一种基于多源数据融合与LSTM+强化学习的敌机意图识别方法与系统与流程

本发明属于空防领域、人工智能，涉及敌机意图识别技术。

背景技术：

1、在临边空防领域，敌机意图识别是作战决策的关键环节。现有技术主要采用以下几种方案：

2、方案一：基于规则和模板匹配的意图识别

3、该方法通过军事专家预定义的规则库和意图模板来识别敌机意图。具体流程为：首先从雷达数据中提取目标运动特征（如高度、速度、航向、加速度等）；然后将提取的特征与预定义的意图模板进行匹配；最后根据匹配度判断敌机意图类型。例如，如果敌机以高速接近我方目标，则判定为"攻击"意图；如果敌机低空盘旋，则判定为"侦察"意图。

4、方案二：基于贝叶斯网络的概率推理

5、该方法构建意图识别的贝叶斯网络模型，通过条件概率关系推理敌机意图。网络节点包括目标运动特征、电磁特征、环境特征和意图类型等节点。观测节点接收传感器数据，意图节点通过概率推理计算得到。

6、方案三：基于支持向量机（svm）的机器学习

7、该方法将意图识别建模为分类问题，使用历史训练数据训练svm分类器。输入为目标特征向量，输出为意图类别标签。

8、现有技术方案存在以下技术问题：

9、1. 数据源单一，信息利用率低

10、现有方案主要依赖单一雷达数据，无法充分利用光电、红外、无线电等多源传感器信息。不同传感器具有互补性，雷达能够精确测量距离和速度，光电能够提供目标成像信息，红外能够探测目标热辐射，无线电能够识别目标通信特征。单一数据源限制了信息完整性，导致意图识别准确率受限。

11、2. 缺乏时序建模能力

12、 基于规则和模板匹配的方法主要依赖静态特征匹配，无法捕获敌机行为的时序依赖关系。敌机意图通常通过一系列连续行为来体现，如先低空接近，然后盘旋，最后加速突防。现有方法难以从这些时序行为中提取有意义的模式。

13、3. 实时性不足

14、贝叶斯网络概率推理和传统机器学习方法在处理复杂特征时计算量较大，处理时延通常超过5秒，难以满足现代防空作战的实时决策要求（通常需要毫秒级响应）。

15、4. 自适应能力弱

16、现有方法采用静态模型，无法自主适应战场环境变化和敌机战术演变。一旦敌机采用新的战术或欺骗手段，系统识别准确率会显著下降，需要人工重新训练或调整模型。

技术实现思路

1、本发明为解决以上技术问题，提出一种基于多源数据融合与lstm+强化学习的敌机意图识别方法与系统，利用多源传感器数据，通过深度学习和强化学习技术，实现高准确率、低时延、强自适应性的敌机意图识别。

2、本发明技术方案：一种基于多源数据融合与lstm+强化学习的敌机意图识别方法，包括以下步骤：

3、s1、多源数据采集与时空校准

4、周期性采集雷达、光电、红外、无线电四类传感器观测数据；采用北斗/gps授时统一各传感器数据的时间戳；将各传感器坐标统一转换至wgs84地理坐标系完成空间对齐；采用联合概率数据关联算法将同一目标的不同传感器数据关联到同一目标id，输出时空对齐的多源目标数据流；

5、s2、多模态特征层融合

6、对步骤s1输出多源目标数据流分层提取并融合特征：对雷达、光电提取的目标运动特征采用加权平均融合；对光电、红外提取的目标形态特征采用图像特征匹配融合；对无线电数据提取信号特征；对全部异构特征归一化至[0,1]区间，生成多维融合目标特征向量；

7、s3、基于lstm+自注意力的时序特征提取

8、以当前时刻为基准构建30秒滑动时间窗口，窗口步长100ms，共300个时间步，将连续时序多维融合目标特征向量输入lstm网络；所述lstm网络采用3层、每层128隐藏单元的lstm层和注意力头数为8的注意力层，进行前向计算完成时序信息更新，用自注意力机制对时序信息的关键时间步特征加权；输出64维时序特征向量；

9、s4、基于dqn强化学习的意图初步决策

10、将敌机意图识别建模为马尔可夫决策过程mdp：以64维时序特征向量为状态空间s，设置攻击、突防、侦察、佯攻、干扰、撤退6类意图构成动作空间a；构建复合奖励函数rt=α·accuracyt-β·delayt，其中准确率权重α=10，时延权重β=0.1，accuracyt为识别正误标识，delayt为处理时延；搭建dqn深度q网络智能体，网络输入层接收64维时序特征，三层全连接隐藏层的神经元为256、128、64，激活函数为relu，输出层6个神经元输出各意图类别q值；

11、训练阶段收集(st, at, rt, st+1)四元组存储到经验池，随机采样32个经验组成小批次，每1000步将当前网络参数复制至目标网络，采用ε-greedy探索策略，初始ε=1.0、衰减系数0.995、下限0.1；在线推理时将时序特征输入训练完成的dqn智能体，选取最大q值对应的意图作为初步识别结果；

