1 引言
在现代化空中对抗[1-2]中，每个行动单元必然会有自己相应的行动意图[3-4]，为了完成提前选定的行动意图，每一架飞机定会做出一系列与自身意图相适应的飞行计划。因此我方可以不断通过机载传感器[5]获取对方战机的位置、状态等信息，根据敌方飞机的飞行计划反推出其行动意图。然而，信息技术的不断发展使战场态势演变速度不断加快，意图识别正面临新的挑战。面对海量有缺失的、模糊性的，甚至是带有欺骗性的或是错误的战场信息，指挥员根本分析不出其中隐藏的关键态势，而带有错误或欺骗性的战场信息会使得传统的模板匹配方法难以识别出敌方目标的行动意图。针对这些问题本文将多类别三支决策方法引入到目标意图识别中，以解决意图识别中的不确定性问题。三支决策[6-7]是近年来提出的一种处理不确定信息的理论，是一种从决策粗糙集[8]演变而来的模型。三支决策可以将具有随机性、模糊性等特点的不确定信息作为输入，根据一定的评价函数和阈值对整个区域进行分类，将一个统一的集合划分成3个互不相交的区域，对每个区域制定不同的决策方案，以达到充分利用每一个区域分类结果的目的。三支决策与传统的二支决策相比，在接受和拒绝两种决策之外给出了第三种选择：延迟决策[9-10]，从而避免了直接接受或者拒绝带来的风险，具有很好的理论价值。
三支决策理论是在Pawlak[11]粗糙集和概率粗糙集基础上由Yao Yiyu[12]教授提出的，该理论在传统的二支决策中加入了延迟决策，将原有论域一分为三，这样拥有充分信息的属性对象会被迅速分类，而信息数据证据不足以正确分类的属性对象则等待以进一步区分，暂时延迟处理。该决策方法以人和机器决策的区别为出发角度，考虑到机器决策非黑即是白的决策结果不能处理复杂的不确定性问题的缺点，通过引入延迟决策，将决策论域一分为三。三支决策的主要思想就是参考了人类对于复杂问题的认知过程，人在处理复杂问题时，对于较为容易的问题会很快得出结论，对于复杂问题则会反复思考、来回纠结，甚至会因为信息不足而延迟决策或者不决策。如若有条件，则会等待新的信息做进一步分析，这个认知过程的决策不像机器一样苛刻死板。因此，三支决策理论可以较好的处理复杂问题和不确定性问题[13]。
2 目标意图识别
意图识别是通过分析各种所得信息来分析说明对方在某个行动上所要实行的计划和设想，而军事上的意图识别是指我方战场武器通过探测敌方目标信息并进行融合处理，从而判断或预测敌方的行动设想、行动计划。一般意义上的目标意图识别过程如图1所示。
图1 目标意图识别过程示意图
Fig.1 Sketch map of intention recognition process
空中战场有很多种情况，每种情况都似乎能找到合理的理论解释，且各种情况之间会相互交织，因此，空中对抗中敌我双方都会想尽办法通过各种手段来掩饰、隐瞒己方的行动，或者制造一些假象欺骗对方，以达到隐真示假的目的。造成这些情况的原因有以下几点：
1) 空中对抗战术规则多种多样。空中对抗规则灵活多样，比如敌方战机可以从侧面攻击，也可以从下面突然偷袭，尤其是多机对多机空中对抗时，这种规则的变化就更为明显。
2) 专家经验有限。战术知识复杂多样且与天时、地利、人和都有关系，并随着时代的变化而变化，而专家知识的局限性会影响到意图识别的准确程度。
3) 意图识别问题随时间动态改变。空中对抗双方目标状态都在迅速改变，行动中目标意图就有可能改变，这说明了动态性会是意图识别问题的一个特征。
敌方意图虽然难于推断，但其意图总会在行动上与某些事件相关联，或者说一定的意图会有一定的行动，通过目标行动就可以反推出其行动意图，这也是意图识别的基础。
2 多类别三支决策意图识别数学模型
多类别三支决策信息系统定义为
IS=(A,B∪C,D,f)
(1)
式中:A={x}，表示战场中敌方目标;B表示战场中获得的目标信息，作为条件属性，包含了战场中每一时刻的目标特征向量，用Z=(zi1,zi2,…,zit)T表示第i时刻目标的特征向量，(z1,z2,…,zt)分别表示最大最小归一化方法处理后目标的航向角、敌我距离、高度、速度等t中目标特征属性。C表示目标意图的集合，作为决策属性，。E=(B∪C)是信息系统上的属性集合。D表示属性的取值范围，f表示从对象到属性取值的信息函数，即f ∶A×E→D，它指定了A中各个目标的属性值。C=(C1,C2,…,C5)表示根据决策属性形成的5个不同的目标意图集合，即：突防、攻击、规避、侦察和电子干扰，这五种意图涵盖了空中对抗的大部分可能的意图。对于每个决策类Cj(j=1,2,…,5) ，分别形成一个对应二分类
表示行动集合，其中ePj,eBj,eNj分别表示将对象x分类到PR(Cj),BR(Cj),NR(Cj)的3种行为，Cj的正域、负域和边界域的判别为
(2)
其中:x表示A中的对象，Pr(Cj|x)表示对象x的属于Cj的条件概率，(αj,βj)作为决策类Cj的三支决策阈值，由以下公式给出:
式中：λPP(Cj),λNP(Cj),λBP(Cj)表示x∈Cj时，将对象x放入Cj的正域、负域和边界域时的损失函数值，λPN(Cj),λNN(Cj),λBN(Cj)表示x∈(Cj)C时，将对象x分别放入Cj的正域、负域和边界域时的损失函数值。
3 代价敏感三支决策目标意图识别模型
传统的多类别三支决策方法，识别结果最终可能存在识别结果冲突或者根本识别不出意图，这是因为传统的多类别三支决策方法为目标的每一个可能意图都分别设置了对应的接收域、延迟域和拒绝域，而这样做的结果就是目标在每一个决策类Cj下都会选择一个决策代价最小的结果。所以就会出现决策类意图Cj1满足
和决策类意图Cj2满足
的情况，这就是决策冲突。而若出现任意一个决策类Cj都不满足
