作者：沈壽林，肖毅，朱江，白承森

簡介

為提高作戰(zhàn)指揮態(tài)勢理解效率，掌握敵方作戰(zhàn)意圖，對作戰(zhàn)指揮態(tài)勢理解進行了研究分析。首先，在仿真推演基礎上，建立了知識發(fā)現(xiàn)方法池，提出了基于智能算法的態(tài)勢理解方法；然后，以戰(zhàn)術層面敵方坦克分隊作戰(zhàn)意圖識別為例，說明了智能算法在挖掘和識別敵方作戰(zhàn)意圖的應用方法和路徑；最后，試驗結果表明，深度學習和長短時記憶（LSTM）網絡算法對意圖識別問題具有較高的識別準確率。該研究可為指揮員提升作戰(zhàn)指揮態(tài)勢理解能力、開展智能算法在作戰(zhàn)指揮態(tài)勢理解中的應用研究提供參考。

引言

在戰(zhàn)爭信息化進程中，掌握信息是取得戰(zhàn)爭優(yōu)勢的重要因素，其中態(tài)勢理解是重要的一環(huán)。態(tài)勢理解指將生成的態(tài)勢特征向量與領域專家知識結合，判斷敵方的進攻、防御、行軍、欺騙和集結等戰(zhàn)略部署，以識別敵方的作戰(zhàn)意圖和作戰(zhàn)計劃。態(tài)勢理解是美國心理學Mica Endsley博士于1995年提出的三層次態(tài)勢感知模型中的第2層次，其實質是通過對周圍環(huán)境要素的觀察，獲得一個態(tài)勢分析評估畫面，所達到的理解程度標志著人的專業(yè)知識水平。態(tài)勢理解包括對戰(zhàn)場“狀態(tài)”的認知和作戰(zhàn)“趨勢”的預測，是指揮員決策的依據(jù)和基礎。美國陸軍訓練與條令司令部在2015年發(fā)布TRADOCPAM535-3-1文件，其中指出：未來的陸軍將發(fā)展和保持高水平的戰(zhàn)場態(tài)勢理解能力，以應對在復雜環(huán)境下，提高與堅決而靈活的對手組織作戰(zhàn)的能力?，F(xiàn)代戰(zhàn)爭的戰(zhàn)場態(tài)勢具有明顯的復雜性特征，戰(zhàn)爭的深度和復雜性呈指數(shù)級增長，僅通過人類的知識、經驗和現(xiàn)有的輔助決策系統(tǒng)來分析戰(zhàn)場態(tài)勢，不足以在復雜戰(zhàn)場環(huán)境中快速提供可靠的態(tài)勢理解結果，這將明顯影響作戰(zhàn)指揮效能。因此，傳統(tǒng)的基于線性理論的態(tài)勢理解方法已很難滿足作戰(zhàn)任務的需要。

深度學習算法可以為提高戰(zhàn)場態(tài)勢理解智能水平提供強有力的支持。隨著人工智能技術飛速發(fā)展，計算智能、感知智能和認知智能是人工智能發(fā)展的3個階段，反映了人工智能從低級到高級的發(fā)展水平。在前面2個階段，機器的功能已超過了人類，而深度學習能幫助機器提高認知智能。2006年，深度學習算法之父Geoffrey Hinton教授提出了深度學習算法具有較強的非線性處理能力和逐層理解能力，是研究人腦、語音識別、圖像處理、視覺處理和自然語音處理的重要智能算法技術，是解決戰(zhàn)場態(tài)勢理解問題行之有效的方法。

文給出了一種基于深度學習算法的態(tài)勢理解方法，分析了該智能算法在態(tài)勢理解中的應用方本式；提出了基于知識發(fā)現(xiàn)方法的態(tài)勢理解技術路徑；介紹了基于大數(shù)據(jù)、智能算法的態(tài)勢理解知識發(fā)現(xiàn)的流程。最后，以戰(zhàn)術層級作戰(zhàn)意圖識別問題為例，對比分析了傳統(tǒng)作戰(zhàn)意圖識別方法和基于深度學習算法的作戰(zhàn)意圖識別方法；以合成部隊坦克分隊戰(zhàn)術意圖識別問題為例，探討了深度學習長短時記憶（LSTM）網絡算法在態(tài)勢理解作戰(zhàn)意圖識別中的應用，試驗結果證明，深度學習LSTM網絡算法對作戰(zhàn)意圖識別問題具有較高的識別準確率和較好的收斂函數(shù)值，能有效提高復雜戰(zhàn)場環(huán)境下作戰(zhàn)指揮態(tài)勢理解效率。

