姚慶鍇 柳少軍 賀筱媛 歐微

戰(zhàn)場目標(biāo)作戰(zhàn)意圖識別(以下簡稱意圖識別)一直以來都是各級指揮員關(guān)注的重點(diǎn),是決定下一步作戰(zhàn)行動(dòng)的基本依據(jù).隨著信息化戰(zhàn)爭的發(fā)展,復(fù)雜戰(zhàn)場體系對抗與信息不對稱等特征不斷涌現(xiàn),指揮員在進(jìn)行意圖識別過程中正面臨新的挑戰(zhàn):首先,模塊化編組的作戰(zhàn)單元數(shù)量劇增,指揮員逐一分析并確定各目標(biāo)作戰(zhàn)意圖工作量巨大,以致難以全面準(zhǔn)確把握戰(zhàn)場態(tài)勢;其次,信息技術(shù)的不斷發(fā)展使戰(zhàn)場態(tài)勢演變速度不斷加快,單純依靠人工識別敵方意圖將嚴(yán)重影響我方響應(yīng)時(shí)間,降低作戰(zhàn)效率;最后,面對海量不完整、不及時(shí)和不準(zhǔn)確的,甚至是錯(cuò)誤的或者帶有欺騙性的戰(zhàn)場信息,指揮員難以分析其中隱藏的關(guān)鍵態(tài)勢.因此,迫切需要突破傳統(tǒng)技術(shù)探索研究面向大數(shù)據(jù)的智能化推理方法.

本文概述了傳統(tǒng)意圖識別方法和基于深度學(xué)習(xí)的意圖識別方法的研究現(xiàn)狀,并對基于深度學(xué)習(xí)的意圖識別方法研究進(jìn)行了展望.

1 意圖識別問題研究現(xiàn)狀

1.1 意圖識別相關(guān)概念

意圖識別是指通過對各種戰(zhàn)場傳感器感知的信息進(jìn)行分析,從而判斷、預(yù)測或解釋敵方的作戰(zhàn)設(shè)想、作戰(zhàn)打算、作戰(zhàn)計(jì)劃[1].意圖具有抽象性、對抗性、穩(wěn)定性、欺騙性等特點(diǎn)[2].抽象性表現(xiàn)在意圖往往“只可意會,不可言傳”,是指揮員根據(jù)戰(zhàn)場態(tài)勢,綜合分析目標(biāo)作戰(zhàn)任務(wù)、作戰(zhàn)計(jì)劃、作戰(zhàn)目的得出的抽象概念,不同的指揮員對意圖的判斷和認(rèn)知程度不盡相同.對抗性表現(xiàn)在兩個(gè)方面:一是意圖的形成是建立在對敵我雙方作戰(zhàn)目的、優(yōu)劣勢的綜合考量的基礎(chǔ)上,此消彼長,互為對抗;二是意圖的實(shí)現(xiàn)要經(jīng)過激烈的戰(zhàn)斗對抗,沒有達(dá)成意圖的一方將付出慘重代價(jià).穩(wěn)定性表現(xiàn)在意圖一旦確立就不會輕易更改,為達(dá)成目標(biāo)的作戰(zhàn)目的就要保持意圖在時(shí)間上的持續(xù)性.欺騙性表現(xiàn)在作戰(zhàn)雙方都盡可能地隱蔽己方作戰(zhàn)意圖,甚至制造具有欺騙性的假象來迷惑對方.

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、戰(zhàn)術(shù)意圖識別.由于空中目標(biāo)意圖識別是空中戰(zhàn)術(shù)格斗的重點(diǎn)內(nèi)容,空戰(zhàn)場戰(zhàn)術(shù)意圖識別是近年來研究的熱門領(lǐng)域.

戰(zhàn)術(shù)意圖識別的流程如圖1所示,從戰(zhàn)場態(tài)勢和戰(zhàn)場情報(bào)信息中抽取與意圖相關(guān)的特征信息,再對特征信息進(jìn)行綜合分析,進(jìn)而得出目標(biāo)的作戰(zhàn)意圖.

