Air Target Intention Recognition via Bidirectional Long Short-Term Memory Networks and Hierarchical Maneuver Feature Extraction
Notice bibliographique
Résumé
In the context of informatized combat, fast and accurate identification of the target’s tactical intentions is a crucial prerequisite for seizing superiority and winning the war. Traditional air target intention recognition methods rely on a large amount of prior knowledge and struggle to effectively capture the characteristic information of time-series data, which fails to meet the objectivity and accuracy requirements of modern battlefield decision-making. Considering that tactical maneuvers are the flight actions taken by target aircraft to achieve tactical intentions, the identification of maneuver types can provide important reference information for predicting tactical intentions. In this paper, an air target tactical intention recognition method combined with maneuver identification is proposed. The motion characteristics of the target are analyzed on the basis of a kinematic knowledge model to identify its maneuver motion. The identified maneuver types, as secondary features of the target’s motion state, are jointly modeled with the selected tactical intention features in a temporal network based on the Bidirectional Long Short-Term Memory (BiLSTM) networks to achieve intention classification. The experimental results demonstrate that the recognition accuracy of the tactical intention inference model combined with maneuver identification can reach 95.76%, which outperforms other recent intention recognition methods. The visualized results using the t-distributed stochastic neighbor embedding technology satisfy certain interpretability requirements. The proposed method effectively improves the recognition capability of air target tactical intention, which is of great significance for efficient battlefield situation analysis and optimized decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».