廖鷹 易卓 胡曉峰

隨著新技術(shù)變革的推進(jìn),現(xiàn)代戰(zhàn)爭(zhēng)已發(fā)展為以信息技術(shù)為支撐的體系對(duì)抗.戰(zhàn)場(chǎng)是敵對(duì)雙方作戰(zhàn)活動(dòng)的空間,是進(jìn)行戰(zhàn)爭(zhēng)的基本條件.在信息化戰(zhàn)爭(zhēng)中,戰(zhàn)場(chǎng)空間空前拓展、戰(zhàn)場(chǎng)信息海量化、戰(zhàn)場(chǎng)環(huán)境復(fù)雜化、作戰(zhàn)對(duì)象多元化、作戰(zhàn)強(qiáng)度急劇增大給指揮員的精準(zhǔn)指揮帶來(lái)巨大挑戰(zhàn).傳統(tǒng)基于人經(jīng)驗(yàn)或認(rèn)知的指揮模式已無(wú)法有效應(yīng)對(duì)瞬息萬(wàn)變的戰(zhàn)場(chǎng)和海量數(shù)據(jù),準(zhǔn)確快速地把握戰(zhàn)略、戰(zhàn)役層面的戰(zhàn)場(chǎng)態(tài)勢(shì)成為了難題.同時(shí),現(xiàn)有面向作戰(zhàn)指揮的計(jì)算機(jī)輔助決策尚不能以人的認(rèn)知模式來(lái)理解態(tài)勢(shì)(例如用數(shù)據(jù)對(duì)比[1?2]、數(shù)據(jù)場(chǎng)[3]、信息熵[4]等方法,并不能很好地解決態(tài)勢(shì)理解問(wèn)題),難以適應(yīng)新形勢(shì)的需要,人工智能的研究水平已成為制約戰(zhàn)場(chǎng)態(tài)勢(shì)輔助理解的瓶頸.因此,面對(duì)復(fù)雜萬(wàn)變的戰(zhàn)場(chǎng)環(huán)境和海量數(shù)據(jù),研究基于機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)理解問(wèn)題對(duì)戰(zhàn)場(chǎng)輔助決策具有重要意義.

戰(zhàn)場(chǎng)態(tài)勢(shì)是個(gè)復(fù)雜概念.態(tài),強(qiáng)調(diào)的是當(dāng)前的狀態(tài),是對(duì)作戰(zhàn)單元實(shí)體屬性、狀態(tài)信息和戰(zhàn)場(chǎng)環(huán)境的描述;勢(shì),主要指作戰(zhàn)的發(fā)展趨勢(shì),即作戰(zhàn)單元實(shí)體的能力變化、動(dòng)態(tài)關(guān)系和行為趨勢(shì).面對(duì)海量、復(fù)雜的戰(zhàn)場(chǎng)數(shù)據(jù),要想輔助指揮員準(zhǔn)確提取有用信息,發(fā)掘復(fù)雜態(tài)勢(shì)背后的隱藏知識(shí),最為重要的是深入理解戰(zhàn)場(chǎng)態(tài)勢(shì),以減輕指揮員作戰(zhàn)決策的難度.對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)理解的研究應(yīng)建立在對(duì)戰(zhàn)爭(zhēng)的深刻認(rèn)識(shí)基礎(chǔ)上,必須從認(rèn)識(shí)戰(zhàn)場(chǎng)的復(fù)雜性入手,從體系對(duì)抗的角度,把信息化戰(zhàn)場(chǎng)作為一個(gè)復(fù)雜系統(tǒng)來(lái)研究.戰(zhàn)爭(zhēng)是一門(mén)藝術(shù),也是一個(gè)復(fù)雜系統(tǒng),“戰(zhàn)爭(zhēng)的偶然性”、“戰(zhàn)爭(zhēng)結(jié)果的不可重復(fù)性”、“戰(zhàn)爭(zhēng)中的迷霧”、“戰(zhàn)爭(zhēng)的自同步”等現(xiàn)象,都在說(shuō)明戰(zhàn)爭(zhēng)復(fù)雜性[5],而作為與戰(zhàn)爭(zhēng)密不可分的戰(zhàn)場(chǎng)自然也就具備了復(fù)雜系統(tǒng)特征.因此,要研究戰(zhàn)場(chǎng)態(tài)勢(shì),就必須從認(rèn)識(shí)戰(zhàn)場(chǎng)的復(fù)雜性入手,從體系對(duì)抗的角度,把信息化戰(zhàn)場(chǎng)作為一個(gè)復(fù)雜系統(tǒng)來(lái)研究,不能簡(jiǎn)單地只采用牛頓科學(xué)體系、還原論、決定論的思想作為戰(zhàn)場(chǎng)態(tài)勢(shì)理解的基礎(chǔ),而要從更新的觀念出發(fā)來(lái)擴(kuò)展戰(zhàn)爭(zhēng)認(rèn)識(shí)論.

