基于深度学习的空海防御智能态势认知技术研究

仲维彬，张 扬，韩春雷

基于深度学习的空海防御智能态势认知技术研究

仲维彬1，张 扬2，韩春雷2

（1 海军装备部；2 中国电子科技集团公司第二十研究所，西安 710068）

在现代空海防御的信息作战中，智能态势认知是实现战场透明化、降低信息复杂度、提升空海防御作战指挥决策能力的前提和基础。针对空海防御智能态势认知相关问题进行探索研究，重点分析了其概念内涵和面临的巨大威胁与挑战等，提出复杂空海信息对抗条件下态势信息数据表征、融合处理、意图推理等核心能力需求，在此基础上结合人工智能的自主、超强学习能力，构建了基于深度学习的空海防御态势认知体系，开展智能认知技术应用探索，为其发展提供了良好思路。

智能作战；空海防御；态势认知

0 引言

随着现代空海战场信息化程度不断提升，基于“跨域协同增效”的智能化联合作战将成为未来战争的主要形式，届时将面临作战空间多维一体、作战样式多域混合、作战实体种类繁多，作战态势错综复杂等突出难题，因此，在复杂多变、强烈对抗和充满不确定性的战场环境中，捕获敌方重点攻击目标、挖掘核心作战企图、实现战场态势的实时精确解析，对于开展远程精确打击威胁目标、实现领域防御至关重要[1,2]。

传统态势认知方法多依赖作战人员的规则经验，缺乏对战场海量信息的深度剖析，在高对抗环境下无法快速形成可为作战人员提供决策指引的战争态势信息，需探索新型态势认知技术，以提升大数据环境下的战场信息深度解析[3-5]。人工智能技术的飞速发展以及与军事应用的深度融合，为未来海空跨域联合作战下态势认知的难题解决提供了支撑。因此，本文从海空作战的态势认知内涵出发，解析其所面临的威胁挑战，聚焦核心能力需求与关键问题，探索应用深度学习类智能技术，实现态势察觉、理解和预测，为未来空海防御态势认知智能化发展提供了全新思路[6-8]。

1 空海防御下态势认知内涵

在空海防御战场中，通过对敌方目标进行识别分析、意图挖掘与行为预测，形成战场的一种深度理解，可为采取战术行为提供指引，这就是战场态势认知的核心所在，包括了敌、我、环境等要素，其认知过程如图1所示。

图1 空海防御战场态势认知概念模型

空海防御战场态势认知包括三项核心内容：

1）察觉：通过各类传感设备捕获数据，快速对作战环境中的核心组成进行提取，并通过初级关联形成对战场环境的初级认知视图。

2）理解：拥有战场初步视图之后，综合规则、经验、模型认知对态势要素进行深度分析，获取所隐含的诸多战场信息，如：敌我兵力部署、防御要地、高威胁目标、潜在意图、对抗优劣等。

3）预测：根据对战场的作战资源全面把控，以及目前态势的演进趋势，做出对未来态势的推理分析，包括敌方作战意图、战术变化、规划策略等，可以是高层的战略级，也可以是具体的战术行为级。

2 空海防御态势认知面临挑战

随着作战装备与作战要素的智能多元化发展，目前空海战场具有变化快、高复杂、强对抗的复合特性。传统以指挥经验为主的战场态势认知已难以胜任现代空海防御的作战需求，将主要面临以下三方面的新型挑战：

1）复杂电磁环境。随着各型电磁对抗设备的升级，探测设备将面临强干扰下的目标捕获问题，使得探测视角会存在极大盲区，捕获信息也会存在噪声干扰，数据的准确、可靠分析都面临难题，即高精度处理能力迎来了极大挑战。

2）作战单元智能化。随着人工智能与军事应用的深度融合，作战单元更趋于小型、智能、无人化，来袭目标将具备更强的自主性与更高的机动性，躲避防御能力有了极大提升。此时态势认知的时效性与准确性面临难题，即高实时性处理能力迎来了挑战。

3）饱和攻击。传统态势认知所处理的战场实时数据通常规模较小且结构单一，缺乏历史数据的深度挖掘与分析处理。但随着低成本、灵活性、自主化装备的建设应用，大规模作战单元协同攻击将成为战场的主旋律。而高密度下的蜂群式攻击，会对空海防御形成全维度的压制，此时武器系统将会顾此失彼、应接不暇，信息系统面临大量信息实时处理与决策控制的难题，即超饱和处理能力迎来了挑战。

