基于深度学习的空天防御态势感知方法*

高晓阳，王 刚

（空军工程大学防空反导学院，西安 710051）

0 引言

传统的专家系统、模板技术、多代理规划识别、模糊逻辑、遗传算法和贝叶斯网络等方法依赖人的经验，缺少对数据的深入挖掘处理，面对高对抗、高实时、数据爆炸的现代化信息战场中复杂的战场态势信息，难以形成及时、准确、全面的态势处理结果供指挥员指挥决策。因此，亟需寻求新的方法和技术，以应对大数据战场对态势感知的要求。

深度学习是人工智能研究热点领域之一，其在军事领域应用的研究如火如荼。文献［4-6］分别将深度学习方法应用实际中，取得了优于传统方法的效果，展示出深度学习方法的巨大优势和广阔应用前景。本文基于对空天防御态势感知面临的威胁和挑战，以及未来态势感知能力需求的深入分析，提出将深度学习用于战场事件的特征提取，实现态势觉察、理解和预测，为未来空天防御态势感知智能化发展提供了全新的思路。

1 空天防御作战态势感知面临威胁与挑战

态势感知最初是用于研究飞行员对当前所处飞行状态的认识和理解［7］。之后，美军不断探索将态势感知系统投入战场使用并不断进行改善，在美军C2BMC［8-10］系统中，态势感知作为系统的核心功能，提供有关BMDS总体状态及其拦截各类威胁的能力的信息，将作战、情报和后勤信息综合成一套公共的信息、数据和需求，供弹道导弹防御系统共同使用。

在空天防御作战中，态势感知的主要任务是将空天防御战场中敌方的空袭行动信息进行分析融合处理，形成对当前战场态势的理解，并为各级指挥员呈现出来，为指挥员指挥决策提供依据。

1.1 空天防御作战态势感知面临威胁分析

信息化条件下的空天防御态势感知面临着较为严峻的威胁。

1）电磁环境日趋复杂。空天防御作战中电磁对抗激烈，复杂的电磁环境对传感器目标探测、系统目标跟踪和目标拦截产生了强烈的干扰，使得态势感知难以获取正确、全面、可靠的战场数据信息。

“双一流”建设背景下，学科建设与发展成为各高校科研管理机构的重中之重，学校的学科体系调整与建设都以争创一流学科为目标，图书馆作为学科发展基础体系的关键要素，文献资源体系建设要紧跟学科规划与发展的步伐，进一步提升对一流学科建设的支撑力度。因此，健全完善学科电子资源建设与服务体系势在必行。

2）新型装备和武器系统性能不断提高。随着军事科技的发展，临空超高声速飞行器、隐身飞机等一系列新型装备不断投入战场使用，空袭目标速度更快、机动性更强，极大压缩了态势感知处理的时间。

3）低成本、饱和式集群战术再次成为重要发展方向。现代空袭作战通常是多种空袭武器的联合使用，配合相应的战术，极大地发挥武器效能，对空天防御作战系统产生全方位、多维度、高饱和的压制性进攻。低成本、饱和式的集群攻击对防守方的雷达传感器系统、信息融合处理系统产生巨大的压力，增加了信息处理的难度。

1.2 空天防御作战态势感知面临挑战分析

现代空天防御作战呈现出高实时性、高对抗性的特点，敌方不断升级的武器系统、先进的战术和复杂的电磁环境使得战场形势瞬息万变、更加复杂，传统的以指挥经验为主的战场态势感知方式已经难以胜任现代空天防御战场态势感知的需求，态势感知面临严峻的挑战。

1.2.1 态势感知面临着超饱和处理能力的挑战

传统的态势感知方法对战场实时数据处理简单，同时缺少对历史数据的挖掘处理，处理的数据规模较小且结构单一。信息作战条件下，空天防御作战已经步入大数据时代，相比于传统战场，大数据时代的空天防御作战战场数据呈现爆炸式增长，数据规模大、增长快、结构复杂，战场呈现复杂系统的特点［1，11-12］，相比于抽样数据，对全部的战场数据进行处理，更能全面了解复杂战场态势，发掘隐藏在原始数据中战争规律和本质，能帮助指挥员更加准确更加全面地把握战场整体态势。

