基于战场态势模型的单实体事件识别算法*

（海军工程大学，湖北 武汉 430000）

0 引言

在现代信息化战争中，对于军事情报的争夺体现为对战场信息优势和决策优势的争夺，而作战双方对战场信息的实际掌握和运用程度是制胜的关键。形成态势感知和理解战场态势是所有指挥决策活动的基础。在态势估计技术[1]的第二层级，态势理解的主要功能是对敌方行为和行动企图进行推理[2]。因此，从本质上来说，态势理解就是对战场事件的识别。

对近年的研究文献进行查阅可发现，态势估计的方法大致可分为线性加权法和非线性推理两类[3]。线性加权法主要集中在权值的确定方面，包括层次分析法（Analytic Hierarchy Process，AHP）[4]、神经网络[5-6]、粗糙集[7]、主成分分析法[8]、熵、离差最大化、灰关联分析、内插法以及云理论[9]等。非线性推理方法包括DS 证据理论[10]、贝叶斯网络[11]、TOPSIS[9]、模糊集、马尔可夫链以及模板等方法，主要集中在未来态势预测。但是，态势估计很难做到全面模拟真人评估威胁的过程。

本文通过构建一个高度抽象化的战场态势描述模型，将战场态势信息用数学语言进行描述，使整个态势估计研究工作建立在计算机可识别的语言上，使得在该模型语义下研究的态势事件识别算法可被推广应用。

1 战场态势描述模型

1.1 作战实体形式化定义

战场态势是在特定的时间和空间范围内，敌对双方在军事力量对比、兵力部署及其作战行动等方面和战场环境的当前状态与发展变化趋势的总称。态势估计的各方面工作必须建立在对战场态势的形式化描述基础之上。

态势感知系统通过各类电、磁、光、热、力以及运动传感器等观测战场空间中各类作战实体，从而获得并形成在信息空间中表征作战实体的物理特性和时空状态的多维特征属性描述。若已知一个作战实体的可观测属性n个，则该作战实体的特征属性信息可用集合形式表示为：

这个信息集中每一个属性都代表一个变量维度，n个维度张成了一个n维空间，这个多维空间就是所有作战实体特征属性形成的一个特征属性空间，用An表示。

定义单个作战实体某一时刻的特征属性向量为从目标特征属性空间的原点指向该时刻的作战实体目标点的向量。假设在n维目标特征属性空间中有一编号为i的作战实体，则该作战实体在t0时刻的特征属性向量可表示为：

将任一时刻ti的作战实体目标点、特征属性向量描绘在特征属性空间中，如图1 所示。

图1 特征属性空间中的作战实体

在实际战场中，作战实体由于受到作战指令或受战场环境和其他作战实体的影响，或主动或被动地完成作战活动，导致其可观测属性发生变化。如图2 所示，此过程在多维特征空间An中表现为作战实体目标点的位置发生改变。定义从起始时刻作战实体目标点指向末时刻作战实体目标点的向量为作战实体的特征变化向量。

图2 特征属性向量及其时变

作战实体信息是战场态势所包含的主体信息。作战实体的信息主要由目标本身所固有的物理特征信息、目标在时空范围内所具备的时空信息以及在这些信息中所蕴含的状态变化信息构成。

定义作战实体为Object，用Obji表示编号为i的作战实体，则其形式化定义可用三元组表述为：

式中：Atri(t)为作战实体各种特征属性的集合，既包含了作战实体物理特征的观测信息，又包含了目标时空状态信息；T为该实体特征属性集合的有效作用时间范围，定义为时间轴上的一段连续区间；F为作战实体状态方程，描述作战实体特征Atri(t)信息在T时间内的状态变化过程。

以三元组定义时，作战实体的具体形态可以各不相同。例如，既可描述敌我双方的固定军事设施，也可描述动态活动的作战实体等。

图3 中，实体状态点轨迹直观反映了作战实体多维特征属性空间状态的时变过程，说明作战实体执行了作战活动。

图3 作战实体状态点的时序变化

1.2 战场态势长方体

由于战场态势被定义为在特定的时间和空间范围内敌对双方在军事力量对比、兵力部署及其作战行动的当前状态与发展变化趋势，因此当不考虑战场环境等外界因素时，可定义战场态势为在某一特定时间范围内指挥员所关心的战场空间中敌我双方所有作战实体的状态及其发展变化趋势的信息集合。战场态势信息可定义为战场上所有作战实体信息取并集，即：

