張 揚，韓春雷，孫瑋琢，鹿 瑤，楊 笛

一種基于深度學(xué)習(xí)的智能威脅評估算法

張 揚1，韓春雷1，孫瑋琢2，鹿 瑤1，楊 笛1

（1 中國電子科技集團公司第二十研究所，西安 710068；2 91550部隊，大連 116023）

在現(xiàn)代信息化戰(zhàn)爭中依據(jù)戰(zhàn)場態(tài)勢變化進行合理威脅評估，對實現(xiàn)指揮系統(tǒng)自動化具有重要意義。為了克服傳統(tǒng)規(guī)則算法評估能力的局限，設(shè)計了一種基于深度學(xué)習(xí)的新型智能威脅評估算法。首先設(shè)定了防空威脅評估指標(biāo)選取原則，在此基礎(chǔ)上從多個不同角度出發(fā)建立了反映空中目標(biāo)威脅的指標(biāo)體系，然后構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型予以解決。新算法的優(yōu)點在于威脅評估快速可信、易于實現(xiàn)，且對于不斷變化的空情威脅可進行持續(xù)更新優(yōu)化。最后，通過典型作戰(zhàn)場景的仿真數(shù)據(jù)驗證了模型的有效性和可行性。

威脅評估；深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；智能作戰(zhàn)

0 引言

在現(xiàn)代信息化戰(zhàn)爭中，空中目標(biāo)突襲進攻與防御已成為戰(zhàn)場中的一種重要作戰(zhàn)方式。而空襲目標(biāo)通常類型繁雜多樣，具備多批次、多方位、連續(xù)飽和攻擊的特點，此外戰(zhàn)場中還會存在很多非攻擊性干擾、欺騙目標(biāo)，使得防空決策人員在短時間內(nèi)很難及時、準(zhǔn)確地對眾多目標(biāo)做出科學(xué)、合理的威脅判斷[1-2]。這就要求指揮控制系統(tǒng)能夠根據(jù)多傳感器獲取的各種信息對空中目標(biāo)的作戰(zhàn)能力、攻擊意圖和作戰(zhàn)時機進行分析和預(yù)測，進而對空中目標(biāo)的威脅程度做出判斷，為合理的火力分配提供參考，最終提高平臺防空作戰(zhàn)的整體效能。因此，在態(tài)勢瞬息萬變、戰(zhàn)機稍縱即逝的對空防御中，若能夠有效挖掘態(tài)勢信息，快速對空中目標(biāo)進行準(zhǔn)確、實時的威脅判斷，則會成為我方實現(xiàn)有效防御、攻擊和克敵制勝的關(guān)鍵。

在如今防空作戰(zhàn)中，威脅評估多采用屬性綜合決策類算法。如層次分析法[3]、多屬性決策樹[4]、專家知識[5]等。該類算法模型都需先提取目標(biāo)的特征因素，再對特征因素進行加權(quán)融合來確定目標(biāo)的威脅值。一方面，割裂了威脅因素，缺乏對彼此耦合關(guān)系的分析；另一方面，特征因素的權(quán)重設(shè)置主要通過人為給定，具有一定的主觀性和盲目性，加權(quán)組合也缺乏明確的實際物理意義，難以準(zhǔn)確匹配實際應(yīng)用。以深度學(xué)習(xí)為代表的機器智能技術(shù)的日趨成熟，為戰(zhàn)場認知的描述和量化以及復(fù)雜體系認知機理的研究提供了有效手段[6-8]。其中深度神經(jīng)網(wǎng)絡(luò)是一種具有多個隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，擁有自動學(xué)習(xí)數(shù)據(jù)中重要特征信息的能力，可以實現(xiàn)從輸入到輸出復(fù)雜映射關(guān)系的模擬表征，在分類與回歸問題處理上具有獨特優(yōu)勢。

威脅評估從本質(zhì)上是一個回歸問題，因此，文章開展基于深度學(xué)習(xí)的新型智能威脅評估算法研究。首先，對各因素與威脅值的內(nèi)在聯(lián)系進行定性和定量分析，并通過設(shè)計分段與指數(shù)函數(shù)模型，實現(xiàn)威脅屬性量化指標(biāo)體系構(gòu)建；其次，結(jié)合防空任務(wù)需求和深度學(xué)習(xí)優(yōu)勢，建立了基于深度神經(jīng)網(wǎng)絡(luò)的智能威脅評估模型；最后，通過典型作戰(zhàn)場景仿真數(shù)據(jù)，對新算法模型進行了對比分析。

1 目標(biāo)威脅屬性指標(biāo)體系構(gòu)建

1.1 指標(biāo)選定準(zhǔn)則

防空威脅判斷指標(biāo)選取的科學(xué)合理將直接影響威脅判斷結(jié)果輸出的準(zhǔn)確性，在選取威脅判斷指標(biāo)時應(yīng)遵循以下準(zhǔn)則：

