基于强化学习的对抗意图识别

未来智能化战争复杂多变,敌我双方往往以对抗博弈情况出现,当我方作为攻击者时,如何有效隐藏我方意图实施有效打击,以及我方作为防御者时如何识别敌方意图实施有效防御,对战争局势的走向起到决定性作用。为把握战争局势,做到“知己知彼,百战不殆”,基于强化学习方法针对对抗意图识别问题提出了解决方案。仿真结果表明,基于强化学习被识别者可以有效地进行意图欺骗,而识别者可以通过意图识别设计方法有效地迫使被识别者暴露意图,从而采取攻防措施。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

时序数据图像化:战术意图识别及可移植框架

通过将时序编码为图像,提出了一种结合曲线滤波技术和EfficientNetV2图像识别网络的鲁棒且可移植的战术意图识别框架。曲线滤波技术可以有效地减少大量时域特征、模型参数和训练时间的冗余,基于此,提出了一种改进的格拉姆角场方法将时序编码为图像,提高了卷积神经网络的特征提取能力。EfficientNetV2网络能够有效地处理意图图像,并成为预训练模型,使得在不同系统之间进行迁移学习成为可能。实验结果表明,所提框架相对于机器学习及深度学习等方法提高了0.99%以上的准确率,具有更好的性能、可扩展性、鲁棒性和可迁移性。

基于博弈的干支交汇水域船舶汇入意图识别

文中基于博弈理论和船舶碰撞危险度量方法,构造包含安全收益、时间收益和规则约束的汇入决策收益函数,采用船舶冲突排序运算方法量化确定汇入决策时机,构建干支交汇水域船舶汇入意图识别模型.为精准估计模型权重,以决策收益最大化为下层目标,意图识别误差最小化为上层目标,设计基于双层优化方法的模型参数估计框架.运用长江江苏段实测数据验证了所提模型的有效性.结果表明:本文所提模型的汇入意图识别准确率达到了94.64%.

基于尾灯灯语的混行交通流车辆驾驶意图识别模型研究

针对长期存在自动驾驶车辆(autonomous vehicle,AV)与人工驾驶车辆(human-driven vehicle,HV)混行的交通现状,结合深度学习和HSV颜色特征提取方法,提出了一种在混行交通环境下基于尾灯灯语的车辆驾驶意图识别模型。以Mask R-CNN(mask region proposal convolutional neural network)车辆模型检测出的感兴趣区域RoI(region of interest)为限制,将区域内的HV作为研究对象,根据尾灯位置相关性,在HV车尾区域添加纵横向约束来定位传递灯语信号的左右尾灯;在规定的灯语组合及转向灯闪烁频率基础上,提出了一种基于时间序列的灯语识别算法,运用多目标判别相关性滤波CSRT(channel and spatial relatability tracking)跟踪HV尾灯并统计尾灯时序状态;以动态灯语作为输入,构建基于尾灯灯语的驾驶意图识别模型;使用基于真实路况信息的Cityspaces数据集和交通流视频数据对模型进行训练、验证和测试。研究结果表明:基于尾灯灯语的驾驶意图识别模型对视频流车辆尾灯检测准确率和召回率分别为96.0%、98.2%,对驾驶意图识别的平均准确率达到了95.9%,单帧识别耗时为20 ms,为高速混行环境下的AV决策规划提供了有效的理论依据。

鲸鱼算法优化CNN-BiGRU-ATTENTION的车辆换道意图识别模型

针对时空多样特征、超参数敏感性影响车辆行为意图识别精度的问题,提出一种改进的CNN-BiGRU-ATTENTION混合换道意图识别模型。采用目标车辆轨迹序列和与周围车辆互动特征作为模型输入进行训练,实现考虑车辆动态变化状态的意图识别预测;使用鲸鱼优化算法对模型调整参数进行多目标寻优,降低模型调优难度;利用NGSIM数据集对模型进行评估校验。结果表明:所提出的WOA-CNN-BiGRU-ATTENTION模型与CNN-BiGRU-ATTENTION模型、Transformer模型相比,准确率分别提升了4.53%、0.97%,达到97.64%;WOA-CNN-BiGRU-ATTENTION模型在不同预判时间下的意图识别准确率最高,在换道前2.5 s的识别精度均能达到91%以上,证明模型具有较强的车辆换道意图识别性能。

