基于OKNN的目標(biāo)戰(zhàn)術(shù)意圖識別方法 *

劉秋輝，崇元

(中國人民解放軍91550部隊，遼寧 大連 116023)

0 引言

態(tài)勢分析過程不僅需要了解單平臺或群平臺對象的作戰(zhàn)知識[1]以及他們的當(dāng)前屬性，更需要從當(dāng)前相關(guān)平臺間的關(guān)系中推導(dǎo)出有意義的結(jié)論[2]，即形成有關(guān)敵方作戰(zhàn)計劃、作戰(zhàn)意圖等更高層次的作戰(zhàn)知識，從而為作戰(zhàn)指揮提供輔助決策。

意圖識別問題按戰(zhàn)場環(huán)境可分為海戰(zhàn)場、陸戰(zhàn)場、空中戰(zhàn)場意圖識別，按戰(zhàn)爭規(guī)?？煞譃閼?zhàn)略意圖識別、戰(zhàn)役意圖識別和戰(zhàn)術(shù)意圖識別[3-4]。本文將對目標(biāo)階段性作戰(zhàn)計劃進行分析，進而對目標(biāo)戰(zhàn)術(shù)級意圖進行識別。

目前關(guān)于作戰(zhàn)計劃識別的主要方法是基于邏輯假設(shè)的形式化計劃識別推理模型[5-8]，其基本思路是對計劃庫進行構(gòu)建，通過對歷史戰(zhàn)例、演習(xí)訓(xùn)練的戰(zhàn)場態(tài)勢數(shù)據(jù)和信息進行學(xué)習(xí)、總結(jié)，分析出與觀測作戰(zhàn)平臺在某一階段行動過程中從其發(fā)生的戰(zhàn)場事件、行為序列，到其所追求目標(biāo)以及實現(xiàn)這一目標(biāo)的計劃過程所相關(guān)的戰(zhàn)術(shù)規(guī)則，將該規(guī)則存入到計劃庫，并在實際對抗中將實時觀測的目標(biāo)數(shù)據(jù)與計劃庫進行匹配，推理出敵方的作戰(zhàn)計劃。然而，上述方法的推理過程需要建立一個自頂向下詳細(xì)分解的敵方計劃假設(shè)層次結(jié)構(gòu)，但由于博弈問題隨著雙方態(tài)勢的變遷而動態(tài)變化，這種結(jié)構(gòu)應(yīng)對動態(tài)態(tài)勢分析問題具有良好的適應(yīng)性。另外，通過觀察、情報得到的或已知敵方的各因素都是不完全透明的，所獲取的目標(biāo)數(shù)據(jù)與信息中都可能存在著欺騙、干擾、偽裝等因素，并帶有一定的不確定性[9]。這種低層的不確定性，通過橫向和縱向向上傳遞就會帶來不確定性的集成問題[10-11]。因此，計劃假設(shè)的結(jié)構(gòu)層次是一個不確定性的集成和傳遞過程，現(xiàn)只對計劃庫進行設(shè)計將很難滿足高效的識別要求。

針對以上問題，本文從構(gòu)建基于計劃識別的目標(biāo)戰(zhàn)術(shù)意圖推理框架入手，將戰(zhàn)場實時獲取的目標(biāo)動態(tài)作戰(zhàn)知識作為解釋敵方作戰(zhàn)行動過程(enemy campaign operation action，ECOA)的行動要素，并通過構(gòu)建基于作戰(zhàn)知識神經(jīng)網(wǎng)絡(luò)(operation knowledge neural network，OKNN)的目標(biāo)行動片段集對ECOA加以描述，同時建立具有自適應(yīng)實時戰(zhàn)場態(tài)勢的推理機制，最終得到基于計劃識別的階段性戰(zhàn)術(shù)意圖推理結(jié)果。該方法可以提高計劃識別模型表達能力的靈活性，并有效解決了計劃假設(shè)不確定性的集成與傳遞問題。

