数据-知识双驱动的编队目标意图识别方法

doi:10.7527/S1000-6893.2025.32170

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

数据-知识双驱动的编队目标意图识别方法

刘祥雨¹, 王刚¹, 王思远¹(), 陈卓文²

^1.空军工程大学防空反导学院，西安 710051
^2.空军工程大学航空工程学院，西安 710051

收稿日期:2025-04-27 修回日期:2025-05-15 接受日期:2025-06-12 出版日期:2025-06-30 发布日期:2025-06-27
通讯作者: 王思远 E-mail:982268878@qq.com
基金资助:
国家自然科学基金(62402521)

A data-knowledge dual-driven method for formation target intention recognition

Xiangyu LIU¹, Gang WANG¹, Siyuan WANG¹(), Zhuowen CHEN²

^1.Air and Missile Defense College，Air Force Engineering University，Xi’an 710051，China
^2.Aeronautical Engineering College，Air Force Engineering University，Xi’an 710051，China

Received:2025-04-27 Revised:2025-05-15 Accepted:2025-06-12 Online:2025-06-30 Published:2025-06-27
Contact: Siyuan WANG E-mail:982268878@qq.com
Supported by:
National Natural Science Foundation of China(62402521)

摘要/Abstract

摘要：

复杂对抗下的防空作战中，如何对战场目标的意图进行识别成为防空作战态势认知的关键，针对编队目标意图识别过程中的状态变化灵活、意图规律性强等特点，提出了数据-知识双驱动的编队目标意图识别方法，首先设计了数据-知识双驱动的意图识别总体框架，采取串联结合方式解决单一方法的局限性。其次基于该框架设计数据驱动的基于双向长短时记忆网络和条件生成对抗网络的目标状态预测（BC-TSP）方法，解决知识驱动全局搜索能力不足的问题。而后提出了知识驱动的基于模糊决策树的意图推理方法，解决数据驱动解空间爆炸、可解释性低的问题。最后分别进行实验验证，结果分析表明本方法既有着优秀的时序特征数据学习能力，能准确预测编队目标未来的状态信息，又可以根据实际情况高效利用不完备的先验知识，通过可解释性强的推理方式获得编队目标的最终意图，满足防空作战指挥员的态势认知需求，辅助其更好地进行决策。

关键词: 编队目标, 意图识别, 知识驱动, 数据驱动, 模糊决策树

Abstract:

In complex adversarial air defense operations， the identification of battlefield target intent has become crucial for situational awareness. To address the characteristics of flexible state variations and strong regularity in the intent of formation targets， this paper proposes a data-knowledge dual-driven method for formation target intent recognition. First， a hybrid framework of data-knowledge dual-driven intent recognition is designed to address the limitations of using either approach alone. Subsequently， based on this framework， a data-driven Target State Prediction （BC-TSP） method is proposed to solve the problem of insufficient knowledge-driven global search capability， combining Bidirectional Long Short-Term Memory （BiLSTM） and Conditional Generative Adversarial Network （CGAN）. Furthermore， a knowledge-driven intent inference method based on fuzzy decision trees is introduced to solve the problem of data-driven solution space explosion and low interpretability. Comprehensive experimental validation demonstrates that the proposed method not only exhibits strong temporal feature learning capability， enabling accurate prediction of future formation target states， but also efficiently leverages incomplete prior knowledge through a highly interpretable reasoning process to determine the final intent of formation targets. This approach satisfies the situational awareness needs of air defense commanders， assisting them in making better-informed tactical decisions.

Key words: formation target, intent recognition, knowledge-driven, data-driven, fuzzy decision tree framework

中图分类号:

V219

刘祥雨, 王刚, 王思远, 陈卓文. 数据-知识双驱动的编队目标意图识别方法[J]. 航空学报, 2026, 47(2): 332170.

Xiangyu LIU, Gang WANG, Siyuan WANG, Zhuowen CHEN. A data-knowledge dual-driven method for formation target intention recognition[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(2): 332170.