考虑制动意图识别的四驱电动汽车制动控制策略

为进一步提高制动能量回收率,考虑不同工况下驾驶员不同制动意图所需的制动效果,提出了一种四驱电动汽车制动控制策略。首先,针对常规制动工况,基于常规制动意图识别,从制动能量回收率、稳定性和安全性角度分别设计控制策略;其次,针对滑行工况下的不同滑行制动意图,判断电机制动力是否介入及何时介入,并根据驾驶员所需的滑行距离计算电机制动力的大小;然后,由台架试验获得前后电机外特性并建立前后电机最优利用效率模型;最后,利用Carsim和Simulink进行了联合仿真分析。仿真结果表明,在新欧洲驾驶循环(New European Driving Cycle,NEDC)工况下,与并联控制策略相比,能量回收率提升了13.64百分点;在滑行工况下可有效识别驾驶员需求滑行距离,提升了整车滑行经济性。

基于意图识别的人-智能系统交互框架

人工智能的发展为人机交互带来了新的挑战,迫切需要为人与智能系统设计新型交互方式。本文分析了由智能系统发展带来的三方面问题,指出人与智能系统的新型交互应以趋近人类交互为目标。在梳理总结现有人类社会交互研究和理论的基础上,提出了基于意图识别的交互框架,并论证该框架提升交互效率和解决智能发展挑战的潜力。通过分析新型交互与传统交互之间的关系,为指向新型智能交互设计的理论研究提供了新的方向。

基于CNN-Transformer的农作物病虫害知识问答意图识别与槽位填充联合模型

意图识别与槽位填充是农作物病虫害知识问答中问题理解的两个重要任务。在已有面向农业领域的研究中,上述任务仍被视为两个完全独立的子任务,并且未充分利用意图识别与槽位填充的语义信息。为此,该研究提出一种基于CNN-Transformer的意图识别与槽位填充联合模型(CDPCT-IDSF)。该模型根据农作物病虫害文本语义复杂设计CNN网络与多层Transformer结合强调局部的有用信息以缓解语义缺失问题;然后在Transformer解码器中引入对齐保证输入与输出一对一关系以提高识别正确槽位标签的能力。此外,进一步构建了包含20个意图类别、12个槽位类别和11 242条标注样本的农业病虫害知识问答数据集进行对比试验,CDPCT-IDSF模型在该语料库上的槽位填充F1值为94.36%,意图识别精度为92.99%,整体识别精度为87.23%,优于其他对比模型,结果证明了所提模型在农作物病虫害意图识别与槽位填充任务上的有效性,可为面向农作物病虫害的知识问答研究提供理论支撑。

多模型融合的换道意图识别研究

快速准确识别出周围车辆的换道意图对高级自动驾驶辅助系统的决策支持和安全预防具有重要意义。针对现有方法未能充分考虑车辆之间的交互作用以及轨迹数据的前后依赖性问题,提出一种基于多模型融合的换道意图识别框架。该换道意图识别框架主要包括输入处理与换道意图识别两部分。输入处理部分对车辆轨迹数据进行清洗、贴标、切片以及one-hot编码。换道意图识别部分则具体提出BiLSTM-F(BiLSTM-fusion)模型,在该模型中将注意力机制(attention mechanism)引入双向长短期记忆网络(BiLSTM),对输入处理部分的输出信息进行权重划分,使模型能将注意力更加集中于对换道意图影响较大的特征信息上,最后引入条件随机场(conditional random field),充分学习输入数据的前后依赖性并快速找出全局最优的换道意图。实验中使用公开数据集NGSIM进行训练并评估,验证结果表明该模型的准确率最高能达到97.19%,并且可在车辆到达换道点前2 s识别车辆的换道意图,准确率为94.16%。与基线换道意图识别模型相比,所提出模型的准确率、损失、F1值和稳定性均优于基线模型。

面向空中目标意图识别的时空Transformer模型设计

信息化条件下的战争环境瞬息万变,战场态势数据呈现海量、多样化的特点,导致利用专家经验识别空中目标作战意图的难度越来越高。结合目前先进的智能化方法,对Transformer模型进行研究并将其引入空中目标意图识别领域,设计出一种新的意图识别方法Temporal-Spatial Transformer(TST),可以有效地挖掘战场态势数据中时间域和空间域的深层特征信息,提高空中目标作战意图识别准确率。同时,对4种目前较为先进的神经网络意图识别方法进行效果对比,结果表明,TST模型在各类指标上都取得了突出的效果,优于所有对比的神经网络模型。TST模型不仅有优异的准确率,而且收敛速度极快,可以迅速地抓取战场态势数据中的关键信息进行意图识别。

