0 引言
从技术本质来看，攻击意图识别核心是通过解析来袭飞行器运动特征、制导行为与环境交互模式，反向推演其预设作战目标[10]。传统解决方案多依赖多模型滤波框架，通过构建预设运动模型集（如匀速直线、机动转弯等），结合贝叶斯推理或卡尔曼滤波家族算法实现模型匹配与意图判定[11-12]。例如，Ahmad等[13]基于马尔可夫桥理论构建概率推理模型，通过部分观测轨迹预测目标最终落点；Li等[14]提出一种基于容积卡尔曼滤波估计追踪者状态，通过余弦相似度和零控脱靶量两种准则，自适应选择对应方法计算躲避者被追踪概率的算法。然而，这类方法在实战场景中存在显著局限。首先，来袭飞行器动力学关键参数（如制导律和制导参数等）难以预先精准建模，即便通过在线估计算法获取，也往往存在收敛滞后，无法满足集群对抗实时性需求[15-17]。其次，战场环境中传感器噪声与测量误差具有随机性，实际量测误差可能与预设误差参数存在差异，导致收敛速度缓慢[18]。再次，传统方法仅能处理预设模型集中场景，而实战中大量存在非攻击行为（如侦察诱饵直线巡航、干扰平台随机机动、误闯入空域民用飞行器等），因机动模式难以预先枚举，往往导致识别失效或误判[19]。这些缺陷使得传统方法在动态多变现代防空作战中难以充分发挥作用。
近年来，深度学习技术凭借强大特征提取与数据拟合能力，为解决复杂场景下意图识别问题提供新路径[20-23]。与依赖精确模型的传统方法不同，人工神经网络通过海量对抗场景样本训练，可自动学习来袭飞行器运动特征与攻击意图之间非线性映射关系，无需在线建模或参数估计[24-27]。例如；Wang等[28]通过全连接（Fully Connected，FC）网络与门控循环单元（Gated Recurrent Unit，GRU）交叉分类，提升时序依赖特征提取效果；Wang等[29]引入双向GRU与条件随机场，强化对长时程运动序列意图解析能力。这类数据驱动方法通过在训练集中融入多样化的制导模式与测量误差，有效缓解传统方法面临的参数未知与噪声干扰问题，具备更强泛化能力。尽管如此，现有基于神经网络方法仍存在明显短板。直接采用多分类网络进行意图识别时，需预先设定最大目标数量或动态分配目标标签，不仅增加模型复杂度，还降低在未知目标数量场景下适应性[30]，限制其在实战化防空场景中应用深度与可靠性。
本文提出交互式长短期记忆神经网络识别框架。该方法通过场景解耦、概率建模和交互归一化一体化架构，将多分类问题拆解为二分类任务，同步输出攻击与非攻击概率，有效适配非攻击场景，在提升收敛速度与识别精度的同时显著简化模型训练难度。
本文核心贡献如下：
（1）通过场景解耦将多分类问题拆解为二分类任务，神经网络只需基于当前匹配对中的信息判断攻击与非攻击概率。相比传统直接进行多分类的方法，实现对非攻击场景精确识别；
（2）提出交互式长短期记忆神经网络识别框架，利用交互式多模型对不同匹配对中长短期记忆神经网络二分类结果进行交互处理。相比传统KF-IMM方法能够显著提升识别精度与响应速度。
本文后续章节安排如下：第1节给出研究场景建模、测量模型与问题定义；第2节介绍所提出的识别模型具体结构、设计神经网络训练算法并给出数据集构建与网络结构确定方法；第3节通过数值仿真验证方法在不同场景下性能优势；第4节总结全文并展望未来研究方向。
1 问题建立
本章首先给出对抗场景几何关系定义与动力学方程，随后给出防御方对来袭攻击者的测量模型与识别问题建立。
1.1 动力学方程
考虑来袭攻击者（Attacker）对我方可能存在的n个目标（Target）进行攻击。攻击者在对抗初期预设攻击意图，后续按该意图飞行。采用平面笛卡尔惯性坐标系XOY描述对抗场景几何关系如图1所示，其中，与攻击者相关变量用下标a表示；攻击者攻击意图用T表示，T=j表示攻击者试图攻击目标j；惯性坐标系中X轴和Y方向位置分量分别用x和y表示；速度大小和速度方向角分别用v和γ表示；垂直于速度方向的加速度和制导系统输出的控制加速度指令分别用a和u表示；攻击者与i目标之间相对距离和方位角分别用ρi和λi表示。