復(fù)雜網(wǎng)絡(luò)、大數(shù)據(jù)和深度學(xué)習(xí)研究的逐步興起,為從體系對(duì)抗的角度來(lái)研究戰(zhàn)爭(zhēng)、理解戰(zhàn)場(chǎng)態(tài)勢(shì)提供了契機(jī).戰(zhàn)場(chǎng)就是一個(gè)涉及各類(lèi)不同作戰(zhàn)單元和戰(zhàn)場(chǎng)環(huán)境的復(fù)雜系統(tǒng),大量的作戰(zhàn)單元和指揮系統(tǒng)之間的聯(lián)系、人員、裝備與戰(zhàn)場(chǎng)環(huán)境之間的聯(lián)系等構(gòu)成了一個(gè)高度復(fù)雜的復(fù)雜網(wǎng)絡(luò);而戰(zhàn)場(chǎng)在推演的過(guò)程中,每時(shí)每刻均有大量的數(shù)據(jù)產(chǎn)生,進(jìn)而構(gòu)成了戰(zhàn)場(chǎng)大數(shù)據(jù);而作為戰(zhàn)場(chǎng)主體的人,只有通過(guò)對(duì)戰(zhàn)場(chǎng)大數(shù)據(jù)、復(fù)雜網(wǎng)絡(luò)的深入理解,才能實(shí)現(xiàn)對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)的理解,進(jìn)而實(shí)現(xiàn)戰(zhàn)場(chǎng)的運(yùn)籌帷幄.隨著戰(zhàn)場(chǎng)數(shù)據(jù)的劇增,人的智能無(wú)疑越來(lái)越難以適應(yīng)戰(zhàn)場(chǎng)態(tài)勢(shì)理解和決策的需要,采用人工智能方法對(duì)研究戰(zhàn)爭(zhēng)進(jìn)程、理解戰(zhàn)場(chǎng)態(tài)勢(shì)和輔助戰(zhàn)場(chǎng)決策具有重要意義.

縱觀人工智能的發(fā)展歷程,人工智能已經(jīng)歷了從2007年深藍(lán)擊敗國(guó)際象棋大師卡斯帕羅夫,到2011年超級(jí)電腦“沃森”在美智力競(jìng)猜節(jié)目中擊敗人類(lèi),到以2012年深度學(xué)習(xí)為基礎(chǔ)的Google貓臉識(shí)別[6],再到AlphaGo戰(zhàn)勝李世石這幾個(gè)里程碑事件,其理論和技術(shù)日益成熟,應(yīng)用領(lǐng)域也不斷擴(kuò)大.根據(jù)米勒法則:人只能考慮7～9個(gè)因素,如果計(jì)算機(jī)能考慮10個(gè)因素以上,其分析能力就超過(guò)人[7].隨著計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展,計(jì)算機(jī)以其強(qiáng)大的運(yùn)算能力、存儲(chǔ)能力使其在未來(lái)的許多應(yīng)用領(lǐng)域有可能勝過(guò)人類(lèi).當(dāng)前人工智能研究的熱點(diǎn)聚焦于深度學(xué)習(xí):深度學(xué)習(xí)的動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò),它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù),其基本原理是通過(guò)組合低層特征形成更加抽象的高層表示屬性類(lèi)別或特征,以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示.深度學(xué)習(xí)已經(jīng)成功應(yīng)用于機(jī)器視覺(jué)、語(yǔ)音識(shí)別和自然語(yǔ)言處理[8],其研究和應(yīng)用已經(jīng)為進(jìn)行戰(zhàn)場(chǎng)態(tài)勢(shì)理解提供了一定條件.