图/表 26

表1

图1

表2

图 2

图 3

图 4

图 5

表 3

生成器和判别器的网络结构

网络

结构

BC-TSP的生成器

第1层：Input， $z$ ，（None， 50）

第2层：Reshape，（None，10， 5）

第3层：Input， $x$ ，（None， 10， 5）

第4层：Multiply，（None， 10， 5）

第5层：BiLSTM，（LSTM（10， 5）），（None， 20， 5）

第6层：Dense，（None， 5）

第7层：Output， $x t + 1'$ ，（None， 5）

BC-TSP的判别器

第1层：Input， $x$ ，（None， 10， 5）

第2层：Input， $x t + 1$ ，（None， 5）

第3层：Concatenate，（None， 11， 5）

第4层：BiLSTM，（LSTM（11， 5）），（None， 22， 5）

第5层：Dense，（None， 5）

第6层：Input， $x t + 1'$ ，（None， 5）

第7层：Concatenate，（None， 11， 5）

第8层：BiLSTM，（LSTM（11， 5）），（None， 22， 5）

第9层：Dense，（None， 5）

第10层：Concatenate，（None， 2， 5）

第11层：Dense，（None， 5）

第12层：Dense， activation=’sigmoid’，（None， 1）

第13层：Output， Real/Fake

表 3

表 4

图 6

表5

图 7

图 8

图 9

图 10

图 11

图 12

图 13

表6

表7

表8

表9

表10

图 14

表11

随机森林意图推理实验结果

编队目标意图分类	样本总数	决策树数量 $L$	正确识别数量	错误识别数量	准确率/%
进攻扫荡	456	$80$	441	15	96.7
		$90$	447	9	98.0
		$100$	442	14	96.9
		$110$	444	12	97.4
		$120$	447	9	98.0
侦察预警	283	$80$	270	13	95.4
		$90$	279	4	98.6
		$100$	280	3	99.0
		$110$	277	6	97.9
		$120$	279	4	98.6
干扰压制	261	$80$	253	8	96.9
		$90$	255	6	97.7
		$100$	255	6	97.7
		$110$	259	2	99.2
		$120$	253	8	96.9
总计	1 000	$80$	964	36	96.4
		$90$	981	19	98.1
		$100$	977	23	97.7
		$110$	980	20	98.0
		$120$	979	21	97.9

