基于深度學習的空海防御智能態(tài)勢認知技術研究

仲維彬，張 揚，韓春雷

基于深度學習的空海防御智能態(tài)勢認知技術研究

仲維彬1，張 揚2，韓春雷2

（1 海軍裝備部；2 中國電子科技集團公司第二十研究所，西安 710068）

在現(xiàn)代空海防御的信息作戰(zhàn)中，智能態(tài)勢認知是實現(xiàn)戰(zhàn)場透明化、降低信息復雜度、提升空海防御作戰(zhàn)指揮決策能力的前提和基礎。針對空海防御智能態(tài)勢認知相關問題進行探索研究，重點分析了其概念內涵和面臨的巨大威脅與挑戰(zhàn)等，提出復雜空海信息對抗條件下態(tài)勢信息數(shù)據(jù)表征、融合處理、意圖推理等核心能力需求，在此基礎上結合人工智能的自主、超強學習能力，構建了基于深度學習的空海防御態(tài)勢認知體系，開展智能認知技術應用探索，為其發(fā)展提供了良好思路。

智能作戰(zhàn)；空海防御；態(tài)勢認知

0 引言

隨著現(xiàn)代空海戰(zhàn)場信息化程度不斷提升，基于“跨域協(xié)同增效”的智能化聯(lián)合作戰(zhàn)將成為未來戰(zhàn)爭的主要形式，屆時將面臨作戰(zhàn)空間多維一體、作戰(zhàn)樣式多域混合、作戰(zhàn)實體種類繁多，作戰(zhàn)態(tài)勢錯綜復雜等突出難題，因此，在復雜多變、強烈對抗和充滿不確定性的戰(zhàn)場環(huán)境中，捕獲敵方重點攻擊目標、挖掘核心作戰(zhàn)企圖、實現(xiàn)戰(zhàn)場態(tài)勢的實時精確解析，對于開展遠程精確打擊威脅目標、實現(xiàn)領域防御至關重要[1,2]。

傳統(tǒng)態(tài)勢認知方法多依賴作戰(zhàn)人員的規(guī)則經(jīng)驗，缺乏對戰(zhàn)場海量信息的深度剖析，在高對抗環(huán)境下無法快速形成可為作戰(zhàn)人員提供決策指引的戰(zhàn)爭態(tài)勢信息，需探索新型態(tài)勢認知技術，以提升大數(shù)據(jù)環(huán)境下的戰(zhàn)場信息深度解析[3-5]。人工智能技術的飛速發(fā)展以及與軍事應用的深度融合，為未來?？湛缬蚵?lián)合作戰(zhàn)下態(tài)勢認知的難題解決提供了支撐。因此，本文從海空作戰(zhàn)的態(tài)勢認知內涵出發(fā)，解析其所面臨的威脅挑戰(zhàn)，聚焦核心能力需求與關鍵問題，探索應用深度學習類智能技術，實現(xiàn)態(tài)勢察覺、理解和預測，為未來空海防御態(tài)勢認知智能化發(fā)展提供了全新思路[6-8]。

1 空海防御下態(tài)勢認知內涵

在空海防御戰(zhàn)場中，通過對敵方目標進行識別分析、意圖挖掘與行為預測，形成戰(zhàn)場的一種深度理解，可為采取戰(zhàn)術行為提供指引，這就是戰(zhàn)場態(tài)勢認知的核心所在，包括了敵、我、環(huán)境等要素，其認知過程如圖1所示。

圖1 空海防御戰(zhàn)場態(tài)勢認知概念模型

空海防御戰(zhàn)場態(tài)勢認知包括三項核心內容：

1）察覺：通過各類傳感設備捕獲數(shù)據(jù)，快速對作戰(zhàn)環(huán)境中的核心組成進行提取，并通過初級關聯(lián)形成對戰(zhàn)場環(huán)境的初級認知視圖。

2）理解：擁有戰(zhàn)場初步視圖之后，綜合規(guī)則、經(jīng)驗、模型認知對態(tài)勢要素進行深度分析，獲取所隱含的諸多戰(zhàn)場信息，如：敵我兵力部署、防御要地、高威脅目標、潛在意圖、對抗優(yōu)劣等。