應用方法

在基于智能算法的態(tài)勢理解過程中，智能算法主要應用于態(tài)勢目標特征匹配、時效性判斷和態(tài)勢要素分析等活動，并準確生成態(tài)勢產品，為指揮員決策提供支持。該過程主要分為3個步驟：1) 創(chuàng)建與任務知識需求相對應的模板；2) 根據(jù)作戰(zhàn)任務要求，明確戰(zhàn)場態(tài)勢理解知識發(fā)現(xiàn)的目標；3) 利用應用領域已有的知識，建立與戰(zhàn)場態(tài)勢數(shù)據(jù)特點相對應的規(guī)則庫；4) 在規(guī)則庫支持下，進一步推測生成戰(zhàn)場態(tài)勢產品。例如，在對敵戰(zhàn)術層級作戰(zhàn)意圖識別問題中，知識發(fā)現(xiàn)模式中的結構模式（動作間的任務劃分關系）和序列模式（動作間的時序關系）對于分析戰(zhàn)術層面的作戰(zhàn)意圖識別是有效的。在該類識別過程中，通過調用這2種模式，可以提高戰(zhàn)術層面作戰(zhàn)意圖識別和預測的效率。智能算法在態(tài)勢理解中主要應用如圖1所示。

圖1? 智能算法在態(tài)勢理解中應用

1.1? 知識發(fā)現(xiàn)方法池

基于智能算法的態(tài)勢理解方法主要通過構建知識發(fā)現(xiàn)方法池實現(xiàn)，包括關聯(lián)規(guī)則發(fā)現(xiàn)方法、粗糙集方法、深度學習算法以及數(shù)據(jù)庫方法。根據(jù)情境分析任務的不同需要和數(shù)據(jù)的特點，選擇適當方法或綜合采用不同方法。還可根據(jù)實際問題對現(xiàn)有的知識發(fā)現(xiàn)方法進行改進，使改進后的方法更有利于應對新環(huán)境和新問題。利用知識發(fā)現(xiàn)技術，挖掘隱含的、有用的、未被發(fā)現(xiàn)的信息和知識（如規(guī)則、模型和約束等），并提供給決策者。基于知識發(fā)現(xiàn)方法池的智能態(tài)勢理解流程如圖2所示。

圖2? 基于知識發(fā)現(xiàn)方法池的智能態(tài)勢理解流程

知識發(fā)現(xiàn)方法池主要技術方法對比如表1所示。不同的知識發(fā)現(xiàn)方法具有不同指標特征，導致不同知識發(fā)現(xiàn)方法的應用領域也不同。知識發(fā)現(xiàn)的輸出是規(guī)則、模式、模型和約束等知識元素。規(guī)則可劃分為關聯(lián)規(guī)則、分類規(guī)則以及聚類規(guī)則；模式可分為頻繁模式、子圖模式和序列模式。同樣，這些知識發(fā)現(xiàn)結果也有不同的特點和用途。

表1? 知識發(fā)現(xiàn)方法池主要技術方法對比

知識發(fā)現(xiàn)方法的輸入是各類數(shù)據(jù)，輸出是各型知識，在明確輸入、輸出性質后，可針對性選擇方法。通過探索性評估取出最有價值的方法范例，在后期系統(tǒng)開發(fā)實現(xiàn)時，將相關知識發(fā)現(xiàn)過程建模成工作流，把相關方法建成工具和服務。知識發(fā)現(xiàn)、數(shù)據(jù)挖掘和深度學習算法領域有很多交叉，共同構成了戰(zhàn)場態(tài)勢理解知識發(fā)現(xiàn)的技術池。對于態(tài)勢理解而言，戰(zhàn)場是不斷變化的，甚至是戰(zhàn)勝不復的，利用固化的知識庫在面對未來復雜的戰(zhàn)場態(tài)勢時難免力不從心，所以有必要使用深度學習算法。探究深度學習算法應用，理解數(shù)據(jù)，分析結果，并在不確定條件下進行邏輯推理，以支持態(tài)勢理解輔助決策。將深度學習算法運用于戰(zhàn)場態(tài)勢理解，解決既有知識，可固化知識庫難以支撐的、復雜深層的戰(zhàn)場態(tài)勢理解問題。

1.2? 知識發(fā)現(xiàn)流程

在大數(shù)據(jù)環(huán)境中，大數(shù)據(jù)關注數(shù)據(jù)的相關性或關聯(lián)性，這是大數(shù)據(jù)預測的關鍵。態(tài)勢理解中態(tài)勢信息數(shù)據(jù)具有典型的大數(shù)據(jù)特征，數(shù)據(jù)間存在相關性，具有一定的模糊性，新環(huán)境和新問題要求研究基于大數(shù)據(jù)的態(tài)勢理解知識發(fā)現(xiàn)流程和方法?；诖髷?shù)據(jù)、智能算法的態(tài)勢理解知識發(fā)現(xiàn)流程如圖3所示。

圖3? 態(tài)勢理解知識發(fā)現(xiàn)流程

1) 態(tài)勢數(shù)據(jù)獲取。通過現(xiàn)代偵察預警衛(wèi)星、有人（無人）偵察機、戰(zhàn)場偵察雷達和各種戰(zhàn)場傳感器，接收各情報單位提供的戰(zhàn)場態(tài)勢信息。戰(zhàn)場態(tài)勢信息數(shù)據(jù)包括敵情、我情和戰(zhàn)場環(huán)境等數(shù)據(jù)。數(shù)據(jù)類型包括文本、音頻、戰(zhàn)場影像及視頻情報等。

2) 態(tài)勢數(shù)據(jù)處理。首先，通過對態(tài)勢數(shù)據(jù)的整理、整合、變換和歸約等方式對態(tài)勢數(shù)據(jù)進行預處理，處理內容包括噪聲數(shù)據(jù)去除、數(shù)據(jù)不完整性以及數(shù)據(jù)不一致性處理等；其次，對數(shù)據(jù)采取平滑和聚集等規(guī)范化處理，這是數(shù)據(jù)壓縮和轉換的必要步驟。

3) 態(tài)勢數(shù)據(jù)挖掘。數(shù)據(jù)挖掘是從戰(zhàn)場態(tài)勢信息數(shù)據(jù)中，通過智能算法搜索隱含的高價值信息的過程，是態(tài)勢理解知識發(fā)現(xiàn)的重要環(huán)節(jié)。通過對數(shù)據(jù)分類、聚類、預測和關聯(lián)的分析和研究，將原始數(shù)據(jù)從基礎信息抽象為符合用戶需求的高級知識，實現(xiàn)從大量、不完全和模糊的數(shù)據(jù)中發(fā)現(xiàn)戰(zhàn)場態(tài)勢知識。

4) 態(tài)勢知識融合。態(tài)勢知識融合是對不同信息來源的戰(zhàn)場態(tài)勢知識進行收集、過濾、匯總融合分別生成專題綜合態(tài)勢知識的過程，對戰(zhàn)場態(tài)勢的輔助分析和指揮員高效的指揮決策具有重要作用。

5) 態(tài)勢知識呈現(xiàn)。通過研究、提取和可視化最有價值的戰(zhàn)場態(tài)勢知識，把態(tài)勢理解知識以知識圖譜、虛擬現(xiàn)實和增強現(xiàn)實等易于用戶理解的方式傳遞給用戶。其中，知識圖譜是一種基于圖的真實世界語義描述模型，它為態(tài)勢理解知識的呈現(xiàn)提供了一種新技術。

應用實例

在分析了基于智能算法的態(tài)勢理解方法后，本章以態(tài)勢理解中戰(zhàn)術層級作戰(zhàn)意圖識別問題為例，重點說明智能算法在態(tài)勢理解中的實際應用過程。推理敵方作戰(zhàn)意圖的過程主要在作戰(zhàn)準備階段完成，即結合軍事領域專家的專業(yè)軍事知識以及推理生成的戰(zhàn)場態(tài)勢特征，來判斷解讀當前的戰(zhàn)場態(tài)勢，是對敵方進一步行動計劃的預測。作戰(zhàn)意圖識別是一個復雜的認知過程，是軍事指揮員關注的重點。目前的作戰(zhàn)意圖識別方法主要集中在解決戰(zhàn)術層面的作戰(zhàn)意圖識別問題，具有一定的實用價值。本文在現(xiàn)有態(tài)勢評估專家知識基礎上，分析判斷戰(zhàn)場態(tài)勢，確定敵方作戰(zhàn)意圖類別，為指揮員決策提供依據(jù)。

傳統(tǒng)的作戰(zhàn)意圖識別方法，使用數(shù)據(jù)對比、數(shù)據(jù)場和信息熵等方法，并不能很好地解決目前的作戰(zhàn)意圖識別問題。現(xiàn)有輔助決策不能以人的認知模式來識別判斷敵方作戰(zhàn)意圖，難以適應新形勢的需要。然而，深度學習算法是一種符合人的認知機制以及知識分析的“大腦”學習機制，這是一種貼近人類的思維模式，具有生成“自我意識”的功能，可以模仿指揮員的聯(lián)想、感知、假設、邏輯推導和學習等思維過程。該過程不需要太多的生成規(guī)則，它通過特征提取來達到知識學習的目的。通過大量數(shù)據(jù)訓練得到的深度神經網絡包含了整體的知識結構，更適合描述復雜的作戰(zhàn)意圖識別問題。不同于傳統(tǒng)的意圖識別方法，運用深度學習算法具有顯著優(yōu)勢。

2.1? 基于模板匹配的作戰(zhàn)意圖識別

Gw.Hopple等的戰(zhàn)場情報信息準備系統(tǒng)和David.F.Noble的基于規(guī)劃模板的海戰(zhàn)意圖識別系統(tǒng)都通過模板匹配來實現(xiàn)敵方作戰(zhàn)意圖識別。

圖4? 模板匹配器結構

2.2? 基于深度學習算法的作戰(zhàn)意圖識別

與傳統(tǒng)方法相比，基于深度學習算法的作戰(zhàn)意圖識別方法在戰(zhàn)場態(tài)勢理解

方面具有巨大的技術優(yōu)勢，在戰(zhàn)役和戰(zhàn)術層面的作戰(zhàn)意圖識別應用中具有良好的研究和推廣價值。深度學習算法可有效解決算法模型屬性特征與作戰(zhàn)意圖之間的映射關系。在深度學習算法中，將目標的意圖識別特征向量信息作為樣本輸入深度學習神經網絡，采用調整深度神經網絡節(jié)點權值的方法來判斷敵人的作戰(zhàn)意圖。深度神經網絡隱含層較深，后神經網絡層可利用前神經網絡層獲得的作戰(zhàn)意圖原始特征，獲取更高層次的作戰(zhàn)意圖特征信息，從而達到更好的作戰(zhàn)意圖識別目的。敵改變作戰(zhàn)意圖即敵人戰(zhàn)術行動特征發(fā)生變化，以敵方戰(zhàn)術特征數(shù)據(jù)作為模型輸入，可以有效降低樣本維數(shù)，減少累積誤差，保持目標的戰(zhàn)術信息。深度學習算法中LSTM網絡算法在序列建模問題上具有一定優(yōu)勢，具有長時記憶功能，可只保存與戰(zhàn)術特征相關的數(shù)據(jù)進行戰(zhàn)術意圖預測，而丟棄不相關數(shù)據(jù)，能較好構建戰(zhàn)術行動過程和作戰(zhàn)意圖特征值時間序列之間的對應關系。LSTM網絡算法這一網絡特性與戰(zhàn)術行動的時間序列特性是一致的，因此在作戰(zhàn)意圖識別問題中主要采用LSTM網絡算法。基于深度學習算法的作戰(zhàn)意圖識別模型如圖5所示。