（1）選取能夠反映目標(biāo)威脅的關(guān)鍵因素作為指標(biāo)。如果威脅判斷指標(biāo)選取過多，不僅會導(dǎo)致計算繁瑣、降低結(jié)果獲取的時效性，而且還會湮沒關(guān)鍵指標(biāo)價值，降低結(jié)果準(zhǔn)確性；

（2）要充分利用已分析獲取的信息作為指標(biāo)。威脅判斷屬于高層信息融合層，在進行威脅判斷時要利用已有分析數(shù)據(jù)，比如目標(biāo)類型、能力等，作為參考指標(biāo)；

（3）選取指標(biāo)要能夠反映目標(biāo)意圖信息威脅。比如，目標(biāo)航路捷徑、飛行高度、方位距離和飛行速度等，都在一定程度上揭示了目標(biāo)意圖威脅。

1.2 威脅屬性量化建模

目標(biāo)威脅程度評估會涉及諸多屬性量化，既有定量描述特征，也有難以量化的定性描述特征，且相互間還存在復(fù)雜關(guān)聯(lián)關(guān)系。為了提升目標(biāo)威脅評估的準(zhǔn)確性和實時性，基于以上設(shè)定的準(zhǔn)則，主要選取目標(biāo)飛行速度、飛行高度、類型、攔截緊急程度和航向夾角等關(guān)鍵因素進行量化建模。

（1）目標(biāo)飛行速度

目標(biāo)飛行速度越快，其威脅程度越大。通常認為目標(biāo)的飛行速度和目標(biāo)的威脅程度是一個下降形式的指數(shù)分布，當(dāng)目標(biāo)飛行速度達到最大時，該目標(biāo)對于我方平臺的威脅程度會達到最大值，我方越難攔截。目標(biāo)速度的威脅量化如式（1）所示：

式中，可根據(jù)實際情況進行學(xué)習(xí)調(diào)整，此處設(shè)定為-0.005；目標(biāo)飛行速度的單位為m/s。

（2）目標(biāo)飛行高度

飛行高度越低，目標(biāo)被發(fā)現(xiàn)的概率越低。在目標(biāo)較遠時，目標(biāo)的飛行高度對我方的威脅不明顯。近距離突然出現(xiàn)的低空目標(biāo)，對我方的威脅將明顯提高。目標(biāo)飛行高度和該目標(biāo)的威脅程度量化為分段函數(shù)：在指定高度以下、指定距離以內(nèi)（預(yù)先設(shè)定），將目標(biāo)的威脅程度設(shè)定為最大取值；在指定高度以上采用下降的指數(shù)函數(shù)，當(dāng)目標(biāo)的飛行高度增高時，對于我方平臺的威脅程度會變小。目標(biāo)飛行高度的量化如式（2）所示：

式中，設(shè)定為-0.0001；為預(yù)先設(shè)定的高度閾值，區(qū)分高低空目標(biāo)，默認值200 m；目標(biāo)飛行高度的單位為m。

（3）目標(biāo)類型

目前主要考慮的目標(biāo)類型包括導(dǎo)彈、殲轟機、電子干擾機、偵察機和未知等，其威脅程度分別量化如式（3）所示：

（4）目標(biāo)攔截緊急程度

目標(biāo)攔截緊急程度可根據(jù)目標(biāo)飛抵我方平臺時間來進行評價。目標(biāo)飛抵時間越長，防御平臺可以越充分地進行目標(biāo)認知評估，其打擊緊急程度越低；時間越短，表示平臺響應(yīng)武器資源分配的時間越少，其攔截的緊急程度越高。目標(biāo)攔截緊急程度的量化如式（4）所示：

（5）航向夾角

當(dāng)目標(biāo)和平臺連線與目標(biāo)航向的夾角處于-90°～ 90°時，會對我方平臺造成威脅，進攻角越接近0°，對我方威脅越大，其威脅程度分別量化如式（5）所示：

式中，參數(shù)2的值設(shè)定為3.5，航向夾角的單位為rad。

2 深度神經(jīng)網(wǎng)絡(luò)威脅評估模型

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）威脅評估算法采用了DNN網(wǎng)絡(luò)模型，其設(shè)計工作主要包含輸入層、隱藏層、輸出層、各層節(jié)點數(shù)目配置以及激活函數(shù)設(shè)計等內(nèi)容，各項參數(shù)具體設(shè)置為：

（1）輸入層

基于深度神經(jīng)網(wǎng)絡(luò)的威脅評估模型輸入變量包含5個特征：目標(biāo)飛行速度、飛行高度、類型、攔截緊急程度和航向夾角，如圖2所示。該五維特征由上述量化函數(shù)模型進行確定，數(shù)值范圍在[0,10]區(qū)間，為了加快網(wǎng)絡(luò)收斂速度，在樣本數(shù)據(jù)預(yù)處理時，可將其統(tǒng)一歸一化到[0,1]區(qū)間。