1.2 意圖識別研究方法

總結(jié)意圖識別問題研究方法,大致可以分為以下幾類:

1.2.1 基于模板匹配的意圖識別方法

首先依據(jù)軍事專家總結(jié)的戰(zhàn)爭經(jīng)驗(yàn)建立模板庫,模板是某些重要戰(zhàn)場態(tài)勢(如兵力配置、組織結(jié)構(gòu)、事件順序等)的先驗(yàn)?zāi)Ｐ?然后根據(jù)敵方實(shí)際行動(dòng)提取出態(tài)勢特征信息;最后通過最大相似度、D-S證據(jù)理論等方法推理特征信息與模板匹配程度,匹配程度最大的模板即為識別結(jié)果.

Gw.Hopple等人的戰(zhàn)場情報(bào)準(zhǔn)備系統(tǒng)(IPB)與David.F.Noble的基于計(jì)劃模板的海戰(zhàn)應(yīng)用態(tài)勢估計(jì)目標(biāo)意圖識別系統(tǒng)都是采用模板匹配的方法進(jìn)行意圖識別的.文獻(xiàn)[3]在模板匹配方法的基礎(chǔ)上引入了不確定性推理方法,提高了模板匹配率.文獻(xiàn)[4]認(rèn)為戰(zhàn)術(shù)計(jì)劃識別(Tactical Plan Recognition,TPR)屬于意圖識別問題,可以描述為“觀察與計(jì)劃庫匹配”的問題.總的來說,模板匹配的方法符合人類認(rèn)知規(guī)律,比較容易實(shí)現(xiàn),適用于意圖范疇較為明確的戰(zhàn)術(shù)意圖識別,但這種方法將戰(zhàn)場態(tài)勢機(jī)械地割裂開來,沒有考慮意圖的隱蔽性和欺騙性,同時(shí),模板庫的建立要依賴于領(lǐng)域?qū)＜蚁闰?yàn)知識的獲取,客觀性、可信性難以保證,模板庫的更新也存在困難.

1.2.2 基于專家系統(tǒng)的意圖識別方法

專家系統(tǒng)的知識表示采用基于規(guī)則的方法.利用規(guī)則來描述知識,通常包括兩個(gè)組成部分:第1部分為條件,即可能出現(xiàn)的戰(zhàn)場態(tài)勢;第2部分是結(jié)果,也就是目標(biāo)的意圖.如果條件與已知的事實(shí)相匹配,則輸出意圖識別結(jié)果.基于規(guī)則的意圖識別模型需要構(gòu)建知識庫和推理機(jī),知識庫由領(lǐng)域?qū)＜医o出,可進(jìn)行擴(kuò)展和完善;推理機(jī)可以采取多種推理方法相結(jié)合的方式實(shí)現(xiàn).

文獻(xiàn)[5]將基于專家系統(tǒng)的直覺模糊產(chǎn)生式規(guī)則推理方法與多屬性決策方法相結(jié)合,既避免了因戰(zhàn)場信息過多導(dǎo)致專家知識“組合爆炸”的問題,同時(shí)保證了系統(tǒng)的計(jì)算速度.雖然專家系統(tǒng)具有很強(qiáng)的知識表達(dá)和知識推理能力,但由于需要抽象出完備的知識庫和推理規(guī)則,它的實(shí)現(xiàn)難度很大,且容錯(cuò)能力、學(xué)習(xí)能力不強(qiáng),特別是面對復(fù)雜的信息化戰(zhàn)場,單純依靠機(jī)械式的推理規(guī)則,是難以概括戰(zhàn)場復(fù)雜演變規(guī)律的.

1.2.3 基于貝葉斯網(wǎng)絡(luò)的意圖識別方法

貝葉斯網(wǎng)絡(luò)起源于貝葉斯定理,是概率論與圖論相結(jié)合的產(chǎn)物,在解決不確定推理問題中得到了廣泛應(yīng)用[6].在進(jìn)行意圖的不確定推理時(shí)主要采取以下步驟:首先根據(jù)戰(zhàn)場實(shí)際情況構(gòu)建貝葉斯網(wǎng)絡(luò),該網(wǎng)絡(luò)是有向無環(huán)圖,節(jié)點(diǎn)為戰(zhàn)場事件及其狀態(tài),有向弧代表事件轉(zhuǎn)移關(guān)系;然后確定網(wǎng)絡(luò)參數(shù),對沒有父節(jié)點(diǎn)的頂層事件確定先驗(yàn)概率,對有父節(jié)點(diǎn)的事件給出條件概率,參數(shù)由軍事專家給出;最后,通過對不斷到來的新事件進(jìn)行檢測,其影響通過后向傳播對網(wǎng)絡(luò)參數(shù)進(jìn)行更新,直到某個(gè)意圖假設(shè)超過了預(yù)先設(shè)定的閾值,該意圖即為識別結(jié)果.