根据几何关系可知，交战运动学方程可表示为
$\stackrel{ ·}{\rho }$i=-vcos（γ-λi）
$\stackrel{ ·}{\lambda }$i=-$\frac{vsin（\gamma -{\lambda }_{i}）}{{\rho }_{i}}$
攻击者控制指令受其制导律和攻击目标影响，考虑攻击者控制指令与实际加速度之间的控制滞后可等效为一阶惯性环节，可得
$\stackrel{ ·}{\gamma }$=$\frac{a}{v}$
$\stackrel{ ·}{a}$=$\frac{u-a}{\tau }$
$u=\sum _{i=1}^{n}\delta （T，i）{u}_{m，i}$
其中，τ为控制滞后时间常数，um，i为飞行器攻击i目标时由制导律生成的加速度指令，其最大值不超过攻击者最大过载amax；δ（T，i）为选择函数，定义为
δ（T，i）=$\left\{\begin{array}{ll}1,& T=i\\ 0,& T\ne i\end{array}\right.$
1.2 探测模型与识别问题
通常目标会配备各类传感器（如各类光学传感器、雷达等）以实现对攻击者信息的获取。最常见传感器为雷达，能够获取对攻击者相对自身位置，包括相对位置ρi与相对方位角λi。定义目标i处雷达在离散时刻k 
tk的测量量为zi，k 
zi（k），考虑实际测量过程中存在噪声，测量量可表示为
tk的测量量为zi，k zi（k），考虑实际测量过程中存在噪声，测量量可表示为 zi，k=$\left[\begin{array}{l}{\stackrel{~}{\rho }}_{i,k}\\ {\stackrel{~}{\lambda }}_{i,k}\end{array}\right]$=$\left[\begin{array}{l}{\rho }_{i,k}\\ {\lambda }_{i,k}\end{array}\right]$+vk
vk~N（0，Q）， Q=diag（${\sigma }_{\rho }^{2}$，${\sigma }_{\lambda }^{2}$）
其中，vk为高斯测量噪声，Q为噪声协方差矩阵，σρ和σλ分别为相对位置和相对方位角的测量噪声标准差。
利用测量信息，可构建识别问题为
${\hat{T}}_{k}$=f（zk）， Zk=[${z}_{1，k}^{T}$，${z}_{2，k}^{T}$，…，${z}_{n，k}^{T}$]T
其中，f为测量量与攻击意图之间映射关系。考虑到实际中攻击意图通常通过一系列动作实现，只采用某一时刻信息会导致识别结果波动过大。因此，识别依据需扩展为一段时间内的测量信息，即
${\hat{T}}_{k}$=f（Zk-（p+1）：k）
其中，Zk-（p+1）：k=[${Z}_{k-（p+1）}^{T}$，${Z}_{k-（p+2）}^{T}$，…，${Z}_{n；k}^{T}$]T表示从k-（p+1）时刻到k时刻的所有测量信息序列，p为时间窗长度，表征意图识别所依赖的时序测量数据的时间跨度。
2 识别模型
本章首先详细介绍所提出的LSTM-IMM识别模型具体结构，而后设计神经网络训练算法，最后给出数据集构建与网络结构确定方法。
2.1 LSTM-IMM识别模型
本小节给出所提识别模型结构。首先，对一对多场景进行虚拟解耦，在每个一对一场景中使用LSTM进行独立推理，判断攻击与非攻击概率；而后，基于互斥事件概率可加性原理，计算攻击意图似然值；最后，基于交互式多模型机制对意图似然值进行归一化得到意图概率。
2.1.1 基于LSTM的独立推断模型
具体而言，在每个一对一场景中对中攻击者以当前目标为攻击意图视为独立事件，在每个独立事件中，利用神经网络计算时间发生与不发生的概率。其本质是计算每个目标自身视角下，攻击者攻击自身和不攻击自身的概率（分别表示为攻击概率${p}_{i}^{1}$（k 