式中，m为正整数，是战场上所作战实体的数量；Obji为战场空间中的编号为i的作战实体的所具有的特征属性状态及其变化趋势信息。

为了更好地描述在某一时刻的战场态势信息，可定义某一时刻的战场态势为“态势帧”。作战实体在态势帧上表现为具有特定位置的点，反映某一时刻的实体属性信息，称为作战实体状态点。

从数据层面来看，态势帧中所有点的集合是多个实体目标在该时刻的特征属性信息的集合，可称为态势帧信息。它的数学形式为一个目标特征属性信息矩阵，即：

矩阵给出了在tk时刻的战场态势状态，或者说态势帧信息。矩阵共包含m行n列，代表该态势帧内包含m个作战实体，每个作战实体具有n维特征属性。

从时间维度看待战场态势，是由一系列按照时间顺序排列的态势帧形成的态势“长方体”，如图4 和图5 所示，体现了态势的时间累积特性。态势长方体的本质是无数个时刻的多维数据集通过时间累积而得的一个总信息集，其中包含作战实体的时间、空间以及属性观测信息。

图4 作战实体状态点

从态势帧的角度看，由于作战实体活动必须遵循物理规律、操作规程已经军事规则等条件约束，必然会在低维度子空间中较为容易地对目标进行分类识别。从时间累积的角度看，单个作战实体目标特征变化可作为作战实体行为的特征检测，多个作战实体行为特征的共现则可视为多个作战实体协同行动和编成要素的展现，从而可识别作战实体正在进行的作战活动，并预测其后继行为。

图5 战场态势长方体

2 战场事件识别思想

2.1 作战活动与战场事件

如图6 所示，在时刻T指挥员通过观测获得作战实体Obji的特征属性信息为Atri(T)，经过Δt时间后作战实体Obji的特征属性信息为Atri(T+Δt)。作战实体特征属性信息的变化是由某些类型战场事件发生所导致的，将定义为特征变化向量，将该向量的特征属性信息变化量记为ΔAtri(T,Δt)。

图6 特征变化向量

作战实体特征变化向量各维度的投影是实体各属性的变化量，由作战活动引发实体属性变化而成，可视为战场事件的识别特征。

基于态势描述模型，定义作战实体可执行的不可分割的作战活动为原子活动Acti，用式（6）中三元组表示：

式中：{Obj}为原子活动的执行作战实体集合，可包含一个或多个作战实体；Δt为原子活动的执行时间，Δt=tEnd-tStart fj为作战活动的映射函数，表明执行作战实体集合中的各作战实体在某一时间段Δt执行了作战活动fj，使实体集合中每一实体的特征属性向量发生了变化，表示为：

作战对抗中双方将通过完成各种作战活动的组合来达成战术目的或实现军事意图，这是导致战场态势变化的关键因素。作战活动反映的是根据指挥员意愿改变战场态势的主动过程，而该主动过程的逆过程是指挥员根据战场态势的变化推断作战实体进行的活动。这个过程是战场态势中的事件识别，这些活动应理解当前战场正在发生的事件。

基于态势帧的分割，可将事件分为两大类：一类为时刻事件，指发生在某两个相邻切片中间的战场事件；另一类为时序事件，指跨越了若干个时刻切片的事件。本文主要研究时刻事件识别算法。单一作战实体发生的时刻事件可以形式化定义为一个模式：

该模式中每一项为特征变化向量中的每一维度变化量。事件识别就是利用模式中不同属性维度变化量的共现信息，对态势信息中的特征变化向量进行分类的过程。

2.2 特征属性识别算子

针对特征变化向量中某一维度的属性变化量ΔAtrij(T)，可定义事件中单属性的识别函数为特征属性识别算子。它的形式化定义为作战活动单属性的映射函数的逆函数，则识别算子可表示如下：

式中，ΔAtrik(T,Δt)为属性识别算子的输入参数，是编号为i的作战实体的第k维度的特征属性变化量。识别算子可根据特征变化向量在An中某一个维度上的变化量Δxi，推断在这个维度上作战实体的态势形势是否满足作战活动fj的识别要求。若函数输出为1，则作战实体在该属性上满足战场事件fj在属性k上的识别需求；若函数输出为0，则作战实体在该属性上不满足作战活动fj的识别需求，可以换一个作战活动如fb对应的识别算子重新推断。事件识别中可以根据判定需要，设计不同的识别算子。