1 目標(biāo)戰(zhàn)術(shù)意圖推理框架

傳統(tǒng)計劃識別方法[5,12]是看作由某種計劃假設(shè)H，與根據(jù)對敵方認(rèn)知、理解以及戰(zhàn)場情報形成有關(guān)敵方計劃的知識庫PL，對敵軍行動觀察O的推導(dǎo)解釋過程。因此，其主要工作是對計劃庫進行組織與設(shè)計。但由于所觀察的目標(biāo)數(shù)據(jù)與信息常帶有一定的不確定性，致使其在與計劃庫匹配時將造成上述不確定性的累計疊加，縱使有較好組織與設(shè)計的計劃庫，也往往會造成計劃推理的失敗。

作戰(zhàn)過程中包含大量的不確定性，其來源包括[13-14]:

(1) 戰(zhàn)場感知的不確定性(如有關(guān)目標(biāo)的戰(zhàn)術(shù)特性與物理特性)；

(2) 關(guān)于敵方戰(zhàn)術(shù)知識的不確定性(如作戰(zhàn)樣式、規(guī)則等)；

(3) 敵方作戰(zhàn)能力的不確定性。

顯然，傳統(tǒng)計劃識別的不確定集成與傳遞問題是由戰(zhàn)場感知的目標(biāo)信息不確定性和關(guān)于敵方戰(zhàn)術(shù)知識的不確定性，以及在與計劃庫匹配時的靜態(tài)推理方法而造成的。這是由于直接使用傳感器獲取的目標(biāo)信息與計劃庫匹配時，需使用目標(biāo)屬性特征與先驗敵方戰(zhàn)術(shù)知識匹配的靜態(tài)推理方法以得到推理過程的中間以及最終結(jié)果，這種大量依賴先驗知識的推理過程將導(dǎo)致證據(jù)不確定性的不斷累積而得不到消減。因此，如何減少證據(jù)輸入的不確定性以及改善靜態(tài)推理過程所造成的弊端是目前急需解決的問題。

敵方一次階段性作戰(zhàn)行動過程需分解為多個戰(zhàn)術(shù)行動來完成，不同戰(zhàn)術(shù)行動所表達的戰(zhàn)術(shù)意義是階段性戰(zhàn)術(shù)意圖推理的重要依據(jù)，由于敵方戰(zhàn)術(shù)行動分解過程對我方幾乎不透明，因此我方態(tài)勢分析人員往往需要對所獲取的目標(biāo)數(shù)據(jù)與信息進行分析，并解釋目標(biāo)在一次作戰(zhàn)行動過程中所執(zhí)行的戰(zhàn)術(shù)行動，才能推理得到敵方在此次行動過程中的作戰(zhàn)意圖。另外，作戰(zhàn)知識描述的是隱藏在目標(biāo)數(shù)據(jù)與信息之后的戰(zhàn)術(shù)任務(wù)、作戰(zhàn)意圖等關(guān)于作戰(zhàn)行動原則方面的內(nèi)容，敵方是不會“主動”提供的，因此，作戰(zhàn)知識的獲取就是對敵方作戰(zhàn)過程中的關(guān)鍵行動點進行建模，以揭示敵方在某一時間段內(nèi)所執(zhí)行的子計劃。對于一個特定的戰(zhàn)術(shù)意圖來說，我方態(tài)勢分析人員可通過目標(biāo)在作戰(zhàn)過程中的戰(zhàn)術(shù)行動要素，以及對行動要素關(guān)系的分析來識別出隱藏在其背后的作戰(zhàn)知識，這些由作戰(zhàn)知識反映的子計劃共同服務(wù)于上級指派的作戰(zhàn)任務(wù)，其會在不同程度上反映出敵方的戰(zhàn)術(shù)意圖。

由于作戰(zhàn)知識可以通過大量的作戰(zhàn)數(shù)據(jù)與信息，并結(jié)合人工智能方法進行實時動態(tài)挖掘，這一動態(tài)挖掘過程在一定程度上考慮了由于偽裝、欺騙帶來的證據(jù)不確定性問題。同時，該過程減少了與計劃庫匹配工作的量度，并隨之減少所依賴的靜態(tài)作戰(zhàn)知識，以達到減少不確定性的目的。

本文重新對計劃識別過程進行解釋：定義目標(biāo)數(shù)據(jù)與信息O為觀察集，K為經(jīng)智能獲取方法推理出的隱藏在數(shù)據(jù)與信息之后的目標(biāo)動態(tài)作戰(zhàn)知識集，PL為關(guān)于被觀察目標(biāo)的靜態(tài)知識計劃庫，H為對敵方目標(biāo)建立的計劃假設(shè)集，從而可將戰(zhàn)術(shù)意圖識別看作由H與PL對由K組成某一階段作戰(zhàn)行動過程C的推導(dǎo)解釋。它將構(gòu)成一個四元組，并有：

definitiona)Plan-reasoning(PL,K,C)=H，

b)Sequential-logic(K1,K2,…，Kn)=C.