基于深度學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)理解的研究,對(duì)真正實(shí)現(xiàn)有效的作戰(zhàn)輔助決策具有重大意義.戰(zhàn)場(chǎng)作為高度復(fù)雜的系統(tǒng),參戰(zhàn)雙方是不合作、相互對(duì)抗的,個(gè)體或單元獲得的信息是不完全的和不確定的.同時(shí),在戰(zhàn)場(chǎng)態(tài)勢(shì)信息的認(rèn)知過(guò)程中,抽象層次越高,對(duì)態(tài)勢(shì)認(rèn)知就越具有主觀性,直接導(dǎo)致可量化程度越低.為了克服主觀性和不完全信息帶來(lái)的弊端,采用更為客觀的深度學(xué)習(xí),可以挖掘出大數(shù)據(jù)背后包含的隱含特征,全面的抽象到態(tài)勢(shì)理解.通過(guò)模仿人對(duì)事物的認(rèn)知方式,深度學(xué)習(xí)可以在無(wú)監(jiān)督的情況下,不斷對(duì)事物進(jìn)行抽象學(xué)習(xí),一方面通過(guò)逐層抽象、提取特征達(dá)到知識(shí)學(xué)習(xí)的目的,而最大程度上保持?jǐn)?shù)據(jù)的等效性,進(jìn)而可以提取出戰(zhàn)場(chǎng)態(tài)勢(shì)中的關(guān)鍵部分,形成表達(dá)戰(zhàn)場(chǎng)態(tài)勢(shì)的最小集合,進(jìn)而對(duì)戰(zhàn)場(chǎng)數(shù)據(jù)進(jìn)行有效過(guò)濾,提高態(tài)勢(shì)理解的效率;另一方面,通過(guò)計(jì)算機(jī)對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)的累積學(xué)習(xí),可以逐步形成戰(zhàn)場(chǎng)態(tài)勢(shì)的理解,進(jìn)而對(duì)實(shí)時(shí)的戰(zhàn)場(chǎng)信息形成人工智能認(rèn)知,為指揮員提供輔助決策,提高指揮員的作戰(zhàn)指揮決策速度和準(zhǔn)確性.因此,基于深度學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)理解的研究,對(duì)真正實(shí)現(xiàn)有效的作戰(zhàn)輔助決策具有重大意義.

1 態(tài)勢(shì)理解方案及設(shè)計(jì)流程

以體系對(duì)抗、戰(zhàn)爭(zhēng)復(fù)雜系統(tǒng)思想為指導(dǎo),系統(tǒng)地研究聯(lián)合作戰(zhàn)條件下戰(zhàn)場(chǎng)態(tài)勢(shì)理解問(wèn)題,深入剖析指揮員對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)理解的過(guò)程,探索深度學(xué)習(xí)網(wǎng)絡(luò)的特征提取和抽象機(jī)理,探討初步的無(wú)監(jiān)督態(tài)勢(shì)分析構(gòu)想,通過(guò)建立復(fù)合架構(gòu)的多層神經(jīng)網(wǎng)絡(luò),基于多次聯(lián)合作戰(zhàn)條件下的兵棋演習(xí)數(shù)據(jù)進(jìn)行深度學(xué)習(xí)訓(xùn)練,實(shí)現(xiàn)戰(zhàn)場(chǎng)態(tài)勢(shì)的無(wú)監(jiān)督逐步理解,構(gòu)建態(tài)勢(shì)理解系統(tǒng)平臺(tái),對(duì)現(xiàn)有兵棋系統(tǒng)進(jìn)行功能擴(kuò)展.

1.1 態(tài)勢(shì)理解目標(biāo)的分層設(shè)計(jì)

模擬指揮員對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)理解的過(guò)程來(lái)設(shè)計(jì)分層無(wú)監(jiān)督學(xué)習(xí)的態(tài)勢(shì)理解目標(biāo),使得分層目標(biāo)需要符合人腦認(rèn)知的過(guò)程,也便于構(gòu)建相應(yīng)的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)其進(jìn)行實(shí)現(xiàn).