文獻(xiàn)[7?9]對貝葉斯網(wǎng)絡(luò)算法進(jìn)行了改進(jìn),使其能夠適應(yīng)戰(zhàn)場事件的動(dòng)態(tài)變化.貝葉斯網(wǎng)絡(luò)具有很強(qiáng)的因果概率推理能力,使得它成為意圖識別的主流研究方法,它可以通過網(wǎng)絡(luò)參數(shù)的不斷更新,動(dòng)態(tài)地適應(yīng)戰(zhàn)場變化,解決了意圖的不確定性推理問題.但貝葉斯網(wǎng)絡(luò)對復(fù)雜戰(zhàn)場的適應(yīng)能力還不足以處理對抗性意圖的欺騙行為.各節(jié)點(diǎn)事件的先驗(yàn)概率與條件概率的確定也存在一定困難.

1.2.4 基于神經(jīng)網(wǎng)絡(luò)的意圖識別方法

這種方法旨在訓(xùn)練具有分類功能的意圖識別神經(jīng)網(wǎng)絡(luò),抽取與意圖相關(guān)聯(lián)的戰(zhàn)場態(tài)勢信息,經(jīng)過數(shù)據(jù)預(yù)處理,形成網(wǎng)絡(luò)可識別的態(tài)勢特征向量,將特征向量輸入網(wǎng)絡(luò)解算,直接得到意圖識別結(jié)果.

文獻(xiàn)[10]對空襲目標(biāo)航向角與高度系數(shù)進(jìn)行量化,分別構(gòu)建隸屬度函數(shù),采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理方法進(jìn)行量化分析,并對結(jié)果可靠性進(jìn)行了驗(yàn)證.文獻(xiàn)[11]將RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)的方法用于空中目標(biāo)識別.神經(jīng)網(wǎng)絡(luò)方法比較接近人類思維模式,具有一定自學(xué)習(xí)能力,可以模擬指揮員的聯(lián)想、記憶、類比、直覺、歸納、學(xué)習(xí)等思維過程,不需要組織大量的產(chǎn)生式規(guī)則,能較好地克服傳統(tǒng)智能方法的知識獲取“瓶頸”,但傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)訓(xùn)練困難、特征提取難度大和計(jì)算精度低等不足,同時(shí)識別結(jié)果受分類系統(tǒng)泛化能力影響較大.

1.2.5 基于深度學(xué)習(xí)的意圖識別方法

深度學(xué)習(xí)是具有多隱含層的人工神經(jīng)網(wǎng)絡(luò),具有優(yōu)異的數(shù)據(jù)特征學(xué)習(xí)能力,能夠?qū)W習(xí)到隱藏在數(shù)據(jù)之中的本質(zhì)特征,較好地克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)特征提取能力不強(qiáng)、易陷入局部極值和多層網(wǎng)絡(luò)訓(xùn)練困難等局限.深度學(xué)習(xí)包含多種模型框架:自編碼器(Self Auto-Encoder,SAE)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[12]、長短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory,LSTM)[13]、生成對抗網(wǎng)絡(luò)(Generate Adversarial Network,GAN)[14]等,其中LSTM可以實(shí)現(xiàn)時(shí)序特征的記憶,對解決意圖識別時(shí)序性問題具有很大幫助,GAN可以生成大量對抗樣本,可用于解決意圖識別訓(xùn)練樣本不足的問題.

