基于深度学习的战场态势高级理解模拟方法*

朱 丰，胡晓峰，吴 琳，贺筱媛，杨 璐

（1.国防大学，北京 100091；2.军事科学院，北京 100091；3.解放军91053部队，北京 100070；4.空军工程大学防空反导学院，西安 710051）

0 引言

军事领域中，战场态势评估（主要包括战场态势理解和预测两个层次）是指挥员决策的先决条件，对于指挥员作出正确决策至关重要。而其中的态势理解是重中之重，因为态势理解是预测的前提，没有深刻、准确、高效的态势理解将无言预测，更谈不上指挥决策。为了有效地进行战场态势理解，仅靠指挥员的个人能力已难以满足要求，需要借助其他手段辅助指挥员来完成此项任务。当前，以人工智能为基础的智能化处理技术是辅助指挥员进行战场态势理解最有效的手段之一［1］。

然而，随着高新技术的不断发展和进步，当今社会已步入了信息化大数据时代。战场态势中蕴含着大量的不确定因素和非线性复杂信息，具有很多涌现性特征，态势数据也呈现出了典型的大数据“4V”特性［2-3］。此时，战场态势这个复杂系统更为复杂。而传统基于线性理论的一些智能化战场态势理解方法已无法满足当前的任务需求，致使指挥员以及目前的智能辅助决策系统都难以迅速给出可靠的结果，严重影响了作战效果。可以发现，人工智能的研究水平，特别是能够模拟指挥员思维模式，适用于大数据复杂系统的人工智能研究水平，成为了制约战场态势理解技术发展的瓶颈问题。因此，如何突破关键技术，实现信息化大数据时代下有效的战场态势智能化理解，亟需进一步探索研究。

众所周知，智能主要包括计算智能、感知智能和认知智能，这三种智能体现了从低级到高级的层次。作为认知智能中的典型代表——深度学习，是2006年才提出的一个新研究领域［4-7］，它起源于人工智能中的一种典型技术——人工神经网络，本质上是模拟了人脑分析学习的过程，因而具备了多层感知的深度网络模型。总的来讲，深度学习具有强大的非线性处理能力，逐层理解、自动分析提取的结构，良好的“记忆”性质等独特优势，目前已被誉为最接近人脑的智能学习方法。它不仅在语音识别、图像处理、视觉处理、自然语言处理等方面取得了突破性的进展，更在强烈依赖态势感知和评估的自动驾驶、电脑游戏、围棋等方面展现出超强的能力。因此，深度学习的提出可为突破大数据战场态势智能化理解中的关键问题提供宝贵的契机。

进一步分析，为了能使基于深度学习的战场态势理解结果能与指挥员的思维结果一致，就需要研究探讨指挥员战场态势理解思维过程模拟方法，这是本文研究工作的初衷所在。从公开发表的文献来看，目前态势评估中指挥员的评估过程和技能并没有明确的公认结论。文献［8］研究分析了指挥员在战场态势评估时的一些应用框架，基于专家意见给出了三种针对不同目标的指挥员态势评估方法步骤，这些方法各有侧重，并没有很好地达成一致。文献［9］在分析了ATR-C框架的基础上，提出了分层次的指挥员战场态势评估模型，并利用OTB（Onesaf Testbed Baseline）仿真测试环境展开了相关实验，验证了分层次评估模型的有效性。依据文献［9］的结论并通过调研作战时指挥员的思维情况，可以认为，指挥员进行战场态势评估通常是分层次、分阶段的。其中的高级理解阶段的模拟则需要利用认知智能特别是深度学习来完成。本文就此展开相关探索性工作，一是概述了战场态势评估的相关概念。二是分析了指挥员理解战场态势时的思维模式，以掌握指挥员战场态势理解的主要步骤。在此基础上，结合深度学习，研究了基于深度学习的指挥员战场态势高级理解思维过程（以判断敌方对我方可能的主攻方向为例）模拟方法，为开展战场态势智能评估分析、辅助决策等研究工作奠定重要基础。