k）和非攻击概率${p}_{i}^{2}$（k 
k））。考虑到这是一个时序二分类问题，采用擅长处理时序问题的LSTM网络来实现这一阶段计算，其结构如图2所示。该网络以时序观测数据为输入，通过多层非线性映射与递归建模，实现对输入序列中潜在判别信息的逐层提取与融合，最终输出后验概率分布。
k）和非攻击概率${p}_{i}^{2}$（k k））。考虑到这是一个时序二分类问题，采用擅长处理时序问题的LSTM网络来实现这一阶段计算，其结构如图2所示。该网络以时序观测数据为输入，通过多层非线性映射与递归建模，实现对输入序列中潜在判别信息的逐层提取与融合，最终输出后验概率分布。
具体而言，输入数据为目标i对攻击者的测量信息zi；k。输入层首先采用双曲正切（Tanh）激活函数对原始输入进行非线性映射，实现初步信息提取与特征变换。通过该非线性变换，一方面可增强网络对复杂非线性关系表达能力，另一方面可对输入数据进行幅值压缩，从而提升网络训练过程数值稳定性。网络主体由两层串联LSTM隐含层构成，用于对时间序列中动态演化特性进行深度建模。该层由大量LSTM神经元组成，其结构如图3所示。
每个LSTM神经元结构包括：
1） 遗忘门fk，控制前一时刻细胞状态中历史信息的保留与丢弃比例。通过对冗余历史信息的选择性遗忘，遗忘门能够帮助模型剔除无关噪声信息，聚焦于对当前任务有价值的序列特征，从而为后续信息更新奠定基础。其计算公式为
fk=σ（Wf·[hk-1，xk]+bf）
其中，σ代表Sigmoid激活函数，用于将输出映射至[0,1]区间，实现门控开关控制；Wf为遗忘门权重矩阵；hk-1为k-1时刻隐藏状态，包含序列历史信息；xk为k时刻输入数据；[·，·]表示向量拼接操作；bf为遗忘门偏置向量。
2） 输入门ik，决定当前时刻输入信息和候选细胞状态中哪些特征需要被存入细胞状态。通过该门控机制的筛选作用，能够确保只有关键的当前信息被保留，有效提升模型对核心时序特征的捕捉能力。其计算公式为
ik=σ（Wi·[hk-1，xk]+bi）
其中，Wi为输入门权重矩阵；bi为输入门偏置向量。
3） 候选细胞状态${\hat{C}}_{k}$，用于结合当前输入与筛选后历史信息，生成包含当前时刻核心特征的临时细胞状态，是当前时序特征的重要载体。其计算公式为
${\hat{C}}_{k}$=tanh（WC·[hk-1，xk]+bC）
其中，tanh为双曲正切激活函数，将输出映射至[-1，1]区间；WC为候选细胞状态权重矩阵；bc为候选细胞状态偏置向量。
4） 细胞状态Ck，作为LSTM的核心记忆单元，通过遗忘门和输入门的协同作用，实现对历史记忆信息的更新与保留。细胞状态能够长时存储序列关键信息，是模型捕捉长时依赖关系的核心载体，其计算公式为
Ck=fk☉Ck-1+ik☉${\hat{C}}_{k}$
其中，☉表示向量哈达玛积，即对应元素相乘；
5） 输出门ok，控制细胞状态中哪些信息需要被传递至当前时刻的隐藏状态，实现对输出信息的精准筛选。其计算公式为
ok=σ（Wo·[hk-1，xk]+bo）
其中，Wo为输出门权重矩阵；bo为输出门偏置向量。
6） 最终隐藏状态hk，由输出门筛选后的细胞状态映射得到，是当前时刻时序特征的浓缩表示，将用于后续层的特征输入或模型最终输出。其计算公式为
hk=ok☉tanh（Ck）
通过引入遗忘门、输入门和输出门三重门控结构，配合核心细胞状态的记忆机制，在高效保留长时依赖信息的同时，有效缓解传统循环神经网络在长序列建模中易出现的梯度消失和梯度爆炸问题。第一层LSTM侧重于提取输入序列中低层时序特征，对局部动态变化模式进行建模；第二层LSTM则在前一层输出基础上进一步挖掘高层次时间相关性，从而实现对时序信息多尺度表征与融合。多层LSTM叠加使网络能够更充分地捕捉序列数据中判别性动态特征，提高模型复杂时序行为刻画能力。
在输出层，网络采用Softmax函数对最终隐含状态进行映射，将高维特征向量转换为类别空间中的概率分布。具体而言，网络输出目标i视角下，自身被攻击与否的条件概率向量为