以上描述反映了基于作戰(zhàn)知識進行階段性戰(zhàn)術(shù)意圖識別的實質(zhì)，其中目標(biāo)動態(tài)作戰(zhàn)知識集K反映了一個對偵察獲得的目標(biāo)數(shù)據(jù)進行逐層深入理解，逐步得到指揮員所需要的隱含在作戰(zhàn)信息之后的作戰(zhàn)知識，即從獲取底層作戰(zhàn)知識逐步上升到獲取高層作戰(zhàn)知識的邏輯結(jié)構(gòu)。在此基礎(chǔ)上，可以展開對不同層次作戰(zhàn)知識的有效組織與整合，建立動態(tài)作戰(zhàn)知識庫，為實際戰(zhàn)術(shù)意圖識別奠定邏輯基礎(chǔ)。

2 目標(biāo)戰(zhàn)術(shù)意圖識別模型

2.1 基于OKNN的目標(biāo)行動片段

對敵方作戰(zhàn)行動過程進行描述時，需要涉及到分布的戰(zhàn)場資源和各作戰(zhàn)平臺，其要識別的不僅包括某個作戰(zhàn)平臺的類型、所執(zhí)行的戰(zhàn)術(shù)任務(wù)，更重要的是通過多個作戰(zhàn)平臺的行為和戰(zhàn)術(shù)特征判斷來襲目標(biāo)是否形成了具有一定戰(zhàn)術(shù)意義的空間群、以及多個空間群之間是否存在相互協(xié)同、配合模式。以上各要素都?xì)w屬于作戰(zhàn)知識范疇,并構(gòu)成敵方階段性戰(zhàn)術(shù)意圖這一更高層次作戰(zhàn)知識推理的必要條件。

人工神經(jīng)網(wǎng)絡(luò)具有并行信息處理、分布信息存儲以及信息處理單元的互連特性。依據(jù)以上特點，本文將神經(jīng)網(wǎng)絡(luò)應(yīng)用到敵方戰(zhàn)術(shù)意圖的推理當(dāng)中，不同戰(zhàn)術(shù)平臺與戰(zhàn)術(shù)群的作戰(zhàn)信息與作戰(zhàn)知識可并行處理以增強模型推理的靈活性，另外根據(jù)作戰(zhàn)平臺與空間任務(wù)群、空間任務(wù)群與相互作用群之間的依賴關(guān)系及其各自階段性意圖遞推結(jié)果，可最終融合推導(dǎo)出敵方的作戰(zhàn)意圖，其階段性信息處理單元相互連接，前者為后者的必要條件。

為此，本文在逐步得到關(guān)于作戰(zhàn)行動原則方面的動態(tài)作戰(zhàn)知識后，以作戰(zhàn)知識神經(jīng)網(wǎng)絡(luò)(OKNN)表示目標(biāo)平臺行動片段的形式作為意圖推理的證據(jù)基元，如圖1所示，以適應(yīng)戰(zhàn)場態(tài)勢動態(tài)性變遷問題，在一定程度上可減少意圖識別過程中不確定因素的集成與傳遞。

圖1 描述目標(biāo)作戰(zhàn)知識行動片段的神經(jīng)網(wǎng)絡(luò)模型Fig.1 Targets action frags based on neural network

定義：一個目標(biāo)作戰(zhàn)知識神經(jīng)網(wǎng)絡(luò)(OKNN)可形式化定義為一個四元組ONF=，有限集合C表示為網(wǎng)絡(luò)結(jié)構(gòu)，即行動過程片段；有限集合I為輸入項，表示實時獲取的目標(biāo)信息及作戰(zhàn)知識；R表示計劃庫中基于OKNN實體片段意圖推理的規(guī)則，即神經(jīng)網(wǎng)絡(luò)中根據(jù)經(jīng)驗知識得到的權(quán)值向量；G表示目標(biāo)階段性意圖空間分布。