自动驾驶车辆换道意图识别研究现状

近年来基于数据驱动的自动驾驶车辆换道意图识别研究取得了显著进展,学者们发布了大量的研究成果.针对该领域面临的一些共性的技术挑战,如换道过程的认定、换道标签的缺失以及数据类别不均衡等问题,从不同的数据驱动方法进行分类,主要包括基于传统机器学习、基于深度学习和基于集成学习的换道意图识别方法,对近年来这些方法的研究成果进行了回顾和总结.关于换道行为的认定,存在两种主流方案,即车辆穿越车道线和未穿越车道线.对于未穿越车道线的车辆,主要应用于驾驶者换道意图的早期识别方法;而当车辆穿越过车道线时,则通常被用于完整的换道过程的识别.在换道意图标注的研究中,研究者们针对固定时间窗口和航向角阈值对标注精度的影响进行了深入探讨.为了找到最优参数,如最佳的固定时间窗口和航向角阈值,研究者们采用了网格搜索进行寻优.虽然这种方法在固定的驾驶场景中表现良好,但在不同的驾驶场景中,如何实现参数的自适应调节仍然是一个挑战.针对换道数据类别不均衡的问题,研究者采用两种策略:一是调整数据采样方法,利用欠采样和过采样技术平衡各类别样本数量;二是采用对不均衡数据适应性强的分类模型,如集成学习算法或代价敏感学习,以维持较好的分类性能.

基于对比学习的儿科问诊对话细粒度意图识别

问诊对话系统的基础是自然语言理解。自然语言理解是指从对话信息中提取出意图信息和实体信息,并将其转换为结构化表达,主要包括意图识别和槽填充2种任务。意图识别是一种典型的文本分类任务,槽填充则是使用序列算法从对话文本中根据预先设定好的槽位抽取对应的槽位值。传统的方法通常对意图识别和槽填充2个任务分别构建模型,并在意图识别的基础上根据意图进行槽填充,但是这种方式容易造成错误传播。针对该问题,本文提出一种基于对比学习方法的融合对话意图分类和语义槽取值的细粒度意图识别方法。该方法结合意图分类和语义槽取值任务,使用BART作为骨干模型进行改进和创新,该模型使用编解码架构,意图识别和槽填充任务共享一个编码层,解码层采用字级别标签,通过将意图信息融合进槽填充任务,并在样本构造过程中引入对比学习。实验结果表明,本文算法在医患对话数据集上的意图识别准确率达到81.96%,槽填充的F_1分数达到85.26%,与其他算法相比有明显的效果提升。另外,通过消融实验和样例分析,进一步证明了本文算法的效果。

难分类样本快速空中目标意图识别方法

针对不平衡难分类条件下空中目标群组意图快速识别的难题,提出一种基于滑动窗口估计的时空卷积自注意力网络模型的意图识别方法。该方法根据特征数据的特点对其使用滑动窗口的预先处理,通过时空卷积网络快速提取多维时序特征数据的流信息;然后采用自注意力机制捕捉每个特征数据的关键特征并优化权重。仿真结果表明该方法有效提升了不平衡样本中难分类样本意图识别的训练效率和分类的准确率。

基于融合模型与语义网络的App用户意图识别研究

随着手机应用软件的流行,应用市场上出现了大量非结构化的中文用户评论。基于用户评论识别App用户意图,可以帮助开发人员对App软件进行有针对性的维护和改善。为了从中准确识别用户意图,提出一种基于融合模型和语义网络的App用户意图识别方法FSAUIR。使用百度工具Senta判断评论的情感倾向,构建基于RoBERTa的融合意图分类模型RBMS,通过RoBERTa模型将用户评论转化为语义特征表示,并将其输入到双向门控循环单元中,以提取评论的全局上下文语义信息,同时利用多头自注意力机制和SoftPool获取关键的特征信息,保留主要特征,通过Softmax进行归一化处理,得到意图分类结果。在意图分类的基础上,引入PositionRank模型提取各意图类别下评论的关键词,计算关键词之间的共现关系,构建关键词语义网络,从而更细粒度地识别用户意图。实验结果表明,相比BERT、RoBERTa、RoBERTa-CNN等模型,RBMS模型在人工标注数据集上具有较优的分类性能,准确率、精确率、召回率、F1值分别为87.75%、88.09%、87.80%、87.88%。此外,在意图分类的结果集中,FSAUIR构建的语义网络可以高效地挖掘出用户评论中有价值的信息。

