面向智能态势认知的战场数据编码描述方法论文

面向智能态势认知的战场数据编码描述方法

欧微^1,2易朝晖¹朱岑¹

摘 要 提出了一种面向时序特征的战场态势描述方法,旨在从复杂、异构、高维且快速增长的战场数据中提取关键要素,将其转化为面向智能认知模型的规范化输入,通过将战场环境、作战实体、作战任务等的静态属性和时序动态特征进行规范化编码,以有效描述战场态势关键特征,压缩编码长度并降低数据冗余,将所提面向时序特征的战场态势编码描述方法应用于智能态势认知模型,对于提高智能认知模型的鲁棒性和适用性,具有较强的实用价值.

关键词 智能态势认知,机器学习,时序特征,编码表达

随着信息技术的不断发展,大量侦察探测和传感设备应用于战场,大大提高了对情报侦察和战场数据的收集能力.然而面对海量、多源、复杂、异构且快速增长的战场态势数据,人类的认知速度和处理能力已很难跟上战场数据增长和变化的节奏^[1-2].如何应对瞬息万变的战场态势,实现智能化的战场态势认知,以辅助指挥员实时、高效、科学地进行决策,已经成为智能辅助决策的关键问题.智能化的战场态势认知,旨在将人工智能(Artificia Intelligence,AI)技术应用于指挥决策领域,辅助指挥员快速深度理解和透析战场局势,进而将信息优势转化为行动优势^[3].近年来,产生式规则^[4]、贝叶斯网络^[5]、模糊逻辑^[6] 和深度学习(Deep Learning,DL)^[7] 等AI算法在指挥决策领域得到了广泛的实践运用,智能态势认知技术被誉为未来“智能化战争” 的核心军事技术.

1 问题的提出

战场态势规范化描述、智能认知模型构建、输出模式空间表达,以及智能模型知识获取是实现智能化战场态势认知的关键技术^[8].智能态势认知模型主要基于贝叶斯网络、增强学习和人工神经网络等机器学习模型构建,近年来,随着深度学习理论^[7-9]在该领域的探索运用,智能认知模型的可靠性和科学性得到了很大的提升; 输出模式空间描述^[2,10] 主要用于界定智能模型的输出空间,即智能模型输出的结果表达何种涵义,模型输出边界的问题,实现模型输出结果与人类理解认知的有机结合,需根据具体问题科学界定,许多军事专家和学者进行了广泛探索; 智能模型的知识获取主要包括训练样本集构建、样本知识标注和模型训练优化等问题,在当前缺少大规模历史作战数据支撑的条件下,主要依托作战推演大数据实现,将对抗生成网络^[11]、增强学习^[12]和数据挖掘技术等相结合,自主生成训练样本和知识标签,已经成为一种科学可行的知识获取手段.战场态势数据的编码表达用于将复杂、异构、高维的战场态势数据转换为智能认知模型的输入信息,是智能化战场态势认知的基础.尽管以深度学习为代表的机器学习模型具有很强的特征表达、提取和抽象能力,但对于以矩阵或向量形式描述的战场态势数据,输入信息的维度及各维度属性的含义必须是固定的,这是智能模型正确理解和处理战场态势数据的前提.

战场数据涉及不同的作战地域、战场环境和任务背景,不同时空域内作战实体在数量、类型和交互关系等方面各异,不同作战实体在属性、状态、任务和行为等方面差异很大,因而战场态势数据的编码表达要远远复杂于Deep-Blue^[13]、AlphaGo^[14]、StarCraft^[15] 等AI 模型.因此,战场态势数据的编码表达方法,已经成为制约智能态势认知模型科学性与适用性的瓶颈问题.此外,战场态势演变是一个动态持续演变的过程,是敌我双方动态博弈的结果.各种侦察探测和传感手段投入战场,促使战场信息的“透明度”大幅增加,但动态对抗、隐真示伪贯穿于战斗进程,战场数据的真实性、完整性和确定性仍受到极大挑战;而且,态势认知不仅需要掌握当前战场局势,还需理解、透视战场态势的演变趋势.因而,基于连续多个时刻动态变化的战场数据来分析、理解战场局势及其演变趋势,有助于提升智能认知模型的可靠性.然而,当前大部分智能模型主要基于单一时刻的战场数据分析推测战场态势,局限性较大.因此,论文提出一种基于时序特征的战场数据编码方法,对连续多个时刻的战场态势数据进行规范化描述,通过统一编码表达构成智能认知模型的输入向量,进而提高智能模型的鲁棒性、准确性和适用性.

