王 闯,李 松,姜浩博,刘家义
(1.空军工程大学研究生院,西安 710051;2.空军工程大学防空反导学院,西安 710051)
在信息化协同作战的背景下,防空反导战场态势空间已经拓展成为陆、海、空、天、网、电的六维态势空间,战场空间的拓展使得战场态势的空间复杂度大幅提升;敌方多层次、全方位、饱和式的攻击,使得战场态势数据呈现原子裂变式的增长。由此产生的信息过载问题阻碍了指挥人员对战场态势的判断以及指挥决策的速度,也极大地影响了OODA环的闭合速度[1-3]。
传统的战场态势估计方法中,以层次分析法、主成分分析法、粗糙集、熵理论为代表的线性加权方法存在过度依赖专家经验,主观色彩浓烈的缺点;以模版TOPSIS 方法、模糊集理论、贝叶斯网络、D-S 证据理论为代表的非线性态势评估方法存在着输出结果单一、不确定性强、失真度高的缺点[4]。因此,发展能够准确、实时、全面的分析处理战场态势的新方法、新技术成为信息时代防空反导战场态势估计的必然要求[5]。
信息化时代的来临,语音识别、人脸识别等智能技术的应用使得智能技术突飞猛进地发展,应用深度强化学习、神经网络算法、支持向量机等人工智能技术可以完美地解决复杂图像的识别与特征提取、目标的分类与跟踪、多任务的路径规划等一系列问题;应用小样本分析技术,在少量的战场态势数据中发掘其中深层次的特征信息,解决智能算法训练样本稀缺问题;应用网络中心战及云计算理论能更快地对海量的态势数据进行整合、共享,解决海量态势数据处理难、共享难的问题。人工智能技术的发展以及各种战争实例、战术演习积累了大量的相关战场态势的数据样本,给防空反导智能战场态势估计的实现提供了可能。
本文从Endsley 态势估计的三层模型及OODA环理论出发,建立防空反导智能战场态势估计的系统模型,针对防空反导战场态势估计智能化发展面临的若干关键问题进行了研究,并提出了解决相关问题的技术路线。
战场态势是指作战双方各要素(主要包括兵力部署情况、装备情况、地理环境、天气条件等)的状态、变化与发展趋势[6]。态势估计最早表示飞行员对当前飞行状态的认识和理解,后来经过社会发展态势估计得到了广泛的发展及应用,内含不断丰富。战场态势估计是根据参战各方力量部署、作战能力、效能对战术画面进行解释,辨别敌方意图和作战计划的过程[7]。
美国1973 年就开始了战场态势评估方面的研究[8],20 世纪80 年代,美国国防部实验室联席理事会(Joint Directors Laboratory,JDL)提出了态势估计的JDL 模型,正式开启了战场态势估计的体系化、模型化研究。1988 年,恩兹利提出态势估计是对一定时间和空间环境中的元素的估计,对它们的含义的理解,并对它们稍后状态的投影[9];同年,Fracker也从飞行员关注区域知识角度出发对战场态势进行了定义和评估[10]。在态势估计的众多定义中,Endsley 于1995 年提出的三层态势估计模型得到广泛的认同,Endsley 态势估计模型成为当前态势认知领域态势估计研究的基础,Endsley 从人的思维逻辑角度出发,侧重人在态势估计过程中的影响和干预作用,将态势估计定义为态势察觉、态势理解、态势预测的三层态势估计模型[11]。其相互关系如图1所示:
图1 三层态势估计关系模型
其中,态势察觉是对战场态势要素的观察获取,是整个态势感知过程中的首要任务[6],态势察觉过程将整个战场区域中的敌我双方的人员编成,人员状态、战斗部署、火力配置以及自然环境因素等诸多因素的精确信息提供给指挥员,辅助指挥员全面掌握关键战场态势信息。
态势理解是将获得态势要素结合专家知识对当前的态势进行理解,分析当前敌方战斗意图。
态势预测是态势理解的继续,在前两阶段掌握了大量的态势信息以及对当前态势进行合理分析理解之后,推测未来一段时间态势的发展趋势以及敌方下一步行动及意图。