文獻(xiàn)[15]認(rèn)為深度學(xué)習(xí)方法在模式識別領(lǐng)域?qū)l(fā)揮重要作用,在對現(xiàn)有的全自動(dòng)區(qū)分計(jì)算機(jī)和人的圖靈測試(Completely Automated Public Turing Test to Tell Computers and Humans Apart,CAPTCHA)識別方法進(jìn)行總結(jié)的基礎(chǔ)上,提出了基于LSTM的CAPTCHA識別方法,在與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型的實(shí)驗(yàn)對比中取得了較好的識別率.文獻(xiàn)[16]提出了一種面向目標(biāo)意圖識別的深度學(xué)習(xí)模型,該模型基于棧式自編碼器(SAE)算法,采用無監(jiān)督預(yù)訓(xùn)練和有監(jiān)督訓(xùn)練相結(jié)合的方式,實(shí)現(xiàn)對目標(biāo)戰(zhàn)術(shù)意圖的智能識別.

從國內(nèi)外公開發(fā)表的文獻(xiàn)中可以看出,深度學(xué)習(xí)理論及其在各個(gè)領(lǐng)域的應(yīng)用取得了重要進(jìn)展,外軍已經(jīng)非常重視將深度學(xué)習(xí)的理論方法應(yīng)用于軍事領(lǐng)域,并且進(jìn)行前瞻性探索和研究,取得了豐碩的成果,我軍的研究仍處于起步階段,基于深度學(xué)習(xí)的意圖識別問題研究雖然還僅限于戰(zhàn)術(shù)意圖層面,但從長遠(yuǎn)來看,深度學(xué)習(xí)方法在復(fù)雜戰(zhàn)場態(tài)勢智能認(rèn)知上有非常大的技術(shù)優(yōu)勢,在解決戰(zhàn)略戰(zhàn)役層面的意圖識別問題上具有很大的探索空間和應(yīng)用前景.

1.3 意圖識別研究需要解決的問題

現(xiàn)有的意圖識別研究方法主要著眼于解決戰(zhàn)術(shù)層次的意圖識別問題,在對空中及海上目標(biāo)的意圖識別問題上取得了突破,在戰(zhàn)場關(guān)鍵特征的提取、專家知識的應(yīng)用以及意圖空間的構(gòu)建上具有借鑒意義,但仍然存在一些不足,主要表現(xiàn)在:

1)意圖識別層次問題.識別敵方意圖可以體現(xiàn)在戰(zhàn)略、戰(zhàn)役或戰(zhàn)術(shù)層次,由于戰(zhàn)役戰(zhàn)略層次意圖識別主要體現(xiàn)為一個(gè)純主觀分析過程,當(dāng)前對意圖識別的研究主要集中在戰(zhàn)術(shù)層面,戰(zhàn)略戰(zhàn)役層次上的研究不夠,但戰(zhàn)略戰(zhàn)役層次的意圖往往是高級指揮員關(guān)注的重點(diǎn),一種解決辦法是將戰(zhàn)略戰(zhàn)役意圖識別視為底層戰(zhàn)術(shù)意圖的一種概念聚合過程,先通過戰(zhàn)場態(tài)勢特征(如實(shí)體屬性、實(shí)體能力、航行軌跡等)識別出敵方戰(zhàn)術(shù)意圖(如攻擊、偵察、巡邏、撤退等),形成局部戰(zhàn)場敵方意圖概念集合,再對概念集合進(jìn)行分析抽象,完成對敵戰(zhàn)略戰(zhàn)役意圖識別.

2)先驗(yàn)知識的應(yīng)用問題.當(dāng)前關(guān)于意圖識別的主要研究都基于先驗(yàn)知識對當(dāng)前戰(zhàn)場態(tài)勢的匹配、推理、判斷,進(jìn)而得出識別結(jié)果,現(xiàn)有的方法過于依賴先驗(yàn)知識,而知識獲取和知識表示非常困難.先驗(yàn)知識決定了意圖識別的可信度,從現(xiàn)有的研究來看,先驗(yàn)知識的來源一般有兩個(gè),一是通過領(lǐng)域?qū)＜医o出相關(guān)知識建立知識庫,這種先驗(yàn)知識受人主觀影響較大,知識庫的更新維護(hù)存在較大困難;二是通過戰(zhàn)場目標(biāo)行為規(guī)則建立規(guī)則庫,這種方式無法解釋意圖的欺騙性,往往不能適應(yīng)復(fù)雜多變的戰(zhàn)場.意圖識別是一個(gè)復(fù)雜的認(rèn)知過程,同人類認(rèn)識規(guī)律一樣,系統(tǒng)在進(jìn)行意圖識別過程中應(yīng)以自主式學(xué)習(xí)為主,先驗(yàn)知識應(yīng)起分類、校驗(yàn)、規(guī)范等輔助作用,同時(shí)可以將自主學(xué)習(xí)獲取的知識與先驗(yàn)知識進(jìn)行融合,實(shí)現(xiàn)知識庫的自主.

