基于深度学习算法的智能态势理解方法

作者：沈寿林，肖毅，朱江，白承森

简介

为提高作战指挥态势理解效率，掌握敌方作战意图，对作战指挥态势理解进行了研究分析。首先，在仿真推演基础上，建立了知识发现方法池，提出了基于智能算法的态势理解方法；然后，以战术层面敌方坦克分队作战意图识别为例，说明了智能算法在挖掘和识别敌方作战意图的应用方法和路径；最后，试验结果表明，深度学习和长短时记忆（LSTM）网络算法对意图识别问题具有较高的识别准确率。该研究可为指挥员提升作战指挥态势理解能力、开展智能算法在作战指挥态势理解中的应用研究提供参考。

引言

在战争信息化进程中，掌握信息是取得战争优势的重要因素，其中态势理解是重要的一环。态势理解指将生成的态势特征向量与领域专家知识结合，判断敌方的进攻、防御、行军、欺骗和集结等战略部署，以识别敌方的作战意图和作战计划。态势理解是美国心理学Mica Endsley博士于1995年提出的三层次态势感知模型中的第2层次，其实质是通过对周围环境要素的观察，获得一个态势分析评估画面，所达到的理解程度标志着人的专业知识水平。态势理解包括对战场“状态”的认知和作战“趋势”的预测，是指挥员决策的依据和基础。美国陆军训练与条令司令部在2015年发布TRADOCPAM535-3-1文件，其中指出：未来的陆军将发展和保持高水平的战场态势理解能力，以应对在复杂环境下，提高与坚决而灵活的对手组织作战的能力。现代战争的战场态势具有明显的复杂性特征，战争的深度和复杂性呈指数级增长，仅通过人类的知识、经验和现有的辅助决策系统来分析战场态势，不足以在复杂战场环境中快速提供可靠的态势理解结果，这将明显影响作战指挥效能。因此，传统的基于线性理论的态势理解方法已很难满足作战任务的需要。

深度学习算法可以为提高战场态势理解智能水平提供强有力的支持。随着人工智能技术飞速发展，计算智能、感知智能和认知智能是人工智能发展的3个阶段，反映了人工智能从低级到高级的发展水平。在前面2个阶段，机器的功能已超过了人类，而深度学习能帮助机器提高认知智能。2006年，深度学习算法之父Geoffrey Hinton教授提出了深度学习算法具有较强的非线性处理能力和逐层理解能力，是研究人脑、语音识别、图像处理、视觉处理和自然语音处理的重要智能算法技术，是解决战场态势理解问题行之有效的方法。

文给出了一种基于深度学习算法的态势理解方法，分析了该智能算法在态势理解中的应用方本式；提出了基于知识发现方法的态势理解技术路径；介绍了基于大数据、智能算法的态势理解知识发现的流程。最后，以战术层级作战意图识别问题为例，对比分析了传统作战意图识别方法和基于深度学习算法的作战意图识别方法；以合成部队坦克分队战术意图识别问题为例，探讨了深度学习长短时记忆（LSTM）网络算法在态势理解作战意图识别中的应用，试验结果证明，深度学习LSTM网络算法对作战意图识别问题具有较高的识别准确率和较好的收敛函数值，能有效提高复杂战场环境下作战指挥态势理解效率。

应用方法

在基于智能算法的态势理解过程中，智能算法主要应用于态势目标特征匹配、时效性判断和态势要素分析等活动，并准确生成态势产品，为指挥员决策提供支持。该过程主要分为3个步骤：1) 创建与任务知识需求相对应的模板；2) 根据作战任务要求，明确战场态势理解知识发现的目标；3) 利用应用领域已有的知识，建立与战场态势数据特点相对应的规则库；4) 在规则库支持下，进一步推测生成战场态势产品。例如，在对敌战术层级作战意图识别问题中，知识发现模式中的结构模式（动作间的任务划分关系）和序列模式（动作间的时序关系）对于分析战术层面的作战意图识别是有效的。在该类识别过程中，通过调用这2种模式，可以提高战术层面作战意图识别和预测的效率。智能算法在态势理解中主要应用如图1所示。

图1  智能算法在态势理解中应用

1.1  知识发现方法池

基于智能算法的态势理解方法主要通过构建知识发现方法池实现，包括关联规则发现方法、粗糙集方法、深度学习算法以及数据库方法。根据情境分析任务的不同需要和数据的特点，选择适当方法或综合采用不同方法。还可根据实际问题对现有的知识发现方法进行改进，使改进后的方法更有利于应对新环境和新问题。利用知识发现技术，挖掘隐含的、有用的、未被发现的信息和知识（如规则、模型和约束等），并提供给决策者。基于知识发现方法池的智能态势理解流程如图2所示。