3 态势认知关键问题

3.1 要素建模表征

空海协同防御作战的战争演化机理抽象复杂，缺乏深度解析，使得通常具备“不确定、涌现、时变”等特点，目前随着作战装备的智能化发展，作战单元日趋丰富、作战空间日趋广阔，给态势要素的提取与建模表征带来了很大挑战。但传感数据的多样化与丰富化，给战争的深度理解又带来了无限可能，若能够将雷达点迹、图像视频等多模信息进行有机耦合，就可实现战场观测视角维度的去冗补盲，进而获得最全面的战场态势认知，因此，需重点研究跨模信息的智能数据表征方法，深度学习的高维、超强学习认知技术有望解决该问题。

3.2 不完备信息处理

在空海防御战争中，受探测干扰、战术欺骗等影响，战场态势会存在一定的不精确、不完备性，敌我都将面临被战争迷路笼罩着的不透明战场环境，可见双方更多的是不完备信息下的博弈对抗，无论是战争的效能分析或者是态势的认知反馈都会存在一定的滞后性。因此，需探索信息不完全情况下的智能态势认知技术，从当前不确定、不精确信息的处理来看，与环境可进行激励交互的的深度强化学习类技术有望解决该问题，实现空海防御战争下不完备信息的处理。

3.3 群体行为分析

在战场态势认知中，目标群体的综合行为分析更为重要，局限于单体行为分析一方面会浪费作战资源，另一方面也易被对手战术行为迷惑欺骗。单体行为通常受群体的指引，群体行为认知也是甄选核心关注目标，实现重点防御的前提与基础。在战场中为了能够更快获取态势指引，需重点探索战场作战单元的整体协作行为，并发挥网络共享、信息互补、要素耦合、群体合作等优势，实现群体协作行为的分析，因此，开展智能体群体行为研究，有望实现空海防御战场下目标群的综合态势认知。

3.4 小样本学习

空海战场样本数据困乏，难以给网络模型提供大数据支撑，是一直以来制约智能算法快速发展的关键所在，红蓝双方的智能对抗推演可在一定程度上模拟典型场景数据，但无论是真实性还是多样性，与真实战场数据相比都存在不小的差距，战场当中的偶发性、非对称性也都无法进行准确建模，使得战场智能技术研究仍是一个小样本学习问题。基于真实样本进行数据扩充，是目前样本学习技术探索研究的主流思路，因此，稀缺样本特征提取、生成对抗网络样本生成技术的结合发展有望解决该问题。

4 智能态势认知技术探索

针对空海防御信息化、智能化作战下态势认知所面临的严峻挑战，需在战场大数据挖掘分析的基础下，纳入以深度学习为代表的人工智能新技术，探究设计具备自学习、自适应能力的智能化态势认知系统，实现新时代空海防御下的态势精确解析与呈现。

4.1 基于深度学习的体系架构设计

基于离线训练与在线对抗，并结合智能技术的强学习优势，构建基于人工智能深度学习的体系架构，如图2所示，包括以下两点：

1）离线训练。首先通过深度网络对空海防御场景实测数据进行分析，实现战场数据的特性归纳与规律认知，其次通过仿真推演与对抗学习网络模型，完成数据驱动下的模型优化与持续升级。

2）在线实时对抗。在实际作战环境中，训练完成的模型接受战场实时传送的传感数据，自主实现目标类型、属性判别，威胁等级划分、行为意图推测、武器资源分配等相应功能，从而实现对战争的深度理解并在各环节实现相应应对举措。同时新的战场样本数据也会对模型进行实时优化，确保模型的不断更新。

图2 基于深度学习的态势认知体系架构设计

4.2 基于自编码器的跨域信息表征

跨域多模态信息具有复杂、高维度、计算量大、鲁棒性差、异构数据处理难的特征，基于简单的自编码器结构采用单一的信息通道，缺乏对不同模态不同时频域空间信息的交换，忽略了不同尺度的特征融合，其生成特征质量较差。因此，针对目标不同模态信息间具有高度相关性和互补性的特点，探索应用叠加去噪的深度神经网络分别表示每个模态，然后使用自动编码器融合成多模态表示。跨域多模信息精细化表征如图3所示。

图3 跨域多模信息精细化表征

语音、文本具有时间特性的数据，可通过LSTM网络模型深度剖析此类数据的依赖关联特性；视频图像等多维空间数据，可通过卷积神经网络实现高维度、精细化的特征解析与表达。然后，基于堆叠了多个自注意力层和前馈神经网络的Transformer 神经网络结构，将视觉、语言、点迹、文本等多模态数据处理成语言序列任务，通过自监督的方式从海量数据中学习出多模态的联合编码，实现基于自编码或者自回归的方式下充分的模态融合，产生高质量目标特征表示信息。

4.3 基于深度神经网络的智能识别

在空海防御战场环境下，许多特殊目标、如高超声速目标的出现及运动状态特性均具有较大的随机性，从而造成单辨识框架下的识别模型具有高动态不确定性。因此，首先基于所探索的表征技术将多维异构数据网络映射到统一特征空间，再通过智能型能够自主理解特征数据的相似性与差异性，从而提高判别能力。主要通过长期持续的离线学习获取训练好的编码网络，对多源数据处理得到了其特征特性，构造多任务深度孪生判别式网络，衡量任意目标特征向量之间的相似性，基于该类信息即可智能实现目标关联学习与分类。