3)意圖識別的時(shí)序性問題.意圖識別是一個(gè)半結(jié)構(gòu)化問題,其輸入信息通常是不完整的、模糊的、帶有欺騙性的,如果不考慮時(shí)序性,就不能有效描述和利用戰(zhàn)場態(tài)勢信息中的時(shí)序特征和前后邏輯關(guān)系,因此,對敵意圖識別必須考慮時(shí)序性,同時(shí)應(yīng)該是在限定時(shí)間范圍內(nèi)的持續(xù)識別,沒有充分的識別時(shí)間,就不足以判斷敵方意圖,識別時(shí)間持續(xù)過長,又影響指揮員的決策,降低指揮決策效率.當(dāng)前的許多研究很少考慮意圖的時(shí)序性特征,大部分僅依賴當(dāng)前態(tài)勢特征對意圖進(jìn)行推斷,少部分考慮了新的戰(zhàn)場態(tài)勢對以往判斷的影響,但同時(shí)又忽視了以往態(tài)勢特征的價(jià)值.因此,意圖識別既要考慮時(shí)效問題,同時(shí)還要綜合分析運(yùn)用長期和短期內(nèi)戰(zhàn)場態(tài)勢特征.

2 基于深度學(xué)習(xí)的意圖識別展望

深度學(xué)習(xí)技術(shù)的發(fā)展為意圖識別問題提供了新的解決途徑.通過構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò),模擬指揮員的認(rèn)知模式和推理過程,讓深層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)指揮員的決策經(jīng)驗(yàn),使其像指揮員一樣去“思考”,對于提高意圖識別的智能性、實(shí)時(shí)性與科學(xué)性,具有顯著的理論和實(shí)踐價(jià)值.構(gòu)建基于深度學(xué)習(xí)的意圖識別模型如圖2所示,要注意解決以下3個(gè)問題:

2.1 深度學(xué)習(xí)樣本集的構(gòu)建

深度學(xué)習(xí)的基礎(chǔ)是大數(shù)據(jù)樣本,構(gòu)建可供深度學(xué)習(xí)利用的樣本集一般需要解決3個(gè)實(shí)際問題:1)大數(shù)據(jù)樣本的獲取.獲取數(shù)據(jù)主要有3種渠道:①實(shí)際戰(zhàn)場或演習(xí)過程中傳感器接收的真實(shí)戰(zhàn)場數(shù)據(jù);②從人在回路的仿真推演中產(chǎn)生的仿真數(shù)據(jù);③利用作戰(zhàn)模擬系統(tǒng),針對研究需要,采取數(shù)據(jù)耕耘的方式,生成數(shù)據(jù)樣本.2)深度學(xué)習(xí)樣本特征信息維度的控制.深度學(xué)習(xí)的優(yōu)勢在于對高維的信息進(jìn)行抽象,從而獲取有價(jià)值的數(shù)據(jù)特征,但樣本特征信息維度要控制在合理的范圍內(nèi),雖然樣本信息維度越高,其表征的戰(zhàn)場態(tài)勢信息就越完備,但如果維度過高,對應(yīng)的編碼會非常長,導(dǎo)致模型收斂速度緩慢,消耗大量的時(shí)間和空間資源,嚴(yán)重影響算法效率;樣本信息維度過低,雖然降低了算法的時(shí)間和空間復(fù)雜度,但又難以有效描述樣本特征信息對意圖識別結(jié)果產(chǎn)生的影響.因此,需要在描述的完備性和模型運(yùn)行效率之間進(jìn)行取舍,以有效控制樣本特征信息維度.3)特征信息的編碼與標(biāo)準(zhǔn)化處理.特征信息不能直接作為模型的輸入,要采取有效的編碼方法對其進(jìn)行編碼,形成統(tǒng)一規(guī)范的數(shù)據(jù)格式.因?yàn)樘卣餍畔⒏骶S度的屬性不同,需要對編碼后的特征信息進(jìn)行標(biāo)準(zhǔn)化處理,使模型真正“讀得懂”、“學(xué)得快”、“用得好”.

