劉 欽 韓春雷 張 揚(yáng) 劉美云 郭 良 劉 蔚

(中國(guó)電子科技集團(tuán)公司第二十研究所 西安 710068)

0 引言

面對(duì)敵方由大量巡航導(dǎo)彈、戰(zhàn)術(shù)彈道導(dǎo)彈及各種高性能作戰(zhàn)飛機(jī)組成的空襲兵力群的立體打擊威脅，戰(zhàn)場(chǎng)指揮員需要迅速做出準(zhǔn)確、合理的對(duì)空指揮決策，一方面能夠降低我方防空彈藥消耗量，節(jié)省彈藥后殺傷更多的敵方空襲兵器；另一方面能提高防空作戰(zhàn)效能，最大程度殺傷空中來襲目標(biāo)，盡可能使我方免受空中打擊而降低損失。

但是，隨著空襲環(huán)境的復(fù)雜化，空襲武器數(shù)量、類型多樣化，人類智能已無法在短時(shí)間內(nèi)應(yīng)對(duì)多目標(biāo)、多對(duì)多的指揮決策計(jì)算和判斷?，F(xiàn)代戰(zhàn)場(chǎng)對(duì)防空作戰(zhàn)指揮的實(shí)時(shí)性和高效性提出了更高的要求。為保證指揮員及時(shí)做出科學(xué)的決策，必須借助人工智能技術(shù)模擬人類智能，在數(shù)據(jù)和經(jīng)驗(yàn)中總結(jié)人類智慧，利用計(jì)算機(jī)進(jìn)行高速計(jì)算實(shí)現(xiàn)實(shí)時(shí)決策。

本文從防空作戰(zhàn)的實(shí)際需求出發(fā)，針對(duì)人工智能在對(duì)空指揮決策中的應(yīng)用進(jìn)行論述，首先介紹了人工智能技術(shù)的概念；其次概括了人工智能在對(duì)空指揮決策中的技術(shù)優(yōu)勢(shì)；然后，分別從威脅評(píng)估、目標(biāo)分配、分布式架構(gòu)、仿真驗(yàn)證等方面對(duì)其應(yīng)用情況進(jìn)行詳細(xì)論述；最后，簡(jiǎn)要介紹了人工智能技術(shù)在指控領(lǐng)域應(yīng)用時(shí)需要解決的具體問題。

1 人工智能概念由來

雖然人人都在論說“人工智能”，但是每個(gè)人心目中所想象的“人工智能”卻各不相同。人工智能的幾種經(jīng)典的定義：

1)麥卡錫(John McCarthy)在1956年達(dá)特茅斯(Dartmouth)夏季學(xué)術(shù)討論會(huì)首次提出人工智能概念。人工智能就是“利用計(jì)算機(jī)技術(shù)從功能上來模擬人類智能”。

2)百度詞條中將人工智能解釋為，研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。

3)“人類智能”是“人工智能”的原型；“人工智能”是“人類智能”的某種人工實(shí)現(xiàn)。這是我們的認(rèn)知。

2 人工智能技術(shù)研究層次

從發(fā)展歷程看，人工智能可分為運(yùn)算、感知和認(rèn)知智能等三個(gè)發(fā)展階段。

圖1 人工智能技術(shù)發(fā)展歷程

1)運(yùn)算智能以高速計(jì)算和存儲(chǔ)能力為代表。以科學(xué)運(yùn)算、邏輯處理、統(tǒng)計(jì)查詢等形式化、規(guī)則化運(yùn)算為核心。機(jī)器早已在這一級(jí)別超過人類。

2)感知智能是指觸覺、視覺、聽覺等感知能力。以圖像理解、自然語音處理為代表。機(jī)器已在這一級(jí)別接近人類。

3)認(rèn)知智能是讓機(jī)器學(xué)會(huì)主動(dòng)思考及行動(dòng)，以期輔助或替代人類工作，以理解、推理和決策為代表。這一級(jí)別研究難度很大，進(jìn)展緩慢。軍事領(lǐng)域的應(yīng)用也主要集中在認(rèn)知智能上，利用機(jī)器來代替人腦進(jìn)行推理和決策。

