基于知识发现技术的海战场态势分析＊

林洪文 杨绍清

（海军大连舰艇学院信息与通信工程系 大连 116018）

1 引言

21世纪的战争是信息化的战争，信息化战争要求舰艇部队能够充分利用可以获得的各种信息资源，结合一定的战术知识，对战场态势做出迅速、正确的判断。目前，战场态势分析所用的知识主要来源于专家经验，这些经验对于态势分析有一定的指导意义，但远不能满足实战中态势分析的需要，这就要求利用其它方法和手段获取更多的知识。我军在作战和日常的训练过程中，积累了大量的战场目标、态势数据，这些数据里隐藏着许多作战知识，如何发现并利用这些知识是目前亟待解决的一个问题。

2 知识发现技术概述

2.1 知识发现的概念

数据库中的知识发现［1］（KDD.Knowledge Discovery in Databases）是从大量的、不完全的、有噪声的、模糊的、随机的原始数据中，提取隐含在其中的、事先未知的、而又潜在有用的信息和知识的过程，以满足用户对数据高层次而不仅仅是查询这样的低层次的要求，从而给人们提供所需问题的答案，提高信息的利用率。

2.2 知识发现的功能

知识发现的功能用于指定知识发现任务中要找的模式类型，典型的分为如下几种：

1）特征化和区分：数据特征化是目标类数据一般特征或特性的汇总；数据区分是将目标类对象的一般特征与一个或多个对比类对象的一般特性进行比较。

2）关联分析：若两个或多个变量间存在着某种规律性，就称为关联，关联分析的目的就是找出数据中隐藏的关联规则，如“航母⇒核潜艇（0.4，0.8）”就是一个关联规则，它表示若某个海域出现航母，则同时会出现核潜艇的概率为40%，而该规则的可信度为80%。

3）聚类分析：聚类分析客观地按被处理对象的特征分类，将具有相同特征的对象归为一类（簇），使同一簇中的对象彼此尽可能相似，簇间的对象尽可能不同。

4）分类：分类是找出一组能描述数据集合典型特征的模型或函数，以便能通过它们识别出未知数据的类别，即将未知数据映射到某个类别，如对于雷达侦测到的空中目标，可以根据它们的雷达回波大小、发现距离、飞行高度、飞行速度等特征进行判断，从而确定其类型。

5）预测：利用历史数据建立模型，再运用最新数据作为输入获得未来变化的趋势或者评估给定样本可能具有的属性值或值的范围。

6）时序分析：时序分析描述行为随时间变化的对象的规律和趋势，并对其建模。

7）孤立点分析：孤立点指数据库中包含的一些与数据的一般行为或模型不一致的数据。大部分知识发现方法将孤立点视为噪声或异常丢弃，然而，在一些应用中（如故障检测），罕见的事件可能比正常出现的事件更令人感兴趣。

3 战场态势分析

3.1 战场态势分析概述

态势分析［2～3］是对战场上战斗力量分配情况的评价过程。它通过综合敌我双方及地理、气象环境等因素，将所观测的战斗力量分布与活动和战场环境有机的联系起来，识别已发生的事件和计划，得到敌方兵力结构、部署、行动方向和路线的估计，指出敌军的行为模式，推断出敌军的意图，做出对当前战场情景的合理解释，并对临近时刻的态势变化做出预测。由上述定义可以看出，态势分析是对战场中战斗力量部署及其动态变化情况进行解释，推断敌方企图，预测将来活动，并提供最优决策依据与支持资源分配的过程。

真实环境下态势分析的对象是作战区域中随时间推移而不断动作并变化着的作战实体，态势分析实际上就是对这样一个动态变化的对象进行感知，并对提取出来的态势元素进行觉察、认识、理解和预测的处理过程。据此，可确立战场态势分析的三个功能模型：态势觉察、态势理解和态势预测。

1）态势觉察：根据战场态势分析的需要，对实时传感器航迹表中的数据进行处理，提取相关的态势分析数据，得到目标的基本态势数据，如目标的距离、方位、速度、经纬度、类型等。

2）态势理解：根据态势觉察信息，结合领域知识，对当前态势进行解释，用于判断敌方的战场部署和作战企图。

3）态势预测：在态势理解的基础上，对未来可能出现的态势情况进行预测。

3.2 战场态势分析面临的问题

信息化战争条件下的战场态势分析面临诸多挑战，主要有以下几个方面：

1）面对的数据量快速增长：随着C4ISR系统的发展和应用，人们获取信息的能力不断增强，这些信息涉及到战场的各个领域和环节，包括：战场环境、敌我双方武器装备、编制体制、作战理论、兵力部署、作战行动、火力运用等诸多因素。这些信息为指挥人员提供了丰富的战场信息，使得现代战场变得越来越透明，但随之而来的问题是指挥员也将被淹没在数据海洋中，变得无所适从。

2）信息不确定性增加：在实战中，由于传感器性能以及敌方干扰、欺骗等行为，使得获得的目标信息通常具有高度不确定性。在态势分析过程中，这种不确定性主要表现为以下几个方面：

·灰色信息：由于观测能力、传输误差、噪声等的影响，使得无法获得目标的全部信息或确切信息，而只能得到部分信息或信息的大致范围，如观察到目标的运动速度为［200，220］，表示目标的运动速度处于200～220之间的某个值；

·模糊信息：由于战场态势的复杂性，各目标特征界限不分明，导致无法准确确定目标的战术类型，如对某一批目标判断为战斗机、侦察机、轰炸机的概率分别为0.5、0.3和0.2。