2 战场态势数据关键特征提取

2.1 战场态势数据关键要素分析

战场数据纷繁复杂、异构多元,要从瞬息万变的战场态势中实时高效地挖掘深层信息,进而实现智能态势认知,从海量战场数据中采集、提取关键特征尤为重要.论文提出的面向智能态势认知模型的输入信号主要包含以下几部分：

实验现场采用一台0.5t/h的蒸汽锅炉提供饱和蒸汽，锅炉所用软水来自于临时水箱，此次测试采用水箱容积法来计算新鲜蒸汽使用量，水箱液位测点布置见图3。测试期间关闭水箱补水阀和锅炉排污阀，测试开始及结束时的锅炉水位保持一致。

1)与特定时空域内相关仿真实体的类别、属性及实体间关系等信息,这些信息具有相对静态性,在短时间内变化不大,为避免信息冗余,对于每段编码,此类只采集一次;

2)特定时空域内战场环境信息,其中地形、地貌、天候、水文等信息具有相对静态性,对于每段编码也只采集一次;而电磁分布、电磁强度等战场环境要素对情报获取、信息甄别和指挥控制等持续动态地产生影响,为描述其动态变化特征,按时序连续采集多个时刻的状态特征;

表示实体k 在t 时刻的任务集;q ∈N ⁺,表示 维度.

2.2 战场态势关键要素规范描述

为描述上述需采集的各类特征信息,约定以下符号：

k 为实体编号,当前实体编号记为k =0.

t 为离散时间变量,T 表示在决策点之前采集信息的时刻数,t ∈T ,t ,T ∈N ⁺.

N_R 、N_B 分别表示采集数据时考虑红方和蓝方相关实体的数量.

z _{(k )}表示实体k 的类别,r _{(k ,k ′)}表示实体k 与k ^′之间的关系.

O = {o ₁,o ₂··· ,o_m },表示气象、水文、能见度等战场环境信息;m ∈N ⁺表示O 的维度.

A = {a ₁,a ₂,··· ,a_n },表示地形、地貌、高程等战场环境信息;n ∈N ⁺,表示A 的维度.

P _{(k )}表示实体k 的属性特征集;f ∈N ⁺,表示P _{(k )}的维度.

2.1 三组行上腹部手术患者手术时间、麻醉时间比较 三组患者手术时间、麻醉时间比较差异无统计学意义(P>0.05)，见表2。

b.The practice of making and serving tea is essential.(147)

表示实体k 在t 时刻的行为特征集;g ∈N ⁺,表示B ^{(t )}(k )的维度.

总之，格伦德曼认为，支配自然是人类基于自身利益考虑，在尊重自然规律的前提下对自然进行的理性支配。因此，“支配自然的概念只能被理解为有意识地控制自然的同义词”[8]2。在这种意义上，支配自然不但不是生态问题的根源，反而是解决生态问题的出发点。由此出发，格伦德曼进一步对马克思的“支配自然”概念乃至马克思的自然观进行了辩护，从而论证了马克思主义理论与生态思维的内在一致性。

3)当前仿真实体与相关实体的行为、状态和任务信息,由于单一时刻的状态、行为和任务信息很难描述实体的行为趋势和变化规律,按时序连续跟踪采集多个时刻,并进行统一编码.

为增强模型的适用性,使得模型可适用于各级指挥或作战实体认知局部或全局态势的需要,论文从单个实体的角度出发(包括指挥实体和作战实体),分析采集当前实体和特定时空域内战场环境、相关实体的属性、状态和任务等信息,作为智能认知模型的输入特征.首先,考虑到当前实体和相关实体的属性特征,以及当前决策目标和决策方案具有相对静态性,因此,首先采集这些信息并对数据进行整合,如图1所示.其中,提取的信息主要包括：1)当前实体的类别和基本属性; 2)相关实体的类别、属性及其与当前实体的关系; 3)地形地貌、气象水文等战场环境信息.将整合后的静态特征数据集记为S t ={st ₁,st ₂,st ₃,···},将其维度记为L_S ,则L_S 的计算如式(1)所示.

实行“双主体—1.5+1.5”联合办学，学校与企业基于互惠双赢的利益驱动机制，以同等身份共同制定和落实人才培养方案，共同进行教育教学管理，共同安排学生实习就业，共同加强“双师”教学团队的建设。学生前1.5年在学校进行专业基础课程学习，接受职业规划教育，提高基本专业素养；后1.5年在企业进行专业课程及实训课程学习，采用全实训方式、实际项目组织教学，按照企业管理模式进行教学及日常管理。

教师可从实验动物、观察指标和采取水样等三方面进行一定创新改进。实验动物可从金鱼拓展为水蚤，用水蚤代替金鱼有以下好处：成本更低；方便多次重复实验；学生在上个学期已经接触过水蚤，对水蚤已经有一定了解；通过观察水蚤心率来了解水蚤活动情况，以量化数据代替表象观察更具有说服力。采取水样方面也可不仅限于附近河水和不同比例不同pH的氨水溶液，也可拓展为含有不同污染物（如杀虫剂、洗涤剂等）的水样，帮助学生更直接体会到水质污染对水生小动物的影响。

E (t )表示t 时刻战场环境动态特征集;l ∈N ⁺,表示E ^{(t )}的维度.