3 人工智能技術(shù)知識(shí)譜系

從人工智能的分類圖上可以看出，人工智能技術(shù)體系龐雜，應(yīng)用廣泛。以數(shù)學(xué)理論為基礎(chǔ)，以機(jī)器學(xué)習(xí)[1-2]為主要研究領(lǐng)域。雖然機(jī)器學(xué)習(xí)和人工智能還存在嚴(yán)格的概念上的區(qū)分，但是大量的可參考資料和研究成果幾乎已經(jīng)將人工智能技術(shù)和機(jī)器學(xué)習(xí)技術(shù)畫上了等號(hào)。同時(shí)還包括神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)和其它群體智能技術(shù)。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)技術(shù)的子領(lǐng)域，從2006年開始，對(duì)其研究關(guān)注和研究成果出現(xiàn)了爆炸式的增長(zhǎng)，已然成為機(jī)器學(xué)習(xí)的主流。

4 人工智能指揮決策技術(shù)研究必要性

4.1 解決非線性問題

由于防空態(tài)勢(shì)中的目標(biāo)數(shù)量多，我方成員多，且各平臺(tái)具有同時(shí)跟蹤、攻擊多目標(biāo)能力，是一個(gè)典型的多對(duì)多的復(fù)雜非線性問題。態(tài)勢(shì)中用于指揮決策的信息量巨大，很難從龐大的數(shù)據(jù)中尋求數(shù)據(jù)間的內(nèi)在關(guān)系，沒有一個(gè)明確的數(shù)學(xué)解析式可用于計(jì)算，因此做出的決策往往不是準(zhǔn)確的，因?yàn)椴皇亲罴训摹?/p>

人工智能中BP神經(jīng)網(wǎng)絡(luò)類方法由于具有很好的函數(shù)逼近能力，通過學(xué)習(xí)訓(xùn)練樣本，能較好地映射輸出與輸入間復(fù)雜的非線性關(guān)系，是目前應(yīng)用得最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。

圖2 人工智能算法分類

圖3 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

4.2 解決不確定性問題

由于戰(zhàn)場(chǎng)環(huán)境復(fù)雜，可獲得的用于決策的信息往往是有限的、不完全的，并且有些信息不明確，因此采用專家系統(tǒng)以及傳統(tǒng)統(tǒng)計(jì)方法等決策技術(shù)對(duì)此無能為力。

同時(shí)，傳統(tǒng)指揮決策算法多是基于專家經(jīng)驗(yàn)和規(guī)則的(在廣義上專家系統(tǒng)也是人工智能，只是沒有學(xué)習(xí)能力的人工智能)。這些規(guī)則和經(jīng)驗(yàn)是人類從以往決策實(shí)踐中總結(jié)出來的。從理論上來講，對(duì)于不同的戰(zhàn)場(chǎng)環(huán)境，總是存在以往設(shè)計(jì)的規(guī)則不能覆蓋的地方。換句話說就是人類無法窮盡所有的規(guī)則，這種情況需要具有學(xué)習(xí)能力和推理能力的人工智能系統(tǒng)來彌補(bǔ)，以應(yīng)對(duì)復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境。

4.3 解決實(shí)時(shí)性問題

1)預(yù)測(cè)能力

態(tài)勢(shì)中用于決策的目標(biāo)狀態(tài)總是滯后的，也就是說將雷達(dá)探測(cè)信息進(jìn)行融合、識(shí)別處理后，進(jìn)行決策時(shí)，目標(biāo)位置早已發(fā)生改變。而指揮決策所需的目標(biāo)狀態(tài)信息應(yīng)該越新越好[3]，這樣才能做出準(zhǔn)確決策。神經(jīng)網(wǎng)絡(luò)具有很好的預(yù)測(cè)能力，可以用來解決這一問題。

2)并行工作能力

傳統(tǒng)的指揮決策方法多是由專家經(jīng)驗(yàn)和邏輯規(guī)則組成，這種串行執(zhí)行的邏輯規(guī)則使得決策嚴(yán)重滯后。具有并行工作方式的深度學(xué)習(xí)方法也可以加快決策制定速度。

