摘" 要：在现代海战场中，复杂多变的环境使得目标威胁评估的准确性面临诸多挑战。针对海上目标的有效评估和复杂评估因素的分析，提出了一种基于深度学习的海上目标威胁评估方法。根据复杂海战场的环境因素和目标属性两个角度，构建了海上目标威胁评估指标体系，将数据类型分为类别特征与数值特征，对海上目标威胁评估进行分析。引入TabTransformer模型为基础，加入线性判别分析对该模型进行优化，建立了目标威胁评估模型，并通过仿真数据进行训练测试，模型的准确率约为91%，鲁棒性强并为海上目标威胁评估提供了新的解决方案，具有广泛的应用前景。
关键词：威胁评估；线性判别分析；深度学习；多头自注意力机制
中图分类号：TP18；TP39 文献标识码：A 文章编号：2096-4706（2025）04-0053-06
Maritime Target Threat Assessment Based on LDA-TabTransformer
WU Zhengwei
（Hubei University of Technology， Wuhan" 430068， China）
Abstract： In modern maritime battlefields， the complex and changeable environment poses numerous challenges to the accuracy of target threat assessment. To address the effective evaluation of maritime targets and the analysis of complex assessment factors， a method for maritime target threat assessment based on Deep Learning is proposed. According to the two perspectives of environmental factors and target attributes in complex maritime battlefields， an index system for maritime target threat assessment is constructed. The data types are categorized into categorical and numerical features for the analysis of maritime target threat assessment. Based on the introduced TabTransformer model， Linear Discriminant Analysis is incorporated to optimize the model， and a target threat assessment model is established. Through training and testing with simulated data， the accuracy of the model is approximately 91%. The model has strong robustness， provides a new solution for maritime target threat assessment， and has broad application prospects.
Keywords： threat assessment; Linear Discriminant Analysis; Deep Learning; Multi-head Self-attention Mechanism
0" 引" 言
随着武器装备和信息技术的发展，海上战场环境变得更加复杂和多样化。目标威胁评估的目的是通过目标的属性信息和目标的作战意图，分析敌方目标的潜在作战能力，获得对目标威胁程度的定量描述。由于作战环境的复杂性和战场指挥员认知能力的局限性，在实际战场决策中指挥员很难给出准确的目标威胁评估信息。如何有效利用战场目标信息对敌方目标进行威胁评估，辅助指挥员进行科学决策，一直是战场决策的重要环节和研究焦点。
传统的威胁评估方法主要包括：直觉模糊证据理论[1-2]、灰色主成分分析[3]等方法。在评估过程中，这些方法大多需要对权值进行分析确定，主要的方法有层次分析法[4]、熵值法[5]、组合赋权法[6-7]、灰色关联分析法[8]等研究方法。但是面对现代复杂多样的战场态势信息，传统的威胁评估方法的优势已经不再突出。
随着信息技术的发展，深度学习能够从复杂的战场态势信息中自动学习复杂的特征关系，从而能够提高威胁评估的准确率。柴慧敏[9]等人利用包含多层隐藏层的深层神经网络对空中目标进行威胁评估。江达伟[10]等人在卷积神经网络的基础上，加入残差模块提高网络的性能和稳定性，对空中目标威胁评估准确率有较大的提升。Cao[11]等人对训练数据进行降维和线性判别分析（LDA）分类，消除指标之间的冗余和相关性，并根据目标距离将训练数据分为中程和长程。然后，利用改进的惯性权值线性减小的萤火虫群优化算法构建了一个优化输入权值和阈值的ELM神经网络。