在基于作戰(zhàn)知識神經(jīng)網(wǎng)絡(luò)(OKNN)邏輯中，階段性戰(zhàn)術(shù)意圖表示為OKNN實體行動片段(ONFrags)的證據(jù)組合集合，一個實體片段以多平臺或單平臺組成的空間任務(wù)群，以及由空間任務(wù)群構(gòu)成的相互作用群為神經(jīng)網(wǎng)絡(luò)模塊單位，表示在給定作戰(zhàn)知識和網(wǎng)絡(luò)經(jīng)驗權(quán)值下的階段性戰(zhàn)術(shù)意圖概率分布。實體片段反映了識別階段性戰(zhàn)術(shù)意圖所需要的作戰(zhàn)知識與作戰(zhàn)信息，每個神經(jīng)網(wǎng)絡(luò)片段將作為一個戰(zhàn)術(shù)意圖識別的推理證據(jù)。

以目標(biāo)群為單位的OKNN實體片段形成了多平臺作戰(zhàn)知識表示的一個單元，作戰(zhàn)知識通過動態(tài)實時挖掘，并通過一組OKNN實體片段來不斷更新敵方在某一階段作戰(zhàn)過程中的意圖空間分布。這為由于輸入信息的不確定性以及靜態(tài)推理造成的不確定性集成問題提供了一種可行的解決途徑，同時在對某一階段作戰(zhàn)行動過程的推導(dǎo)解釋中，該實體片段便于匹配上下文語境，通用性較強。

以空間任務(wù)群以及相互作用群為單位，采用OKNN表示的目標(biāo)平臺行動片段的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 基于OKNN的目標(biāo)群實體片段結(jié)構(gòu)Fig.2 Structure of target group frags based on OKNN

當(dāng)構(gòu)建完成上述以目標(biāo)群為單位的基于OKNN的平臺目標(biāo)行動片段后，則還需建立該領(lǐng)域內(nèi)的計劃庫PL，才能對敵方階段性戰(zhàn)術(shù)意圖的空間分布進行求解。根據(jù)第1節(jié)中對目標(biāo)戰(zhàn)術(shù)意圖推理框架的描述，計劃庫同樣需采用以O(shè)KNN結(jié)構(gòu)表示的目標(biāo)行動片段進行描述，該計劃庫將包含達成敵方作戰(zhàn)意圖的作戰(zhàn)計劃，以及實現(xiàn)該計劃的完整OKNN片段的行動序列。構(gòu)建計劃庫中OKNN目標(biāo)行動片段的關(guān)鍵在于求解經(jīng)訓(xùn)練得到的目標(biāo)行為先驗規(guī)則V和W，該規(guī)則按網(wǎng)絡(luò)各層2種學(xué)習(xí)規(guī)則訓(xùn)練好之后存入到計劃庫中，由于篇幅限制，計劃庫中目標(biāo)OKNN訓(xùn)練過程將不展開描述。

2.2 模型的運行與推理

然而，世界上沒有兩場完全一樣的戰(zhàn)爭，雖然通過將敵方一次作戰(zhàn)行動過程進行分解，形成若干個以O(shè)KNN片段為組織形式的戰(zhàn)術(shù)行動，可以在一定程度上解決敵方作戰(zhàn)行動過程的動態(tài)構(gòu)建問題，但要想使得模型的推理過程不斷動態(tài)適應(yīng)實時戰(zhàn)場態(tài)勢變化需求，就還需從改變傳統(tǒng)的在與計劃庫中知識組織模式的固化推理機制入手，對有反饋的態(tài)勢分析過程進行建模才可從根本上解釋動態(tài)計劃識別過程的本質(zhì)。