1.2.2 态势感知面临高实时性处理能力的挑战

信息化背景下的空天防御战场呈现出高实时性、高对抗性的特点。在美军BMDS系统中，指挥员通过C2BMC系统将传感器、拦截武器系统联网，实现传感器到射手的一体化，极大地加速了OODA环的闭合，提高了反导作战效能，大大改善了防御行动处于完全被动的境地。在空天防御作战中，态势感知需要提高数据的处理能力，实现对高实时性动态数据的处理，帮助指挥员及时掌握当前战场态势，将数据与信息优势转换为决策优势，满足空天防御战场高实时性、高对抗性的需求。

1.2.3 态势感知面临着高精度处理能力的挑战

信息化空天防御战场中敌我双方干扰、欺骗的对抗手段不断升级，对手通过各种干扰手段、欺骗性战术行为产生大量蕴含虚假信息的数据，从而达到欺骗指挥员，隐藏真实作战意图的目的。态势感知就是要帮助指挥员拨开“战争迷雾”的遮挡，通过对数据信息的交叉复现、融合处理，实现对战场信息的“去伪存真”，为指挥员提供更加真实、更加准确的信息处理结果。

2 空天防御作战态势感知能力需求分析

面对大数据时代空天防御战场中态势感知面临的威胁和挑战，态势感知需要提高历史数据挖掘能力、态势处理、敌方作战意图和战场态势等多方面的能力，实现对战场大数据深入挖掘分析，全面提高数据处理的容量、速度和数据处理结果的精度，为指挥员指挥决策提供可靠依据。

2.1 大容量、多维度历史数据挖掘能力

传统基于指挥经验的空天防御作战态势感知方法缺乏对历史数据的充分挖掘处理。这种方法主要依赖指挥员经验，难以对战场有全面客观的描述。而空天防御战场中积累的海量历史数据和仿真数据提供了不同角度的战场信息，实现了对战场整体的反映［13］。通过空天防御战场大容量、多维度历史数据的挖掘，分析数据之间和战术行动之间的关联关系，实现对来袭方作战规律的把握和作战意图的推理。帮助指挥员实现对当前态势正确、全面的理解，为态势预测和指挥员指挥决策提供有力支撑。

2.2 高实时性多源信息处理能力

空天防御战场中，预警卫星、无人侦察机、侦察雷达以及各类战场传感器源源不断地向态势感知系统传送海量的高实时性的战场数据和情报信息。这些数据和信息结构各异、维度不同，传达的内容相互交叠、相互补充、相互排斥。通过对空天防御态势感知系统对实时多源异构数据的融合处理，从不同维度、不同角度对数据进行交叉复现，能够实现对战场整体态势和战场事件更加真实全面的描述，同时更加准确判断、剔除虚假信息，提高态势感知的处理精度。

2.3 敌方作战意图和战场态势预测的能力

态势感知最主要的环节是对敌方意图的预测和对战场整体态势的预测。根据当前来袭方的作战行动，结合相应的情报信息，对敌方攻击意图、作战计划等进行合理预测，指挥员能够更加及时、准确把握当前战场态势，并据此进行指挥决策，将数据优势转化为决策优势。

3 基于深度学习的空天防御作战态势感知体系架构

信息化条件下的空天防御作战态势感知面临严峻的挑战，对态势感知的能力提出了更高的要求。大数据时代下的空天防御战场，亟需具备自学习、自适应能力的智能化态势感知系统的支持。以深度学习为代表的人工智能方法所展现出的在军事领域的应用潜能，为空天防御作战态势感知的研究提供了新的思路。

3.1 深度学习基本原理与分析

深度学习的本质［14-18］是含有多个隐层的人工神经网络。深度学习强调“端对端”的学习，通过层级连接对原始数据进行学习，逐层抽取学习特征，实现对信息的非线性处理，完成对原始数据的表示学习。深度学习采用无监督逐层训练的方法，避免了梯度弥散问题和陷入局部最优的问题。

深度学习的突出优势是对大数据的自主特征提取和聚类分析。深度学习的优势在实际应用中取得了很好的效果。其中最具代表性的AlphaGO［19-22］采用的核心技术是深度学习。通过深度学习对棋局特征进行提取和分析，实现对棋局整体态势的把握和对对手下一步行动的预测。

