[发明专利]无人装备对抗中集群阵型和运动趋势的识别方法及系统

权利要求书

1.一种无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，包括以下步骤：

步骤一、构建集群阵型和运动趋势识别方法的监督学习分类模型；

步骤二、构建集群阵型和运动趋势识别神经网络模型，建立分类模型中从集群态势序列信息到集群阵型和运动趋势识别的映射空间；

步骤三、构建集群态势识别训练样本集，对神经网络模型进行训练学习；

步骤四、将集群态势序列信息输入所述神经网络参数的分类模型，识别集群阵型和运动趋势。

2.根据权利要求1所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤二中，构建集群态势识别方法分类神经网络模型，包括LSTM时序特征提取层，Transformer解码器层，层间注意力层，多维度分类层和输出层；先使用LSTM循环神经网络将集群态势信息编码成时序特征；然后使用Transformer解码器模块和层间注意力模块提取无人集群的综合高阶态势信息，最后通过多维度分类网络和softmax实现对态势要素的分类。

3.根据权利要求2所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤二中，LSTM时序特征提取层，为单向单层LSTM网络模块；集群中各单元信息在LSTM时序特征提取层并行处理，分别提取时序特征，处理各单元信息所使用的LSTM网络模块是同一个模块，参数共享。

4.根据权利要求3所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤二中，Transformer解码器层由多个Transformer单元堆叠而成，由多头注意力层、归一化层和残差连接组成。

5.根据权利要求4所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤二中，多头注意力结构对注意力计算的三个输入矩阵query矩阵、key矩阵和value矩阵使用不同的线性变换，转换为不同的矩阵，使用多个放点积单元进行计算，然后将多个缩放点积单元的计算结果拼接起来，最后通过一个线性映射输出；缩放点积单元使用点积的形式进行相似度计算，并除以以适应规模的变化，d_k为输入量的维度长度，多头注意力层的数学表达式如下。

MultiHead(Q,K,V)＝Concat(Head₁,…,Head_h)W⁰。

6.根据权利要求5所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤二中，层间注意力层把Transformer解码器层中每个Transformer单元的输出进行拼接，后接注意力层提取综合高阶态势信息，层间注意力层的数学表达式如下：

L'＝V^Ttanh(W_a[Q^L；K^L])

式中，Q^L＝K^L为各层Transformer单元提取到的高阶态势信息的集合，V为计算注意力权重时参考的向量，取值观测方主体信息，L'即为提取到的综合高阶态势信息。

7.根据权利要求6所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤二中，多分类网络由一个总全连接网络和多个子全连接网络组成；总全连接网络由多个隐层组成，多个子全连接网络结构相同，也由多个隐层组成，但参数不共享；最后由softmax层输出分类概率，每类态势要素中概率值最大的一项即为网络输出的选中项。

8.根据权利要求1所述的无人装备对抗中集群阵型和运动趋势的识别方法，其特征在于，步骤三中，构建训练样本集，以不同的态势要素组合为依据，仿真生成大量各种场景下的集群态势序列信息，以集群态势序列信息为样本内容，以态势要素作为样本标签。