3）預測：根據(jù)對戰(zhàn)場的作戰(zhàn)資源全面把控，以及目前態(tài)勢的演進趨勢，做出對未來態(tài)勢的推理分析，包括敵方作戰(zhàn)意圖、戰(zhàn)術變化、規(guī)劃策略等，可以是高層的戰(zhàn)略級，也可以是具體的戰(zhàn)術行為級。

2 空海防御態(tài)勢認知面臨挑戰(zhàn)

隨著作戰(zhàn)裝備與作戰(zhàn)要素的智能多元化發(fā)展，目前空海戰(zhàn)場具有變化快、高復雜、強對抗的復合特性。傳統(tǒng)以指揮經(jīng)驗為主的戰(zhàn)場態(tài)勢認知已難以勝任現(xiàn)代空海防御的作戰(zhàn)需求，將主要面臨以下三方面的新型挑戰(zhàn)：

1）復雜電磁環(huán)境。隨著各型電磁對抗設備的升級，探測設備將面臨強干擾下的目標捕獲問題，使得探測視角會存在極大盲區(qū)，捕獲信息也會存在噪聲干擾，數(shù)據(jù)的準確、可靠分析都面臨難題，即高精度處理能力迎來了極大挑戰(zhàn)。

2）作戰(zhàn)單元智能化。隨著人工智能與軍事應用的深度融合，作戰(zhàn)單元更趨于小型、智能、無人化，來襲目標將具備更強的自主性與更高的機動性，躲避防御能力有了極大提升。此時態(tài)勢認知的時效性與準確性面臨難題，即高實時性處理能力迎來了挑戰(zhàn)。

3）飽和攻擊。傳統(tǒng)態(tài)勢認知所處理的戰(zhàn)場實時數(shù)據(jù)通常規(guī)模較小且結構單一，缺乏歷史數(shù)據(jù)的深度挖掘與分析處理。但隨著低成本、靈活性、自主化裝備的建設應用，大規(guī)模作戰(zhàn)單元協(xié)同攻擊將成為戰(zhàn)場的主旋律。而高密度下的蜂群式攻擊，會對空海防御形成全維度的壓制，此時武器系統(tǒng)將會顧此失彼、應接不暇，信息系統(tǒng)面臨大量信息實時處理與決策控制的難題，即超飽和處理能力迎來了挑戰(zhàn)。

3 態(tài)勢認知關鍵問題

3.1 要素建模表征

空海協(xié)同防御作戰(zhàn)的戰(zhàn)爭演化機理抽象復雜，缺乏深度解析，使得通常具備“不確定、涌現(xiàn)、時變”等特點，目前隨著作戰(zhàn)裝備的智能化發(fā)展，作戰(zhàn)單元日趨豐富、作戰(zhàn)空間日趨廣闊，給態(tài)勢要素的提取與建模表征帶來了很大挑戰(zhàn)。但傳感數(shù)據(jù)的多樣化與豐富化，給戰(zhàn)爭的深度理解又帶來了無限可能，若能夠將雷達點跡、圖像視頻等多模信息進行有機耦合，就可實現(xiàn)戰(zhàn)場觀測視角維度的去冗補盲，進而獲得最全面的戰(zhàn)場態(tài)勢認知，因此，需重點研究跨模信息的智能數(shù)據(jù)表征方法，深度學習的高維、超強學習認知技術有望解決該問題。

3.2 不完備信息處理

在空海防御戰(zhàn)爭中，受探測干擾、戰(zhàn)術欺騙等影響，戰(zhàn)場態(tài)勢會存在一定的不精確、不完備性，敵我都將面臨被戰(zhàn)爭迷路籠罩著的不透明戰(zhàn)場環(huán)境，可見雙方更多的是不完備信息下的博弈對抗，無論是戰(zhàn)爭的效能分析或者是態(tài)勢的認知反饋都會存在一定的滯后性。因此，需探索信息不完全情況下的智能態(tài)勢認知技術，從當前不確定、不精確信息的處理來看，與環(huán)境可進行激勵交互的的深度強化學習類技術有望解決該問題，實現(xiàn)空海防御戰(zhàn)爭下不完備信息的處理。