现有的海上目标威胁评估方法在处理复杂数据特征时，存在类别与数值特征处理不一致的问题。为此，本文提出了一种创新性的LDA-TabTransformer模型，将LDA和多头自注意力机制结合应用于海上目标威胁评估，解决了数据特征融合的挑战。
1" 相关理论基础
1.1" 线性判别分析
线性判别分析[12]（LDA）是一种用于分类和降维的统计方法。LDA的主要目标是寻找一个或多个线性组合，使得在这些组合下，不同类别的数据点之间的可分离性最大化，同时类别内的数据点间的差异最小化。其核心思想是通过寻找一个最佳投影方向，使得投影后数据的类别间方差与类别内方差的比值最大化。
LDA的具体实施步骤如下：
假设数据集的特征向量分别为。
1）计算各类别的均值向量μk和总体均值向量μ。对于第k类，其均值向量μk的计算公式为：
（1）
其中，Nk为第k类的样本数量；Ck为第k类的样本集合。总体均值向量μ计算公式为：
（2）
其中，N为所有样本的总数量。
2）计算类别间散布矩阵SB和类别内散布矩阵SW：
（3）
（4）
3）求解广义特征值问题，获得特征值和特征向量。LDA的目标是找到一个投影方向ω，使得投影后类别间散布与类别内散布的比值最大化，即最大化以下目标函数：
（5）
通过求解广义特征值问题：
（6）
得到特征值和特征向量ω。
4）选择最大的特征值对应的特征向量ω作为投影方向，求解出特征值和特征向量后，选择最大的特征值对应的特征向量ω作为投影方向：
（7）
最后得到输出特征向量。
1.2" LDA-TabTransformer模型
TabTransformer是一种结合Transformer优势所构建的深度学习模型。TabTransformer模型的输入将特征分为数值特征与类别特征，其核心思想是使用Transformer编辑器对类别特征进行编码，然后将这些编码与数值特征进行结合，最后输入到全连接网络中进行预测。因此TabTransformer可以更好地捕捉和利用类别特征之间的复杂关系，是处理复杂的海上目标类别特征较好的解决方法。
LDA-TabTransformer模型具体结构如图1所示。
在TabTransformer模型的结构中，核心部分为Transformer编码器。其主要包括多头自注意力机制、前馈神经网络和残差连接等关键机制。通过上述机制，模型能够有效处理类别特征与数值特征的复杂交互。
多头自注意力机制是Transformer编码器的核心组件之一。其利用并行的多个自注意力机制计算每个类别特征与其他类别特征之间的相关性，从而捕获类别特征之间的依赖关系。该机制不仅可以分散注意力权重的计算，还能够使单个注意力头的计算更加稳定。通过降低模型对单一特征的依赖，多头自注意力机制有效减少了过拟合的风险，提高了模型的泛化能力。自注意力机制的计算式如下：
（8）
其中，Q、K、V为输入数据通过线性变换得到的矩阵，为键向量的维度。通过并行多个注意力头，模型能够从不同角度学习类别特征之间的交互关系。最终，将所有注意力头的结果连接在一起，形成更完整的特征表示。自注意力机制不仅能够增强模型的表达能力，还通过降低对特定特征的依赖来提升模型的鲁棒性。
其次，前馈神经网络在Transformer编码器中起着重要作用。该网络由一个非线性激活函数和两个线性变换组合而成。首先输入特征通过线性变换映射到高维空间，再通过非线性激活函数对高维表示进行处理，最后通过第二层线性变换将特征映射回原始维度。
为了确保模型在深度学习过程中保持稳定，残差连接在每个子层（包括多头自注意力和前馈神经网络）中得到了应用。残差连接的作用在于将输入直接跳过一层并添加到该层的输出中，从而有效缓解深层网络中的梯度消失问题，确保梯度能够顺利反向传播。
与上述类别特征的处理相比，数值特征的处理较为直接。在输入阶段，数值特征首先通过归一化处理，以确保不同特征之间的尺度一致性，再利用线性判别分析进行降维和特征选择，这一过程能够减少数据中的冗余信息，同时保留最有助于预测任务的特征，从而提高数值特征数据的质量和模型的整体性能。
最后，模型将处理后的类别特征与数值特征进行拼接，形成统一的特征向量。再将该特征向量输入到多层感知机中进行最终的分类任务。多层感知机由多个全连接层组成，通过引入非线性激活函数和Dropout层，进一步增强了模型的表达能力，并有效防止过拟合现象的发生。
通过上述结构设计，LDA-TabTransformer能够充分利用类别特征与数值特征的优势，实现对复杂表格数据的高效建模和预测。该方法不仅解决了表格数据处理中长期存在的难题，还使模型在多个实际应用中表现出色，展现出强大的应用潜力。
2" 海上目标威胁评估指标体系
本文对海上目标威胁评估构建如图2所示指标体系。
下面是威胁评估指标体系中复杂因素解释。
2.1" 目标状态
目标状态由敌方目标的航行速度、武器夹角、目标距离、武器打击距离、雷达信号强度等态势要素有关。
2.1.1" 航行速度
目标速度威胁指标是指目标速度快慢对我方海上平台的威胁程度，目标速度不仅和目标意图有很强的关联性，而且速度越快，我方进行瞄准、拦截和打击的难度也就越大。对于速度威胁。
（9）
式中：。
2.1.2" 武器夹角
武器夹角是敌方目标武器转向方向与敌我两方平台连线的夹角。当敌方目标的武器转向方向对准我方平台，而我方武器转向方向完全相反时，目标的威胁角度最大。对于角度威胁，计算式为：
（10）
式中：。
2.1.3" 目标距离
目标距离是敌方目标与我方平台之间的直线距离。距离越近，敌方目标发动进攻留给我方的反应时间越短，威胁越大。当敌方目标距离小于我方预设限度时，威胁最大。对于距离威胁，计算式为：
