作者：沈壽林，肖毅，朱江，白承森

簡介

為提高作戰指揮態勢理解效率，掌握敵方作戰意圖，對作戰指揮態勢理解進行了研究分析。首先，在仿真推演基礎上，建立了知識發現方法池，提出了基于智能算法的態勢理解方法；然后，以戰術層面敵方坦克分隊作戰意圖識別為例，說明了智能算法在挖掘和識別敵方作戰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指揮態勢理解能力、開展智能算法在作戰指揮態勢理解中的應用研究提供參考。

引言

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

深度學習算法可以為提高戰場態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展，計算智能、感知智能和認知智能是人工智能發展的3個階段，反映了人工智能從低級到高級的發展水平。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，是解決戰場態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勢理解方法，分析了該智能算法在態勢理解中的應用方本式；提出了基于知識發現方法的態勢理解技術路徑；介紹了基于大數據、智能算法的態勢理解知識發現的流程。最后，以戰術層級作戰意圖識別問題為例，對比分析了傳統作戰意圖識別方法和基于深度學習算法的作戰意圖識別方法；以合成部隊坦克分隊戰術意圖識別問題為例，探討了深度學習長短時記憶（LSTM）網絡算法在態勢理解作戰意圖識別中的應用，試驗結果證明，深度學習LSTM網絡算法對作戰意圖識別問題具有較高的識別準確率和較好的收斂函數值，能有效提高復雜戰場環境下作戰指揮態勢理解效率。

應用方法

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

圖1? 智能算法在態勢理解中應用

1.1? 知識發現方法池

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

圖2? 基于知識發現方法池的智能態勢理解流程

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

表1? 知識發現方法池主要技術方法對比

知識發現方法的輸入是各類數據，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，在后期系統開發實現時，將相關知識發現過程建模成工作流，把相關方法建成工具和服務。知識發現、數據挖掘和深度學習算法領域有很多交叉，共同構成了戰場態勢理解知識發現的技術池。對于態勢理解而言，戰場是不斷變化的，甚至是戰勝不復的，利用固化的知識庫在面對未來復雜的戰場態勢時難免力不從心，所以有必要使用深度學習算法。探究深度學習算法應用，理解數據，分析結果，并在不確定條件下進行邏輯推理，以支持態勢理解輔助決策。將深度學習算法運用于戰場態勢理解，解決既有知識，可固化知識庫難以支撐的、復雜深層的戰場態勢理解問題。

1.2? 知識發現流程

在大數據環境中，大數據關注數據的相關性或關聯性，這是大數據預測的關鍵。態勢理解中態勢信息數據具有典型的大數據特征，數據間存在相關性，具有一定的模糊性，新環境和新問題要求研究基于大數據的態勢理解知識發現流程和方法。基于大數據、智能算法的態勢理解知識發現流程如圖3所示。

圖3? 態勢理解知識發現流程

1) 態勢數據獲取。通過現代偵察預警衛星、有人（無人）偵察機、戰場偵察雷達和各種戰場傳感器，接收各情報單位提供的戰場態勢信息。戰場態勢信息數據包括敵情、我情和戰場環境等數據。數據類型包括文本、音頻、戰場影像及視頻情報等。

2) 態勢數據處理。首先，通過對態勢數據的整理、整合、變換和歸約等方式對態勢數據進行預處理，處理內容包括噪聲數據去除、數據不完整性以及數據不一致性處理等；其次，對數據采取平滑和聚集等規范化處理，這是數據壓縮和轉換的必要步驟。

3) 態勢數據挖掘。數據挖掘是從戰場態勢信息數據中，通過智能算法搜索隱含的高價值信息的過程，是態勢理解知識發現的重要環節。通過對數據分類、聚類、預測和關聯的分析和研究，將原始數據從基礎信息抽象為符合用戶需求的高級知識，實現從大量、不完全和模糊的數據中發現戰場態勢知識。

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

5) 態勢知識呈現。通過研究、提取和可視化最有價值的戰場態勢知識，把態勢理解知識以知識圖譜、虛擬現實和增強現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，它為態勢理解知識的呈現提供了一種新技術。

應用實例

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

傳統的作戰意圖識別方法，使用數據對比、數據場和信息熵等方法，并不能很好地解決目前的作戰意圖識別問題。現有輔助決策不能以人的認知模式來識別判斷敵方作戰意圖，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則，它通過特征提取來達到知識學習的目的。通過大量數據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意圖識別問題。不同于傳統的意圖識別方法，運用深度學習算法具有顯著優勢。

2.1? 基于模板匹配的作戰意圖識別

Gw.Hopple等的戰場情報信息準備系統和David.F.Noble的基于規劃模板的海戰意圖識別系統都通過模板匹配來實現敵方作戰意圖識別。

圖4? 模板匹配器結構

2.2? 基于深度學習算法的作戰意圖識別

與傳統方法相比，基于深度學習算法的作戰意圖識別方法在戰場態勢理解

方面具有巨大的技術優勢，在戰役和戰術層面的作戰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點權值的方法來判斷敵人的作戰意圖。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意圖原始特征，獲取更高層次的作戰意圖特征信息，從而達到更好的作戰意圖識別目的。敵改變作戰意圖即敵人戰術行動特征發生變化，以敵方戰術特征數據作為模型輸入，可以有效降低樣本維數，減少累積誤差，保持目標的戰術信息。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勢，具有長時記憶功能，可只保存與戰術特征相關的數據進行戰術意圖預測，而丟棄不相關數據，能較好構建戰術行動過程和作戰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術行動的時間序列特性是一致的，因此在作戰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意圖識別模型如圖5所示。

圖5? 基于深度學習算法的作戰意圖識別模型

2.3 ?基于深度學習算法的作戰意圖識別仿真試驗

試驗以合成部隊坦克分隊與敵遭遇戰斗為背景，以作戰籌劃過程中態勢理解階段對敵方坦克分隊戰術行動意圖識別為研究對象。在智能作戰試驗平臺上運用深度學習算法，采用作戰仿真訓練數據進行作戰意圖識別試驗。智能作戰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

試驗采用了合成部隊坦克分隊戰術行動意圖數據集，即地面各作戰單元對應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行動標簽數據，每個戰術行動意圖數據集大小為2?000組。數據來源主要為原始采集信息數據、智能作戰試驗平臺訓練采集數據以及智能作戰試驗平臺生成模型實際應用生成的數據。在對抗演練和仿真試驗中，按照敵方坦克分隊執行任務不同，其主要戰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。基于深度學習算法作戰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意圖識別模型應用

不同隱含層級和節點數導致不同的深度學習算法識別效果，因此需設定算法恰當的隱藏層級和節點數。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網絡算法參數如表2所示。

表2? 長短時記憶網絡算法參數

2.3.2? 試驗結果

在試驗過程中，將坦克分隊7種戰術行動意圖共2?000個樣本數據隨機分為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種戰術行動意圖數據集上的綜合訓練與測試結果。如圖7所示，對敵7種戰術行動意圖識別準確率隨著訓練次數的增加而增加，在訓練1?200步以后趨于穩定接近于100%；隨著訓練次數的增加，損失函數的值逐漸減小，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圖

結束語

本文根據信息時代戰場態勢理解的軍事要求，探討了在戰場態勢理解問題中運用智能算法的途徑，建立了基于知識發現方法池的態勢理解方法，提出了運用智能算法解決態勢理解問題的知識發現流程。以陸戰場態勢理解中對敵方坦克分隊戰術行動意圖識別為例，采用深度學習算法中LSTM網絡算法進行作戰意圖識別。試驗結果表明，該作戰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，作戰指揮態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