2.2 意圖空間構(gòu)建與知識標(biāo)簽生成

意圖空間即待識別目標(biāo)所有可能的作戰(zhàn)意圖所構(gòu)成的集合,它與智能模型的輸出集相對應(yīng).意圖空間的構(gòu)建需要結(jié)合具體的作戰(zhàn)背景和作戰(zhàn)任務(wù),分析目標(biāo)所屬實(shí)體類型、所在戰(zhàn)斗序列、遵循的作戰(zhàn)條例等因素.此外,根據(jù)研究的意圖層面不同可以分為:戰(zhàn)術(shù)意圖空間、戰(zhàn)役意圖空間和戰(zhàn)略意圖空間.

生成模型的知識標(biāo)簽,可以采用以下幾種方法:1)從作戰(zhàn)規(guī)律中提煉,雖然“出奇制勝”一直以來都是制勝法寶,但不可否認(rèn),無論戰(zhàn)爭形態(tài)和方式發(fā)生多么巨大的改變,戰(zhàn)爭依然是在一定作戰(zhàn)規(guī)律的制約下演變的,可以對作戰(zhàn)規(guī)律進(jìn)行加工提煉,將作戰(zhàn)規(guī)律轉(zhuǎn)換為知識標(biāo)簽;2)對仿真推演結(jié)果進(jìn)行事后分析,可以通過導(dǎo)演方的視角,采取復(fù)推的方式,根據(jù)實(shí)體屬性、作戰(zhàn)環(huán)境、被賦予的任務(wù)等信息,歸納出實(shí)體的作戰(zhàn)意圖,提煉模型標(biāo)簽;3)借助領(lǐng)域?qū)＜业闹R經(jīng)驗(yàn)為樣本添加標(biāo)簽,軍事人員具有豐富的指揮決策和判斷情況經(jīng)驗(yàn),對作戰(zhàn)規(guī)律和戰(zhàn)斗條例有深刻的理解,為樣本添加標(biāo)簽的過程,也是將其認(rèn)知經(jīng)驗(yàn)轉(zhuǎn)換為指導(dǎo)深度學(xué)習(xí)模型的知識的過程.然而,這種方式需要花費(fèi)大量精力,通常用于對前兩種方式加注的標(biāo)簽進(jìn)行校驗(yàn)和修訂.

2.3 深度學(xué)習(xí)模型的構(gòu)建

隨著深度學(xué)習(xí)的不斷發(fā)展,多種以深度學(xué)習(xí)為基礎(chǔ)的網(wǎng)絡(luò)模型被相繼提出,它們各有特點(diǎn),在解決特定的問題上展示出了強(qiáng)大的學(xué)習(xí)能力和良好的泛化能力.作戰(zhàn)意圖識別是不完全信息條件下的復(fù)雜戰(zhàn)場態(tài)勢認(rèn)知問題,需要在已有的神經(jīng)元模型(如自編碼器、記憶單元模型、卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)等)的基礎(chǔ)上,借鑒其他領(lǐng)域的應(yīng)用,對其進(jìn)行有機(jī)組合,構(gòu)建復(fù)合架構(gòu)的深度學(xué)習(xí)模型.此外,深度學(xué)習(xí)模型的網(wǎng)絡(luò)結(jié)構(gòu)并不是普遍適用的,需要針對具體的問題進(jìn)行設(shè)計(jì).因此,對于意圖識別這一類特定問題,需進(jìn)行大量實(shí)驗(yàn),進(jìn)而確定深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),從而提高模型識別的準(zhǔn)確率,以及模型的收斂能力和泛化能力等.