3.3 群體行為分析

在戰(zhàn)場態(tài)勢認知中，目標群體的綜合行為分析更為重要，局限于單體行為分析一方面會浪費作戰(zhàn)資源，另一方面也易被對手戰(zhàn)術行為迷惑欺騙。單體行為通常受群體的指引，群體行為認知也是甄選核心關注目標，實現(xiàn)重點防御的前提與基礎。在戰(zhàn)場中為了能夠更快獲取態(tài)勢指引，需重點探索戰(zhàn)場作戰(zhàn)單元的整體協(xié)作行為，并發(fā)揮網(wǎng)絡共享、信息互補、要素耦合、群體合作等優(yōu)勢，實現(xiàn)群體協(xié)作行為的分析，因此，開展智能體群體行為研究，有望實現(xiàn)空海防御戰(zhàn)場下目標群的綜合態(tài)勢認知。

3.4 小樣本學習

空海戰(zhàn)場樣本數(shù)據(jù)困乏，難以給網(wǎng)絡模型提供大數(shù)據(jù)支撐，是一直以來制約智能算法快速發(fā)展的關鍵所在，紅藍雙方的智能對抗推演可在一定程度上模擬典型場景數(shù)據(jù)，但無論是真實性還是多樣性，與真實戰(zhàn)場數(shù)據(jù)相比都存在不小的差距，戰(zhàn)場當中的偶發(fā)性、非對稱性也都無法進行準確建模，使得戰(zhàn)場智能技術研究仍是一個小樣本學習問題?；谡鎸崢颖具M行數(shù)據(jù)擴充，是目前樣本學習技術探索研究的主流思路，因此，稀缺樣本特征提取、生成對抗網(wǎng)絡樣本生成技術的結合發(fā)展有望解決該問題。

4 智能態(tài)勢認知技術探索

針對空海防御信息化、智能化作戰(zhàn)下態(tài)勢認知所面臨的嚴峻挑戰(zhàn)，需在戰(zhàn)場大數(shù)據(jù)挖掘分析的基礎下，納入以深度學習為代表的人工智能新技術，探究設計具備自學習、自適應能力的智能化態(tài)勢認知系統(tǒng)，實現(xiàn)新時代空海防御下的態(tài)勢精確解析與呈現(xiàn)。

4.1 基于深度學習的體系架構設計

基于離線訓練與在線對抗，并結合智能技術的強學習優(yōu)勢，構建基于人工智能深度學習的體系架構，如圖2所示，包括以下兩點：

1）離線訓練。首先通過深度網(wǎng)絡對空海防御場景實測數(shù)據(jù)進行分析，實現(xiàn)戰(zhàn)場數(shù)據(jù)的特性歸納與規(guī)律認知，其次通過仿真推演與對抗學習網(wǎng)絡模型，完成數(shù)據(jù)驅動下的模型優(yōu)化與持續(xù)升級。

2）在線實時對抗。在實際作戰(zhàn)環(huán)境中，訓練完成的模型接受戰(zhàn)場實時傳送的傳感數(shù)據(jù)，自主實現(xiàn)目標類型、屬性判別，威脅等級劃分、行為意圖推測、武器資源分配等相應功能，從而實現(xiàn)對戰(zhàn)爭的深度理解并在各環(huán)節(jié)實現(xiàn)相應應對舉措。同時新的戰(zhàn)場樣本數(shù)據(jù)也會對模型進行實時優(yōu)化，確保模型的不斷更新。

圖2 基于深度學習的態(tài)勢認知體系架構設計

4.2 基于自編碼器的跨域信息表征

跨域多模態(tài)信息具有復雜、高維度、計算量大、魯棒性差、異構數(shù)據(jù)處理難的特征，基于簡單的自編碼器結構采用單一的信息通道，缺乏對不同模態(tài)不同時頻域空間信息的交換，忽略了不同尺度的特征融合，其生成特征質量較差。因此，針對目標不同模態(tài)信息間具有高度相關性和互補性的特點，探索應用疊加去噪的深度神經(jīng)網(wǎng)絡分別表示每個模態(tài)，然后使用自動編碼器融合成多模態(tài)表示?？缬蚨嗄Ｐ畔⒕毣碚魅鐖D3所示。

圖3 跨域多模信息精細化表征

語音、文本具有時間特性的數(shù)據(jù)，可通過LSTM網(wǎng)絡模型深度剖析此類數(shù)據(jù)的依賴關聯(lián)特性；視頻圖像等多維空間數(shù)據(jù)，可通過卷積神經(jīng)網(wǎng)絡實現(xiàn)高維度、精細化的特征解析與表達。然后，基于堆疊了多個自注意力層和前饋神經(jīng)網(wǎng)絡的Transformer 神經(jīng)網(wǎng)絡結構，將視覺、語言、點跡、文本等多模態(tài)數(shù)據(jù)處理成語言序列任務，通過自監(jiān)督的方式從海量數(shù)據(jù)中學習出多模態(tài)的聯(lián)合編碼，實現(xiàn)基于自編碼或者自回歸的方式下充分的模態(tài)融合，產生高質量目標特征表示信息。

4.3 基于深度神經(jīng)網(wǎng)絡的智能識別

在空海防御戰(zhàn)場環(huán)境下，許多特殊目標、如高超聲速目標的出現(xiàn)及運動狀態(tài)特性均具有較大的隨機性，從而造成單辨識框架下的識別模型具有高動態(tài)不確定性。因此，首先基于所探索的表征技術將多維異構數(shù)據(jù)網(wǎng)絡映射到統(tǒng)一特征空間，再通過智能型能夠自主理解特征數(shù)據(jù)的相似性與差異性，從而提高判別能力。主要通過長期持續(xù)的離線學習獲取訓練好的編碼網(wǎng)絡，對多源數(shù)據(jù)處理得到了其特征特性，構造多任務深度孿生判別式網(wǎng)絡，衡量任意目標特征向量之間的相似性，基于該類信息即可智能實現(xiàn)目標關聯(lián)學習與分類。

4.4 模型、數(shù)據(jù)雙驅動目標跟蹤

傳統(tǒng)的空海防御目標跟蹤技術主要依賴規(guī)則、約束，受模型建立的主觀因素影響，導致在復雜環(huán)境下航跡起始與虛假抑制不能兼顧、模型固定導致環(huán)境適應性差的問題，在傳統(tǒng)融合算法中，每個環(huán)節(jié)使用的模型和約束都是相對獨立的，且一旦確定就是固定不變的，無法具備多場景適應能力。純粹依賴人工智能的多目標關聯(lián)跟蹤方法存在耗時時間長、可解釋性差等問題。因此，探索基于認知態(tài)勢反饋的模型動態(tài)優(yōu)化與基于深度神經(jīng)網(wǎng)絡的規(guī)則在線擬合，研究基于模型、數(shù)據(jù)雙驅動的智能多目標跟蹤技術，綜合利用模型驅動簡單高效、數(shù)據(jù)驅動環(huán)境適應性強的特點，達到算法性能與運算效率的統(tǒng)一，完成復雜場景下多目標的精準、高效跟蹤。

4.5 人機結合的不完備態(tài)勢推理

在空海戰(zhàn)場中不同平臺的雷達、光電等多傳感器探測信息會具有一定差異，且可靠度不同，甚至還會出現(xiàn)高沖突情況。因此，圍繞跨域信息智能融合重要目標，需在戰(zhàn)場態(tài)勢認知中，有效發(fā)揮人的關鍵作用，同時充分考慮將兩者結合能夠實現(xiàn)對態(tài)勢更全面準確的分析判斷和推理。

利用目標歷史活動數(shù)據(jù)，基于關聯(lián)規(guī)則挖掘等大數(shù)據(jù)挖掘算法，對典型的目標群組織結構進行挖掘，構建覆蓋重點目標群活動形式的目標群結構數(shù)據(jù)庫。然后對整個監(jiān)視區(qū)目標根據(jù)個體行為預測結果，結合空間位置、電磁頻譜和屬性約束進行綜合聚類分析，初步獲得子目標群。進一步根據(jù)挖掘的目標群結構數(shù)據(jù)庫對聚類子目標群進行辨識，并將辨識結果反饋給個體行為推理環(huán)節(jié)，對聚類結果進行修正，往返迭代，最終實現(xiàn)聚類誤差和辨識誤差的聯(lián)合優(yōu)化。最后根據(jù)各子目標群辨識結果和之間的關聯(lián)關系，進行高層約束推理，最終形成對整個戰(zhàn)場監(jiān)視區(qū)的態(tài)勢解析。