（2）隱藏層

在網(wǎng)絡(luò)模型結(jié)構(gòu)中，隱藏層的作用就是將每個輸入節(jié)點輸入的目標(biāo)特征數(shù)據(jù)進行合并，將目標(biāo)的輸入特征進行交叉組合后，特征數(shù)據(jù)能夠更好地反映我方平臺對于每個來襲目標(biāo)威脅特征的深度分析量化，為輸出層提供更為有利的分析。目前隱藏層的設(shè)計（層數(shù)與各層節(jié)點配準(zhǔn)數(shù)目）無太多規(guī)律可循，通常需根據(jù)樣本數(shù)據(jù)特性進行一定探索實驗來擇優(yōu)。因此，為了提升算法模型效率，算法設(shè)計中隱藏層選取為2層，各層的節(jié)點數(shù)設(shè)置為10～20個，都采用Sigmoid函數(shù)進行特征的非線性優(yōu)化。

圖1 深度神經(jīng)網(wǎng)絡(luò)威脅評估模型輸入特征

（3）輸出層

由于深度神經(jīng)網(wǎng)絡(luò)模型用于目標(biāo)威脅度評估時，可看作是一個回歸任務(wù)，因此，輸出層設(shè)置為單個節(jié)點，即對應(yīng)著目標(biāo)的威脅度評估取值。輸出層則采用Softmax函數(shù)進行非線性優(yōu)化。

（4）損失函數(shù)

損失函數(shù)是用來估量模型預(yù)測值與真實值的不一致程度，即構(gòu)建模型所得預(yù)測值與真實值之間的差異。它是一個非負實值函數(shù)，損失函數(shù)越小，模型的魯棒性就越好，此處，選取絕對誤差作為回歸損失函數(shù)，其為目標(biāo)變量和預(yù)測值之間的平方距離之和，計算公式如式（6）所示：

（5）網(wǎng)絡(luò)訓(xùn)練策略

對該深度神經(jīng)網(wǎng)絡(luò)模型進行離線狀態(tài)下的學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)模型的初始權(quán)值可隨機給定（不能為0），離線訓(xùn)練則是一個批次（batch）訓(xùn)練完成后再更新權(quán)值，使得其中某個數(shù)據(jù)出現(xiàn)差錯時，不會影響整體權(quán)值更新的走向。因此，算法中通過所生成的離線目標(biāo)參數(shù)數(shù)據(jù)集，在已知目標(biāo)威脅程度大小的情況下，將離線數(shù)據(jù)集一個批次、一個批次地輸入到網(wǎng)絡(luò)模型中，設(shè)定迭代次數(shù)，通過不斷地將數(shù)據(jù)集進行擬合，從而求解出目標(biāo)威脅估計網(wǎng)絡(luò)模型的最優(yōu)參數(shù)配置。離線訓(xùn)練完善后的網(wǎng)絡(luò)模型可直接使用，能夠降低實時決策壓力，提升評估效率。

3 仿真結(jié)果及分析

該實驗采用了模擬場景下的威脅評估仿真數(shù)據(jù)集，主要包括單方向、前后夾擊和全方位進攻等3類典型作戰(zhàn)場景，各場景都擁有10 000個樣本數(shù)據(jù)。為避免數(shù)據(jù)差異對實驗結(jié)果造成的影響，實驗中采用5折交叉方式進行驗證分析，將威脅評估數(shù)據(jù)集劃分數(shù)據(jù)為5組，每次選擇1組作為測試集，其它4組混合作為訓(xùn)練集，即每次測試樣本的數(shù)目為2 000個，訓(xùn)練樣本的個數(shù)為8 000個，最終取5組測試結(jié)果均值作為評估結(jié)果。

該實驗開展深度學(xué)習(xí)與傳統(tǒng)多元數(shù)據(jù)擬合評估算法的對比分析。其中采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置為：輸入層為5個節(jié)點，第一隱層有20個節(jié)點，第二個隱層有10個節(jié)點，輸出節(jié)點為1個，學(xué)習(xí)率設(shè)定為0.001，無衰減因子，層間激活函數(shù)為sigmoid，迭代20 000次；多元數(shù)據(jù)擬合算法則是采用最小二乘算法實現(xiàn)模型相應(yīng)參數(shù)推導(dǎo)。