防空反导战场态势是指敌对双方防空反导力量部署和行为所形成的状态和形势。具体来说,防空反导战场态势即整个防空反导战场的状态和形势,包括整个战斗或战役过程中,在一定的作战区域内分布的敌我双方的人员、装备的部署情况(人员数量,战斗热情、精神状态,技术及作战能力情况,武器装备的部署位置、数量、作战性能及保养状态等)、气象、水文、地形等诸多态势要素的总和[5]。防空反导态势要素的构成如下页图2 所示。
态势估计的过程往往嵌套在整个作战指挥的过程中,根据John Boyd 的作战指挥理论,可以将作战指挥的过程抽象为观察(Observe)、判断(Orient)、决策(Decide)和行动(Act)4 个有序循环的过程[12],即OODA 环理论,如图3 所示。
图2 防空反导态势要素构成
图3 OODA 环理论模型
防空反导战场态势察觉、态势理解、态势预测这3 个阶段在OODA 环中对应观察和判断。因此,在OODA 环的闭合回路中表示防空反导态势估计的过程如图4 所示。
大数据时代背景下,指挥员的理解认知能力已经难以处理海量、高维、多源、异构、复杂的战场态势信息,将人工智能技术用于处理瞬息万变的战场态势,可以从海量的态势数据中提取态势要素特征,深入学习、挖掘其中蕴含的深层次信息,实时准确地完成复杂的大数据分析计算,提供给指挥员可行的作战方案,实现提高指挥决策的效率,从而获得战争主动权。
防空反导智能化战场在传统战场的基础上,战场空间得到极大扩展,战场上以具有类似于人类“意识”利用人工智能技术开发和实现的,能够自主完成侦查、搜索、识别、瞄准、攻击、制定作战方案、自主决策实施任务计划的智能化防空反导武器装备为主导,攻防双方大量应用人工智能技术和智能的武器装备系统,进行攻防对抗的承载战争的一定空间区域,因此,智能化战场是智能程度较高的信息化战场,是处于高级阶段的信息化战场[13]。
防空反导智能战场态势估计就是整个防空反导智能化战场的战场态势评估环节,人类感知、识别、思考、理解、推理的过程由智能系统来完成,以此将人从繁重的信息收集、分析、推理任务中解放出来。防空反导智能战场态势估计系统模型如下页图5 所示,该模型主要分为防空反导战场智能态势模型学习、人在回路的智能态势分析处理、智能评价系统、人机交互的可视化态势展现4 个部分。
图4 防空反导态势估计的过程
1)线下学习的防空反导智能态势模型学习。兵器推演、实战、演习数据库是分析理解战场态势的宝贵数据资源,通过线下的深层神经网络学习技术进行特征提取和训练,能够建立强泛化性能的战场态势模型,充实专家系统和规则库,为防空反导战场态势的分析、理解、预测提供有效依据。
2)人在回路的智能态势分析处理。指挥员不再承担防空反导态势估计过程中的数据计算、形势分析、作战方案谋划等繁杂工作,系统中以网络为中心的通信链路获得实时、可靠、一致的态势数据,并应用云计算的大数据并行处理能力,解算高维态势数据,通过卷积神经网络、深度学习等手段提取防空反导战场态势的关键特征,依据规则库中的推理规则,结合证据理论、模糊推理、知识图谱等手段推测未来一段时间态势的发展趋势以及敌方下一步行动及意图,生成多种可供选择的作战预案。
3)智能评价系统。将防空反导智能战场态势估计生成的多个作战预案送入评价系统进行方案间的自我博弈,通过深度和广度搜索对方案进行评比打分,形成智能辅助决策结果。
4)人机交互的可视化防空反导态势估计展现。将防空反导态势估计的各环节多层次、全方位地展现,给指挥员身临其境的人机交互体验,引入注意力机制有针对、有重点地推荐指挥员关注的态势信息,提高决策指挥效能。
随着信息化、智能化时代的来临,战争的形式发生着巨大的变革,以人为中心,指挥员全面参与协调指挥的防空反导态势估计模型框架,已经难以适应当今防空反导态势智能化的发展;面对防空反导战场上战争“迷雾”的干扰,全方位、立体化的饱和攻击手段,指挥员在整个战争中认识和掌控战场信息方面存在着巨大的信息过载。要实现防空反导智能战场的态势估计,就要革新态势估计目标模型,增强态势数据的获取、处理、认知能力以及态势的一致描述能力等,推动防空反导战场态势估计朝着智能化、信息化方向发展。
