侦察、搜索、其他
文献［30］	5	攻击、侦察、护卫、运输、汇合

方法	目标数据要求	数据处理能力	模型泛化能力	结果可解释性
规则和模板匹配	结构化数据	差	差	好
D-S证据理论	结构化数据	较差	差	较好
贝叶斯网络	结构化数据	一般	一般	较好
传统机器学习	结构化数据	较好	较好	一般
神经网络	结构化数据非结构化数据	好	好	差