（11）
式中：。
2.1.4" 武器打击距离
武器打击距离是目标武器的打击能力的体现。目标的武器打击距离越远，对我方造成威胁的时间窗口也越大。这种情况下，我方平台需要更快的反应时间和更高效的拦截能力来应对远程打击武器。对于武器打击距离威胁，计算公式为：
（12）
式中：。
2.1.5" 雷达信号强度
雷达信号强度是敌方目标在雷达探测中的回波强度。雷达信号强度越强，意味着目标的雷达截面积越大，并且距离越近，探测概率和识别难度越高。我方平台需要更高精度的雷达和更快速地反应能力来应对高雷达信号强度的目标。对于雷达信号强度，计算式为：
（13）
式中：。
2.2" 目标类型
针对海上目标威胁评估而言，目标种类繁多，本文主要将目标选取为航母、巡洋舰、驱逐舰、护卫舰和其他类型舰艇等。如表1所示，通过分析各目标综合属性进行评估，对目标威胁程度进行量化。
2.3" 目标意图
目标意图是通过分析海上目标在多个时刻的行进数据得出，具有重要的威胁评估作用。在本文中，目标意图被划分为攻击、侦察、巡航、撤退四类，每种意图都对威胁程度有不同的影响。
攻击：攻击意图表明目标正在准备或执行敌对行为，对己方构成直接且严重的威胁。其威胁程度最高，量化值为0.8。
侦察：侦察意图是指目标为了获取己方情报而进行的探查活动。由于侦察活动通常是敌方作战行动的前兆，因此其威胁程度较高，量化值为0.6。相对于巡航，侦察活动的威胁性更大，因为其目的明确且具有潜在的敌对性。
巡航：巡航意图通常表现为目标以相对稳定的速度进行常规活动，未表现出明显的敌对意图。但巡航仍然可能随时转变为其他更具威胁的意图，其威胁程度被定义为中等，量化值为0.3。
撤退：撤退意图表明目标正在脱离战斗区域或解除战斗状态，对己方的直接威胁较低，因此其威胁程度最低，量化值为0.1。
这些威胁度量化值的设定基于目标意图对作战行动可能带来的影响程度。如表2所示，各个目标意图的威胁程度量化值得以呈现，为辅助决策提供了定量化的依据。
3" 实验分析
为了验证本文提出的LDA-TabTransformer模型在海上目标威胁评估中的分类效果，首先根据图1所示的相关威胁评估因素，选取了11个具有代表性的态势要素，构建出一个规模为10 000组数据的海上目标威胁评估数据集。为了确保模型的泛化能力，实验将数据集按照8∶2的比例划分为训练集和测试集，其中训练集包含8 000组数据，用于模型的学习；测试集包含2 000组数据，用于验证模型的实际性能。
在实验初期，首先尝试了多种不同的参数设置组合，包括Transformer块的数量、注意力头的数量、类别特征的嵌入维度，以及MLP隐藏层的结构和大小。由于TabTransformer模型涉及复杂的多头自注意力机制和前馈神经网络，这些参数的设置对模型的性能有显著影响。如表3所示，通过大量的实验发现，其中的参数配置可以在分类精度和模型稳定性之间取得较好平衡。
在模型训练过程中，实验采用了交叉熵损失函数，并使用Adam优化器对模型进行优化。训练过程持续40个周期，期间监测了损失值和准确率的变化情况。
图3是训练过程中损失值和准确率的变化趋势。
由图3可知，随着训练的进行，测试集的损失值从初始的约2.6逐渐下降，最终稳定在1.2左右。这表明模型在训练过程中逐渐学习数据中的有效信息，降低了分类错误的可能性。同时，模型的分类准确率也随着训练次数的增加稳步提升，在第40次训练后趋于稳定，达到了91%左右的准确率。实验结果表明，模型经过充分训练后，能够在测试数据上保持较高的预测精度。模型的稳定性和收敛速度在实验中表现突出。与传统的分类模型相比，LDA-TabTransformer在处理复杂类别特征与数值特征的混合数据时表现出了明显的优势。通过LDA对数值特征进行降维和特征选择，进一步提高了模型的分类效果。并且多头自注意力机制能够捕捉类别特征之间的深层依赖关系，有效提升了模型的表达能力。
为了进一步验证LDA-TabTransformer模型的优势，本文设计并进行了消融实验，旨在评估LDA在模型中的作用。具体来说，实验对比了包含LDA的LDA-TabTransformer模型与未包含LDA的原始TabTransformer模型的分类效果。实验结果如表4所示。
从表4中可以清晰地看出，LDA-TabTransformer模型在所有评价指标上均优于仅使用TabTransformer的模型。其中，LDA-TabTransformer模型的准确率达到91%，F1值和召回率均为90%，而TabTransformer模型的相应指标分别为87%、86%和87%。实验结果说明，在TabTransformer模型中加入LDA进行数值特征降维，不仅有效减少了数据冗余，还帮助模型提取了更具区分性的特征，从而显著提升了模型的分类性能。
通过消融实验，本文进一步验证了LDA在提升TabTransformer模型性能中的关键作用。结果表明，LDA不仅改善了模型的精度和召回率，还显著提高了模型的泛化能力。因此，在未来的研究和应用中，将LDA与TabTransformer结合使用，能够为类似的分类任务提供更强大和可靠的解决方案。
4" 结" 论
本文提出了一种基于LDA与TabTransformer结合的模型用于海上目标威胁评估。通过对模型结构的设计、参数的调优和实验验证，证明了LDA-TabTransformer模型不仅在海上目标威胁评估中表现出色，还为复杂数据特征的处理提供了新思路，具有广泛的应用前景。