对于未来防空反导态势的发展要求,为了更全面、系统地对防空反导态势目标进行描述,就需要研究多属性目标的建模问题。
图5 防空反导智能战场态势估计模型
事实上,在防空反导战场上,敌方突防武器大体可分为弹道目标类武器和气动目标类武器[14],气动目标类武器又可分为战斗机、舰载机、加油机、预警机、远程轰炸机以及无人机等几十种,每种类型的飞机又可分为几十甚至几百种不同任务划分的飞机,对于弹道目标类突防武器更是种类繁多。同时,每种突防武器还有国别、飞行高度、速度、机动性能、攻击效能等一系列特征属性信息。几种、几十种、甚至几百种气动和弹道类目标进行协同攻击时,仅仅依据单一目标的速度、方位角、距离等简单的属性信息进行态势的分析判断,带有片面性、不足以对智能化防空反导战场环境下多属性目标进行描述。在没有高效的多属性目标模型辅助分析时,实时分辨来袭目标的各种属性信息,进而对其极性威胁估计十分困难;仅凭某一个或者某几个指挥员的认知能力处理这样纷繁复杂的数据,也是不切合实际的。在防空反导这场快棋赛中多属性目标的建模问题已成为当今防空反导态势研究亟待解决的问题之一。
依据当前防空反导态势,智能地分析、理解、预测未来战场态势,需要解决大量的态势知识样本作为智能算法的训练支撑,而防空反导战场特殊的性质决定其态势知识样本严重缺失。
1)获取态势知识样本难,战场中的弹道类目标和气动类目标飞行速度往往超过几倍音速,目标不易捕捉,难以对其有效特征进行识别,导致战场上难以获得足够的态势知识样本。
2)态势知识样本积累少,国内防空反导实战经验少,仅分析研究国外战争,只能从表象上分析战争动态及结果,缺乏深层次的态势数据支撑。
3)态势知识样本真实性不足,实兵演练能够获得一定的关于武器装备性能,作战人员能力、环境等一系列战场态势知识样本,但是,实兵演练并不是真实的战场,其随机性、不确定性、战场空间维度远远小于真实战场。
有限的防空反导态势知识样本,导致指挥员缺乏对战争态势判断的先验知识的同时,也导致依赖大量样本训练的人工智能的机器学习算法难以收敛,难以达到预期的特征提取、分类以及预测的效果。
在现代化信息条件下协同作战的背景下,态势数据的处理能力面临两大挑战。
1)海量态势数据处理。任何战场都不再是单一的战场空间组成,当下防空反导战场态势空间已经拓展成为陆、海、空、天、网、电的六维的空间,战场空间的拓展使得战场态势的空间复杂度大幅提升,场态势数据空前庞大,已经远远超出指挥员乃至人类能够凭借自身脑力记忆、理解、分析的范围。敌方多层次、全方位、饱和式的攻击,使得战场态势数据呈现原子裂变式的增长。由此产生的信息过载的问题极大地阻碍了战场上指挥人员对战场态势的判断以及指挥员决策的速度,极大地影响了OODA 环的闭合速度。
2)不平衡态势数据处理。指挥中心收到各个雷达站,前沿观察哨获得的态势数据往往集中在态势的某一个或某几个特征,而一部分重要的态势数据量很少,这种不平衡的态势数据分布,给防空反导态势的数据处理提出了更高的要求。
防空反导态势认知是防空反导指挥控制系统的核心,主要是指挥员对防空反导战场态势的理解、预测以及决策过程[15]。态势认知的行为主体是人,而防空反导战场态势智能认知是对指挥员认知能力的智能延伸,即通过机器或智能算法等手段进行对战场态势进行理解分析、推理决策[16]。
目前,空中目标愈来愈呈现小型化、低空化、隐身化,给传统的防空反导系统发现、跟踪、摧毁来袭目标带来了十分巨大的麻烦,导弹等飞行器向着临近空间发展、智能化的突防武器机动性强、隐身效果好、抗毁性高,使得受攻击方极难预测防御;同时,各种类型的无人机等无人作战手段灵活性高、隐身性好、突防能力强,增加了空域的管控难度,为了能够及时有效地发现跟踪目标,并根据已有的经验数据对来袭目标下一时刻意图进行及时、准确地推理预测目标意图,防空反导态势的智能认知能力成为打赢未来智能化战争的重中之重。