对桩机进行移位时，应根据设计要求进行水泥浆的制备。先向干净的桶中加水，然后添加水泥与外加剂，启动搅拌机持续搅拌，待10～20min后，将桶底的阀门打开，放置孔径为0.8mm的筛网，完成过滤后使其进入到浆液池当中，再采用泥浆泵将其再次抽到筛网进行过滤，完成此次过滤以后准备在压浆过程中使用[3]。

提取t 时刻当前实体和相关实体的动态特征并进行整合,如图2所示.

3 战场态势时序特征编码方法

3.1 静态特征的提取与整合

表示实体k 在t 时刻的状态特征集;h ∈N ⁺,表示 的维度.

图1 静态特征数据提取与整合方法

3.2 动态的特征提取与整合

S t = ｛st ₁,st ₂,st ₃,··· ,st_Ls ｝用于描述编码时相关静态特征集,L_s ∈N ⁺表示静态特征集的维度.

实体的动态特征主要包括行为、任务和状态等信息.其中,对于实体本身而言,其任务通常是明确的; 而对于其他实体,特别是敌方实体而言,其执行的具体作战任务通常不完全为我方掌握.因此,在提取数据时,提取当前实体的行为、状态和任务信息,对于其他相关仿真实体,只提取其行为和状态信息.将整合后t 时刻的动态特征集记为其维度记为L_D ,则计算L_D 如式(2)所示.

图2 单帧动态数据提取与整合方法

3.3 时序特征整合与编码

采用与作战实体动态特征相同的时间周期和类似表征方法,对t 时刻战场环境中的相关动态特征E ^{(t )}进行整合.然后,对约定时间周期内的所有信息进行整合.将静态特征数据统一记为将整合后t 时刻的动态特征数据记为将S t 、Dy ^{(t )}与战场环境信息E ^{(t )}进行整合,然后统一编码,如图3所示.

战场环境主要采集包括地形、天候、风向、能见度和通视性等信息.在此基础上,对整合后的数据信息分别进行编码,然后将编码后各维度的信息加入到编码序列中,编码序列记为X = {x ₁,x ₂,x ₃,···},其维度记为L_X .则可计算L_X ,如式(3)所示.

可见,上述方法在抽取、整合相关实体、战场环境的静态特征数据、连续多个时刻的动态特征的基础上,按照数据采集的时序汇总整合,形成战场态势特征集向量,向量中的每一维度均具有固定的含义,既有效地采集、抽取战场态势及其演变趋势的关键特征并进行编码描述,又有效压缩了编码长度,降低数据冗余.

按经验数据，当轮胎式机器的行走速度V0为4km/h，割草机每吨重耗用的功率P0为1～2.3kW[4]，取割草机的质量约为35kg，工作时的行进速度V为0.5m/s，则割草机的行走所需的功率为

3.4 数据归一化处理方法

尽管进行了信息整合,但编码后的数据信息仍具有高维、复杂和异构等特点.在基于机器学习的智能态势认知模型中,需要对输入信息进行标准化处理,以提高智能模型的训练和计算效率.为此,论文采用极值标准化法,将x_i 数据标准化并放缩到[0,1]范围内,如式(4)所示.

其中,δ 为一个非常小的常数,以防止m_u =m_l 时分母为0(这里取δ = 10^-6);m_u 和m_l 分别表示在所有样本中第i 个维度出现的最小值和最大值;L 和U 分别表示编码序列在该维度上的期望上界和下界,这里分别取0 和1.可见,所提的基于时序特征的编码方法,可从高维、复杂、异构的战场数据中实时高效地提取关键要素并进行编码处理,然后通过将编码向量(矩阵)中的异构数据归一化到统一的度量空间,形成标准输入特征集,即面向智能认知模型的标准输入向量(矩阵).

4 结论

智能化的战场态势认知技术,是辅助指挥员快速透析战场局势、科学高效指挥决策,将信息优势转化为行动优势的关键技术.战场态势规范化描述与编码方法,旨在从复杂、异构、高维且快速增长的战场数据提取关键要素,并将其转化为面向智能认知模型的规范化输入,是实现智能化战场态势认知的基础.论文提出了一种面向时序特征的战场数据规范化描述方法,将战场环境、作战实体、作战任务等对应的静态属性和时序动态特征进行统一编码,以有效描述战场态势的关键特征并降低数据冗余度.所提战场数据编码描述方法已在智能态势认知模型中进行了实践应用,初步应用结果表明,所提编码方法科学、可行、高效,可有效提高智能态势认知模型的鲁棒性、准确性和适用性.下一步,我们将结合作战仿真系统和指挥决策平台,进行更深入的实践运用研究.