4.6 空海防御樣本數(shù)據(jù)生成

智能態(tài)勢認知技術方法依賴于大量樣本的數(shù)據(jù)驅動，通過對樣本數(shù)據(jù)的高層特性提取與抽象分析，歸納出了數(shù)據(jù)間的內在聯(lián)系與潛在客觀規(guī)律。而數(shù)據(jù)樣本集的建設工作通常分為：一是從演習對抗與實戰(zhàn)環(huán)境中日積月累；二是利用仿真推演平臺，結合專家系統(tǒng)與智能樣本生成技術，針對典型的空海防御情景塑造出逼近真實數(shù)據(jù)的模擬仿真樣本。

生成對抗網(wǎng)絡是目前常用的一種智能學習算法模型，通過生成、判別器的耦合作用，挖掘出實測樣本數(shù)據(jù)的內在分布規(guī)律，然后根據(jù)規(guī)律擴充大量與真實樣本特性相同的仿真樣本，因此可探索采用對抗式神經(jīng)網(wǎng)絡（Generative Adverarial Network，GAN）基于有限樣本數(shù)據(jù)來生成更豐富的態(tài)勢樣本，從而構建多樣化、多維化、多源化的空海防御戰(zhàn)場數(shù)據(jù)集。

5 結論

在未來的空海防御戰(zhàn)爭中，智能化是其必然趨勢，文章面向智能態(tài)勢認知的需求與挑戰(zhàn)，構建基于智能網(wǎng)絡認識的總體架構，并探索突破基于GAN、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）等深度學習模型的多項核心技術，為空海防御的未來智能態(tài)勢認知技術演進提供了一定的支撐。

[1] 高曉陽，王剛. 基于深度學習的空天防御態(tài)勢感知方法[J]. 火力與指揮控制，2018，43（8）：8-12.

[2] 郭圣明，賀筱媛，胡曉峰，等. 軍用信息系統(tǒng)智能化的挑戰(zhàn)與趨勢[J]. 控制理論與應用，2016，33（12）：1562- 1570.

[3] 宋元，王永春. 海上防空作戰(zhàn)態(tài)勢估計理論及應用[M]. 北京：國防工業(yè)出版社， 2014.

[4] 朱豐，胡曉峰，吳琳，等. 從態(tài)勢認知走向態(tài)勢智能認知[J]. 系統(tǒng)仿真學報，2018，30（3）：761-771.

[5] 姚慶鍇，柳少軍，賀筱媛，等. 戰(zhàn)場目標作戰(zhàn)意圖識別問題研究與展望[J]. 指揮與控制學報，2017，3（2）：127- 131.

[6] 張彬超，寇雅楠，鄔蒙，等. 基于深度置信網(wǎng)絡的近距空戰(zhàn)態(tài)勢評估[J]. 北京航空航天大學學報，2017，43（7）：1450- 1459.

[7] 趙冬斌，邵坤，朱圓恒，等. 深度強化學習綜述：兼論計算機圍棋的發(fā)展[J]. 控制理論與應用，2016，33（6）：701- 717.

[8] 鄭書奎，吳琳，賀筱媛. 基于深度學習的兵棋演習數(shù)據(jù)特征提取方法研究[J]. 指揮與控制學報，2016，2（3）：194- 201.

Intelligent Threat Assessment Algorithm Based on Deep Learning

ZHONG Weibin, ZHANG Yang, HAN Chunlei

In modern air-sea defense intelligent information warfare, the situation awareness is prerequisite and basis to make the aerospace defense battlefield more transparent，reduce complexity of information and improve the command and support capacity of aerospace defense operational commanding. The related problems of air-sea defense is studied, and the demands of data representation，fusion processing，intention reasoning are put forward based on analyzing tremendous threats and challenges of air-sea defense situation awareness systematically. On this basis, considering the autonomous super learning ability of artificial intelligence, the structure of situation awareness based on deep learning is established. And then the key technologies in this structure at the end are expounded, which can provide a new idea for the development of air sea defense situational awareness.

Intelligent Operation; Air-Sea Defense; Situation Awareness

E712

A

1674-7976-(2022)-04-268-05

2022-06-15。

仲維彬（1977.05—），江蘇海安人，碩士研究生，主要研究方向為信息系統(tǒng)總體與智能感知技術。