当今信息化战场背景下,防空反导战场的激烈对抗导致战场态势的绝对不一致性,表现在两个方面:
1)防空反导战场态势信息不一致。雷达站使用不同的测量仪器在不同时刻、坐标、观测精度下获得的战场态势信息数据的格式往往不一致,而且在数据传输汇总到指挥控制中心的过程中,信息编码和解码方式的差异也会产生不一致的战场态势。
2)防空反导兵力部署不一致。在真实的战场中,不同军兵种的作战活动、面对事件、集结位置、装备配置情况等诸多因素的不同,以及通信异步、装备种类的不同、不同兵种协同等产生的“烟囱”效应,使获得完整、正确、连续、及时的战场多元态势信息十分困难[17],难以加强兵种间协同作战,导致整个防空反导战场上仍存在孤军奋战,各自为营的现象。
表示学习技术,即将知识表示成容易被计算机理解应用的形式,表示学习的方法包括语义网络、空间状态、谓词逻辑、面向对象、产生式系统、RDF(Resource Description Framework)和W3C 等方法[18]。其中RDF 表示方法得到了普遍的接受,RDF 表示方法将知识表示以三元组的形式,即每个知识可以表示成主谓宾的形式。RDF 表示方法可以将防空反导战场的态势知识表示成简单的语义,但是,在表示复杂态势知识时,难以全面有效地表示。W3C 表示方法对RDF 进行了扩展,弥补了RDF 在表示复杂知识上的不足。
可视化技术,包括图像处理技术、三维成像、VR(Virtual Reality)、AR(Augmented Reality)等技术。在防空反导态势估计的态势察觉过程中,期望获得敌方来袭目标的多个属性的详细表征,针对多批量多属性动态目标的态势显示问题,通过结合高性能的GPU 的并行图像处理技术,可以有效地提高防空反导态势的显示效率,实时、可靠、直观地将当前防空反导态势显示在指挥员面前,同时有助于提高指挥决策效率。三维可视化动态显示、VR、AR 等技术的综合应用,结合计算机、电子信息、仿真技术以及AI技术等先进科技,建立三维的防空反导战场态势空间模型,利用计算机仿真,将虚拟的信息在真实的空间呈现,生成虚拟的战场环境,给指挥员近乎真实的战场体验。通过反馈机制评价表示学习过程建立的多属性目标的模型是否有效。
因此,使用表示学习技术,三维立体可视化、VR、AR 技术有望解决多属性目标的建模问题。
小样本学习技术(Few-shot Learning)只需要少量的样本就能快速学习,是一种举一反三、触类旁通的高效学习方式。最新的小样本学习技术主要有度量学习、数据增强学习、基于语义的学习等[19-22]。
4.2.1 度量学习
度量学习是利用局部特征来映射整个嵌入特征空间,在这个嵌入特征空间中同一类特征间的距离相对较近,不同类别特征之间距离相对较远,使用这种距离上的远近来区别未见过的目标类别。即对防空反导战场上获得少量态势知识样本进行度量学习,得到合适的距离度量后,就可以对新获得的态势知识依据距离分类,能模拟指挥员只依据少量态势知识样本进行态势判断、预测的过程,从而实现防空反导战场的智能态势认知。
4.2.2 数据增强学习
数据增强学习就是让有限的态势数据发挥等价于更多数据的价值。其中有监督的数据增强方法针对态势信息进行多角度旋转、分区域裁剪、信息尺度变换等操作,对少量态势知识样本进行变换、混合将获得更好的多样性;无监督的数据增强方法通过模型学习数据的分布,随机生成与少量样本集分布一致数据,来扩充数据集,代表是生成对抗网络(Generative Adversarial Networks,GAN)。
4.2.3 基于语义的学习
基于语义的学习受到了零样本学习(zero-shot learning)的启发,其中分类任务的完成仅仅基于类别的名称、文本描述或属性,当视觉信息稀缺时,这些额外的语义信息就会发挥重要作用。
