Air Target Intention Recognition via Bidirectional Long Short-Term Memory Networks and Hierarchical Maneuver Feature Extraction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle