本发明涉及识别空中飞行器的飞行器运动意图领域，尤其涉及一种飞行器运动意图识别方法、系统、装置及存储介质。
背景技术：
1、针对于空中飞行器的意图识别研究已结合深度学习的方法开展，然而目前大部分意图识别模型多以时序循环神经网络为架构，导致在模型收敛速度和模型推理等方面较慢，影响了飞行器的运动意图识别效率和准确度。
技术实现思路
1、为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种飞行器运动意图识别方法、系统、装置及存储介质。
2、本发明所采用的技术方案是：
3、一种飞行器运动意图识别方法，应用于识别飞行器运动的设备上，包括以下步骤：
4、步骤1：获取飞行器数据，构建目标特征集合，对获取到的数据进行预处理；
5、步骤2：构建基于卷积网络和时空注意力机制的cnn-tsa飞行器运动意图识别模型；
6、步骤3：根据预处理后的数据划分训练集、验证集和测试集，利用训练集对意图识别模型进行训练，利用验证集进行超参数选取，利用测试集校验模型准确率；
7、步骤4：获取空中飞行器的实时信息，输入到训练后的意图识别模型，对空中飞行器运动意图进行识别。
8、进一步地，所述步骤1中，飞行器数据包括环境信息，所述环境信息包括行动方和防守方双方的重要目标的类型、数量和部署位置、地形条件和环境因素；其中，行动方指的是飞行器，防守方指的是识别飞行器运动的设备；环境因素包括天气、风速和云层高度等影响飞行的因素；
9、所述构建目标特征集合，包括：
10、根据飞行器运动运动意图的类型选择执行任务的单元类型和数量，选择目标的位置、速度、航向角、俯仰角、距我方的距离、相对我方的角度和观测信息作为目标特征；
11、运动意图的类型包括为四类：攻击意图、佯攻意图、侦察意图和撤退意图，编码为{0，1，2，3}；
12、所述对获取到的数据进行预处理，包括：
13、对所有采集到的数据进行数据清洗，针对各类数值特征采用最小值-最大值方法进行归一化处理，对于第d维数据xd＝{xd1，xd2，...，xdi，...，xdn}的第i项数据映射到[0～1]的区间内，公式为：
14、
15、式中：xdi为第i个样本的第d个维度的数值，mi n(xd)为第d个维度属性的数据的最小值，ma x(xd)为第d个维度属性的数据的最大值。
16、进一步地，所述cnn-tsa飞行器运动意图识别模型包括用于局部特征提取的卷积提取模块、用于空间特征提取融合的空间注意力模块(sa模块)和用于时间特征提取的时间注意力模块(ta模块)。
17、进一步地，所述卷积提取模块为一双层卷积神经网络，用于对归一化后的数据在时间序列上进行压缩和局部特征提取。
18、进一步地，所述空间注意力模块为一通道特征权值分配模块，用于对空中飞行器的关键通道特征信号进行特征提取；所述时间注意力模块为一动作序列权值分配模块，用于对卷积后的时间维度特征进行权值分配；
19、所述空间注意力模块和时间注意力模块这两个模块对卷积后的特征处理的模型结构相同，空间注意力模块的输入需要对卷积提取模块的输出进行转置。
20、进一步地，所述cnn-tsa飞行器运动意图识别模型的工作方式如下：
21、a1：卷积提取模块的输出作为时间注意力模块的输入，将卷积提取模块的输出进行转置，得到空间注意力模块的输入；
22、a2：将卷积提取模块的每个位置的输出经过一个线性层，映射到指定维度，并分别在头部添加一个分类词元；
23、a3：将映射后的输出分别通过由多层多头注意力机制和前馈神经网络构成的时间注意力模块和空间注意力模块得到相应的输出；
24、a4：分别取头部的分类词元，将这两个词元拼接在一起，然后通过一个softmax层输出识别结果。
25、进一步地，所述步骤4中，在实际环境中，迭代采集预设时间长度的数据，选取指定特征，将采集到的数据输入到训练后的意图识别模型，对空中飞行器运动意图进行识别。
26、本发明所采用的另一技术方案是：
27、一种飞行器运动意图识别系统，包括：
28、数据处理模块，用于获取飞行器数据，构建目标特征集合，对获取到的数据进行预处理；
29、模型构建模块，用于构建基于卷积网络和时空注意力机制的cnn-tsa飞行器运动意图识别模型；
30、模型训练模块，用于根据预处理后的数据划分训练集、验证集和测试集，利用训练集对意图识别模型进行训练，利用验证集进行超参数选取，利用测试集校验模型准确率；
31、意图判断模块，用于获取空中飞行器的实时信息，输入到训练后的意图识别模型，对空中飞行器运动意图进行识别。
32、本发明所采用的另一技术方案是：
33、一种飞行器运动意图识别装置，包括：
34、至少一个处理器；
35、至少一个存储器，用于存储至少一个程序；
36、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
37、本发明所采用的另一技术方案是：
38、一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
39、与现有技术相比，本发明具有如下有益效果：
40、本发明利用卷积神经网络对空中飞行器局部的时序机动动作进行识别，可以有效地提取空中飞行器的局部特征信息，降低模型参数量并提升模型训练速度。采用了时间注意力机制对卷积提取后的特征在时间维度上进行权值分配和特征融合，从整个时间片段考虑不同意图下对应的机动动作序列特征的组合；采用空间注意力机制对通道权值进行权值分配，对空中飞行器的关键通道特征进行提取，进一步提升意图识别准确率。引入注意力机制有效地学习到不同时刻两两特征之间的相关性，模拟决策人员对于空中飞行器轨迹的理解推理，实现特征的高效融合，提高意图识别的准确率。
1.一种飞行器运动意图识别方法，其特征在于，应用于识别飞行器运动的设备上，包括以下步骤：
2.根据权利要求1所述的一种飞行器运动意图识别方法，其特征在于，所述步骤1中，飞行器数据包括环境信息，所述环境信息包括行动方和防守方双方的重要目标的类型、数量和部署位置、地形条件和环境因素；其中，行动方指的是飞行器，防守方指的是识别飞行器运动的设备；
3.根据权利要求1所述的一种飞行器运动意图识别方法，其特征在于，所述cnn-tsa飞行器运动意图识别模型包括用于局部特征提取的卷积提取模块、用于空间特征提取融合的空间注意力模块和用于时间特征提取的时间注意力模块。
4.根据权利要求3所述的一种飞行器运动意图识别方法，其特征在于，所述卷积提取模块为一双层卷积神经网络，用于对归一化后的数据在时间序列上进行压缩和局部特征提取。
5.根据权利要求3所述的一种飞行器运动意图识别方法，其特征在于，所述空间注意力模块为一通道特征权值分配模块，用于对空中飞行器的关键通道特征信号进行特征提取；所述时间注意力模块为一动作序列权值分配模块，用于对卷积后的时间维度特征进行权值分配；
6.根据权利要求3所述的一种飞行器运动意图识别方法，其特征在于，所述cnn-tsa飞行器运动意图识别模型的工作方式如下：
7.根据权利要求1所述的一种飞行器运动意图识别方法，其特征在于，所述步骤4中，在实际环境中，迭代采集预设时间长度的数据，选取指定特征，将采集到的数据输入到训练后的意图识别模型，对空中飞行器运动意图进行识别。
8.一种飞行器运动意图识别系统，其特征在于，包括：
9.一种飞行器运动意图识别装置，其特征在于，包括：
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。
