一个基于深度学习的空中目标意图数据扩展和识别模型

科学领域:

• 人工智能的人工智能
• 航空航天工程 航空航天工程
• 军事科学 军事科学

背景情况:

• 在现代空中作战中,识别空中目标意图对于战场情境意识至关重要.
• 由于数据稀缺和时间特征提取不足,现有的方法面临挑战.

研究的目的:

• 提出一种新的深度学习模型,即基于深度学习的意图数据扩展和识别 (IDERDL),以解决数据稀缺问题,并改进用于空中目标意图识别的时间特征提取.

主要方法:

• 开发了一个意图数据生成模型,使用一个无声扩散模型,并改进了知识蒸以进行加速采样.
• 构建了一个带有扩张因果卷积的时块,以增强时特征提取.
• 集成了一个图表注意力机制来分析特征关系,输入软max层进行分类.

主要成果:

• 拟议的IDERDL模型实现了98.73%的高意图识别精度.
• 与现有的空中目标意图识别方法相比,证明了卓越的性能.
• 在这个领域有效地解决了数据稀缺和时间特征提取方面的挑战.

结论:

• 通过独特考虑数据稀缺性和时间性,IDERDL模型在战术意图识别方面取得了重大进展.
• 这些发现对改善军事应用中的空中目标意图识别能力具有高度意义.