4.4 解決信息缺失問題

傳統(tǒng)基于規(guī)則的算法中，當(dāng)多條規(guī)則同時(shí)被滿足時(shí)，就會(huì)產(chǎn)生決策沖突。經(jīng)過邏輯規(guī)則篩選后的態(tài)勢(shì)信息可能已不具備協(xié)調(diào)沖突能力。而在這種典型情況下，基本的態(tài)勢(shì)信息中可能富含更多用于解決沖突的信息。基于大數(shù)據(jù)學(xué)習(xí)的人工智能算法，可以將初始的態(tài)勢(shì)信息記憶在網(wǎng)絡(luò)權(quán)值中，通過對(duì)誤差項(xiàng)的修正不斷逼近最優(yōu)決策，最大限度地保留原始數(shù)據(jù)中的有效信息。

4.5 強(qiáng)大的數(shù)據(jù)挖掘能力

對(duì)空指揮決策，除了經(jīng)驗(yàn)可以利用，還有大量的仿真、模擬、對(duì)抗演練的數(shù)據(jù)，這些數(shù)據(jù)中包含著寶貴的知識(shí)與智能。對(duì)這些數(shù)據(jù)的挖掘利用，提高指揮決策水平需要人工智能技術(shù)。

5 如何在對(duì)空作戰(zhàn)指揮決策中應(yīng)用人工智能技術(shù)

人工智能的真正挑戰(zhàn)在于解決那些對(duì)人來說很容易執(zhí)行、但很難形式化描述的任務(wù)，對(duì)于這些問題，我們?nèi)祟愅梢詰{借直覺輕易地解決。在軍事領(lǐng)域，例如在防空作戰(zhàn)中，指揮員可以根據(jù)目標(biāo)的態(tài)勢(shì)標(biāo)繪，從主觀上判斷出目標(biāo)的作戰(zhàn)意圖和威脅等級(jí)，進(jìn)而可以給出針對(duì)該目標(biāo)的攔截方案。

5.1 智能識(shí)別

隨著深度學(xué)習(xí)的迅猛發(fā)展，其應(yīng)用也越來越廣泛，特別在視覺識(shí)別、語音識(shí)別和自然語音處理等很多領(lǐng)域都表現(xiàn)出色。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)作為深度學(xué)習(xí)中應(yīng)用最為廣泛的網(wǎng)絡(luò)模型之一，也得到了越來越多的關(guān)注和研究[4]。事實(shí)上，CNN作為一項(xiàng)經(jīng)典的機(jī)器學(xué)習(xí)算法，早在20世紀(jì)80年代就已被提出并展開一定的研究。但是，在當(dāng)時(shí)硬件運(yùn)算能力有限、缺乏有效訓(xùn)練數(shù)據(jù)等因素的影響下，人們難以訓(xùn)練不產(chǎn)生過擬合情形下的高性能深度卷積神經(jīng)網(wǎng)絡(luò)模型。所以，之前CNN的經(jīng)典應(yīng)用場(chǎng)景就是用于識(shí)別手寫數(shù)字。伴隨著計(jì)算機(jī)硬件和大數(shù)據(jù)技術(shù)的不斷進(jìn)步，人們也嘗試開發(fā)不同的方法來解決深度CNN訓(xùn)練中所遇到的困難，特別是Krizhevsky等專家提出了一種經(jīng)典的CNN架構(gòu)，論證了深度結(jié)構(gòu)在特征提取問題上的潛力，掀起了深度結(jié)構(gòu)研究的浪潮。而卷積神經(jīng)網(wǎng)絡(luò)作為一種已經(jīng)存在的、有一定應(yīng)用案例的深度結(jié)構(gòu)，也重新回到人們的視野中，得以進(jìn)一步研究和應(yīng)用。

基于深度學(xué)習(xí)算法的目標(biāo)識(shí)別框架如圖4所示，其在訓(xùn)練過程中自動(dòng)生成特征提取器，而不再基于人工設(shè)計(jì)。特征提取器由一些特殊的神經(jīng)網(wǎng)絡(luò)類型組成，權(quán)重可以在訓(xùn)練過程中自動(dòng)獲取?？梢姡疃染W(wǎng)絡(luò)的特點(diǎn)和優(yōu)勢(shì)就在于將人工設(shè)定特征提取轉(zhuǎn)變成自動(dòng)生成特征。