pi（k|k）=$[{p}_{i}^{1}（k|k），{p}_{i}^{2}（k|k）{]}^{T}$
考虑到这是一个二分类问题，有
${p}_{i}^{1}$（k|k）+${p}_{i}^{2}$（k|k）=1
2.1.2 基于交互机制的意图概率计算
在多目标场景中，攻击者攻击意图具有明确互斥性：同一时刻，攻击者仅能锁定并攻击一个目标，或不攻击任何预设目标。这一客观规律与概率理论中互斥事件定义完全契合，因此可基于互斥事件概率可加性原理，构建攻击意图似然值计算模型，实现对不同攻击意图定量表征。
攻击者在k时刻攻击目标i的似然值Λi（k）可通过该目标视角下自身被攻击概率乘以其他目标视角下自身不被攻击概率，即
${\Lambda }_{i}（k）={p}_{i}^{1}（k|k）\prod _{j=1，j\ne i}^{n}{p}_{j}^{2}（k|k）$
在实际中，可能存在攻击者不以任何一个预设目标为攻击意图情况（如侦察、巡航、规避等），该事件发生的似然值Λ0（k）可通过所有目标视角下自身不被攻击概率相乘得到，即
${\Lambda }_{0}（k）=\prod _{j=1}^{n}{p}_{j}^{2}（k|k）$
在多目标场景下，式（18）与式（19）中似然值计算涉及多个概率连乘运算。随着目标数量n增加，多次累乘易导致似然值出现数值极小化问题（即数值下溢），不仅会影响计算精度，还可能导致后续概率更新过程失效。此外，攻击者攻击意图可能存在动态切换（如中途变更攻击目标），若直接基于当前似然值计算意图概率，难以兼顾意图时序连续性，易出现概率突变问题。
为解决上述问题，引入交互式多模型机制对似然值进行归一化处理并融合上一时刻意图概率信息，通过概率转移实现意图平滑更新，最终得到k时刻攻击者攻击各目标意图概率pi（k），i=1，2，…，n，以及不攻击任一预设目标意图概率p0（k）。
首先，基于马尔可夫性假设，引入概率转移矩阵P，计算k时刻先验混合概率pi（k|k-1）（即交互后混合概率）。该概率表征从k-1时刻意图状态转移至k时刻攻击目标j状态先验可能性，其计算逻辑为k-1时刻所有意图概率与对应转移概率的加权和：
${p}_{j}（k|k-1）=\sum _{j=1}^{n}{p}_{j}（k-1）{P}_{ij}$
其中，pj（k-1）为k-1时刻攻击者攻击目标i意图概率，Pij为概率转移矩阵P第i行第j列元素，表示从攻击目标i意图转移至攻击目标i意图概率；当i=0或j=0时，对应不攻击任何预设目标意图的转移概率，其定义逻辑与攻击目标意图的转移概率一致。
随后，结合先验混合概率与当前时刻的似然值，通过贝叶斯公式进行后验概率更新，同时完成归一化处理，得到k时刻意图概率pi（k）：
${p}_{i}（k）=\frac{{p}_{i}（k|k-1）{\Lambda }_{i}（k）}{\sum _{j=1}^{n}{p}_{j}（k|k-1）{\Lambda }_{j}（k）}$
注：在所提LSTM-IMM模型中，LSTM 作为底层时序特征提取与二分类推理模块，为每个目标-攻击者匹配对输出独立的攻击/非攻击后验概率，是后续意图似然值计算的基础数据来源；IMM 作为上层概率融合与平滑更新模块，基于 LSTM 输出的概率值计算各攻击意图的似然值，再通过概率转移与贝叶斯更新实现意图概率的时序平滑与归一化，解决 LSTM 独立推理存在的数值下溢、意图切换时概率突变问题，二者协同实现数据驱动特征提取+模型驱动概率融合的一体化识别。
注：概率转移矩阵P为（N+1）×（N+1）维矩阵，满足归一化概率条件$\sum _{j=0}^{N}{P}_{ij}=1$，考虑到攻击者的意图转移具有低切换率、高持续性的特点，因此概率转移矩阵采用主对角线占优原则构建。主对角线元素Pij为意图持续概率，取值 0.95~0.99，体现攻击者确定攻击意图后短时间内保持该意图的特性；非主对角线元素Pij，i≠j为意图切换概率，将剩余概率按目标数量均匀分配，即Pij=（1-Pij）/N，本研究中概率转移矩阵主对角线元素统一取 0.98。
2.2 网络训练
本文采用Adam2算法对网络进行训练[31]，其优势在于对一阶矩估计引入前两步动量差值修正机制，可有效抑制训练后期学习率震荡问题，同时兼容经典Adam算法自适应梯度尺度调节能力，能够在保证收敛稳定性前提下提升训练效率，助力模型更快逼近最优参数值。（注：一阶矩估计即对梯度动量项的统计估计，前两步动量差值指利用相邻两步的一阶矩估计值做差值实现动量修正，为Adam2算法的核心改进点。）
首先，计算梯度一阶矩（动量）：
mt=mt-1+（1-β1）·gt-α·β2·（mt-1-mt-2）
其中，mt为第t步梯度一阶矩估计值（动量项），mt-1和mt-2分别为第t-1和t-2步一阶矩估计值；gt为第t步目标函数对参数梯度值；β1、β2分别为一阶矩、二阶矩估计的指数衰减率；α为Adam2新增的动量修正系数。
而后，计算梯度二阶矩（未中心化方差）：
vt=β2·vt-1+（1-β2）·${g}_{t}^{2}$
其中，vt、vt-1分别为第t、t-1步梯度二阶矩估计值。
随后，对一阶矩和二阶矩进行偏差修正：
${\hat{m}}_{t}$=$\frac{{m}_{t}}{1-{\beta }_{1}^{t}}$
${\hat{v}}_{t}$=$\frac{{v}_{t}}{1-{\beta }_{2}^{t}}$
其中，${\hat{m}}_{t}$、${\hat{v}}_{t}$分别为修正后的一阶矩、二阶矩值。
最后，对网络参数进行更新：
θt=θt-1-η·$\frac{{\hat{m}}_{t}}{\sqrt{{\hat{v}}_{t}}+\epsilon }$
其中，θt、θt-1分别为第t、t-1步模型参数值；η为全局学习率；ε为数值稳定性常数；t为当前迭代步数。
2.3 数据集构建与网络结构确定
本节给出数据集构建方法与网络结构确定过程。实验基于Python 3.10实现，利用Pytorch-2.7.1构建神经网络，NumPy 1.26进行数值计算；所有实验在配备NVIDIA RTX 4090 GPU（24GB显存）、64GB系统内存和Intel i9-13900KS CPU设备上进行。基于1.1节中动力学模型进行大批量数学仿真构建轨迹库，仿真场景为一个攻击者以随机初始位置、随机初始速度和随机制导律攻击位于原点附近的二个目标。目标初始位置设置为xi∈[-3000，3000]m，yi∈[-3000，3000]m。攻击者在仿真开始时刻t=0s发射，初始位置位于xa；0∈[4000,24000]m，ya；0∈[-6000，6000]m，初始速度大小为v∈[400,800]m/s，初始速度角γ0∈[-60，60]deg，时间常数τ∈[0.1,0.5]s，最大加速度采用比例导引制导律（Proportional Navigation Guidance Law，PNGL）或弹道成型制导律（Trajectory Shaping Guidance Law，TSGL）飞向目标，制导参数分别设置为N∈[3,5]和γf∈[-90，90] deg。在飞行过程中，防御方对攻击者测量频率为50Hz，对相对距离和相对角度高斯测量噪声分别为σρ∈[5,10]m和σλ∈=0.001mrad。共获得10000条轨迹，从中随机选取8000条作为训练数据集，用于训练模型；2000条作为测试数据集，用于测试模型训练效果。
模型结构超参数主要包括输入层神经元数量、隐含层神经元数量和隐含层层数。考虑到参数组合过多，直接采用网格法测试容易有维度爆炸和计算成本过高问题，针对该问题，采用Taguchi方法进行测试[10]。通过正交阵列设计方法设置参数组合，使用训练数据集对每个组合进行1000轮迭代训练，并利用测试数据集测试其训练效果，最终筛选出兼顾模型精度与复杂度的最优超参数组合。
表1 不同参数组合测试结果Table 1 Performance of different parameter settings |
| 编号 | 参数 | 损失函数值 | 准确率 |
|---|---|---|---|
| 1 | 96，128，1 | 0.292 | 0.865 |
| 2 | 96，256，2 | 0.278 | 0.862 |
| 3 | 96，512，3 | 0.287 | 0.861 |
| 4 | 128，128，2 | 0.275 | 0.87 |
| 5 | 128，256，3 | 0.281 | 0.854 |
| 6 | 128，512，1 | 0.291 | 0.823 |
| 7 | 256，128，3 | 0.294 | 0.856 |
| 8 | 256，256，1 | 0.287 | 0.849 |
| 9 | 256，512，2 | 0.289 | 0.860 |
表2 参数平均影响Table 2 Average performance of different parameters |
| 水平\参数 | 输入层神经元 | 隐含层神经元 | 隐含层层数 |
|---|---|---|---|
| 1 | 0.286 | 0.287 | 0.290 |
| 2 | 0.282 | 0.282 | 0.281 |
| 3 | 0.290 | 0.289 | 0.288 |
注：在测试过程中，目标随机设置为2~5个，但构建数据库时，对抗模拟场景限定为一对二而非多目标，原因如下：首先，网络输出仅含攻击和非攻击两种概率，该场景可涵盖所有输出情况，满足数据库有效性要求；其次，多目标（n≥3）场景下攻击与非攻击标签比例为1：（n-1），易造成标签分布不均，使模型陷入局部最优、偏向非攻击结果，平衡样本则需扩大数据库规模并降低训练效率，而双目标场景可保证标签均衡；再次，多智能体场景会导致数据量与计算量激增，双目标场景更简洁高效，便于快速获取大量轨迹以提升模型泛化能力。 |
3 仿真验证
本章通过仿真验证所提方法有效性。首先，通过仿真算例直观地体现出所提方法相比传统方法在快速性和准确性上的优势；随后，在噪声未知条件下进行蒙特卡洛仿真，证明所提方法具有更强鲁棒性。
3.1 仿真算例
本小节设计多目标攻击场景开展仿真验证：设定4个攻击者对位于坐标原点附近3个固定目标实施攻击或非攻击机动，目标坐标分别为：目标1（0m，0m）、目标2（-1500m，1000m）、目标3（2000m，0m），如图4所示。实验对比算法为所提LSTM-IMM方法与传统UKF-IMM方法，考虑到实际战场中比例导引制导律广泛应用，传统UKF-IMM方法模型库均配置为比例导引制导律。下面结合不同攻击者制导特性与意图切换模式，逐一分析两类方法识别性能。
攻击者2初始位置为（18000m，4000m），采用比例导引制导律（制导系数N=4）对目标2实施攻击，两类方法意图识别过程如图5所示，其中，T=i，i≥1表示攻击目标i，T=0表示非攻击意图。
从中可见，在攻击者直接暴露攻击意图且采用无约束简单制导律场景下，两种方法均能实现有效识别，但所提方法展现出更优收敛速度，在1s内即可将真实攻击意图概率收敛至接近1；而传统UKF-IMM方法收敛过程显著滞后，需经过至少2s才能使真实意图概率超过50%，且完成收敛（接近1）需耗时约10s。这一性能差异核心原因在于两类方法时序信息利用机制不同。传统UKF-IMM方法采用经典预测-校正框架，时序信息利用具有局限性，每一步更新仅依赖前一时刻估计信息与当前时刻测量数据，无法挖掘多时刻时序关联特征；而所提方法中LSTM网络虽在在线推理阶段仅接收前一状态与当前输入进行预测，但其离线训练过程通过反向传播算法充分利用海量训练样本多时刻时序数据，网络权重与偏置参数均基于全时序数据优化调整，能够深度挖掘测量序列与攻击意图之间动态关联规律，从而实现意图概率快速收敛。