圖5? 基于深度學習算法的作戰(zhàn)意圖識別模型

2.3 ?基于深度學習算法的作戰(zhàn)意圖識別仿真試驗

試驗以合成部隊坦克分隊與敵遭遇戰(zhàn)斗為背景，以作戰(zhàn)籌劃過程中態(tài)勢理解階段對敵方坦克分隊戰(zhàn)術行動意圖識別為研究對象。在智能作戰(zhàn)試驗平臺上運用深度學習算法，采用作戰(zhàn)仿真訓練數(shù)據(jù)進行作戰(zhàn)意圖識別試驗。智能作戰(zhàn)試驗平臺是集成了人工智能算法的綜合試驗平臺。

2.3.1? 模型設計與實現(xiàn)

試驗采用了合成部隊坦克分隊戰(zhàn)術行動意圖數(shù)據(jù)集，即地面各作戰(zhàn)單元對應20?s的屬性特征值，其中包括速度、加速度、運動方向角、經度、緯度、高程、己方間距和雙方距離等作戰(zhàn)行動標簽數(shù)據(jù)，每個戰(zhàn)術行動意圖數(shù)據(jù)集大小為2?000組。數(shù)據(jù)來源主要為原始采集信息數(shù)據(jù)、智能作戰(zhàn)試驗平臺訓練采集數(shù)據(jù)以及智能作戰(zhàn)試驗平臺生成模型實際應用生成的數(shù)據(jù)。在對抗演練和仿真試驗中，按照敵方坦克分隊執(zhí)行任務不同，其主要戰(zhàn)術行動意圖可分為沖擊、防御、控要、機動、伏擊、反沖擊和撤退7種方式?；谏疃葘W習算法作戰(zhàn)意圖識別模型應用如圖6所示。

圖6? 基于深度學習算法作戰(zhàn)意圖識別模型應用

不同隱含層級和節(jié)點數(shù)導致不同的深度學習算法識別效果，因此需設定算法恰當?shù)碾[藏層級和節(jié)點數(shù)。同時，學習率的選擇對深度學習算法的應用效果也有較大影響。如果設置的學習率太大，則可能跳過最佳解決方案，從而產生不佳的識別效果；如果設定的學習率太小，則訓練速度相對較慢。網絡結構的調整和確定由訓練集決定。測試集主要用于測試評估深度學習算法運用效果。利用智能作戰(zhàn)試驗平臺，從仿真訓練集中隨機選取訓練集來訓練深度學習算法模型，調整算法模型神經元權值。最終選用的LSTM網絡算法參數(shù)如表2所示。

表2? 長短時記憶網絡算法參數(shù)

2.3.2? 試驗結果

在試驗過程中，將坦克分隊7種戰(zhàn)術行動意圖共2?000個樣本數(shù)據(jù)隨機分為80%訓練集和20%測試集。圖7顯示了LSTM網絡算法模型在上述7種戰(zhàn)術行動意圖數(shù)據(jù)集上的綜合訓練與測試結果。如圖7所示，對敵7種戰(zhàn)術行動意圖識別準確率隨著訓練次數(shù)的增加而增加，在訓練1?200步以后趨于穩(wěn)定接近于100%；隨著訓練次數(shù)的增加，損失函數(shù)的值逐漸減小，1?200步后趨于0。該結果符合一般深度學習算法模型的訓練過程。可以看出，LSTM網絡算法對于敵方坦克分隊戰(zhàn)術行動意圖識別問題具有良好的識別準確率和收斂性。

圖7 ?模型訓練準確率和損失函數(shù)圖

結束語

本文根據(jù)信息時代戰(zhàn)場態(tài)勢理解的軍事要求，探討了在戰(zhàn)場態(tài)勢理解問題中運用智能算法的途徑，建立了基于知識發(fā)現(xiàn)方法池的態(tài)勢理解方法，提出了運用智能算法解決態(tài)勢理解問題的知識發(fā)現(xiàn)流程。以陸戰(zhàn)場態(tài)勢理解中對敵方坦克分隊戰(zhàn)術行動意圖識別為例，采用深度學習算法中LSTM網絡算法進行作戰(zhàn)意圖識別。試驗結果表明，該作戰(zhàn)意圖識別方法具有較好的準確率和收斂性，證明了該方法的有效性。總的來說，作戰(zhàn)指揮態(tài)勢理解智能算法應用研究還處于起步階段，相關理論研究還在不斷深化，在實際應用層面還需更深入的探討。

編輯：黃飛