实验结果表明，该模型能够有效结合类别特征与数值特征，通过多头自注意力机制捕捉特征之间的复杂依赖关系，并借助LDA对数值特征进行降维与优化，从而显著提升了分类性能。尤其在准确率、F1值和召回率等关键指标上，LDA-TabTransformer模型较原始的TabTransformer模型有显著提升。
通过消融实验进一步验证了LDA在提升模型性能中的关键作用。结果表明，LDA的引入有效减少了数据冗余，显著增强了模型的泛化能力。该模型在海上目标威胁评估中的成功应用，表明其在类似复杂多维度分类任务中的潜在应用价值。
未来可以进一步探索LDA-TabTransformer模型在其他领域中的应用，并且可以通过结合更多的特征选择和降维方法，进一步优化模型结构，以应对更加复杂的数据场景。通过持续的优化和改进，该模型有望在更多的实际场景中得到应用和推广。
参考文献：
[1] XIA J Y，CHEN M Q，FANG W G，et al. Normal Wiggly Probabilistic Hesitant Fuzzy Set and Its Application in Battlefield Threat Assessment [J].International Journal of Fuzzy Systems，2023，25（1）：145-167.
[2] ZHAO R J，YANG F B，JI L N，et al. Dynamic Air Target Threat Assessment Based on Interval-Valued Intuitionistic Fuzzy Sets， Game Theory， and Evidential Reasoning Methodology [J/OL].Mathematical Problems in Engineering，2021（1）：6652706[2024-08-12].https：//doi.org/10.1155/2021/6652706.
[3] 孙云柯，方志耕，陈顶.基于动态灰色主成分分析的多时刻威胁评估 [J].系统工程与电子技术，2021，43（3）：740-746.
[4] LUO R N，HUANG S C，ZHAO Y，et al. Threat Assessment Method of Low Altitude Slow Small （LSS） Targets Based on Information Entropy and AHP [J/OL].Entropy，2021，23（10）：1292[2024-08-10].https：//doi.org/10.3390/e23101292.
[5] YU D，WANG H J，LI B Y，PROMETHEE-Based Multi-AUV Threat Assessment Method Using Combinational Weights [J/OL].Journal of Marine Science and Engineering，2023，11（7）：1422[2024-08-06].https：//doi.org/10.3390/jmse11071422.
[6] HUANG X，KHETAN A，CVITKOVIC M，et al. TabTransformer： Tabular Data Modeling Using Contextual Embeddings [J/OL].arXiv：2012.06678 [cs.LG].[2024-08-09].https：//doi.org/10.48550/arXiv.2012.06678.
[7] 唐伟广，徐超，康彦肖.基于组合赋权TOPSIS的海上目标威胁评估 [J].无线电工程，2024，54（5）：1286-1293.
[8] 赵若静，杨风暴，吉琳娜.基于可能性理论扩展灰关联的目标威胁评估 [J].指挥信息系统与技术，2021，12（3）：23-29.
[9] 柴慧敏，张勇，李欣粤，等.基于深度学习的空中目标威胁评估方法 [J].系统仿真学报，2022，34（7）：1459-1467.
[10] 江达伟，董阳阳，张立东，等.基于深度学习的空中目标威胁评估技术研究 [J/OL].系统仿真学报，2024：1-17[2024-06-30].https：//doi.org/10.16182/j.issn1004731x.joss.23-1323.
[11] CAO Y，KOU Y X，XU A，et al. Target Threat Assessment in Air Combat Based on Improved Glowworm Swarm Optimization and ELM Neural Network [J/OL].International Journal of Aerospace Engineering，2021（1）：4687167[2024-09-01].https：//doi.org/10.1155/2021/4687167.
[12] 刘立芳，杨海霞，齐小刚.基于线性判别分析的时频域特征提取算法 [J].系统工程与电子技术，2019，41（10）：2184-2190.
作者简介：吴正威（2000—），男，汉族，安徽宣城人，硕士研究生，研究方向：机器学习与态势感知。
收稿日期：2024-09-09