这就称为识别不出意图或者是意图识别失败。此外，传统的三支决策方法中需要为每一种意图设置3种不同的误分类代价，以对应不同的行动代价损失值。而代价损失值设置的合理程度会直接影响到三支决策意图识别结果的准确性，所以代价损失值设置的越多，识别结果的不确定性就会增加的越多。因此，为了减少代价损失值参数的设置数量、消除目标意图识别结果冲突或者根本识别不出意图的情况，本节提出一种基于代价敏感多类别三支决策的目标意图识别模型对目标意图进行识别。
如表1所示为多类别三支决策的代价矩阵。该模型的基础仍然是代价敏感性，即不同分类有着不同的决策代价，分类的最终结果是选择误分类代价最小的那一种情况。
表1 多类别中的三支决策代价矩阵
Table 1 Three-branch decision cost matrices in multiple classes
预测意图真实意图意图1意图2…意图n意图10λ12…λ1n意图2λ210…λ2n︙︙︙…︙意图nλn1λn2…0
与传统三支决策的误分类代价损失值的设置相同，正确分类的误分类代价应该为0，即λii=0。设pi为目标行动意图为意图i的先验概率，其值由目标的特征信息和意图识别知识库得出，则计算将样本分类到n个不同意图类别中的风险损失，有：
Loss(C1|x)=p1×0+p2×λ21+…+
pn×λn1=Pr(x)*Λ1
Loss(C2|x)=p1×λ12+p2×0+…+
pn×λn2=Pr(x)*Λ2
⋮ ⋮
Loss(Cn|x)=p1×λ1n+p2×λ2n+…+
pn×0=Pr(x)*Λn
(4)
其中，Λi为三支决策代价矩阵的第i列。
与传统的多类别三支决策方法相比，无论目标的特征信息是否完整充分，基于代价敏感多类别三支决策的目标意图识别模型在每一个识别阶段都能计算出误分类代价损失值最小的那一种意图分类，从而得到唯一的识别结果，避免了意图识别结果冲突，虽然减少了代价损失值参数的设置，避免了冲突结果的产生，但是该模型却缺失了三支决策中极为重要的延迟域，即延迟决策。因此，为了弥补基于代价敏感多类别三支决策的目标意图识别模型中多类别三支决策延迟域缺失的这一状况，本文引入误分类代价第二最小损失的分类结果作为延迟域的备选选项。设FDC为具有最小风险决策代价的意图类别，SDC为具有第二最小风险决策代价的意图类别，则有：
FDC=min(Loss(Cj|x)) ,j=1,2,…,n
SDC=min(Loss(Cj|x)) ,j=1,2,…,n,j≠FDC
(5)
在原来的意图识别中，FDC是意图识别的最终结果，但加入了SDC之后，如果FDC的值不明显低于SDC时，则FDC就不能作为一个可靠的选择，此时应该将{FDC,SDC}作为当前决策的边界域。
FDC是否作为可靠的决策结果，取决于FDC和SDC的比率。设给定信任阈值α，如果有：
(6)
如果FDC满足式(6)，则说明FDC和SDC的比率大于给定的信任阈值，FDC可作为决策结果。否则，暂时将{FDC,SDC}作为当前决策的边界域，以进一步进行延迟决策。
4 仿真实验
行动想定：设定目标的空间初始位置为(75,85,7)，单位；初始速度为270 m/s；初始方位角为-90°，朝Y轴负方向飞行，俯仰角为0°；目标当前正在执行侦察搜索任务。我方飞机的空间初始位置为(5,10,6)，单位；初始速度为240 m/s；初始方位角为50°，俯仰角为0°。
图2是双方飞机的空中对抗三维轨迹图，红方表示我机，蓝方表示敌机。在发现目标之后，我机便开始跟踪目标，不断获取目标的信息。
图2 空中对抗轨迹图
Fig.2 Air confrontation trajectory
表2是代价敏感多类别三支决策的代价矩阵。目标行动意图识别结果如图3所示。
表2 多类别代价矩阵
Table 2 Multi-class cost matrix
预测意图真实意图攻击侦察突防电子干扰规避攻击00.750.250.651侦察0.600.40.20.75突防0.150.700.60.85电子干扰0.60.30.500.75规避0.80.550.750.650
图3 意图识别结果示意图
Fig.3 Sketch of intention recognition results
由图2可知，目标发现我方飞机后开始靠近我方，我方飞机迅速做出反应，开始跟进并驱赶目标，当敌我距离比较近时，目标选择避开，避免与我方飞机正面接触，可以看出目标很可能执行抵近侦察任务。在图3中，纵轴表示意图识别的损失值，损失值越小，意图可能性就越大。由图3可知，在意图识别前期，由于我方获取的目标信息有限，各个意图识别结果的损失值都很相近，而到识别的中期，目标信息不断明确，意图识别结果也开始逐渐清晰，到识别后期，侦察意图的损失值最小，意图识别结果为侦察意图，实验结果符合空中对抗实际情况。
5 结论
本文针对三支决策方法识别结果最终可能存在识别结果冲突或者根本识别不出意图的问题，提出一种基于代价敏感多类别三支决策的目标意图识别方法，在每一个识别阶段都能计算出误分类代价损失值最小的那一种意图分类，从而得到唯一的识别结果，避免了意图识别结果冲突，同时，引入误分类代价第二最小损失的分类结果作为延迟域的备选选项，解决了识别结果可能存在识别结果冲突或者根本识别不出意图的问题，由仿真实验可验证本文所提出的基于代价敏感多类别三支决策的意图识别方法的有效性。
[1] 游航航,余敏建,韩其松,等.基于攻击区的空战指挥引导态势评估[J].兵器装备工程学报,2019,40(12):29-34.
YOU Hanghang，YU Minjian，HAN Qisong，et al.Air combat command and guidance situation assessment based on attack area[J].Journal of Ordnance Equipment Engineering,2019,40(12):29-34.