3 結(jié)論

深度學(xué)習(xí)參照人腦的學(xué)習(xí)方式,可以模擬人腦的認(rèn)知機(jī)制、記憶機(jī)制和創(chuàng)新機(jī)制,是最貼近人類思維方式的機(jī)器學(xué)習(xí)方法,當(dāng)前深度學(xué)習(xí)在研究戰(zhàn)術(shù)層面的意圖識別問題上已經(jīng)取得了很好的成績,相信在戰(zhàn)役戰(zhàn)略層面也一定會取得重大突破.本文著眼于信息化時(shí)代戰(zhàn)場態(tài)勢認(rèn)知的迫切軍事需求,結(jié)合人工智能領(lǐng)域深度學(xué)習(xí)研究現(xiàn)狀,對戰(zhàn)場目標(biāo)意圖識別進(jìn)行了綜合分析,并對基于深度學(xué)習(xí)的意圖識別方法進(jìn)行了展望.深度學(xué)習(xí)在軍事領(lǐng)域的應(yīng)用雖然剛剛起步,但深度學(xué)習(xí)的潛能一經(jīng)釋放必然會引起軍事的巨大變革,我軍要抓緊時(shí)間開展相關(guān)研究,為打贏未來智能化戰(zhàn)爭奠定堅(jiān)實(shí)的基礎(chǔ).

1王端龍,吳曉峰,冷畫屏.對敵戰(zhàn)場意圖識別的若干問題[J].艦船電子工程,2004,24(6):4?9.

2冷畫屏,殷衛(wèi)斌,吳曉峰.艦艇指揮決策中對敵水面艦艇戰(zhàn)術(shù)意圖的識別[J].海軍學(xué)術(shù)研究,2004,35(8):32?33.

3夏曦.基于模板匹配的目標(biāo)意圖識別方法研究[D].長沙:國防科技大學(xué),2007:35?42.

4曾鵬,吳玲達(dá),魏迎梅.戰(zhàn)術(shù)計(jì)劃識別模型的分析、描述與設(shè)計(jì)[J].計(jì)算機(jī)與數(shù)字工程,2006,34(9):1?11.

5伍之前,李登峰.基于推理和多屬性決策的空中目標(biāo)攻擊意圖判斷模型[J].電光與控制,2010,17(5):10?13.

6 DAS S,LAWLESS D.Situation assessment via belief network[C]//Proceedings of the 5th International Conference on Information Fusion,Minneapolis,US,2002:664?671.

7朱波,方立恭,張小東.基于貝葉斯網(wǎng)絡(luò)的空中目標(biāo)意圖識別方法[J].現(xiàn)代防御技術(shù),2012,40(2):109?113.

8葛順,夏學(xué)如.用于戰(zhàn)術(shù)意圖識別的動(dòng)態(tài)序列貝葉斯網(wǎng)絡(luò)[J].系統(tǒng)工程與電子技術(shù),2014,36(1):76?81.

9王昊冉,老松楊,白亮,等.基于MEBN的戰(zhàn)術(shù)級空中目標(biāo)意圖識別[J].火力與指揮控制,2012,37(10):133?138.

10劉博.基于ANFIS的空襲目標(biāo)攻擊意圖量化方法[J].指揮控制與仿真,2012,34(5):14?17.

11劉硯菊,寇國豪,宋建輝.基于RBF神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)識別技術(shù)[J].火力與指揮控制,2015,40(8):9?13.

12 SUTSKEVER K I,HINTON G E.Imagenet classificatio with deep convolutional neural networks[C]//In Advances in Neural Information Processing Systems 25,US,2012:1106?1114.

13 GERS F A,SCHMIDHUBER J,CUMMINS F.Learning to forget:continual with LSTM[C]//In Proc.ICANN’99,Int.Conf.on Artificia Networks,Edinburgh,Scotland.IEE,London,1999:850?855.

14 GOODFELLOW,IAN,POUGET-ABADIE,et al.Generative adversarial nets[C]//In Advances in Neural Information Processing Systems,2014:2672?2680.

15 張亮,黃曙光,石昭祥,等.基于LSTM型RNN的CAPTCHA識別方法[J].模式識別與人工智能,2011,24(1):40?47.

16歐微,柳少軍,賀筱媛,等.基于目標(biāo)時(shí)序特征編碼的戰(zhàn)術(shù)意圖識別算法[J].指揮控制與仿真,2016,38(6):36?41.