圖4 基于深度學(xué)習(xí)算法的目標(biāo)識(shí)別框架

步驟1：首先對(duì)于待識(shí)別的目標(biāo)(某些型號(hào)的飛機(jī)和導(dǎo)彈)，采集其不同飛行姿態(tài)下的序列圖像信息，并進(jìn)行類別標(biāo)簽的設(shè)定(機(jī)型和導(dǎo)彈型號(hào)的標(biāo)定)；

步驟2：將所采集的樣本數(shù)據(jù)進(jìn)行劃分，一部分用于識(shí)別模型構(gòu)建(訓(xùn)練樣本)，另一部分用于測(cè)試分析和系統(tǒng)性能的評(píng)估(測(cè)試樣本)；

步驟3：通過識(shí)別模型(訓(xùn)練所得的深度神經(jīng)網(wǎng)絡(luò))，對(duì)所獲取的目標(biāo)數(shù)據(jù)進(jìn)行識(shí)別，能夠確信的目標(biāo)類別信息直接輸出，不能夠完全確信和未知信息則可通過專家系統(tǒng)進(jìn)行決策分析，同時(shí)可以添加新的目標(biāo)樣本并進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)的更新，提升網(wǎng)絡(luò)的不斷自主學(xué)習(xí)性能。

基于智能算法的目標(biāo)分類識(shí)別所需關(guān)鍵技術(shù)主要包含兩個(gè)模塊：數(shù)據(jù)集的采集與處理、識(shí)別模型構(gòu)建與智能決策分析。

5.2 作戰(zhàn)意圖推理

戰(zhàn)術(shù)意圖推理問題的核心是如何從相關(guān)數(shù)據(jù)中統(tǒng)計(jì)和學(xué)習(xí)先驗(yàn)知識(shí)[5]。作戰(zhàn)意圖的分析需要采用推理知識(shí)庫，知識(shí)庫的構(gòu)建需要一系列的邏輯規(guī)則。而邏輯規(guī)則由邏輯知識(shí)片段構(gòu)成，它們可以由歷史數(shù)據(jù)或樣本數(shù)據(jù)的統(tǒng)計(jì)和挖掘來發(fā)現(xiàn)。構(gòu)建描述基本邏輯關(guān)系、概率遷移邏輯、序列關(guān)系邏輯的邏輯知識(shí)片段模型，來表征觀測(cè)目標(biāo)相關(guān)屬性、類型、狀態(tài)、行為模式以及戰(zhàn)場(chǎng)環(huán)境等態(tài)勢(shì)要素內(nèi)部及其相互之間的邏輯關(guān)聯(lián)關(guān)系，從而形成基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[6]、序列貝葉斯網(wǎng)絡(luò)、多實(shí)體貝葉斯網(wǎng)絡(luò)的規(guī)則知識(shí)體系。

圖5 作戰(zhàn)意圖推理規(guī)則發(fā)現(xiàn)流程

1)基本邏輯片段B-MFrag，表達(dá)隨機(jī)事件之間的相互邏輯關(guān)系。將邏輯片斷B-MFrags所表達(dá)的過程構(gòu)造為BN模型中的隨機(jī)事件之間的邏輯關(guān)聯(lián)關(guān)系。

2)概率遷移邏輯片段PT-MFrag，描述隨機(jī)事件狀態(tài)概率遷移過程。將PT-MFrags邏輯片斷所表達(dá)的過程構(gòu)造為SBN模型中子序列的馬爾可夫序列過程。

3)序列關(guān)系邏輯片段SR-MFrag，描述隨機(jī)事件狀態(tài)時(shí)序序列和根事件狀態(tài)空間的對(duì)應(yīng)關(guān)系。將邏輯片斷SR-MFrags所表達(dá)的過程構(gòu)造為SBN模型中根事件與子序列之間的分解關(guān)系。

5.3 智能威判

威脅判斷是對(duì)敵方目標(biāo)威脅程度的量化過程，是指揮控制決策的重要前提。傳統(tǒng)方法采用多屬性決策理論、層次分析法等方法，依靠專家經(jīng)驗(yàn)，主觀性較強(qiáng)，不具備自學(xué)習(xí)和自適應(yīng)能力。