12、s5、基于d-s证据理论的决策层融合与置信度计算

13、以初步识别结果、基于规则的识别结果进行融合，定义识别框架，构建两组基本概率分配函数；采用dempster合成规则融合两组证据；计算最终置信度；输出融合后的最终意图识别结果及0~1区间置信度评分；

14、s6、流水线并行实时推理加速

15、将全链路推理拆分为数据预处理、特征提取、意图识别三级流水线并行处理；将神经网络模型由fp32量化为int8格式；依托cuda并行计算；根据目标威胁优先级动态分配计算资源；端到端总推理延迟≤150ms，将识别结果推送至指挥决策端。

16、优选的，步骤s2中，雷达权重0.6、光电权重0.4。

17、进一步在于，还包括强电磁干扰场景自适应优化步骤：

18、在步骤s1中增设自适应滤波、卡尔曼滤波抑制雷达噪声，并实时评估各传感器数据质量；步骤s2依据传感器数据质量评分动态调整各类特征融合权重，雷达数据质量差时自动提升光电、红外、无线电数据的权重，并检测和剔除异常数据；步骤s4训练阶段扩充电磁干扰场景样本至经验池，同步上调电磁干扰场景下识别正确时对应的奖励权重。

19、优选的，lstm网络训练参数设置为：学习率0.001，总训练轮数1000；dqn强化学习参数设置为：经验池大小10000，折扣因子γ=0.99，网络学习率0.0001。

20、一种基于所述敌机意图识别方法的敌机意图识别系统，包括：多源传感器网络、数据处理中心、指挥决策系统；

21、所述多源传感器网络，包含远程相控阵雷达、光电跟踪系统、红外热成像系统、无线电频谱监测设备，用于同步采集空域目标的运动轨迹、光学、热辐射、无线电信号原始数据，并通过光纤将数据传输至数据处理中心；

22、所述数据处理中心部署多核服务器集群，内置五大功能模块，用于执行敌机意图识别方法：

23、（1）时空校准与数据关联模块：配置北斗/gps授时单元、坐标转换单元、jpda关联单元，执行多源数据时间同步、空间对齐、目标数据关联；

24、（2）自适应特征融合模块：实现运动、形态、信号多模态特征加权融合、特征归一化，干扰场景下动态调整融合权重；

25、（3）lstm时序特征提取模块：搭载3层128单元lstm网络与8头自注意力层，截取30秒时序窗口提取64维高层时序特征；

26、（4）dqn强化学习决策模块：内置mdp建模单元、dqn智能体网络、经验回放存储单元，输出敌机初步意图识别结果；

27、（5）实时推理与决策融合模块：集成流水线并行调度单元、模型量化单元、gpu加速单元、d-s证据融合计算单元，完成多源决策融合、置信度计算，实现≤150ms毫秒级推理输出；

28、所述指挥决策系统，通过局域网与数据处理中心连通，提供人机交互界面，接收并展示目标空域态势、敌机识别意图及对应置信度，辅助指挥员作战决策。

29、所述时空校准与数据关联模块的时间同步精度优于1ms，传感器至数据处理中心传输时延小于10ms。

30、所述数据处理中心还内置抗干扰拓展子模块，包含自适应噪声滤波单元、传感器质量评估单元，用于在雷达受电磁干扰时动态调整特征融合权重，并扩充电磁干扰场景训练样本优化dqn智能体。

31、所述实时推理与决策融合模块执行以下加速策略：三级流水线并行处理、fp32转int8模型量化、cuda并行计算加速神经网络推理、目标威胁优先级动态算力调度。

32、本发明有益效果：效果1：识别准确率显著提升

33、原理：多源数据融合充分利用了不同传感器的互补信息，lstm时序建模捕获了行为的长期依赖，强化学习实现了策略优化；

34、数据支撑：相比传统方法的72%准确率，本发明达到94%以上；

35、分析：数据融合提高了特征完整性，时序建模增强了行为理解，强化学习优化了决策策略，三者协同作用显著提升准确率。

36、效果2：实时性大幅增强

37、原理：流水线并行处理提高了吞吐量，模型量化减少了计算量，gpu加速利用了并行计算能力；

38、数据支撑：端到端推理延迟从传统方法的5秒以上降至150ms以内；

39、分析：多层次的优化措施共同保证了毫秒级响应，满足现代防空作战的实时性要求。

40、效果3：自适应性显著提高

41、原理：强化学习通过与环境交互不断优化策略，无需人工干预即可适应新场景；

42、数据支撑：在新战术场景下，系统识别准确率下降幅度小于5%，而传统方法下降幅度超过20%；

43、分析：强化学习的自主学习能力使系统能够持续优化，适应战场环境变化。

44、效果4：系统可靠性增强

45、原理：决策层融合采用d-s证据理论，能够处理不确定性和冲突信息；

46、数据支撑：在复杂电磁环境下，误报率仅为0.1-0.3%；

47、分析：多源信息融合降低了单一传感器失效或受干扰的影响，提高了系统整体可靠性。