攻击者3初始位置为（18000m，2000m），首先采用比例导引制导律（N=4）攻击目标2，在10秒时切换为采用弹道成型制导律（γf=-60deg）攻击目标3，两种方法识别过程如图6所示，其中10秒时黑色虚线代表切换时刻。
从中可以看出，开始阶段两种方法表现与图5中所呈现结果相同，所提方法在1秒内收敛，显著快于传统方法。在10s切换制导律和攻击目标后，所提方法能够在切换后3s内快速捕捉到制导律与攻击目标变化，完成新意图准确识别，真实意图概率快速攀升至接近1；而传统UKF-IMM方法直至制导作用末期才勉强识别出正确意图，存在明显识别延迟。
这是因为，不同于直接以消除末端零控脱靶量（Zero-Effort-Miss，ZEM）为目的的比例导引制导律，弹道成型制导律还约束攻击者末端速度方向，为满足这一约束，攻击者并未直接飞向目标3，而是首先向上飞而后转变方向。为满足这一约束，攻击者切换意图后并未直接飞向目标3，而是先实施向上机动调整姿态，再转向目标。传统UKF-IMM方法依赖模型库匹配实现识别，需为每种可能攻击意图、制导律类型构建独立滤波器，意图与制导律双重切换会导致在线运行滤波器数量激增，不仅增加计算复杂度，还会显著降低收敛速度、延长过渡过程；更关键的是，受限于模型库规模，难以覆盖所有意图-制导律组合场景，易出现“模型失配”问题，进而引发识别延迟与错误。与之相对，所提方法作为一种基于数据驱动方法，在离线构建数据库时通过增加制导律类型与制导参数提高样本泛化性；通过反向传播学习获得测量信息与攻击意图在各种条件下映射关系，因而具有更强泛化能力。这说明，对传统UKF-IMM方法而言，场景多样性直接增加在线建模与推理复杂度；而对所提方法而言，仅增加离线训练计算消耗与数据库构建成本，通过优化训练策略（如增加迭代次数、调整学习率）即可适配更广泛应用场景，展现出更强场景适应性。
攻击者4初始位置为（16000m，-5000m），实施非攻击机动：全程向上做1g匀加速运动（不指向任何目标），两种方法识别过程如图7所示。
由图7可看出，所提方法在初始1s内即可快速识别出“非攻击意图”（识别概率T=0），且该结果持续稳定；这得益于离线数据库中包含大量非攻击轨迹样本，训练后的模型能够精准捕捉非攻击轨迹时序特征，实现快速识别。而传统UKF-IMM方法因模型库中未预设“非攻击”模型，全程出现明显虚警现象，始终将其误判为某一目标攻击意图，无法输出正确非攻击识别结果。需要指出的是，此类非攻击意图识别难题无法通过扩充传统UKF-IMM方法在线模型库解决，非攻击机动模式具有极强随机性与多样性，机动形式多种多样，机动参数也很难预先确定，如在本文研究中，常值加速度机动模型中的加速度大小无法无限确定。因此，实际中难以构建覆盖所有可能性的完整模型集合，这也是传统模型驱动方法固有局限性。
攻击者1初始位置为（16000m，-2000m），其首先不以任何目标为攻击意图，做匀速直线运动，在15s时切换为采用弹道成型制导律（γf=30deg）攻击目标1，两种方法识别过程如图8所示。
从图8中可以看出，无论是开始时非攻击意图还是切换后攻击意图，所提方法均可在2s内快速识别出且正确意图概率能够快速收敛到接近1。传统UKF-IMM方法全程存在识别错误，初始阶段虽为匀速直线非攻击运动，但因该轨迹与比例导引攻击目标1的轨迹特征相似度较高，被持续误判为攻击目标1。更关键的是15s切换为攻击目标1后，该方法反而误判为攻击目标2。这一错误根源在于传统方法推理机制，其仅能基于预设模型库进行在线推理，通过对比各模型预测轨迹与实际测量轨迹偏差大小判断攻击意图；即便攻击者距离目标1更近，但从模型匹配度来看，其弹道成型运动轨迹与比例导引攻击目标2的预测轨迹偏差更小，从而导致持续识别错误。
综上，多场景仿真算例结果充分验证所提LSTM-IMM方法优越性，相较于传统UKF-IMM方法，所提方法不仅具备更高识别准确率与更快收敛速度，收敛时间平均缩短2秒以上，还能有效适配意图切换和非攻击机动等复杂场景，避免传统方法因模型库局限导致虚警与误判问题。