由于網(wǎng)絡(luò)片段可以匹配存在一定范圍內(nèi)偏差的戰(zhàn)場態(tài)勢輸入信息，因此使用以上計劃庫中固定模式的推理規(guī)則V和W，也將得出適應(yīng)于此次輸入信息的戰(zhàn)術(shù)意圖概率分配導(dǎo)向。但為追求意圖推理的客觀性，滿足匹配條件的偏差值需在適度范圍內(nèi)，偏差值越小，則匹配條件越苛刻，并容易出現(xiàn)實時行動片段無法從計劃庫中匹配計劃片段的現(xiàn)象；但偏差值越大，平臺行動片段雖然容易匹配，但所匹配的計劃庫中實體片段已不能對實時戰(zhàn)場態(tài)勢進行有效描述，因而利用該計劃庫中片段進行推理的結(jié)果將會向其真實意圖結(jié)果偏離。造成以上現(xiàn)象的原因是沒有形成自適應(yīng)于本次作戰(zhàn)行動過程的推理規(guī)則。

為此，本文利用神經(jīng)網(wǎng)絡(luò)的誤差反饋推理機制，將實時的階段性戰(zhàn)術(shù)意圖概率分配結(jié)果向量U(t)作為期望輸出，而將計劃庫中選用的基于OKNN片段的樣本輸出向量結(jié)果dp作為實際輸出，用以修正各單元權(quán)值向量。那么網(wǎng)絡(luò)兩層誤差信號為

(1)

(2)

(3)

(4)

戰(zhàn)場態(tài)勢隨著時間的推移，逐漸有新信息的輸入，并得到新的行動片段推理規(guī)則，同時OKNN平臺行動片段的階段性戰(zhàn)術(shù)意圖推理規(guī)則可逐漸適應(yīng)本次作戰(zhàn)行動，而不始終依賴計劃庫中的模板規(guī)則。

模型將實時獲取的敵方作戰(zhàn)知識描述為單平臺或多平臺的目標(biāo)群OKNN實體片段，節(jié)點為帶參數(shù)的隨機向量，如圖2所示。當(dāng)發(fā)現(xiàn)空中有敵方目標(biāo)時，我方態(tài)勢分析人員實時動態(tài)獲取單平臺戰(zhàn)術(shù)類型、平臺執(zhí)行戰(zhàn)術(shù)任務(wù)等作戰(zhàn)知識，并結(jié)合平臺作戰(zhàn)信息共同作為推理依據(jù)，用以揭示敵方目標(biāo)進行集群作戰(zhàn)時所形成的空間任務(wù)群以及相互作用群等高層次作戰(zhàn)知識。將目標(biāo)所形成的空間任務(wù)群以及相互作用群作為網(wǎng)絡(luò)單元構(gòu)建OKNN實體片段，并實例化網(wǎng)絡(luò)片段輸入項的隨機變量進行階段性戰(zhàn)術(shù)意圖推理。按照時序邏輯關(guān)系，每個OKNN實體片段將作為階段性戰(zhàn)術(shù)意圖識別的推理證據(jù)，意圖空間的分布結(jié)果取決于計劃庫中目標(biāo)OKNN行動片段的訓(xùn)練權(quán)值V和W，該權(quán)值通過證據(jù)更新來訓(xùn)練修正。階段性作戰(zhàn)意圖識別過程可以描述如下，算法流程如圖3所示。

圖3 基于OKNN的戰(zhàn)術(shù)意圖識別算法流程 Fig.3 Algorithm flow of tactical intention recognition based on OKNN

(1) 構(gòu)建計劃庫中基于OKNN的目標(biāo)行動片段，以及訓(xùn)練該片段的目標(biāo)行動規(guī)則；

(2) 實時構(gòu)建由單平臺及多平臺構(gòu)成目標(biāo)群的OKNN實體片段，并作為階段性戰(zhàn)術(shù)意圖識別的輸入證據(jù)；

(3) 檢索計劃庫中的目標(biāo)平臺行動片段，并匹配實時動態(tài)構(gòu)建的行動片段；

(4) 按照證據(jù)的時序關(guān)系，將匹配成功的目標(biāo)行動片段的網(wǎng)絡(luò)權(quán)值作為推理規(guī)則，并建立具有自適應(yīng)實時戰(zhàn)場態(tài)勢的推理機制，對目標(biāo)戰(zhàn)術(shù)意圖進行識別。