通過態(tài)勢(shì)分析以及外部情報(bào)獲得目標(biāo)類型、目標(biāo)作戰(zhàn)能力、目標(biāo)干擾能力、目標(biāo)意圖等定性指標(biāo)；對(duì)于定性的指標(biāo)通過貝葉斯網(wǎng)絡(luò)進(jìn)行推理，構(gòu)建評(píng)估模型，確定網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)，最后推理得到靜態(tài)威脅估計(jì)值。通過雷達(dá)實(shí)時(shí)測(cè)得目標(biāo)的速度、高度、距離、航向角等定量指標(biāo)。對(duì)于這些定量指標(biāo)的變化關(guān)系，可以通過測(cè)得的樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。首先需要對(duì)數(shù)據(jù)進(jìn)行離散化，然后利用訓(xùn)練樣本構(gòu)建網(wǎng)絡(luò)，最后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行測(cè)試輸出動(dòng)態(tài)威脅度值。最終通過線性加權(quán)得到目標(biāo)的綜合威脅度。

圖6 智能威脅評(píng)估框架

5.4 智能分配

指揮決策由傳統(tǒng)威脅判定和目標(biāo)分配到智能威脅判定和目標(biāo)分配的過渡的途徑是“專家經(jīng)驗(yàn)”和“仿真數(shù)據(jù)”。因此，利用人工智能的兩個(gè)關(guān)鍵途徑是：

1)建立威脅判定和目標(biāo)分配的規(guī)則庫，來完成對(duì)專家經(jīng)驗(yàn)的整理、積累和利用；

2)對(duì)模擬對(duì)抗數(shù)據(jù)的產(chǎn)生、積累、評(píng)價(jià)和利用，建立威脅判定和目標(biāo)分配的數(shù)據(jù)庫。

這兩個(gè)資源是智能的來源，利用好了這兩個(gè)資源才能實(shí)現(xiàn)對(duì)空指揮決策人工智能技術(shù)。

以3層神經(jīng)網(wǎng)絡(luò)模型為例，模型的輸入層為4個(gè)節(jié)點(diǎn)，表示每個(gè)目標(biāo)的4個(gè)距離特征：d1、d2、d3、d4；隱藏層也有4個(gè)節(jié)點(diǎn)，為中間節(jié)點(diǎn)；輸出層有1個(gè)節(jié)點(diǎn)，采用softmax函數(shù)進(jìn)行多分類輸出，輸出值為0、1、2、3其中之一，表示該目標(biāo)該由哪條平臺(tái)進(jìn)行打擊。

神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖7所示。

圖7 目標(biāo)分配的神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)在沒有數(shù)據(jù)輸入時(shí)，其不同層之間的權(quán)值是隨機(jī)初始化的，在沒有數(shù)據(jù)訓(xùn)練的情況下，測(cè)試輸出的正確性為0.25(隨機(jī)選擇)。在大量目標(biāo)數(shù)據(jù)(專家經(jīng)驗(yàn))訓(xùn)練迭代下，神經(jīng)網(wǎng)絡(luò)的權(quán)值對(duì)于結(jié)果擬合的越來越準(zhǔn)確。其中擬合方法采用反向梯度下降法，通過反向梯度下降法來反向更新神經(jīng)網(wǎng)絡(luò)的權(quán)值，讓錯(cuò)誤結(jié)果得到修正。

圖8 基于強(qiáng)化學(xué)習(xí)的目標(biāo)分配算法

針對(duì)短時(shí)間、強(qiáng)對(duì)抗的交戰(zhàn)環(huán)境能夠提供給機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)指揮決策數(shù)據(jù)樣本量少，傳統(tǒng)機(jī)器學(xué)習(xí)方法難以有效應(yīng)用的問題，研究與模型和數(shù)據(jù)無關(guān)的基于強(qiáng)化學(xué)習(xí)的目標(biāo)分配方法，首先將敵我對(duì)抗系統(tǒng)中各仿真實(shí)體用Agent的思想自底向上對(duì)整個(gè)系統(tǒng)進(jìn)行建模，通過Agent行為及其之間的交互關(guān)系來描述對(duì)抗系統(tǒng)的行為。其次將敵我雙方參與作戰(zhàn)的Agent種類及數(shù)量作為強(qiáng)化學(xué)習(xí)的狀態(tài)；將目標(biāo)分配的方案作為強(qiáng)化學(xué)習(xí)的動(dòng)作子集；將武器裝備打擊效能評(píng)估(先敵發(fā)射概率、目標(biāo)擊毀概率)作為回報(bào)收益，來設(shè)計(jì)強(qiáng)化學(xué)習(xí)的研究方案。