表11

表 12

参考文献 21

[1]	张会霞，梁彦，马超雄，等. 数据和知识驱动的空战目标集群类型综合识别［J］. 航空学报 2023， 44（8）： 327266.
	ZHANG H X， LIANG Y， MA C X， et al. Data- and knowledge-driven comprehensive identification of air combat target cluster types［J］. Journal of Aeronautics： 2023， 44（8）： 327266 （in Chinese）.
[2]	饶佳人，孙世庆，李婷婷. 基于规则的空中作战编队识别［J］. 指挥信息系统与技术， 2021， 12（3）： 19-22， 29.
	RAO J R， SUN S Q， LI T T. Rule-based air combat formation recognition［J］. Command Information Systems and Technology， 2021， 12（3）： 19-22， 29 （in Chinese）.
[3]	乔殿峰，梁彦，马超雄，等. 多域作战下的群目标意图识别与预测［J］. 系统工程与电子技术， 2022， 44（11）： 3403-3412.
	QIAO D F， LIANG Y， MA C X， et al. Group target intent recognition and prediction under multi-domain operations［J］. Systems Engineering and Electronics， 2022， 44（11）： 3403-3412 （in Chinese）.
[4]	杨雨田，杨杰，李建国. 基于EMEBN的空中目标战术意图识别方法［J］. 火力与指挥控制， 2022， 47（5）： 163-170.
	YANG Y T， YANG J， LI J G. Tactical intent recognition method for air targets based on EMEBN［J］. Firepower and Command and Control， 2022， 47（5）： 163-170 （in Chinese）.
[5]	MENG G L， ZHAO R N， WANG B， et al.Target tactical intention recognition in multiaircraft cooperative air combat［J］.International Journal of Aerospace Engineering， 2021（5）： 1-18.
[6]	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 Y T， SUN P， ZHANG J Yet al. An airborne cluster intent recognition method under sample imbalance［J］. Systems Engineering and Electronics， 2022， 44（12）： 3747-3755 （in Chinese）.
[7]	苟先太，吴南方. 基于GRU-Attention神经网络的空中群组态势识别方法［J］. 计算机与现代化， 2019（10）： 11-16， 33.
	GOU X T， WU N F. An airborne swarm posture recognition method based on GRU-Attention neural network［J］. Computer and Modernization， 2019（10）： 11-16， 33 （in Chinese）.
[8]	蒲志强，易建强，刘振等. 知识和数据协同驱动的群体智能决策方法研究综述［J］. 自动化学报， 2022， 48（3）： 627-643.
	PU Z Q， YI J Q， LIU Zet al. A review of research on group intelligent decision-making methods driven by knowledge and data synergy［J］. Journal of Automation， 2022， 48（3）： 627-643 （in Chinese）.
[9]	李洋军，黄琦龙，杨力，等. 数据和知识双驱动的空中集群目标作战意图识别［J］. 兵工学报， 2025， 46（2）： 135-144.
	LI Y J， HUANG Q L， YANG L， et al. Data- and knowledge-driven combat intent recognition of airborne cluster targets［J］. Journal of Military Engineering， 2025， Vol. 46（2）： 135-144 （in Chinese）.
[10]	刘建伟，谢浩杰，罗雄麟. 生成对抗网络在各领域应用研究进展［J］. 自动化学报， 2020， 46（12）： 2500-2536.
	LIU J W， XIE H J， LO X L. Research progress of generative adversarial networks applied in various fields［J］. Journal of Automation， 2020， 46（12）： 2500-2536 （in Chinese）.
[11]	RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks［DB/OL］. arXiv preprint： 1511.06434， 2015.
[12]	ARJOVSKY M， BOTTOU L. Towards principled methods for training generative adversarial networks［DB/OL］. arXiv preprint： 1701.04862， 2017.
[13]	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural computation， 1997， 9（8）： 1735-1780.
[14]	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 Z D， CHEN M， WU Q Xet al. Prediction of target intent for unmanned aerial combat under incomplete information［J］. Science in China： Information Science， 2020， 50（5）： 704-717 （in Chinese）.
[15]	MIRZA M， OSINDERO S. Conditional generative adversarial nets［J］. Computer Science， 2014： 2672-2680.
[16]	ZHOU T， CHEN M， WANG Y， et al. Information entropy-based intention prediction of aerial targets under uncertain and incomplete information［J］. Entropy， 2020， 22（3）： 279.
[17]	WANG L， LI S. Tactical intention recognition of aerial target based on XGBoost decision tree［J］. Journal of Measurement Science and Instrumentation， 2018， 9（2）： 148-152.
[18]	刘敏，郎荣玲，曹永斌. 随机森林中树的数量［J］. 计算机工程与应用， 2015， 51（5）： 126-131.
	LIU M， LANG R L， CAO Y B. The number of trees in random forest［J］. Computer Engineering and Applications， 2015， 51（5）： 126-131 （in Chinese）.
[19]	陈浩，任卿龙，滑艺等. 基于模糊神经网络的海面目标战术意图识别［J］. 系统工程与电子技术， 2016， 38（8）： 1847-1853.
	CHEN H， REN Q L， GUA Y et al. Fuzzy neural network-based tactical intent recognition of sea surface targets［J］. Systems Engineering and Electronics Technology， 2016， 38（8）： 1847-1853 （in Chinese）.
[20]	施伟，冯旸赫，程光权等. 基于深度强化学习的多机协同空战方法研究［J］. 自动化学报， 2021， 47（7）： 1610-1623.
	SHI W， FENG Y H， CHENG G Qet al. Deep reinforcement learning based multi-aircraft cooperative air combat method［J］. Journal of Automation， 2021， 47（7）： 1610-1623 （in Chinese）.
[21]	强立，杨凡德，施令. 空间态势认知产品生成及关键技术研究［J］. 指挥控制与仿真， 2018， 40（3）： 5-9， 13.
	QIANG L， YANG D F， SHI L. Research on spatial situational awareness product generation and key technologies［J］. Command Control and Simulation， 2018， 40（03）： 5-9， 13 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

编队目标意图特征	描述
编队高度F_h/ km	编队目标的飞行高度
编队速度F_v/ （m·s^-1）	编队目标的飞行速度
编队航向角F_ha/（°）	地球北极方向到编队目标飞行方向之间的角度
编队方位角F_a/（°）	编队目标飞行方向与保卫要地之间的角度
编队距离F_d/ km	编队目标与保卫要地之间的距离
编队机动模式F_mm	编队目标在一定时间内采取的机动方式
编队组成F_c	编队中具有某种单目标意图的飞机数量占比是否超过阈值
空对地雷达状态A_rs	编队目标的空对地雷达是否开启
电子干扰状态E_is	编队目标的电子干扰装置是否开启

方法	平均绝对误差MAE	均方根误差RMSE	决定系数R²
ARIMA	0.249	0.416	0.874 9
BP	0.159	0.273	0.912 1
RNN	0.137	0.231	0.942 7
LSTM	0.096	0.167	0.964 5
Transformer	0.085	0.140	0.965 7
BC-TSP	0.083	0.139	0.975 3