1 战场态势评估概述

战场态势是指作战双方各要素（主要包括兵力部署情况、装备情况、地理环境、天气条件等等）的状态、变化与发展趋势［1］。那么，何为战场态势评估？美国国防部实验室联席理事会（Joint Directors Laboratory，JDL）提出了分层多级的战场信息模型和相对公认的战场态势评估的定义。美国JDL模型中，将战场态势评估描述为：在战场一级数据（即为对战场上目标位置和身份等的估计）融合处理的基础上，建立的关于作战活动、事件、时间、位置和兵力要素等组织形式的一张多重视图，它将所观测到的战斗力量分布与活动和战场周围环境、敌作战意图及敌机动性等有机地联系起来，识别已发生的事件和计划，得到对敌方兵力结构、部署、行动方向与路线的估计结果，指出敌军的行为模式，推断出敌军的意图，作出对当前战场情景的合理解释，即为战场态势理解，并对临近时刻的态势变化作出预测，即为战场态势预测，最终形成战场综合态势图，为指挥员进行决策提供有力的辅助支持，JDL态势评估模型图如图1所示。可见，战场态势评估主要包括战场态势理解和预测两大部分，其中的态势理解是至关重要的环节。

2 指挥员战场态势理解思维过程

经考证得知，通常指挥员都是分阶段、分层次地进行战场态势理解，主要体现为：初级理解和高级理解2个步骤，如图2所示。

依据这2个主要步骤，以战场态势理解中判断敌方对我方可能的主攻方向为例，建立指挥员思维过程模型。

1）初级理解，即对于已完成位置、身份、关联关系等的估计和数据的一致性融合而获得的各个战场目标信息，结合军事领域相关知识和指挥员的经验，通过一定的思考，将各个战场目标进行抽象处理并聚合成一些作战单元，并从空间分布角度展开研究，从而提炼为图像矩阵，矩阵中的每个元素即为图像的像素，通过区分不同像素值来区分各方的作战单元及背景图像，同时，划定战场中的感兴趣区域U（半径约为R），并选出U内的敌、我双方不同作战单元。

2）高级理解，即仍然要结合军事领域相关知识和指挥员的经验，通过一定的深入思考来判断敌方集结区域，我方的重要目标所在位置，以及敌方的主要作战方向。具体如下。

第1步，利用求解最优化模型获得敌方的集结区域。一般而言，敌方集结区域是以某点为中心而开展，该集结中心到各个作战实体的距离应尽可能小以更有利于通信和指挥。假设感兴趣区域内敌方有N个作战单元（假设敌方作战单元与作战实体的空间分布密度一致），对应坐标分别为，集结区域V，半径为R0，中心坐标为（x0，y0），通过求解如下最优化问题来获得（x0，y0），集结区域直径与感兴趣区域半径大致相等。

第2步，利用求解最优化模型估计出我方的重要目标区域。一般而言，我方重要目标所在位置的临近区域内实体数量最多，密度较大，以更有利于提高重要目标的有效生存率。假设感兴趣区域内U我方有N'个作战单元（假设我方作战单元与作战实体的空间分布密度一致），对应坐标分别为，，重要目标位置坐标为，临近区域V'半径为R'0，V'内含有M'个我方作战单元，对应坐标分别为，通过求解如下最优化问题来获得，即

第3步，将敌方作战实体集结位置与我方重要目标所在位置连成趋势线，即为敌方对我方可能的主攻方向，直线表达如下公式，方向为从，并以箭头标出。

3 基于深度学习的指挥员战场态势高级理解思维过程模拟方法

依据指挥员战场态势理解思维过程和深度学习运行原理［10］，本文提出指挥员战场态势高级理解思维过程深度学习模拟方法。

以深度学习中经典的卷积神经网络（Convolution Neural Network，CNN）为例［11］，论述利用认知智能模拟指挥员战场态势高级理解思维过程。CNN具有强大的图像处理、图像信息提取等方面的优势，更有利于分析战场态势图像中各作战单元的空间分布和相关特征，从而得出理解结果［12］。基于CNN的指挥员战场态势高级理解思维过程模拟方法运行的主要原理是，利用CNN网络中以卷积函数为基础的非线性表达能力，依据指挥员的主观知识和经验，通过拟合过程建立一个从态势特征图像矩阵到指挥员高级理解结果的非线性映射，以得到高级理解结果，从而达到模拟指挥员战场态势高级理解的目的，具体论述如下。事实上，这个拟合过程很复杂，具体复杂程度主要与指挥员进行态势理解判别时的复杂程度密切相关。