图2  基于知识发现方法池的智能态势理解流程

知识发现方法池主要技术方法对比如表1所示。不同的知识发现方法具有不同指标特征，导致不同知识发现方法的应用领域也不同。知识发现的输出是规则、模式、模型和约束等知识元素。规则可划分为关联规则、分类规则以及聚类规则；模式可分为频繁模式、子图模式和序列模式。同样，这些知识发现结果也有不同的特点和用途。

表1  知识发现方法池主要技术方法对比

知识发现方法的输入是各类数据，输出是各型知识，在明确输入、输出性质后，可针对性选择方法。通过探索性评估取出最有价值的方法范例，在后期系统开发实现时，将相关知识发现过程建模成工作流，把相关方法建成工具和服务。知识发现、数据挖掘和深度学习算法领域有很多交叉，共同构成了战场态势理解知识发现的技术池。对于态势理解而言，战场是不断变化的，甚至是战胜不复的，利用固化的知识库在面对未来复杂的战场态势时难免力不从心，所以有必要使用深度学习算法。探究深度学习算法应用，理解数据，分析结果，并在不确定条件下进行逻辑推理，以支持态势理解辅助决策。将深度学习算法运用于战场态势理解，解决既有知识，可固化知识库难以支撑的、复杂深层的战场态势理解问题。

1.2  知识发现流程

在大数据环境中，大数据关注数据的相关性或关联性，这是大数据预测的关键。态势理解中态势信息数据具有典型的大数据特征，数据间存在相关性，具有一定的模糊性，新环境和新问题要求研究基于大数据的态势理解知识发现流程和方法。基于大数据、智能算法的态势理解知识发现流程如图3所示。

图3  态势理解知识发现流程

1) 态势数据获取。通过现代侦察预警卫星、有人（无人）侦察机、战场侦察雷达和各种战场传感器，接收各情报单位提供的战场态势信息。战场态势信息数据包括敌情、我情和战场环境等数据。数据类型包括文本、音频、战场影像及视频情报等。

2) 态势数据处理。首先，通过对态势数据的整理、整合、变换和归约等方式对态势数据进行预处理，处理内容包括噪声数据去除、数据不完整性以及数据不一致性处理等；其次，对数据采取平滑和聚集等规范化处理，这是数据压缩和转换的必要步骤。

3) 态势数据挖掘。数据挖掘是从战场态势信息数据中，通过智能算法搜索隐含的高价值信息的过程，是态势理解知识发现的重要环节。通过对数据分类、聚类、预测和关联的分析和研究，将原始数据从基础信息抽象为符合用户需求的高级知识，实现从大量、不完全和模糊的数据中发现战场态势知识。

4) 态势知识融合。态势知识融合是对不同信息来源的战场态势知识进行收集、过滤、汇总融合分别生成专题综合态势知识的过程，对战场态势的辅助分析和指挥员高效的指挥决策具有重要作用。

5) 态势知识呈现。通过研究、提取和可视化最有价值的战场态势知识，把态势理解知识以知识图谱、虚拟现实和增强现实等易于用户理解的方式传递给用户。其中，知识图谱是一种基于图的真实世界语义描述模型，它为态势理解知识的呈现提供了一种新技术。

应用实例

在分析了基于智能算法的态势理解方法后，本章以态势理解中战术层级作战意图识别问题为例，重点说明智能算法在态势理解中的实际应用过程。推理敌方作战意图的过程主要在作战准备阶段完成，即结合军事领域专家的专业军事知识以及推理生成的战场态势特征，来判断解读当前的战场态势，是对敌方进一步行动计划的预测。作战意图识别是一个复杂的认知过程，是军事指挥员关注的重点。目前的作战意图识别方法主要集中在解决战术层面的作战意图识别问题，具有一定的实用价值。本文在现有态势评估专家知识基础上，分析判断战场态势，确定敌方作战意图类别，为指挥员决策提供依据。

传统的作战意图识别方法，使用数据对比、数据场和信息熵等方法，并不能很好地解决目前的作战意图识别问题。现有辅助决策不能以人的认知模式来识别判断敌方作战意图，难以适应新形势的需要。然而，深度学习算法是一种符合人的认知机制以及知识分析的“大脑”学习机制，这是一种贴近人类的思维模式，具有生成“自我意识”的功能，可以模仿指挥员的联想、感知、假设、逻辑推导和学习等思维过程。该过程不需要太多的生成规则，它通过特征提取来达到知识学习的目的。通过大量数据训练得到的深度神经网络包含了整体的知识结构，更适合描述复杂的作战意图识别问题。不同于传统的意图识别方法，运用深度学习算法具有显著优势。