將態(tài)勢(shì)的理解目標(biāo)分為3個(gè)層面,如圖1所示,第1個(gè)層面是理解作戰(zhàn)實(shí)體屬性、作戰(zhàn)實(shí)體狀態(tài)和作戰(zhàn)環(huán)境;第2個(gè)層面是理解作戰(zhàn)實(shí)體的動(dòng)態(tài)關(guān)系;第3個(gè)層面是理解作戰(zhàn)實(shí)體的能力變化和行為趨勢(shì).這樣易于實(shí)現(xiàn)態(tài)勢(shì)理解這一復(fù)雜、困難的任務(wù),也便于構(gòu)建復(fù)合架構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò).

1.2 態(tài)勢(shì)理解的深度學(xué)習(xí)機(jī)理研究

人的大腦有無(wú)數(shù)神經(jīng)元進(jìn)行數(shù)據(jù)交換和處理.在目前計(jì)算機(jī)達(dá)不到同等處理能力的條件下,準(zhǔn)備分階段進(jìn)行,構(gòu)建多層神經(jīng)網(wǎng)絡(luò)對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)淺層(易理解)信息先進(jìn)行學(xué)習(xí),隨著研究的深入,逐步去挖掘其隱含的深層信息.通過(guò)大量的學(xué)習(xí)實(shí)驗(yàn)來(lái)縮小識(shí)別的誤差,研究在每一層隱含層輸出的可理解特征,結(jié)合指揮員的經(jīng)驗(yàn)來(lái)重新規(guī)劃設(shè)計(jì)深層學(xué)習(xí)網(wǎng)絡(luò),以提升每一層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)抽象的效果.

人的經(jīng)驗(yàn)來(lái)源于工作生活中無(wú)時(shí)無(wú)刻的學(xué)習(xí),新的信息和經(jīng)驗(yàn)不斷地存儲(chǔ)在大腦中,而利用大量數(shù)據(jù)樣本不斷地深度學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò),進(jìn)行訓(xùn)練就是模擬態(tài)勢(shì)理解過(guò)程.為了使得對(duì)大規(guī)模的多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果得以保存,實(shí)現(xiàn)學(xué)習(xí)經(jīng)驗(yàn)的不斷累積,利用復(fù)雜網(wǎng)絡(luò)理論,構(gòu)建相應(yīng)的權(quán)重系數(shù)矩陣,將每一輪成功訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)顯層和隱含層之間的權(quán)重系數(shù)保存.整個(gè)態(tài)勢(shì)理解的機(jī)器學(xué)習(xí)模擬過(guò)程如圖2所示.

在構(gòu)建面向態(tài)勢(shì)理解的深度學(xué)習(xí)模型過(guò)程中,需要考慮到深度學(xué)習(xí)模型效率的問(wèn)題.一方面在深入分析深度學(xué)習(xí)機(jī)理的基礎(chǔ)上研究加快神經(jīng)元處理速度的方案,另一方面結(jié)合不同的認(rèn)知模式,研究相應(yīng)認(rèn)知模式的數(shù)學(xué)模型,并將其融入深度學(xué)習(xí)模型,從而得到面向態(tài)勢(shì)理解的深度學(xué)習(xí)模型.

我們采用了條件反射來(lái)進(jìn)行強(qiáng)化學(xué)習(xí),其過(guò)程可以由如下等式表示:

其中w ij表示神經(jīng)元j到神經(jīng)元i的連接權(quán),y i與y j為兩個(gè)神經(jīng)元的輸出,α是表示學(xué)習(xí)速度的常數(shù).若y i與y j同時(shí)被激活,即y i與y j同時(shí)為正,那么w ij將增大.若yi被激活,而y j處于抑制狀態(tài),即y i為正y j為負(fù),那么w ij將變小.通過(guò)將該學(xué)習(xí)方式融入到深度神經(jīng)網(wǎng)絡(luò),即可使得機(jī)器具備強(qiáng)化學(xué)習(xí)的能力.