假设战场态势图像矩阵SA×B，该矩阵表示在战场平面上南北LMkm宽、东西LNkm宽范围内的敌我双方各作战单元地理分布情况，SA×B中共有A×B个元素，每个元素为图像的像素，取值为［0，255］内的整数值，A为纬度方向上的像素个数，B为经度方向上的像素个数，可知

其中，DAkm、DBkm分别为纬度、经度分辨率。

对图像矩阵SA×B进行综合处理流程如图4所示。

其中的归一化预处理是为了适合深度学习网络训练需要统一单位量纲，具体如下。对图像矩阵SA×B的所有元素，进行归一化，处理过程如下公式

其中，

对图像矩阵SA×B进行矩阵卷积运算，即

其中，Fcore为卷积核函数，通常为阶矩阵，即

对卷积结果 S'A'×B'进行池化运算，即

值得注意的是：卷积核的个数以及卷积、池化运算次数与战场态势高级理解的复杂度密切相关。

指标标签可通过计算敌方主攻方向直线的斜率，并将斜率值归类到东、东南、南、西南、西、西北、北、东北这8个方向角度，从而设计出标签，即，

{东、东南、南、西南、西、西北、北、东北}=

｛00000001，00000010，00000100，00001000，

00010000，00100000，01000000，10000000｝

输出层分类器即逻辑分类，用sigmoid函数组（即8个sigmoid函数），每个sigmoid函数表达式为：

可利用0.5为分界值，当P（x）≥0.5时，标签值为 1，当 P（x）＜0.5 时，标签值为 0。

4 仿真实验

假设一个战场环境，首先，通过对战场目标的抽象、聚合从而提炼获得图像矩阵，并节选出一个感兴趣区域-1，如图6所示。通过判断得出敌我双方相对位置为敌右我左，然后进行假设感兴趣区域-1中敌、我双方各有50个作战单元（黄色代表我方、蓝色代表敌方），我方、敌方作战单元像素值分别为100、200，战场背景像素值为0，利用式（1）～式（3）可得出敌方的集结区域、我方的重要目标区域以及敌方对我方的主攻方向，分别用蓝色圆圈、红色圆圈和带箭头的蓝色直线标出，如图7所示，可进一步得出敌方对我方的主攻方向为西北，因此，标签写为“00100000”。为更充分地表达样本的选取情况，在战场环境中再选出一个感兴趣区域-2，如图8所示，通过计算可得出相关标记（如图9所示）以及此情况下敌方对我方的主攻方向为西南，标签写为“00001000”。由此，本文构造了带标签的训练和测试样本分别为60万个和10万个。

利用本文方法，首先对抽象成的图像矩阵做归一化处理，即得到预处理后的样本数据集，并匹配上相应的标签。再利用认知智能中深度学习方法进行训练和测试，每次迭代中的卷积和池化运算为2组，第1、2组中卷积运算的卷积核分别为6、12个，误差反向传播算法用梯度下降法。图10、图11分别给出了训练终止误差、正确识别率随迭代次数的变化曲线。从图中可以看出，随着迭代次数的不断增加，训练终止误差不断降低、正确识别率不断提高，当训练从1代到10代时，正确识别率从70.91%到75.72%，基本在70%多的数量级，诚然，这个结果与样本数量、训练中的迭代次数、卷积、池化运算次数等都有关，但已可以证明本文方法的有效性。

5 结论

本文着眼于当今信息化时代大数据条件下的军事需求，探索研究了基于深度学习的指挥员战场态势高级理解思维过程模拟方法。概述了战场态势评估（主要包括战场态势理解和预测）的相关概念；分析了指挥员理解战场态势的思维模式，以掌握指挥员理解战场态势时的主要步骤。在此基础上，结合深度学习，提出了一种基于深度学习的指挥员战场态势高级理解思维过程（以判断敌方对我方可能的主攻方向为例）模拟方法，针对方法中相关要素的设计问题，本文以CNN为例设计了带标签的样本集构建流程、深度学习网络的训练流程等。仿真结果表明，本文方法模拟的正确率可达到75.72%，证明了本文方法的有效性。本文工作仅是对于基于深度学习的指挥员战场态势高级理解思维过程模拟方法的探索性研究，进一步的深入工作仍在开展，但也可为开展指挥员战场态势理解模拟方面的研究提供新的思路，为开展战场态势智能评估分析、辅助决策等研究工作奠定基础。