买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学;中国电子科技集团公司第二十九研究所申请的专利一种基于小样本学习的空战电磁对抗行为意图分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116662808B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310643072.7，技术领域涉及：G06F18/214；该发明授权一种基于小样本学习的空战电磁对抗行为意图分析方法是由赵世杰;潘明;李金亮;郑景嵩;方龙;杨阳设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本一种基于小样本学习的空战电磁对抗行为意图分析方法在说明书摘要公布了：本发明提供了一种基于小样本学习的空战电磁对抗行为意图分析方法。设计了一种基于注意力机制的GRU行为意图识别模型，包含全连接层、双向GRU层和注意力层三个部分，并采用了一种基于数据扩充的小样本对比学习模型训练方式，利用RWGAN扩充原始数据，并利用对比学习框架挖掘多模态数据中的丰富的模式信息弥补小样本数据规模不足，从而提高模型预测电磁目标行为意图的准确性。

本发明授权一种基于小样本学习的空战电磁对抗行为意图分析方法在权利要求书中公布了：1.一种基于小样本学习的空战电磁对抗行为意图分析方法，其特征在于步骤如下： 步骤1，数据清洗：首先，从空战对抗电磁行为数据集中提取出不存在维度缺失且不包含极端大小的特征向量，构成空中态势特征集，包括连续值类型的行为信息和离散值类型的电磁状态信息；然后，采用滑动窗口的方法对行为信息进行裁剪，得到若干时间长度为30s的行为序列，并采用均值方差标准化方法进行标准化处理；最后，将经过专家标注的代表相同空战场优劣势的行为序列划到一类，构成包含攻击、脱离、占位、规避、接敌5个类别的电磁目标战术意图空间，将属于同一类的行为序列沿时间维度进行拼接，得到行为模式序列，将战术意图空间的不同类别采用one-hot向量的形式表征，得到行为模式序列对应的模式标签，并按照8∶1∶1的比例将行为模式序列随机划分为训练集、验证集和测试集； 步骤2，生成假的训练集行为序列：将WGAN中所有的线性层替换为GRU，得到生成模型RWGAN，RWGAN由一个生成器和一个判别器组成；以步骤1中得到的训练集数据作为真实数据，采用无监督的形式训练模型RWGAN的生成器和判别器，利用训练后的RWGAN的生成器生成与真实数据具有相同分布特征的假的训练集行为序列； 步骤3，构建基于注意力机制的GRU行为意图识别模型：包括全连接层、双向GRU层和注意力层三个部分，其中，全连接层以行为序列作为输入，对行为序列进行降维和特征提取，得到行为序列信息；双向GRU层由两个双向GRU单元和一个基于注意力机制的特征增强层组成，全连接层输出的行为序列信息经过第一个双向GRU单元学习信号级的时序上下文信息，得到信号级的行为序列信息，同时，利用基于注意力机制的特征增强层挖掘电磁状态信息的特征信息，得到电磁状态引导信息，然后再将电磁状态引导信息与信号级的行为序列信息拼接得到注意力增强的混合特征信息，注意力增强的混合特征信息输入到第二个GRU单元，输出得到语义级的行为序列信息；注意力层包括一个线性层和softmax层，语义级的行为序列信息输入到注意力层，输出得到意图识别结果； 步骤4，对比学习模型训练：首先，定义编码器E_q和存储编码器E_k，编码器E_q和存储编码器E_k具有相同的网络结构，均采用步骤3所构建的基于注意力机制的GRU意图识别模型，去掉其注意力层，随机初始化两个编码器并使二者的参数保持一致，同时将步骤1得到的训练集的行为序列和步骤2生成的假的训练集行为序列合并作为对比学习的训练数据集；然后，冻结存储编码器E_k的参数，从对比学习的训练数据集中随机抽取一个行为序列x_q，并对x_q进行数据增强得到行为序列x_k，以x_k作为x_q的正样本，将训练集中的其他行为序列作为x_q的负样本，将正负样本输入到编码器E_q，输出得到特征q，将正负样本输入到存储编码器E_k，输出得到特征k，设置损失函数如下： 其中，t表示温度超参数，是一个大于0的常数，N表示负样本的数量，ki表示第i个负样本的特征，exp·表示余弦距离； 最后，利用反向传播算法对个编码器E_q的参数进行更新，而对存储编码器E_k采用动量更新的方法更新其参数，具体更新表达式如下： θk←mθk+1-mθa2 其中，m∈[0，1]是动量系数，θk表示存储编码器E_k的参数，θq表示编码器E_q的参数； 步骤5，模型参数调整：首先，采用迁移学习的方法将步骤4训练得到的模型中的全连接层和双向GRU层的参数传递到基于注意力机制的GRU行为意图识别模型中，并将注意力层的权重随机初始化；然后，以步骤1中得到的训练集的行为序列和模式标签分别作为输入数据和监督信息，对基于注意力机制的GRU行为意图识别模型进行训练，训练时采用交叉熵损失函数，并利用步骤1中得到的验证集的数据来评估模型的效果，进而调整模型的超参数，包括全连接层的维度、双向GRU层中GRU的层数和输出特征向量的维度大小，得到最优的模型； 步骤6，模型应用：将测试集的行为模式序列输入到步骤5得到的最优的基于注意力机制GRU行为意图识别模型，输出得到意图识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学;中国电子科技集团公司第二十九研究所，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。