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

Abstract

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

CLC Number:

V219

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.

Figures/Tables 26

Table 1

Fig.1

Table 2

Fig.2

Fig.3

Fig.4

Fig.5

Table 3

Network architecture of generator and discriminator

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

Table 3

Table 4

Fig.6

Table 5

Fig.7

Fig.8

Fig.9

Fig.10

Fig.11

Fig.12

Fig.13

Table 6

Table 7

Table 8

Table 9

Table 10

Fig.14

Table 11

Experimental results of intention inference with random forest

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

Table 11

Table 12

References 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）.

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	*

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

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 26

References 21

Related Articles 15

Recommended Articles

Metrics

Comments

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]	Yanfang LIU, Hongyue WANG, Yujia E, Naiming QI. A new paradigm of intelligence-driven active mass ejection drag and heat reduction research for hypersonic vehicle boundary layer [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(2): 132171-132171.
[2]	Yuequn LUO, Dali DING, Mulai TAN, Yidong LIU, Huan ZHOU. A review of autonomous maneuver decision methods for unmanned combat aerial vehicle [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(7): 30877-030877.
[3]	Guanghui WU, Jing WANG, Hairun XIE, Tuliang MA, Qiang MIAO, Jixin XIANG, Miao ZHANG. Data and knowledge-enabled intelligent aerodynamic design for civil aircraft [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(5): 531485-531485.
[4]	Shuming YANG, Jianjun WU, Changlin XIE, Yuqiang CHENG, Biao WANG. Application issues of data-driven intelligent fault diagnosis technologies for liquid rocket engines [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(15): 131427-131427.
[5]	Haotian ZHAO, Shi QIU, Ming LIU, Qichao GAI, Xibin CAO. Degradation evaluation method for communication satellite traveling wave tubes based on full life cycle data [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(12): 331376-331376.
[6]	Yu ZENG, Hongbo WANG, Chengyue LIAN, Yixin YANG, Dapeng XIONG, Mingbo SUN, Weidong LIU. Applicability analysis of two improved methods of SST turbulence model [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(S1): 730574-730574.
[7]	Qi WANG, Long WU, Zhen LIU, Jianxia LIU, Liang XIA. Topology optimization design of thermoelastic multi-configuration gradient lattice structures [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(23): 230367-230367.
[8]	Lizhuo DONG, Siqi ZHANG, Zhao ZHANG, Baohai WU. Prediction method of blade machining deformation driven by mechanism⁃data hybrid [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(13): 629037-629037.
[9]	Ximing CUI, Zhipeng QIU, Jia WEI, Chi ZHANG, Kai SONG, Zhe LI, Shupeng WANG. Data-driven method for characterization of structural steel surface stress of magnetic Barkhausen noise [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(8): 427237-427237.
[10]	JIANG Lijian, ZHAO Wenwen, CHEN Weifang, YAO Shaobo. Data-driven rarefied nonlinear constitutive relations based on rotation invariants [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2022, 43(12): 126256-126256.
[11]	LI Tingwei, ZHANG Mang, ZHAO Wenwen, CHEN Weifang, JIANG Lijian. Machine learning method for correction of rarefied nonlinear constitutive relations [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(4): 524386-524386.
[12]	YU Min, LUO Jianjun, WANG Mingming. Real-time motion prediction of space tumbling targets based on machine learning [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(2): 324149-324149.
[13]	ZHANG Yizhi, CHENG Cheng, FAN Yitong, LI Gaohua, LI Weipeng. Data-driven correction of turbulence model with physics knowledge constrains in channel flow [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2020, 41(3): 123282-123282.
[14]	WU Heng, LI Benwei, ZHANG Yun, YANG Xinyi. Dynamic model identification of starting process of a turbo-shaft engine based on QPSO-ELM [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2018, 39(11): 322251-322261.
[15]	Wang Yi;Zhou Xingshe;Han Zhaoxuan. STUDY AND DESIGN OF EXECUTIVE SOFTWARE FOR DISTRIBUTED REAL-TIME CONTROL SYSTEMS [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 1990, 11(8): 348-353.