2.1  基于模板匹配的作战意图识别

Gw.Hopple等的战场情报信息准备系统和David.F.Noble的基于规划模板的海战意图识别系统都通过模板匹配来实现敌方作战意图识别。

图4  模板匹配器结构

2.2  基于深度学习算法的作战意图识别

与传统方法相比，基于深度学习算法的作战意图识别方法在战场态势理解

方面具有巨大的技术优势，在战役和战术层面的作战意图识别应用中具有良好的研究和推广价值。深度学习算法可有效解决算法模型属性特征与作战意图之间的映射关系。在深度学习算法中，将目标的意图识别特征向量信息作为样本输入深度学习神经网络，采用调整深度神经网络节点权值的方法来判断敌人的作战意图。深度神经网络隐含层较深，后神经网络层可利用前神经网络层获得的作战意图原始特征，获取更高层次的作战意图特征信息，从而达到更好的作战意图识别目的。敌改变作战意图即敌人战术行动特征发生变化，以敌方战术特征数据作为模型输入，可以有效降低样本维数，减少累积误差，保持目标的战术信息。深度学习算法中LSTM网络算法在序列建模问题上具有一定优势，具有长时记忆功能，可只保存与战术特征相关的数据进行战术意图预测，而丢弃不相关数据，能较好构建战术行动过程和作战意图特征值时间序列之间的对应关系。LSTM网络算法这一网络特性与战术行动的时间序列特性是一致的，因此在作战意图识别问题中主要采用LSTM网络算法。基于深度学习算法的作战意图识别模型如图5所示。

图5  基于深度学习算法的作战意图识别模型

2.3  基于深度学习算法的作战意图识别仿真试验

试验以合成部队坦克分队与敌遭遇战斗为背景，以作战筹划过程中态势理解阶段对敌方坦克分队战术行动意图识别为研究对象。在智能作战试验平台上运用深度学习算法，采用作战仿真训练数据进行作战意图识别试验。智能作战试验平台是集成了人工智能算法的综合试验平台。

2.3.1  模型设计与实现

试验采用了合成部队坦克分队战术行动意图数据集，即地面各作战单元对应20 s的属性特征值，其中包括速度、加速度、运动方向角、经度、纬度、高程、己方间距和双方距离等作战行动标签数据，每个战术行动意图数据集大小为2 000组。数据来源主要为原始采集信息数据、智能作战试验平台训练采集数据以及智能作战试验平台生成模型实际应用生成的数据。在对抗演练和仿真试验中，按照敌方坦克分队执行任务不同，其主要战术行动意图可分为冲击、防御、控要、机动、伏击、反冲击和撤退7种方式。基于深度学习算法作战意图识别模型应用如图6所示。

图6  基于深度学习算法作战意图识别模型应用

不同隐含层级和节点数导致不同的深度学习算法识别效果，因此需设定算法恰当的隐藏层级和节点数。同时，学习率的选择对深度学习算法的应用效果也有较大影响。如果设置的学习率太大，则可能跳过最佳解决方案，从而产生不佳的识别效果；如果设定的学习率太小，则训练速度相对较慢。网络结构的调整和确定由训练集决定。测试集主要用于测试评估深度学习算法运用效果。利用智能作战试验平台，从仿真训练集中随机选取训练集来训练深度学习算法模型，调整算法模型神经元权值。最终选用的LSTM网络算法参数如表2所示。

表2  长短时记忆网络算法参数

2.3.2  试验结果

在试验过程中，将坦克分队7种战术行动意图共2 000个样本数据随机分为80%训练集和20%测试集。图7显示了LSTM网络算法模型在上述7种战术行动意图数据集上的综合训练与测试结果。如图7所示，对敌7种战术行动意图识别准确率随着训练次数的增加而增加，在训练1 200步以后趋于稳定接近于100%；随着训练次数的增加，损失函数的值逐渐减小，1 200步后趋于0。该结果符合一般深度学习算法模型的训练过程。可以看出，LSTM网络算法对于敌方坦克分队战术行动意图识别问题具有良好的识别准确率和收敛性。

图7  模型训练准确率和损失函数图

结束语

本文根据信息时代战场态势理解的军事要求，探讨了在战场态势理解问题中运用智能算法的途径，建立了基于知识发现方法池的态势理解方法，提出了运用智能算法解决态势理解问题的知识发现流程。以陆战场态势理解中对敌方坦克分队战术行动意图识别为例，采用深度学习算法中LSTM网络算法进行作战意图识别。试验结果表明，该作战意图识别方法具有较好的准确率和收敛性，证明了该方法的有效性。总的来说，作战指挥态势理解智能算法应用研究还处于起步阶段，相关理论研究还在不断深化，在实际应用层面还需更深入的探讨。

编辑：黄飞