图3 面向时序特征的数据整合与编码表示方法

References

1 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)：1562-1571.

2 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.

3 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.

4 肖圣龙,石章松,吴中红.现代信息条件下的战场态势感知概念与技术[J].舰船电子工程,2014(11)：13-15.

5 卜令娟,刘俊,邱黄亮,等.战场通用态势估计本体模型的构建[C]//中国指挥与控制学会.第二届中国指挥控制大会论文集.北京：国防工业出版社,2014.

6 陈固胜.基于动态贝叶斯网络的战场信息预测与评估[D].南京：南京理工大学,2013.

7 海新,雷英杰.基于直觉模糊推理的态势预测方法[J].电光与控制,2011,18(4)：33-36.

8 SCHMIDHUBER J.Deep learning in neural networks：an overview[J].Neural Networks,2015,61：85-117.

9 OU W,GUO S M,LIU S J,et al.Study on battlefiel situation assessment model of simulation entity based on stacked auto-encoder network[C]//Theory,Methodology,Tools and Applications for Modeling and Simulation of Complex Systems.Springer Singapore,2016.

10 郭圣明,贺筱媛,吴琳,等.基于强制稀疏自编码神经网络的作战态势评估方法研究[J].系统仿真学报,2018,30(3)：772-784.

11 缪旭东,王永春.舰艇编队协同防空任务规划理论及应用[M].北京：国防工业出版社,2013.

12 CRESWELL A,WHITE T,DUMOULIN V,et al.Generative adversarial networks：an overview[J].IEEE Signal Processing Magazine,2018,35(1)：53-65.

13 GERSHMAN S J,DAW N D.Reinforcement learning and episodic memory in humans and animals：an integrative framework[J].Annual Review of Psychology,2017,68(1)：101-128.

14 NEWBORN M.Deep Blue's contribution to AI[J].Annals of Mathematics and Artificia Intelligence,2000,28(4)：27-30.

15 陶九阳,吴琳,胡晓峰.AlphaGo 技术原理分析及人工智能军事应用展望[J].指挥与控制学报,2016,2(2)：114-120.

16 ADIL K,JIANG F,LIU S,et al.State-of-the-art and open challenges in RTS game-AI and Starcraft[J].International Journal of Advanced Computer Science＆Applications,2017,8(12)：16-24.

Description and Coding Method of Battlefiel Data for Intelligent Situation Cognition

OU Wei^1,2 YI Zhao-Hui¹ ZHU Cen¹

Abstract A method of battlefiel situation description based on sequential features is proposed,which aims at extracting key elements from complex,heterogeneous and high-dimensional battlefiel data,and transforming them into standardized input information oriented to intelligent cognitive models.The static attributes and sequential dynamic features of battlefiel environment,combat entities and battle tasks are normalized and encoded.Thus,the key features of battlefiel situation are effectively described,the coding length is compressed and the data redundancy is reduced.The proposed battlefiel situation description method for time series features is applied to the intelligent situation recognition model,which has strong practical value for improving the robustness and applicability of intelligent situation recognition models.

Key words intelligent situation cognition,machine learning,sequential features,coding method

引用格式 欧微,易朝晖,朱岑.面向智能态势认知的战场数据编码描述方法[J].指挥与控制学报,2019,5(1)：69-73

DOI 10.3969/j.issn.2096-0204.2019.01.0069

收稿日期 2018-09-25

Manuscript received September 25,2018

国家自然科学基金(61273189,71401168)资助

Supported by National Natural Science Foundation of China(61273189,71401168)

1.陆军边海防学院乌鲁木齐校区新疆乌鲁木齐830002 2.国防大学联合作战学院北京100091

1.The Border and Coastal Defense College,Urumqi Xinjiang 830002,China 2.Joint Operations College of National Defense University,Beijing 100091,China

Citation OU Wei,YI Zhao-Hui,ZHU Cen.Description and coding method of battlefiel data for intelligent situation cognition[J].Journal of Command and Control,2019,5(1)：69-73

欧 微 (1983-),男,博士研究生,讲师,主要研究方向为作战模拟与智能决策.本文通信作者.E-mail：31484262@163.com

易朝晖 (1973-),男,硕士研究生,讲师,主要研究方向为合同作战、作战模拟.

朱 岑 (1969-),男,硕士研究生,副教授,主要研究方向为作战指挥、合同战术.

标签：智能态势认知论文;  机器学习论文;  时序特征论文;  编码表达论文;  陆军边海防学院乌鲁木齐校区论文;  国防大学联合作战学院论文;