3.2 噪声不确定条件下的蒙特卡洛仿真
本节重点探究不同测量噪声条件下，所提方法与传统UKF-IMM方法的目标攻击意图识别准确率差异。在实际战场环境中，由于传感器精度受限、电磁干扰等因素，测量噪声实际标准差往往与算法预设值存在偏差，这一偏差会直接影响状态估计与意图识别可靠性。为精准模拟该实际场景，本实验设计两种典型噪声工况：工况1为距离测量噪声标准差σρ=5m，工况2为距离测量噪声标准差σρ=10m。需要特别说明的是，两种工况下，传统UKF-IMM方法均固定预设噪声标准差为5m（即与工况1实际噪声匹配、与工况2实际噪声不匹配），以此对比分析噪声失配场景对两类方法识别性能影响。两种方法识别准确率随时间变化如图9所示。
由上图实验结果可知，无论在低噪声还是高噪声条件下，所提方法识别准确率均显著优于传统UKF-IMM方法，且具备更优动态响应特性与收敛性能。具体而言，所提方法识别准确率在实验初始2秒内即快速攀升至0.78左右。这是因为在初始阶段，多数攻击者运动轨迹已携带明确攻击意图特征，如朝向目标初始运动趋势、典型攻击航路初始段特征等，使得所提方法基于深度学习特征提取网络能够快速捕获关键意图信息；但仍有部分攻击轨迹因初始条件和末端约束多样化等因素，导致其轨迹形态与真实攻击意图关联性较弱。随着攻击者不断飞近目标，其攻击意图通过轨迹特征表征愈发清晰，因此所提方法识别准确率持续稳步提升，并在实验末期收敛至0.99以上。而传统UKF-IMM方法受限于固定模型结构与预设噪声参数，其识别准确率上升速率显著缓慢，在2秒时准确率仅有约0.33，且即便在攻击者抵达目标附近时，准确率也仅有约0.88。
进一步对比两种噪声工况下性能差异。当噪声强度提升时，所提方法识别准确率仅出现小于0.02小幅下降，整体性能稳定性优异。这是因为在构建数据集中增加多种噪声条件，使训练后神经网络具备对不同噪声适应能力，能够有效抑制不同强度噪声对轨迹特征提取干扰，保障意图识别稳定性。而传统UKF-IMM方法在噪声强度提升后，识别准确率出现0.08~0.17大幅下降，性能退化显著。核心原因在于卡尔曼滤波器状态估计与更新过程高度依赖于准确测量噪声协方差矩阵设置，该矩阵是滤波器实现最优估计核心参数之一。若预设噪声标准差（5m）与实际测量噪声标准差（10m）存在显著不匹配，会导致滤波器增益矩阵计算偏差。具体而言，当实际噪声大于预设值时，滤波器会过度信任测量数据、低估测量噪声干扰，进而在状态更新过程中引入大量噪声误差，导致目标运动状态估计精度下降并进一步传递至意图推理环节，造成攻击轨迹特征与预设意图模型匹配度降低，最终导致识别准确率大幅下滑。
综上，实验结果充分验证所提方法在噪声失配场景下优越性，具备更高识别准确率、更快收敛速度和更强噪声鲁棒性，准确率提升10%以上，能够更好地适应实际环境中测量噪声波动复杂场景；而传统UKF-IMM方法受模型固定性与噪声参数敏感性限制，在实际噪声与预设值不匹配时性能显著退化，难以满足复杂战场环境下精准意图识别需求。
4 结论
针对反无人飞行器集群场景中飞行器攻击意图识别核心需求，本文提出交互式长短期记忆神经网络识别方法。该方法通过场景解耦、概率建模、交互归一化一体化架构，将多分类问题拆解为二分类任务，同步输出攻击与非攻击概率，有效适配非攻击场景，在提升收敛速度与识别精度的同时显著简化模型训练难度。
多场景仿真验证表明，相较于传统UKF-IMM方法，所提LSTM-IMM方法具有更高识别准确率和更快收敛速度，准确率提升10%以上，收敛时间缩短2秒以上，且能有效适配意图切换、非攻击机动等复杂场景，规避传统方法因模型库局限导致的虚警与误判问题。噪声不确定条件下蒙特卡洛仿真进一步证实，所提方法具备更强噪声鲁棒性，能够更好地适应实际环境中的测量噪声波动。
未来研究将面向多攻击者协同攻击场景，引入多智能体注意力机制，构建协同攻击意图的联合识别框架；结合数据补全与鲁棒性学习方法，提升模型在测量数据缺失、强干扰场景下的识别性能。