實(shí)際空戰(zhàn)的復(fù)雜性和不確定性及部分空戰(zhàn)信息未知性,給無人機(jī)空戰(zhàn)目標(biāo)意圖預(yù)測帶來巨大挑戰(zhàn).針對非完備信息下無人機(jī)空戰(zhàn)目標(biāo)意圖預(yù)測問題,本文提出了一種基于長短時記憶(long shortterm memory, LSTM)網(wǎng)絡(luò)的非完備信息下空戰(zhàn)目標(biāo)意圖預(yù)測模型.采用分層的方法建立空戰(zhàn)目標(biāo)意圖預(yù)測特征集,并將空戰(zhàn)信息編碼成時序特征,將專家經(jīng)驗(yàn)封裝成標(biāo)簽,引入三次樣條插值函數(shù)擬合以及平均值填充法來修補(bǔ)不完備數(shù)據(jù),利用自適應(yīng)矩估計(jì)(adaptive moment estimation, Adam)優(yōu)化算法,加快目標(biāo)意圖預(yù)測模型訓(xùn)練速度,以便有效地防止局部最優(yōu)的問題.最后通過仿真驗(yàn)證了所建立的無人機(jī)空戰(zhàn)目標(biāo)意圖預(yù)測模型能有效預(yù)測無人機(jī)空戰(zhàn)目標(biāo)意圖.

【文章頁數(shù)】：14 頁

【部分圖文】：

圖6空戰(zhàn)數(shù)據(jù)修補(bǔ)流程圖

則稱S(x)為函數(shù)f(x)關(guān)于節(jié)點(diǎn)x0,x1,...,xn的三次樣條插值函數(shù),其中˙S(x),¨S(x)為S(x)在區(qū)間[a,b]上的一階導(dǎo)數(shù)和二階導(dǎo)數(shù).通過使用三次樣條插值的方法,擬合實(shí)際空戰(zhàn)曲線,從而近似估計(jì)缺失點(diǎn)的特征值.

圖9(網(wǎng)絡(luò)版彩圖)訓(xùn)練集和測試集識別率變化曲線

從表3中預(yù)測準(zhǔn)確率結(jié)果可知,當(dāng)小部分缺失時,空戰(zhàn)意圖預(yù)測模型依然有較高的識別率,在數(shù)據(jù)缺失率達(dá)到30%時,空戰(zhàn)意圖預(yù)測模型識別率仍有90%,但是當(dāng)數(shù)據(jù)缺失嚴(yán)重時,可能會喪失意圖本身時序特征信息,所對應(yīng)的識別率則會相應(yīng)下降,與實(shí)際情況相符.4.3意圖預(yù)測

圖10(網(wǎng)絡(luò)版彩圖)不同模型識別對比圖

表4為10次模型訓(xùn)練過程中訓(xùn)練的訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率,從表4中可知,基于LSTM的空戰(zhàn)意圖智能識別系統(tǒng)在不同數(shù)據(jù)集中均能有效識別空中目標(biāo)作戰(zhàn)意圖,平均識別率高達(dá)94.06%,充分驗(yàn)證所提模型的可靠性.4.3.2模型準(zhǔn)確性驗(yàn)證實(shí)驗(yàn)

圖5無人機(jī)空戰(zhàn)意圖預(yù)測模型基本框架

本文基于LSTM網(wǎng)絡(luò)設(shè)計(jì)了空戰(zhàn)意圖預(yù)測模型,該模型的基本流程為:(1)將傳感器采集到的數(shù)據(jù)進(jìn)行濾波,去除明顯錯誤數(shù)據(jù),并修補(bǔ)缺失數(shù)據(jù);(2)對數(shù)據(jù)進(jìn)行歸一化處理,并將數(shù)據(jù)信息編碼成特征向量;(3)將特征向量輸入到LSTM網(wǎng)絡(luò)中,并訓(xùn)練LSTM網(wǎng)絡(luò);(4)將LSTM網(wǎng)絡(luò)的輸出進(jìn)行邏....

本文編號：3941173