基于Mog-GRU-D网络的空战目标意图预测研究——不完全信息下的智能决策突破

《Journal of Systems Engineering and Electronics》：Target Intention Prediction of Air Combat Based on Mog-GRU-D Network Under Incomplete Information

针对复杂空战环境中数据缺失导致的意图预测难题，本研究提出融合Mogrifier门控机制的GRU-D模型（Mog-GRU-D），通过掩码矩阵和时间间隔矩阵直接处理缺失数据，利用多轮输入-状态交互增强特征提取。在模拟空战数据集上验证显示，模型在不完整信息下的预测准确率达73.25%，为空战智能决策提供新思路。

　　

在现代空战环境中，准确预测敌方目标的作战意图是夺取制空权的关键。然而战场信息的高度动态性和传感器采集的局限性常导致数据缺失，传统方法如模板匹配和贝叶斯网络难以有效处理时序数据中的不完整信息。更棘手的是，现有插值方法（如三次样条插值）存在时效性差、变量关联性被削弱等缺陷，在模拟真实空战场景时往往表现不佳。

为解决这一难题，西北工业大学陈俊团队在《Journal of Systems Engineering and Electronics》发表研究，提出一种新型Mog-GRU-D网络模型。该模型创新性地将Mogrifier交互机制与GRU-D（Gated Recurrent Unit with Decay）模型相结合，通过多轮输入与状态的交互计算，显著提升了对空战目标时序特征的提取能力。研究团队通过 combat simulation system（空战仿真系统）采集了1200组包含12个连续时刻、7维特征（飞行速度、加速度、高度、雷达截面积等）的样本数据，并随机删除20%数据构建缺失数据集进行验证。

关键技术方法包括：1）构建含7维特征的空战意图预测特征集，采用最大最小归一化预处理；2）设计GRU-D细胞单元，引入掩码矩阵（masking matrix）和时间间隔矩阵（time interval matrix），通过输入衰减（公式5）和状态衰减机制（公式6）处理缺失值；3）嵌入Mogrifier机制（公式8）进行多轮输入-状态交互；4）采用五折交叉验证和Adam优化器进行模型训练。

研究结果方面：

超参数交互轮数优化：当交互轮数为3时，模型在测试集上达到最佳性能（准确率70.17%，宏平均F1-score 0.7043），过度交互（轮数≥4）会导致特征信息损失。

消融实验验证：在20%数据缺失场景下，Mog-GRU-D的准确率达73.25%，较基准GRU提升2.2%。混淆矩阵显示对"突防"意图识别准确率最高（93%），而"攻击"和"监视"类别因特征相似性识别难度较大。

对比分析：与RNN、LSTM、GRU结合六种插值方法相比，Mog-GRU-D在宏平均F1-score上领先最优对比模型（RNN二次插值）1.22%，证明其直接处理缺失数据的优势。

讨论部分指出，Mogrifier机制通过公式8的交替计算（xi=2σ(Qihi?1)⊙xi?2）有效挖掘了隐藏特征，但可能削弱显性特征。值得注意的是，模型在缺失数据集上的表现反超完整数据集，正是由于交互机制增强了对模糊特征的分类能力。此外，研究团队通过差分处理缓解过拟合现象（无差分时准确率98.55%→差分后73.25%），提升模型泛化性。

该研究的核心意义在于：首次将GRU-D模型引入空战意图预测领域，通过Mogrifier机制突破传统RNN模型的输入-状态独立性限制，为复杂战场环境下的智能决策提供了可解释、高鲁棒性的解决方案。未来工作将聚焦小样本场景下的模型优化，推动空战智能决策系统向实战化迈进。