5.5 分布式人工智能架構(gòu)

在實(shí)現(xiàn)單平臺(tái)決策算法智能化后，需要關(guān)注平臺(tái)之間的協(xié)作，即群體智能的激發(fā)與涌現(xiàn)。多智能體系統(tǒng)[7](Multi-Agent System,MAS)與傳統(tǒng)的協(xié)同決策控制系統(tǒng)相比，其最大的優(yōu)勢(shì)與特點(diǎn)是服務(wù)機(jī)制。將我方各節(jié)點(diǎn)映射為具備不同能力的智能體，每個(gè)智能體以服務(wù)資源的形式在決策控制網(wǎng)絡(luò)中掛起，服務(wù)資源主要包括探測(cè)、融合、評(píng)估、分配、武器攻擊等。該智能體不僅能夠求解自身的決策控制問題，還能夠?yàn)榘l(fā)出服務(wù)請(qǐng)求的其他節(jié)點(diǎn)智能體提供支持，服務(wù)請(qǐng)求包括精跟關(guān)注、導(dǎo)彈攻擊、電磁干擾等。

圖9 基于多智能體的決策控制系統(tǒng)體系結(jié)構(gòu)

6 亟待解決問題

6.1 缺少樣本數(shù)據(jù)

在和平時(shí)期，依靠打仗來積累帶標(biāo)簽的數(shù)據(jù)是不合理的。考慮到成本問題，依靠實(shí)兵演練、模擬訓(xùn)練等渠道的積累標(biāo)簽數(shù)據(jù)是不現(xiàn)實(shí)的?，F(xiàn)在限制AI在軍事領(lǐng)域應(yīng)用的關(guān)鍵就在于：強(qiáng)對(duì)抗、短時(shí)間的戰(zhàn)場(chǎng)環(huán)境提供給機(jī)器的學(xué)習(xí)樣本數(shù)量太少，導(dǎo)致人工智能難以在對(duì)抗環(huán)境中施展。為了解決這一問題，可構(gòu)建紅藍(lán)對(duì)抗博弈平臺(tái)，模擬典型的作戰(zhàn)場(chǎng)景，包括我方主要作戰(zhàn)兵力兵器，通信組網(wǎng)、指揮控制方式方法；以及敵方主要作戰(zhàn)兵力兵器及典型作戰(zhàn)樣式，以此來積累指控樣本數(shù)據(jù)。

6.2 算法效能難以有效驗(yàn)證

威脅估計(jì)準(zhǔn)不準(zhǔn)、目標(biāo)分配對(duì)不對(duì)，在傳統(tǒng)的指控領(lǐng)域也無法給出公認(rèn)的度量。人工智能指揮控制算法的另一個(gè)亟待解決的問題是算法的有效驗(yàn)證問題。目前的解決思路還是建立一個(gè)博弈對(duì)抗系統(tǒng)，在多組復(fù)雜仿真場(chǎng)景下對(duì)指揮控制的最終結(jié)果進(jìn)行檢驗(yàn)。即系統(tǒng)的作戰(zhàn)效能，包括決策執(zhí)行后武器的攻擊效果，武器的命中概率、彈藥的消耗量、目標(biāo)的毀傷情況等進(jìn)行綜合判別。

7 結(jié)束語

人工智能技術(shù)已經(jīng)應(yīng)用在人類生活的方方面面，儼然已成為國(guó)際競(jìng)爭(zhēng)的新焦點(diǎn)。但是，在軍事領(lǐng)域，尤其在指揮控制領(lǐng)域的研究才剛剛起步。由于樣本量和標(biāo)簽數(shù)據(jù)的缺乏，導(dǎo)致不能直接使用其他領(lǐng)域的成熟算法。需要研究人員花費(fèi)大量的精力去創(chuàng)新、改進(jìn)算法，探索人工智能技術(shù)在指控領(lǐng)域的應(yīng)用，形成能夠在線智能學(xué)習(xí)的、小樣本的無監(jiān)督學(xué)習(xí)算法。