1.3 復(fù)合架構(gòu)深度學(xué)習(xí)模型的構(gòu)建

戰(zhàn)場(chǎng)態(tài)勢(shì)理解的復(fù)雜性和效率要求,決定了單一的學(xué)習(xí)模型難以滿足需求,本文構(gòu)建了復(fù)合架構(gòu)的深度學(xué)習(xí)模型.以分層態(tài)勢(shì)理解目標(biāo)為指導(dǎo),通過(guò)對(duì)戰(zhàn)場(chǎng)中基本作戰(zhàn)單元實(shí)體的學(xué)習(xí),可以建立不同作戰(zhàn)單元的基本實(shí)體模板;進(jìn)一步,對(duì)不同作戰(zhàn)單元的基本實(shí)體模板,通過(guò)學(xué)習(xí)其特定時(shí)間段中時(shí)序狀態(tài)信息,則可以構(gòu)建作戰(zhàn)單元的動(dòng)態(tài)關(guān)系模板;再者,對(duì)某一作戰(zhàn)單元特定時(shí)間段的時(shí)序動(dòng)作進(jìn)行學(xué)習(xí),即可識(shí)別出作戰(zhàn)單元的行為意圖,從而構(gòu)建出行為模板.通過(guò)上述學(xué)習(xí),則構(gòu)建了戰(zhàn)場(chǎng)態(tài)勢(shì)的主要基本模版.

以戰(zhàn)場(chǎng)態(tài)勢(shì)中不同類(lèi)別的基本單元模板的深度學(xué)習(xí)模型為基礎(chǔ),構(gòu)建復(fù)合架構(gòu)的多層神經(jīng)網(wǎng)絡(luò)模型.以戰(zhàn)場(chǎng)基本單元的深度學(xué)習(xí)模型為主題,以作戰(zhàn)單元之間聯(lián)系的深度學(xué)習(xí)模型為基本聯(lián)系,結(jié)合戰(zhàn)場(chǎng)環(huán)境的深度學(xué)習(xí)模型,進(jìn)行模型的融合,生成面向態(tài)勢(shì)理解的基于復(fù)雜網(wǎng)絡(luò)的深度學(xué)習(xí)模型,以實(shí)時(shí)感知戰(zhàn)場(chǎng)態(tài)勢(shì).

1.4 分層次的態(tài)勢(shì)理解的檢驗(yàn)與優(yōu)化

從歷次兵棋演習(xí)數(shù)據(jù)中選取具有一系列由時(shí)序數(shù)據(jù)組成的典型意義態(tài)勢(shì),利用這一系列典型態(tài)勢(shì)信息構(gòu)建成測(cè)試態(tài)勢(shì)集,對(duì)復(fù)合架構(gòu)的多層神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試,以評(píng)判學(xué)習(xí)的效果,與數(shù)據(jù)對(duì)比對(duì)學(xué)習(xí)過(guò)程改進(jìn)優(yōu)化,實(shí)現(xiàn)對(duì)態(tài)勢(shì)理解系統(tǒng)平臺(tái)的檢驗(yàn)與優(yōu)化,其具體步驟如下:

對(duì)多層神經(jīng)網(wǎng)絡(luò)中高層隱含層特征進(jìn)行逐層分析,提取出無(wú)監(jiān)督學(xué)習(xí)抽象得出的特征,并進(jìn)行特征還原,將這些特征還原成人能夠理解的方式,與對(duì)應(yīng)的戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析.需要說(shuō)明的是,態(tài)勢(shì)數(shù)據(jù)架構(gòu)復(fù)雜且數(shù)量巨大(一個(gè)對(duì)抗時(shí)段的數(shù)據(jù)就高達(dá)數(shù)十G),以目前的軟硬件計(jì)算能力,無(wú)法完成深度學(xué)習(xí)的處理.因此,為更好地完成態(tài)勢(shì)理解原型系統(tǒng)平臺(tái)的測(cè)試,選取一個(gè)具有代表性的態(tài)勢(shì)理解過(guò)程來(lái)進(jìn)行態(tài)勢(shì)理解的檢驗(yàn)與優(yōu)化:首先進(jìn)行雙方作戰(zhàn)單元部署的理解,進(jìn)而完成各作戰(zhàn)單元之間關(guān)系的理解,最后實(shí)現(xiàn)雙方之間態(tài)勢(shì)優(yōu)劣的理解.分層次態(tài)勢(shì)理解的檢驗(yàn)與優(yōu)化流程見(jiàn)圖4,對(duì)演習(xí)數(shù)據(jù)進(jìn)行抽取后進(jìn)行深度學(xué)習(xí),提取多層神經(jīng)網(wǎng)絡(luò)隱含層的特征,還原特征與實(shí)際態(tài)勢(shì)進(jìn)行關(guān)聯(lián)分析,得出逐層的特征理解,將態(tài)勢(shì)理解的結(jié)果與演習(xí)實(shí)際數(shù)據(jù)進(jìn)行數(shù)據(jù)比對(duì),將比對(duì)結(jié)果通過(guò)仿真、實(shí)驗(yàn)進(jìn)行反饋調(diào)整,通過(guò)反復(fù)的數(shù)據(jù)實(shí)驗(yàn),對(duì)分層特征分析的結(jié)果進(jìn)行優(yōu)化,提升態(tài)勢(shì)理解原型系統(tǒng)平臺(tái)學(xué)習(xí)理解的效果.

2 仿真與實(shí)驗(yàn)

仿真平臺(tái)使用的是Python,因兵棋演習(xí)數(shù)據(jù)包含大量結(jié)構(gòu)、非結(jié)構(gòu)化數(shù)據(jù),為便于開(kāi)展實(shí)驗(yàn),抽取了部分演習(xí)數(shù)據(jù),進(jìn)行了數(shù)據(jù)轉(zhuǎn)換和實(shí)驗(yàn)重構(gòu),如圖5所示,仿真用實(shí)驗(yàn)數(shù)據(jù)格式如下:

?000000005000001//前10位為作戰(zhàn)單元標(biāo)識(shí)號(hào),后5位標(biāo)識(shí)紅方、藍(lán)方;

?080034079000022//前面3個(gè)3位分別是人員數(shù)、武器數(shù)、彈藥數(shù),后6位為戰(zhàn)斗力值;

?006550037000084//3個(gè)5位分別是地理位置的經(jīng)度、緯度、高度;

?000000000400000//前10位為地形類(lèi)型,后5位為其他屬性秒速.

作戰(zhàn)單元聚類(lèi):

采用K-均值聚類(lèi)算法對(duì)生成的1000個(gè)作戰(zhàn)單元實(shí)體進(jìn)行聚類(lèi)分析,以從地理上識(shí)別可能處于對(duì)戰(zhàn)關(guān)系的實(shí)體集合.

作戰(zhàn)聚類(lèi)態(tài)勢(shì)分類(lèi):

經(jīng)過(guò)上述處理,對(duì)樣本空間的數(shù)據(jù)進(jìn)行聚類(lèi)后得到小聚類(lèi),采用改進(jìn)RBM算法對(duì)其進(jìn)行無(wú)監(jiān)督訓(xùn)練,然后按照步驟1～3生成測(cè)試數(shù)據(jù),進(jìn)行5次實(shí)驗(yàn)(態(tài)勢(shì)復(fù)雜度依次上升),每次進(jìn)行10組態(tài)勢(shì)測(cè)試.同時(shí),由人工(專(zhuān)家)根據(jù)測(cè)試數(shù)據(jù)給出戰(zhàn)場(chǎng)態(tài)勢(shì)優(yōu)劣的評(píng)價(jià)標(biāo)準(zhǔn),對(duì)比改進(jìn)RBM識(shí)別結(jié)果和專(zhuān)家評(píng)判結(jié)果,如圖6所示.