模型序号	模型结构			对比结果
模型序号	双向长短时记忆网络（BiLSTM）	长短时记忆网络（LSTM）	条件生成对抗网络（CGAN）	平均绝对误差MAE	均方根误差RMSE	决定系数R²
Ⅰ（BiLSTM）	√			0.094	0.164	0.965 5
Ⅱ（LSTM-CGAN）		√	√	0.091	0.160	0.965 6
Ⅲ（BC-TSP）	√		√	0.083	0.139	0.975 3

时刻	编队高度/km	编队速度/（m·s^-1）	编队航向角/（°）	编队方位角/（°）	编队距离/km	编队机动模式	编队组成	空对地雷达工作状态
1	6.4	257	278	37	115	1	0	0
2	6.7	272	293	38	113	1	0	0
3	8.8	288	286	41	109	1	0	0
4	11.6	316	291	32	104	1	0	1
5	12.1	327	304	29	98	1	1	1
6	9.4	293	308	24	87	1	1	1
7	6.1	297	314	24	77	1	1	1
8	5.0	318	329	19	65	1	1	1
9	4.9	327	334	14	51	1	1	1
10	4.3	333	347	10	37	1	1	1

编队编号	编队意图	编队高度/km	编队速度/（m·s^-1）	编队航向角/（°）	编队方位角/（°）	编队距离/km	编队机动模式	编队组成	空对地雷达工作状态	电子干扰状态
1	AS	［7.5，8.5］	［330，360］	［352，358］	*	［12，36］	1	1	0	0
2	AS	［3.0，4.0］	［310，340］	*	［10，15］	［120，134］	0	*	1	0
3	AS	*	［220，250］	［230，245］	［24，30］	*	1	0	1	0
4	AS	［11.2，13.2］	*	［354，359］	［35，42］	［19，25］	1	1	1	*
5	AS	［4.5，5.0］	［300，330］	［48，74］	［17，24］	［37，68］	*	1	1	1
6	AS	［3.9，4.8］	［275，295］	*	［1，12］	［151，175］	1	0	*	*
7	AS	［8.0，9.0］	［350，360］	［0，15］	*	*	0	1	0	0
8	AS	*	*	［271，286］	［54，74］	［64，86］	1	*	1	0
9	RE	［12.5，13.5］	［150，170］	［］	［34，42］	［102，113］	*	0	1	1
10	RE	［16.2，17.3］	［90，100］	［96，125］	［14，25］	［176，196］	*	2	1	0
11	RE	*	［300，320］	*	［58，81］	［54，65］	2	0	*	0
12	RE	［15.0，16.0］	［210，230］	［315，324］	［74，80］	*	0	2	0	0
13	RE	［3.5，4.5］	［95，105］	［231，239］	*	［256，274］	2	2	*	*
14	RE	［6.5，8.3］	［310，320］	［98，115］	［9，15］	［45，59］	2	*	1	0
15	IS	［19.5，20.4］	［285，305］	［120，134］	［42，53］	［260，267］	2	0	*	*
16	IS	［17.3，18.3］	*	*	［98，125］	*	3	3	1	1
17	IS	*	［90，105］	［295，314］	［64，75］	［285，310］	*	0	1	0
18	IS	［19.6，21.0］	*	［13，36］	*	［254，264］	3	3	1	1
19	IS	［13.6，14.9］	［240，250］	［189，193］	［13，20］	［224，260］	3	*	1	1
20	IS	［16.4，19.3］	［80，110］	［146，174］	［93，105］	［287，296］	0	0	0	*

数据-知识双驱动的编队目标意图识别方法

A data-knowledge dual-driven method for formation target intention recognition

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 26

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

编队编号	编队意图	编队高度F_h	编队速度F_v	编队航向角F_ha	编队方位角F_a	编队距离F_d	编队机动模式F_mm	编队组成F_c	空对地雷达工作状态A_rs	电子干扰状态E_is
1	AS	Medium	Fast	North	*	Near	1	1	0	0
2	AS	Low	Fast	*	Small	Medium	0	*	1	0
3	AS	*	Medium	West	Small	*	1	0	1	0
4	AS	Medium	*	North	Medium	Near	1	1	1	*
5	AS	Low	Fast	East	Small	Near	*	1	1	1
6	AS	Low	Medium	*	Small	Medium	1	0	*	*
7	AS	Medium	Fast	North	*	*	0	1	0	0
8	AS	*	*	West	Medium	Near	1	*	1	0
9	RE	Medium	Medium	North	Medium	Medium	*	0	1	1
10	RE	High	Slow	East	Small	Medium	*	2	1	0
11	RE	*	Fast	*	Medium	Near	2	0	*	0
12	RE	High	Medium	North	Medium	*	0	2	0	0
13	RE	Low	Slow	West	*	Far	2	2	*	*
14	RE	Medium	Fast	East	Small	Near	2	*	1	0
15	IS	High	Medium	East	Medium	Far	2	0	*	*
16	IS	High	*	*	Large	*	3	3	1	1
17	IS	*	Slow	West	Medium	Far	*	0	1	0
18	IS	High	*	North	*	Far	3	3	1	1
19	IS	Medium	Medium	South	Small	Medium	3	*	1	1
20	IS	High	Slow	South	Large	Far	0	0	0	*