·未确知信息：未确知信息表现为所掌握的信息不足以确定事物的真实状态和数量关系。如战场上可以同时获得多个目标的位置、运动状态等信息，但目标之间的联系，即群信息无法直接获得。

随着对不确定性信息认识的深入，人们已经意识到：如果忽略了不确定性信息，或不能对其进行科学的处理，将不能作出正确的决策，更不能科学地研究复杂的军事决策问题。

3）决策的时效性要求增强：信息化条件下，军队组织指挥和作战行动的节奏明显加快，各种作战样式转换特别频繁，战场态势瞬息万变。为了实现“先敌决策、快敌决策、高敌决策”的目的，时效性成了军事决策系统的必然要求。

4 基于知识发现技术的海战场态势分析

图1 基于知识发现的海战场态势分析流程图

利用知识发现技术的海量数据处理能力和方法多样的特点，将其应用于海战场态势分析过程中，可以为指挥员提供智能的、自动化的辅助手段，提高系统的智能化程度及决策科学性、时效性，从而极大地提高部队整体作战能力。

基于知识发现技术的海战场态势分析主要过程包括两个阶段，第一阶段为知识获取阶段，第二阶段为战场态势分析阶段，如图1所示。

知识获取阶段各模块的含义如下：

·海战场目标基本信息数据库：包括平时训练、演习、侦察获得海战场目标基本数据。

·发现数据库：对海战场目标基本信息数据库中的数据进行包括数据净化、数值化与特定转换等在内的预处理，形成发现数据库，以供知识发现过程使用。

·模式：利用知识发现技术对发现数据库中的的数据进行分析，挖掘隐藏在数据背后的规律，并以直观的形式进行表达，如分类规则：“IF飞行高度＝低AND飞行速度＝中THEN目标类型＝导弹”，关联规则：“航母⇒核潜艇（0.4，0.8）”。

·知识库：通过知识发现技术获得的模式，经过评估，可能存在冗余或无关的模式，这时需要将其剔除，剩下的模式就形成知识，进入知识库。

·基础知识库：由作战基本理论和作战理论经验总结构成。

·合成知识库：由通过知识发现技术获得的知识库和基础知识库构成。

在战场态势分析阶段，可以直接利用合成知识库中的知识对战场态势数据进行分析，如利用知识库中形如“IF飞行高度＝低AND飞行速度＝中THEN目标类型＝导弹”的分类规则对雷达目标的类型判别；在发现某一海域出现航母的情况下，根据关联规则“航母⇒核潜艇（0.4，0.8）”，加强对水下核潜艇的搜索；同时，还可以使用知识发现方法直接作用于战场态势数据，如利用的贝叶斯网络［4］、粗糙集［5］等方法，可以有效处理不确定数据，结合决策树［6］、神经网络［7］、遗传算法［8］等分类技术，可以对战场 上的目标进行识别；利用聚类技术可以对战场上的众多目标进行分群［9］，即将位置相近、类型相似，且执行相同任务的目标划分到一起，看作是一个整体，从而向指挥员提供简化的战场视图，以便于指挥员准确把握战场态势；利用神经网络技术，可以对目标的威胁等级进行判断［10］，辅助指挥员进行最优的火力分配；利用动态贝叶斯网络等推理技术，可以对敌方目标的战术意图进行推测［12］，为指挥员制定合理的战术对策赢取宝贵时间。

5 结语

信息化战争对军事决策提出了更高、更迫切的要求，基于知识发现技术的战场态势分析能够对海量的战场态势数据进行实时分析，获取其中的关键要素，为指挥员的决策提供辅助支持，从而极大地提高作战指挥效能和整体作战能力。

［1］唐晓萍.数据挖掘技术及其在指挥控制系统中的应用［J］.火力与指挥控制，2002，27（2）：35－38.

［2］孔祥忠.战场态势估计和威胁估计［J］.火力与指挥控制，2003，28（6）：91－94，98.

［3］王宝树，申屠晓锋.态势估计模型的研究与实现［J］.计算机工程，2004，30（11）：125－127.

［4］史志富，张安，何胜强.基于贝叶斯网络的多传感器目标识别算法研究［J］.传感技术学报，2007，20（4）：921－924.

［5］贺有，罗举平.基于粗集理论的雷达目标类型识别［J］.红外与激光工程，2007，36（增刊）：339－342.

［6］胡源，马鑫，王旭赢.基于决策树的雷达型号识别方法［J］.雷达科学与技术，2008，6（3）：161－164.

［7］白咸帅，王宏飞.基于BP神经网络的空袭目标识别［J］.舰船电子工程，2007，26（4）：133－135，194.

［8］沈明华，冯新喜，黄智颖，等.遗传算法在飞机目标识别中的应用［J］.系统工程与电子技术，2002，24（10）：28－31.

［9］李全龙，刘洪娟，余硌.基于聚类思想的战场群目标识别方法［J］.计算机工程，2007，33（15）：193－195.

［10］张发强，由大德，蒋敏.基于RBF神经网络的空袭目标威胁评估模型研究［J］.舰船电子对抗，2010，33（6）：85－88.

［11］罗勇，夏丹，徐丹.基于可靠性评估的维修诊断辅助决策系统研究［J］.计算机与数字工程，2011，39（1）.

［12］邓海军，尹全军，胡记文，等.基于 MEBN的战术意图识别［J］.系统工程与电子技术，2010，32（11）：2374－2379.