通過(guò)對(duì)隱含層的數(shù)據(jù)進(jìn)行識(shí)別發(fā)現(xiàn),改進(jìn)RBM能夠一定程度上識(shí)別出數(shù)據(jù)中帶有的比較關(guān)系,如圖7中第2列為戰(zhàn)斗力指數(shù),成為算法自動(dòng)組織關(guān)系網(wǎng)絡(luò)的依據(jù):

3 結(jié)論

面對(duì)全維戰(zhàn)場(chǎng)和海量數(shù)據(jù),研究基于深度學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)理解問(wèn)題對(duì)作戰(zhàn)輔助決策具有重要意義.本文圍繞著作戰(zhàn)態(tài)勢(shì)問(wèn)題,從體系對(duì)抗性和戰(zhàn)爭(zhēng)復(fù)雜性角度出發(fā),系統(tǒng)研究聯(lián)合作戰(zhàn)條件下戰(zhàn)場(chǎng)態(tài)勢(shì)理解,通過(guò)模仿指揮員理解態(tài)勢(shì)的模式,初步建立復(fù)合架構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò),基于兵棋演習(xí)數(shù)據(jù),實(shí)現(xiàn)了初步的戰(zhàn)場(chǎng)態(tài)勢(shì)優(yōu)劣判別,有助于態(tài)勢(shì)理解問(wèn)題的進(jìn)一步研究.目前我們所進(jìn)行和即將進(jìn)行的研究如下:

1)以體系對(duì)抗的思想為指導(dǎo),從復(fù)雜網(wǎng)絡(luò)、大數(shù)據(jù)和深度學(xué)習(xí)的角度研究聯(lián)合作戰(zhàn),提出戰(zhàn)場(chǎng)態(tài)勢(shì)理解的智能輔助方案;

2)對(duì)人認(rèn)知和深度學(xué)習(xí)原理進(jìn)行深入研究,探索深度學(xué)習(xí)網(wǎng)絡(luò)的特征提取和知識(shí)抽象機(jī)理,構(gòu)建具有復(fù)合架構(gòu)的多層神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)大數(shù)據(jù)的無(wú)監(jiān)督學(xué)習(xí);

3)設(shè)計(jì)無(wú)監(jiān)督學(xué)習(xí)獲取的特征還原機(jī)制,將特征與對(duì)應(yīng)戰(zhàn)場(chǎng)態(tài)勢(shì)進(jìn)行關(guān)聯(lián)分析,形成逐層的戰(zhàn)場(chǎng)態(tài)勢(shì)特征理解,將態(tài)勢(shì)理解與演習(xí)數(shù)據(jù)進(jìn)行科學(xué)比對(duì),通過(guò)仿真、實(shí)驗(yàn)進(jìn)行反饋調(diào)整,實(shí)現(xiàn)態(tài)勢(shì)理解的過(guò)程和結(jié)果優(yōu)化.

1 淦文燕,李德毅,王建民.一種基于數(shù)據(jù)場(chǎng)的層次聚類(lèi)方法[J].通信學(xué)報(bào),2006,34(2):258?262.

2 楊靜.基于數(shù)據(jù)場(chǎng)的密度聚類(lèi)算法研究[D].太原:山西大學(xué),2013.

3 嚴(yán)家德,金蓮姬,王巍巍,等.第二代自動(dòng)氣象站不同氣溫觀測(cè)系統(tǒng)數(shù)據(jù)對(duì)比分析[J].氣象科學(xué),2014,34(1):60?65.

4 李赟,劉鋼,老松楊.戰(zhàn)場(chǎng)態(tài)勢(shì)及態(tài)勢(shì)估計(jì)的新見(jiàn)解[J].火力與指揮控制,2012,37(9):1669?1677.

5 胡曉峰,楊靜.基于數(shù)據(jù)場(chǎng)的密度聚類(lèi)算法研究[M].北京:國(guó)防大學(xué)出版社,2012.

6 LE Q V,RANZATO M A,MONGA R,et al.Building high-level features using large scale unsupervised learning[C]//The 29’th International Conference on Machine Learning,Edinburgh,Scotland,UK,2012.

7 陸明濤.魔法數(shù)字7:米勒法則的行為經(jīng)濟(jì)學(xué)分析[J].重慶工商大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2011,28(1):23?27.

8 L?NGKVIST M,KARLSSON L,LOUTFI A.A review of unsupervised feature learning and deep learning for time-series modeling[J].Pattern Recognition Letters,2014,42(1):11?24.