[2] 孙盛智,常会振,郑卫娟,等.空中协同作战模式及关键技术[J].兵器装备工程学报,2020，41(07):177-181.
SUN Shengzhi,CHANG Huizhen,ZHENG Weijuan,et al.Air coordination mode and key technology[J].Journal of OrdnanceEquipment Engineering,2020,41(07):177-181.
[3] Ben-Bassat M,Freedy E.Knowledge requirements and management in expert decision support systems for situation assessment[J].Systems Man &Cybernetics IEEE Transactions on,1982,12(04):479-490.
[4] Carling R.Naval situation assessment using a real-time knowledge-based system[J].Naval Engineers Journal,2010,111(05):108-113.
[5] 姚易辰.传感器在无人机飞行控制系统中的应用[J].科技风,2019(14):75-81.
Yao Yichen.Application of sensors in UAV flight control system[J].Science and Technology Wind,2019(14):75-81.
[6] 程泽凯，闫小利，程旺生，等.基于梯度提升决策树的焦炭质量预测模型研究[J].重庆工商大学学报(自然科学版),2021,38(05):55-60.
Cheng Zekai,Yan Xiaoli,Cheng Wangsheng,et al.Research on coke quality prediction model based on gradient boosting decision tree[J].Journal of Chongqing Technology and Business University(Natural Science Edition),2021,38(05):55-60.
[7] 王旭生.基于序贯三支决策的多类分类研究[D].合肥：安徽大学，2019：12-14.
Wang Xusheng.Research on muti-category cassification based on sequential tree-way decision[D].Hefei:Anhui University,2019：12-14.
[8] 徐洋,徐怡,史国川,等.基于最大决策邻域粗糙集的不确定性度量方法[J].小型微型计算机系统,2020,41(06):1121-1125.
Xu Yang，Xu Yi，Shi Guochuan，et al.Uncertainty measurement method for information system based on max-decision neighbor-hood rough set[J].Journal of Chinese Computer Systems,2020,41(06):1121-1125.
[9] 杨永真.网购中消费者的信息过载感知程度对延迟决策的影响研究[D].长沙:长沙理工大学,2019.
Yang Yongzhen.Research on the influence of consumers’ perceived information overload on delay decision-making under the situation of online shopping[D].Changsha:Changsha University of Science &Technology,2019.
[10] 徐健锋,苗夺谦,张远健.延迟代价双量化三支决策[J].小型微型计算机系统,2019,40(02):260-266.
XU Jianfeng,MIAO Duoqian,ZHANG Yuanjian.Double-quantification of cost function with deferment for three-way decisions[J].Journal of Chinese Computer Systems,2019,40(02):260-266.
[11] Pawlak Z.Rough set[J].International Journal of Computer &Information Sciences,2014,11(05)：341-356.
[12] Yao Y Y.Three-way decisions with probabilistic rough sets[J].Information Sciences,2010,180(03):341-353.
[13] 万仁霞,王大庆,苗夺谦.基于三支决策的高斯混合聚类研究[J].重庆邮电大学学报(自然科学版),2021,33(05):806-815.
Wan Renxia,Wang Daqing,Miao Duoqian.Gaussian mixture clustering based on three-way decision[J].Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition),2021,33(05):806-815.