一种基于时空知识图谱的意图识别置信度评估方法

意图识别算法存在识别结果缺少评估、领域知识不完备等问题,迫切需要研究置信度评估方法。利用时空知识图谱统一表示包含时空信息的实体,将作战目标及其关系抽象表示为时空知识三元组。利用典型对抗场景数据训练神经网络,计算并融合实体和知识图谱两个层面的置信度,得到最终置信度评估结果。仿真结果表明,利用时空以及目标型号信息,分析作战目标存在某种作战意图的可能性,能有效评估意图识别结果的置信度,对于意图识别系统的真正“落地”具有重大意义。

一种基于全卷积神经网络的空中目标战术意图识别模型

针对现有空中目标识别方法敏捷性和可靠度不够高的问题,研究设计了一种深度学习模型MLSTM-FCN,结合了全卷积神经网络、循环神经网络和压缩与激励模块的优点。全卷积网络能够提取空战数据中的复杂局部特征,长短记忆神经网络可以捕捉空战意图数据的时序特征。通过消融实验和对比实验结果表明,MLSTM-FCN模型在意图识别准确率、反应速度和抗干扰能力方面明显优于现有的空中目标意图识别模型,取得了sota的结果,为指挥员在进行空中作战决策时提供更有效的依据。

基于ERNIE及改进DPCNN的棉花病虫害问句意图识别

针对目前没有公开的棉花病虫害相关问句数据集且问句较短、类型多样等问题,本研究通过查阅文献及咨询相关领域专家,构建了棉花病虫害问句数据集CQCls,定义了78种棉花病虫害实体和9种问句类型;同时提出了一种基于ERNIE预训练模型的棉花病虫害问句意图识别模型,首先通过ERNIE模型将输入问句映射到向量空间,使用融合词位置信息的DPCNN模型进行特征向量的抽取,与基础的DPCNN模型相比,通过融合词位置信息能有效提高模型的表达能力,然后经过Softmax得到最终结果。实验结果表明,本研究提出的意图识别模型相较于其他模型取得了较好的结果,宏平均和加权平均的F1分数值分别为97.45%和97.31%;在文本语料数据内容复杂多样且文本格式不规范的DMSCD数据集上,训练结果中不同类别的F1分数的权重平均也能达到73.42%,进一步证明了该模型的有效性及泛化能力。

空中目标作战意图识别研究综述

随着战争形式的不断演变和武器装备的更新换代,空中战场态势日益复杂,迅速准确地识别目标作战意图是战场态势评估的一项重要内容,可以为指挥员的决策提供辅助信息,有利于掌握战争主动权。首先介绍了目标意图识别的基本概念及相关模型,界定了目标意图和意图识别的定义概念,从作战指挥决策流程和信息融合流程2个方面确定了目标意图识别的地位和重要性;其次目标特征和意图空间分别作为意图识别的输入属性和识别框架,是意图识别的基础并对此进行了综述;然后综述规则和模板匹配、证据理论、贝叶斯网络、传统机器学习和神经网络等5类常见的目标意图识别方法,介绍了每种识别方法的基本机理和识别过程,总结了其优缺点;最后对比分析了5类目标作战意图识别方法的性能,并对其未来研究方向进行了展望。

结合CNN和BiGRU的双通道短文本意图识别算法

在短文本意图识别领域,卷积神经网络(CNN)因其在局部信息提取方面的优异性能而备受关注.然而,由于其难以捕捉短文本语料的全局特征,因此存在一定局限性.针对该问题,本文结合TextCNN和BiGRU-att的优点提出一个双通道短文本意图识别模型,利用局部特征和全局特征更好地识别短文本的意图,弥补模型对文本整体特征的不足.AB-CNN-BGRU-att模型首先利用ALBERT多层双向Transformer结构对输入的文本向量化,再将向量分别送入TextCNN和BiGRU网络模型以获取局部和全局特征.将这两种特征进行融合,并通过全连接层并输入Softmax函数得到意图标签.实验结果表明,在THUCNews_Title数据集上,本文提出的AB-CNN-BGRU-att算法准确率(Acc)达到了96.68%,F1值达到了96.67%,相较于其他常用意图识别模型表现出更佳的性能.