3 實例分析

假設(shè)通過目標(biāo)提取，發(fā)現(xiàn)敵方有11個戰(zhàn)斗目標(biāo)，需要指揮員階段性給出敵方進攻、防御或監(jiān)視戰(zhàn)術(shù)意圖。以戰(zhàn)場中探測到的平臺參數(shù)信息以及作戰(zhàn)知識為證據(jù)進行推理，該場景中敵方的階段性戰(zhàn)術(shù)意圖識別過程如下：

(1) 獲取事件1：識別作戰(zhàn)平臺類型、執(zhí)行的戰(zhàn)術(shù)任務(wù)等作戰(zhàn)知識。目標(biāo)觀測數(shù)據(jù)以及經(jīng)知識發(fā)現(xiàn)技術(shù)實時獲取的單平臺和多平臺作戰(zhàn)知識如表1所示。其中，戰(zhàn)術(shù)任務(wù)對應(yīng)關(guān)系為(偵察=1，干擾=2，攻擊=3，護航=4)。敵方作戰(zhàn)平臺所執(zhí)行的戰(zhàn)術(shù)任務(wù)識別方法見文獻[15]。

表1 目標(biāo)信息參數(shù)以及作戰(zhàn)知識Table 1 Targets information parameters and operational knowledge

(2) 獲取事件2：識別空間任務(wù)群，并給出群平均參數(shù)，如表2所示。

(3) 獲取事件3：識別相互作用群。本文將相互作用群定義為，具有協(xié)同增益作用效果的空間任務(wù)群。這里的協(xié)同增益效果主要體現(xiàn)在目標(biāo)群的戰(zhàn)術(shù)任務(wù)以及通信情況是否存在相互協(xié)同、配合的模式。另外，目標(biāo)群的空間位置、進攻方向等也將增添相互作用群的戰(zhàn)術(shù)狀態(tài)判別依據(jù)。相互作用群的判別可以提供給指揮員更深層次上的戰(zhàn)場態(tài)勢內(nèi)容。表2中群集合{{1，2，3，4}與{5，6，7，8}}是2個相互作用群。空間任務(wù)群以及相互作用群的識別方法見文獻[16]。

表2 空間任務(wù)群參數(shù)表Table 2 Parameters of space task group

現(xiàn)假定已建立計劃庫中由單平臺或多平臺所組成目標(biāo)群的OKNN實體片段意圖推理規(guī)則，將關(guān)于單平臺作戰(zhàn)知識的空間任務(wù)群1～8以及相互作用群{1，2，3，4}與{5，6，7，8}分別構(gòu)建OKNN實體片段，動態(tài)構(gòu)建的實體片段將作為推理證據(jù)與計劃庫中靜態(tài)OKNN實體片段匹配，所得的融合階段性戰(zhàn)術(shù)意圖空間分布如表3所示。其中，證據(jù)m1～m8為空間群1～8在辨識框架上的概率分配函數(shù)，m9，m10為相互作用群1，2的概率分配函數(shù)。

從表3可知，當(dāng)輸入證據(jù)為空間群實體片段時，融合階段性戰(zhàn)術(shù)意圖A1的可信度為0.390 0，而A3的可信度也有達到0.307 0，但隨著相互作用群實體片段證據(jù)m9與m10的加入，戰(zhàn)術(shù)意圖A1的可信度可達到0.765 5，而A3的可信度也驟降到0.113 0，根據(jù)判決規(guī)則可判定敵方本次作戰(zhàn)的戰(zhàn)術(shù)企圖為A1，即敵方可能對我發(fā)起進攻，這與實際情況是相符的。

4 結(jié)束語

由于軍事問題本身的動態(tài)性和復(fù)雜性，使得計劃識別過程充滿了大量的不確定性，并導(dǎo)致了動態(tài)不確定性的集成與傳遞問題。本文采用基于作戰(zhàn)知識的神經(jīng)網(wǎng)絡(luò)來表示戰(zhàn)術(shù)意圖識別問題，并以空中目標(biāo)群為單位，通過實時動態(tài)構(gòu)建OKNN實體片段進行戰(zhàn)術(shù)意圖推理，該方法可減少不確定性的集成與傳遞并增強模型推理的靈活性和語義表達能力。但由于雙方對抗階段時間緊迫，考慮模型推理的實時性并預(yù)測敵軍將來的可能作戰(zhàn)行動是下一步研究工作的重點。