4.4 模型、数据双驱动目标跟踪

传统的空海防御目标跟踪技术主要依赖规则、约束，受模型建立的主观因素影响，导致在复杂环境下航迹起始与虚假抑制不能兼顾、模型固定导致环境适应性差的问题，在传统融合算法中，每个环节使用的模型和约束都是相对独立的，且一旦确定就是固定不变的，无法具备多场景适应能力。纯粹依赖人工智能的多目标关联跟踪方法存在耗时时间长、可解释性差等问题。因此，探索基于认知态势反馈的模型动态优化与基于深度神经网络的规则在线拟合，研究基于模型、数据双驱动的智能多目标跟踪技术，综合利用模型驱动简单高效、数据驱动环境适应性强的特点，达到算法性能与运算效率的统一，完成复杂场景下多目标的精准、高效跟踪。

4.5 人机结合的不完备态势推理

在空海战场中不同平台的雷达、光电等多传感器探测信息会具有一定差异，且可靠度不同，甚至还会出现高冲突情况。因此，围绕跨域信息智能融合重要目标，需在战场态势认知中，有效发挥人的关键作用，同时充分考虑将两者结合能够实现对态势更全面准确的分析判断和推理。

利用目标历史活动数据，基于关联规则挖掘等大数据挖掘算法，对典型的目标群组织结构进行挖掘，构建覆盖重点目标群活动形式的目标群结构数据库。然后对整个监视区目标根据个体行为预测结果，结合空间位置、电磁频谱和属性约束进行综合聚类分析，初步获得子目标群。进一步根据挖掘的目标群结构数据库对聚类子目标群进行辨识，并将辨识结果反馈给个体行为推理环节，对聚类结果进行修正，往返迭代，最终实现聚类误差和辨识误差的联合优化。最后根据各子目标群辨识结果和之间的关联关系，进行高层约束推理，最终形成对整个战场监视区的态势解析。

4.6 空海防御样本数据生成

智能态势认知技术方法依赖于大量样本的数据驱动，通过对样本数据的高层特性提取与抽象分析，归纳出了数据间的内在联系与潜在客观规律。而数据样本集的建设工作通常分为：一是从演习对抗与实战环境中日积月累；二是利用仿真推演平台，结合专家系统与智能样本生成技术，针对典型的空海防御情景塑造出逼近真实数据的模拟仿真样本。

生成对抗网络是目前常用的一种智能学习算法模型，通过生成、判别器的耦合作用，挖掘出实测样本数据的内在分布规律，然后根据规律扩充大量与真实样本特性相同的仿真样本，因此可探索采用对抗式神经网络（Generative Adverarial Network，GAN）基于有限样本数据来生成更丰富的态势样本，从而构建多样化、多维化、多源化的空海防御战场数据集。

5 结论

在未来的空海防御战争中，智能化是其必然趋势，文章面向智能态势认知的需求与挑战，构建基于智能网络认识的总体架构，并探索突破基于GAN、卷积神经网络（Convolutional Neural Network，CNN）等深度学习模型的多项核心技术，为空海防御的未来智能态势认知技术演进提供了一定的支撑。

[1] 高晓阳，王刚. 基于深度学习的空天防御态势感知方法[J]. 火力与指挥控制，2018，43（8）：8-12.

[2] 郭圣明，贺筱媛，胡晓峰，等. 军用信息系统智能化的挑战与趋势[J]. 控制理论与应用，2016，33（12）：1562- 1570.

[3] 宋元，王永春. 海上防空作战态势估计理论及应用[M]. 北京：国防工业出版社， 2014.

[4] 朱丰，胡晓峰，吴琳，等. 从态势认知走向态势智能认知[J]. 系统仿真学报，2018，30（3）：761-771.

[5] 姚庆锴，柳少军，贺筱媛，等. 战场目标作战意图识别问题研究与展望[J]. 指挥与控制学报，2017，3（2）：127- 131.

[6] 张彬超，寇雅楠，邬蒙，等. 基于深度置信网络的近距空战态势评估[J]. 北京航空航天大学学报，2017，43（7）：1450- 1459.

[7] 赵冬斌，邵坤，朱圆恒，等. 深度强化学习综述：兼论计算机围棋的发展[J]. 控制理论与应用，2016，33（6）：701- 717.

[8] 郑书奎，吴琳，贺筱媛. 基于深度学习的兵棋演习数据特征提取方法研究[J]. 指挥与控制学报，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。

仲维彬（1977.05—），江苏海安人，硕士研究生，主要研究方向为信息系统总体与智能感知技术。