空天防御态势感知的实质是对战场整体态势的感知和预测。尝试将深度学习用于态势感知之中，通过深度学习对空天防御战场事件特征进行提取，实现对战场态势的认知和理解。

3.2 基于深度学习的态势感知体系架构

结合深度学习的原理和优势，根据空天防御态势感知任务和能力需求，构建基于深度学习的态势感知体系架构，如下页图3所示。基于深度学习的态势感知体系架构主要分为线下学习和在线学习、对抗两部分。

线下学习。首先对空天防御作战态势感知样本数据库进行挖掘处理，提取空天防御战场问题特征，挖掘战场作战行为模型，形成作战行为模式库，通过对作战行为的时空特性分析，了解战场作战行为，实现对战场规律和规则的认知掌握。在此基础上，进行战场的仿真推演，通过深度学习自我博弈、和指挥员的博弈，对博弈结果进行评价认知，实现深度学习模型的自我学习、升级。

在线学习、对抗。在实战对抗中，基于深度学习的态势感知模型通过各类传感器获得实时战场数据，通过对数据的特征提取、聚类分析，实现对战场事件的认知理解，在实际对抗中，结合模式匹配和行为关联分析，根据战场规律和作战条令，对敌方的攻击意图预测、战场态势预测、威胁判断，提出防御作战方案，并对防御方案进行仿真推演，评价各个方案可能对态势产生的影响，进行方案调整。同时完成了对态势感知模型的更新。最后由指挥员进行选择决策。在线学习、对抗的整个过程中，各个处理环节的处理结果均是可视化地呈现给指挥员，便于指挥员更加清晰、全面把握战场态势。

4 基于深度学习的空天防御态势感知的关键技能分析

4.1 深度学习数据样本集构建技术

深度学习是由数据驱动的，以数据本身的客观规律为基础，对数据进行表示学习。深度学习输入数据的质量决定了输出结果的合理性。因此，需要构建完备合理的数据集。

用于基于深度学习的态势感知模型学习的数据获取主要有3种途径：一是从空天防御实战或演习中通过各类传感器获得的真实战场数据；二是通过人在回路的仿真推演中生成的仿真数据；三是军事专家针对空天防御战场中态势感知特定研究问题，利用作战模拟系统生成的数据样本。对数据的收集强调时间、维度、类型等范围的全面拓展。力求构建多样化、多维化、多源化的空天防御战场数据集。

4.2 自适应态势感知模型构建技术

空天防御战场具有高实时性、高对抗性和不确定性等特点，基于深度学习的态势感知模型需要具有在不确定环境和不完备信息条件下的自适应能力，实现意图预测、威胁判断、效果评估等战场态势的特征认知、理解和推理［23］帮助指挥员拨开“战争迷雾”。

一是利用大样本数据集深入挖掘作战行为模式，理解不同作战行为在时空尺度上的关联关系，实现对作战行为认知和意图预测技术的突破。二是通过加入注意力机制，结合增强学习［24，26］、迁移学习、对抗网络等学习方法，优化复杂环境下的博弈策略，增强战场特征理解的鲁棒性。三是结合超实时仿真技术，模拟态势感知过程，提高模型的泛化能力。通过3种渠道，提升深度学习模型在复杂环境下的自适应能力，提高认知、预测、推理的合理性。

4.3 态势感知人机协同智能交互技术

基于深度学习的态势感知模型就如同指挥员的“外脑”，人机协同智能交互技术就是实现人脑和“外脑”的有效交流。

指挥员通常是依据经验式思维模式进行指挥控制。实现人机高效交互，需要实现计算机对人脑关于演化规律和行为模式描述的模拟，例如，构建作战行为模式库，采用神经图灵机和注意力机制等。

深度学习是对战场关键信息特征的自主抽取和聚类分析，但是战场特征数据复杂多样，并且基于深度学习的态势感知模型还要实现对意图预测、威胁判断、防御评估、效果评估的表示。因此，需要形成可量化、统一的知识表示，既能够实现对不同模态数据之间的知识共享，又能够客观、准确地反映对抗、整体、动态的体系效能，便于指挥员理解。

5 结论

空天防御态势感知智能化是未来战争发展的必然趋势。面对当前态势感知面临的严峻威胁和挑战，本文基于未来空天防御态势感知能力需求，提出了将深度学习用于态势感知中，构建了基于深度学习的态势感知体系架构，并分析了应用中的关键技术，为未来空天防御态势感知智能化的发展提供了一种新的思路。