通过综合应用度量学习、数据增强学习、基于语义的学习等小样本学习技术,有望提高我军防空反导态势信息的获取能力,解决态势知识样本稀缺的问题。
云计算是分布式计算的一种,即通过网络将海量的计算分解成体量相对较小的程序单元,再由多服务器进行分析计算,最后将计算结果返回给用户。云计算具有虚拟化、动态可扩展、灵活高效等特点,是大规模和复杂数据分析处理的强力平台。
信息化战场条件下,防空反导战场对全域战场资源的整合、以及海量态势信息的分析共享能力提出了更高的要求,通过结合云理论的相关技术,将战场上的各种传感器、导弹、通信设备等战场资源虚拟化处理,形成包含防空反导各种态势信息的态势感知云资源池,通过对云资源的统一管理、更新、协调、处理、评估等操作,实现对防空反导态势信息实时动态分发共享,海量态势信息的整合与处理、高效可行方案的实时推送等功能。同时结合态势信息的智能处理算法,实现高效的态势信息处理,从而提高防空反导态势感知能力。
因此,通过利用云计算理论的资源整合能力和高效的计算能力,有望解决海量态势数据、不平衡态势数据的处理问题。
对于防空反导战场海量的态势数据,实现推理、预测的智能认知可以采用集成学习的方法。目前集成学习的方法可大致分为两类,其一,个体学习器之间依赖关系强,串行生成的Boosting 算法;其二,个体学习器间关系近似独立,可以并行生成的Bagging 算法和“随机森林”算法。
集成学习算法的个体学习器可以由决策树、深度强化学习的方法学习获得。决策树方法是按照树的分支结构对数据进行分类决策的,这种方式符合人类分析处理问题的逻辑规则。常见的C4.5 决策树和CART 决策树分别使用信息增益率准则和基尼指数准则划分属性。王炫等人使用进化式专家系统树研究空战决策,既利用专家知识解决复杂问题,又避免了传统专家系统适应能力差等问题[23]。深度强化学习方法既具有深度学习的多层非线性函数的拟合性能,也具有强化学习实时决策反馈的特点。吴志强等人利用深度学习网络对当前态势进行分析理解,同时通过Actor-Critic 强化学习模型对未来态势进行实时预测,为解决自动态势估计问题提供了方法[24]。
集成学习可以采众家之所长,采用多个异质集成算法,将决策树和深度强化学习等方法生成的个体学习器通过平均法、投票法、学习法等结合策略进行个体学习器结合,最后将多样性的学习结果输出。集成学习算法模型如图6 所示。
图6 集成学习算法模型
通过集成学习结合深度强化学习、决策树等机器学习算法,进行有效的推理和预测,提高计算机预测、推理和决策能力,进而提高防空反导态势智能认知能力。
未来战场必是网络化的战争形势,网络为中心的战场。网络中心战是指通过网络技术将分散的作战态势要素集成网络作战体系,通过合理分配调度资源、加速资源共享,最大限度地发挥整体的作战效能。
网络中心战以全球信息栅格(GIG)为技术基石,通过高效的自组织网络和无缝通信技术构建战场信息网络,可以将防空反导战场上的指挥员、武器系统、传感器等诸多战场态势要素连接成统一整体,共享战场态势,加速OODA 环的闭合。
美军采用网络中心战概念框架,美通过将传统的三军信息平台与全球信息栅格的一个节点互联,逐步提高三军的联合作战能力,有效解决了战场态势估计一致性的问题[17]。随着战场信息化程度的提高,防空反导战场的信息化发展势不可挡,将信息优势转化为决策优势,提高防空反导武器系统的作战效能,将网络中心战的概念应用于防空反导战场态势估计领域,形成防空反导网络化作战的新发展方向。
信息化时代的背景下,防空反导战场态势估计的智能化是历史发展的必然选择。本文分析了态势估计的三层模型,探讨了OODA 环中的态势估计过程;提出了防空反导态势要素构成,建立了防空反导智能战场态势估计的系统模型,提出了当前研究亟待解决的5 方面问题:多属性目标的建模、态势知识样本缺失、态势数据的处理、态势智能认知、态势一致性描述,并给出了可能解决问题的关键技术。为防空反导智能战场态势估计研究提供了新思路。