首先，統(tǒng)計各場景數(shù)據(jù)集下兩個算法的絕對誤差（Mean Absolute Error，MAE），對比結(jié)果如表1～表3所示。

表1 場景1數(shù)據(jù)集算法誤差率對比

表2 場景2數(shù)據(jù)集算法誤差率對比

表3 場景3數(shù)據(jù)集算法誤差率對比

然后，對兩種算法模型的計算耗時（基于同一計算機的Python編程環(huán)境）進行統(tǒng)計對比，結(jié)果如表4所示。

表4 算法耗時對比

最后，基于復(fù)合樣本數(shù)據(jù)，對算法的評估正確率進行對比，結(jié)果如表5所示。

表5 算法評估正確率對比

如實驗結(jié)果所示，深度神經(jīng)網(wǎng)絡(luò)與多元數(shù)據(jù)擬合算法模型相比都具有更小的MAE，可見深度神經(jīng)網(wǎng)絡(luò)評估算法確實擁有更良好的數(shù)據(jù)擬合能力。從計算耗時可以看出，離線訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)在實時分析樣本數(shù)據(jù)時，無論是單個樣本還是整個測試集，相對于傳統(tǒng)多元數(shù)據(jù)擬合模型都能夠更快速地給出評估結(jié)果。最后，如表5所示，不論數(shù)據(jù)集規(guī)模深度神經(jīng)網(wǎng)絡(luò)評估新算法與傳統(tǒng)算法相比，在評估準(zhǔn)確率上都能有5～10個百分點的提升。可見，新型智能威脅評估算法具有更強的數(shù)據(jù)學(xué)習(xí)與預(yù)測評估能力。

4 結(jié)論

在信息化防空作戰(zhàn)中，目標(biāo)威脅評估的準(zhǔn)確與否將直接影響后續(xù)抗擊決策的科學(xué)性，在科學(xué)合理的基礎(chǔ)上，評估的時效性越強，后續(xù)抗擊時間就越充裕，防空作戰(zhàn)效益也會隨之提升。本文設(shè)計的深度神經(jīng)網(wǎng)絡(luò)威脅評估算法模型，指標(biāo)數(shù)據(jù)信息較易獲取、計算過程簡單可行、易于工程實現(xiàn)、威脅排序輸出快速可信，且對于不斷變化的空情威脅，網(wǎng)絡(luò)模型可持續(xù)更新完善，是一種行之有效的防空威脅評估方法，具有一定的參考借鑒價值。

[1] 龐宏亮. 智能化戰(zhàn)爭[M]. 上海：上海社會科學(xué)院出版社，2017.

[2] 張曉海，操新文，耿松濤，等. 基于深度學(xué)習(xí)的軍事輔助決策智能化研究[J]. 兵器裝備工程學(xué)報，2018，39（10）：162-167.

[3] 譚樂祖，楊明軍. 采用區(qū)間數(shù)的集對分析目標(biāo)威脅判斷模型[J]. 電光與控制，2011，18（2）：73-76.

[4] 王毅，劉三陽，張文，等. 屬性權(quán)重不確定的直覺模糊多屬性決策的威脅評估方法[J]. 電子學(xué)報，2014，42（12）：2509-2514.

[5] 王瑋，史紅權(quán). 不確定條件下編隊防同作戰(zhàn)空中目標(biāo)威脅評估[J]. 指揮控制與仿真，2014，36（4）：12-15.

[6] 張曉海，操新文，耿松濤，等. 基于深度學(xué)習(xí)的軍事輔助決策智能化研究[J]. 兵器裝備工程學(xué)報，2018，39（10）：162-167.

[7] 湯健，柴天佑，劉卓，等. 基于更新樣本智能識別算法的自適應(yīng)集成建模[J]. 自動化學(xué)報，2016，（07）：1040-1052.

[8] 曹雷. 基于深度強化學(xué)習(xí)的智能博弈對抗關(guān)鍵技術(shù)[J]. 指揮信息系統(tǒng)與技術(shù)，2019，10（5）：1-7.

Intelligent Threat Assessment Algorithm Based on Deep Learning

ZHANG Yang, HAN Chunlei, SUN Weizhuo, LU Yao, YANG Di

In modern information warfare, it is of great significance to evaluate the threat reasonably according to the changes of the battlefield situation for realizing the automation of command system. In order to overcome the shortcomings of traditional rule algorithm, an intelligent threat assessment algorithm based on deep learning is designed. First, the principle of index selection about the warship air defense threat judgment is elaborated in the paper, and the indexes reflecting the aerial targets threat are selected from many different angles basis on this rule. Then, the warship air defense threat judgment can be attributed to a decision problem which can be solved by using the neural network model. The advantage of the method is that the output of the threat sequencing is rapid，reliable and easy to realize. It can also be updated as the constantly changing aerial threats. Finally, the validity and feasibility of the model are verified in the data sets of typical combat simulation scenarios.

Threat Judgment; Deep Learning; Neural Network; Intelligent Operation

TP391

A

1674-7976-(2021)-04-293-05

2021-05-14。張揚（1988.03-），河南三門峽人，工程師，主要研究方向為態(tài)勢感知與信息處理。