本发明属于态势认知,更具体地,涉及一种目标功能群识别及其模型训练方法。
背景技术:
1、在涉及群目标的强对抗场景下,敌方目标具有数量多、种类杂、运行轨迹乱等特点,专注于敌方个体的分析往往会陷入混乱,不利于把握敌方活动规律,难以形成易于理解的态势。然而,敌我双方的兵力都是按一定规则部署和聚集的,因此可以通过对敌目标的分群,减少信息熵,实现对态势认知更有效地支撑。
2、依据分群的抽象程度,对战场实体目标分群自底向上包括空间群、功能群、相互作用群和敌我中立群4个层级。功能群是指具有相同功能的目标集合,其中所有的目标实体都具有相同或相似的功能特征。对功能群的具体定义有狭义和广义之分。狭义地来讲,将空间群中类型相同的目标组合在一起,就得到了功能群。广义地来讲,不局限于同一空间群也不局限于同一类型,功能群是指执行相同作战任务或者实现相同功能的目标集合。从理论的角度分析,广义的功能群划分更加合理。然而,由于下列问题的存在,广义目标功能群划分方法难以实际应用。(1)广义功能群的识别需要依赖对战术战法、作战条令、开源情报等知识的学习,往往需要专家人工参与,现有自动化方法难以析取和匹配有效的功能分群规则;(2)广义功能群的识别在历史航迹训练数据上表现较好,然而其模型的泛化性不强、迁移能力差。强对抗环境下目标变化频繁,现有广义功能群划分方法难以保障实时的功能分群。(3)在强对抗条件下,目标信息不完备,群目标距离、方位等一系列信息难以有效获取,传统模型仅依赖当前信息,难以有效判别功能群属。
技术实现思路
1、针对现有技术的以上缺陷或改进需求,本发明提供了一种目标功能群识别及其模型训练方法,其目的在于解决强对抗环境下,目标功能群识别困难以及需要人工参与的技术问题。
2、为实现上述目的,第一方面,本发明提供了一种目标功能群识别模型训练方法,所述方法包括:
3、将查询对象相关的规范化数据、文本数据和图像数据输入多模态大模型,获得查询对象相关的多模态特征编码向量;
4、所述特征编码向量经过基于交叉注意力机制的多模态编码对齐模块后实现对齐;
5、将对齐后的所述特征编码向量同查询编码向量拼接后输入多层感知机,经过softmax操作后输出查询目标的功能群;
6、采用交叉熵损失函数更新所述功能群识别模型的参数。
7、优选的,所述交叉熵损失函数为:
8、
9、其中,m为功能群属数目;n为该批次样本数量;yic为指示函数,若样本i的真实功能群属等于c则yic取1,否则yic取0;pic为样本i属于功能群属c的概率;||θ||2表示模型参数的2范数,用来防止模型过拟合,为超参数。
10、优选的,根据目标功能群识别模型的识别结果在线优化所述识别模型,具体为:
11、若所述识别模型的识别结果准确,则反馈的计数加一;否则给出目标的实际功能群,且负反馈和反馈的计数均加一;
12、以先进先出的模式将所述识别模型的样本、预测值和真值存储在用户反馈缓冲池中;
13、每隔预设时间段,使用用户反馈缓冲池中的数据微调现值模型的参数;所述现值模型的初始参数和所述识别模型的参数相同;
14、若负反馈计数比例增至负反馈阈值,则使用所述现值模型替换所述识别模型。
15、优选的,使用用户反馈缓冲池中的数据微调现值模型的参数,具体为:在已有现值模型参数的基础上,用户反馈缓冲池中的数据继续训练现值模型,使得更新后的现值模型的识别结果为所述反馈缓冲池中的真值。
16、优选的,所述规范化数据包括空间群划分结果、航迹数据以及作战规则;所述文本数据包括战术战法和文字情报;所述图像数据包括战术规则图、卫星图像、抵近侦查图像以及图像情报。
17、优选的,采用prompt的形式构建目标功能群识别模型识别所用的规则数据集。
18、优选的,采用模型蒸馏和裁剪模型的方式在保证识别功能和性能的前提下实现所述目标功能群识别模型的压缩。
19、第二方面,本发明提供了一种目标功能群识别方法,所述方法包括:
20、获取查询目标相关的规范化数据、文本数据和图像数据;
21、采用预先训练好的目标功能群识别模型对所述规范化数据、文本数据和图像数据进行识别,输出识别到的目标功能群;
22、其中,所述目标功能群识别模型是根据第一方面中任一方法训练得到的。
23、第三方面,本申请提供一种电子设备,包括:存储器,用于存储程序;处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行第一方面所描述的方法;或则,执行第二方面所描述的方法。
24、第四方面,本申请提供一种存储介质,存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行第一方面所描述的方法;或则,执行第二方面所描述的方法。
25、总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
26、(1)在强对抗条件下,信息不完备,本发明方法引入多模态大模型可以更加有效地识别群目标的身份等属性信息,有利于功能群属的确定;
27、(2)本发明方法有效利用了包括规范化数据、文本数据和图像数据在内的多模态数据,提升了目标功能群识别的自动化水平,可以提升识别的准确率;
28、(3)本发明方法包含识别结果在线优化机制,应用奖励函数驱动模型的自评估演进,增强了模型的泛化能力,提升了模型的实时响应能力。
1.一种目标功能群识别模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述交叉熵损失函数为:
3.根据权利要求1所述的方法,其特征在于,根据目标功能群识别模型的识别结果在线优化所述识别模型,具体为:
4.根据权利要求3所述的方法,其特征在于,使用用户反馈缓冲池中的数据微调现值模型的参数,具体为:在已有现值模型参数的基础上,用户反馈缓冲池中的数据继续训练现值模型,使得更新后的现值模型的识别结果为所述反馈缓冲池中的真值。
5.根据权利要求1所述的方法,其特征在于,所述规范化数据包括空间群划分结果、航迹数据以及作战规则;所述文本数据包括战术战法和文字情报;所述图像数据包括战术规则图、卫星图像、抵近侦查图像以及图像情报。
6.根据权利要求1所述的方法,其特征在于,采用prompt的形式构建目标功能群识别模型识别所用的规则数据集。
7.根据权利要求1所述的方法,其特征在于,采用模型蒸馏和裁剪模型的方式在保证识别功能和性能的前提下实现所述目标功能群识别模型的压缩。
8.一种目标功能群识别方法,其特征在于,所述方法包括:
9.一种电子设备,其特征在于,包括:
10.一种存储介质,所述存储介质存储有计算机程序,其特征在于,当所述计算机程序在处理器上运行时,使得所述处理器执行权利要求1-7任一所述的方法;或则,执行权利要求8所述的方法。