意图推理方法	样本总数	准确率/%	耗时/s
随机森林方法	50	80.0	0.5
	100	90.0	0.9
	500	95.0	1.9
	1 000	96.5	3.6
	2 000	97.5	8.6
	5 000	98.1	11.4
单一决策树方法	50	90.0	0.7
	100	90.0	1.1
	500	94.0	7.5
	1 000	94.5	11.8
	2 000	95.3	15.6
	5 000	96.5	23.7

[1]	刘延芳, 王洪悦, 鄂羽佳, 齐乃明. 迈向智能驱动的高超声速飞行器边界层主动质量引射减阻降热研究新范式[J]. 航空学报, 2026, 47(2): 132171-132171.
[2]	罗越群, 丁达理, 谭目来, 刘屹东, 周欢. 无人作战飞机自主机动决策方法综述[J]. 航空学报, 2025, 46(7): 30877-030877.
[3]	吴光辉, 王景, 谢海润, 马涂亮, 苗强, 向纪鑫, 张淼. 数据与知识联合赋能的民机智能气动设计[J]. 航空学报, 2025, 46(5): 531485-531485.
[4]	杨述明, 吴建军, 谢昌霖, 程玉强, 王彪. 数据驱动智能故障诊断技术在液体火箭发动机的应用与展望[J]. 航空学报, 2025, 46(15): 131427-131427.
[5]	赵浩天, 邱实, 刘明, 盖琦超, 曹喜滨. 基于全生命周期数据驱动的通讯卫星行波管退化评估方法[J]. 航空学报, 2025, 46(12): 331376-331376.
[6]	曾宇, 汪洪波, 连城阅, 杨揖心, 熊大鹏, 孙明波, 刘卫东. 两种SST湍流模型改进方法适用性分析[J]. 航空学报, 2024, 45(S1): 730574-730574.
[7]	王琪, 武龙, 刘振, 刘建霞, 夏凉. 热弹性多构型梯度点阵结构拓扑优化设计[J]. 航空学报, 2024, 45(23): 230367-230367.
[8]	高天贺, 田阔, 黄蕾, 张澍, 李增聪. 数据驱动的曲面构件形状⁃拓扑协同优化方法[J]. 航空学报, 2024, 45(2): 428806-428806.
[9]	姬田园, 楚武利, 张皓光, 郭正涛, 孟德君. 基于数据驱动的扭转度偏差对压气机性能的影响[J]. 航空学报, 2024, 45(19): 629938-629938.
[10]	杨书恒, 张栋, 熊威, 任智, 唐硕. 基于可解释性强化学习的空战机动决策方法[J]. 航空学报, 2024, 45(18): 329922-329922.
[11]	董立卓, 张思琪, 张钊, 吴宝海. 机理⁃数据混合驱动的叶片加工变形预测方法[J]. 航空学报, 2024, 45(13): 629037-629037.
[12]	杨倩, 王彦哲, 杨迪, 李泽众, 曲巍崴. 基于数据驱动的纤维增强复合材料自动铺放速度预测与规划[J]. 航空学报, 2024, 45(10): 429313-429313.
[13]	刘鹏宇, 朱雪耀. 基于深度学习的融合空域空管指令语义解析技术[J]. 航空学报, 2023, 44(S1): 727592-727592.
[14]	崔西明, 邱志鹏, 魏嘉, 张弛, 宋凯, 李喆, 王树鹏. 基于数据驱动的结构钢表面应力磁巴克豪森噪声表征方法[J]. 航空学报, 2023, 44(8): 427237-427237.
[15]	丁鹏, 宋亚飞. 代价敏感的空中目标意图识别方法[J]. 航空学报, 2023, 44(24): 328551-328551.