设n为作战实体的特征属性空间维度总数，定义单实体事件fj在某一时刻的识别矩阵R(fj)为战场事件fj中所有特征属性的识别算子组成的1×n矩阵：

时刻事件识别矩阵是一个函数矩阵，其中每个识别算子对事件fj输出一个识别输出结果。由前文知，识别算子的输出结果是1 或0，分别代表作战实体某一属性满足事件识别要求和不满足识别要求，则识别矩阵的输出结果是n个1 或0 的元素组成的n维向量，如[1 1 0 … 1]1×n。

当作战实体的属性数为2 个时，识别矩阵的输出结果有[1 1]、[0 1]、[1 0]和[0 0]4 种。这将结果空间划成了4 个部分，如图7 所示。

图7 时刻事件识别矩阵结果空间

当落在右上区域[1 1]或左下区域[0 0]时，识别矩阵的识别算子的要求分别都被满足或都不满足。该时刻事件的最终识别结果分别是必然发生和必然未发生。当落在左上区域[0 1]和右下区域[1 0]区域时，此时是否判定该事件发生则要视情况而定。若其中某一属性的影响更大，即两个区域的事件发生可能性不同，其中影响更大的属性满足识别算子时，事件发生的可能性更大。此时，需要进一步对时刻多属性事件发生产生影响的属性进行权重分析。

通过给不同维度识别算子的识别结果分别赋权再求和，然后除以所有维度的权值总和进行归一化，得到事件fj发生的加权隶属度：

3 时刻单实体事件识别

3.1 单实体单属性事件识别算法

对于单实体单属性事件识别，只需要运用一个识别算子中某一维度的判定函数。本文采用专家定义识别算子，其中事件发生的属性区间（判定参数）可通过专家经验或历史数据学习等先验知识获得。单实体单属性识别的识别算子的具体映射方法应用如下：若态势信息中检测到某一作战实体的雷达反射面积为A，则依据雷达反射面积（Radar Cross Section，RCS）这一属性进行某一类作战事件识别的属性识别算子为：

式中，约束条件s1、s2的具体大小根据作战实体不同种类而变化，如战斗机及其类别的不同而变化。可见，识别算子的定义是对不同属性的变化量的分析判定，可由人工定义完成。利用识别算子对单个属性进行判定的伪代码如下。

算法：STSA(rfj,ΔAtri)

输入：特征属性识别算子,属性变化量

输出：属性识别结果

1:调用rfj(ΔAtri(T,Δt))

2:output 识别结果

3:end

3.2 时刻单目标事件识别算法

对于时刻单实体的战场事件识别，首先要从作战活动发生的初末两时刻的态势帧中获取特征变化向量及其在各属性维度上投影的变化量；其次，从识别算子库中选取识别算子分别识别每个属性，并利用识别结果求取事件加权隶属度；再次，将加权隶属度与隶属度阈值进行比较，从而确定该特征变化是否满足事件识别的要求；最后，输出事件识别结果，辅助指挥员进行指挥决策。综上所述，单实体多属性事件识别算法的流程如图8 所示。

图8 单实体多属性事件识别流程

基于识别算子进行时刻单实体多属性事件识别的伪代码如下。

算法：STMA(Situation,ROL,EventNo,ObjNo)

输入：态势信息流Situation,事件识别算子库ROL，待识别事件编号EventNo,待识别实体编号ObjNo

输出：单实体事件隶属度

1:输入态势信息Situation(T)Situation(T+Δt)

2:从识别算子库ROL(j)中选择特征属性识别算子Rfj

3:从态势帧Situation(T)中获取作战实体信息Objk

4:k=ObjNO

5:for 作战实体Objk的每个属性

6:Atri(T+Δt)←Situation(T).Objk.Atri

7:Atri(T)←Situation(T+Δt).Objk.Atri

8:获取该维度变化量ΔAtri(T,Δt)=Atri(T+Δt)-Atri(T)

9:调用函数STSA(Rfj,ΔAtri(T,Δt))

4 算 例

选用时间跨度从2012 年01 月01 日至2012 年01月31日109.940 03 E～110.199 98 E、20.193 67 N～20.268 91 N 的AIS 数据，共计132 746。时刻单目标事件出现情况，如图9 和图10 所示，分别为自报位事件态势帧数据离散化时间T=60 min 和T=5 min的识别状况。

图9 时刻单目标事件检测结果图（T=60 min）

图9 中的横坐标表示时间量度，纵坐标表示事件1 是否在该时间量度内出现，出现为1，不出现为0。图10 的含义为MMSI 呼号为412522250 的船舶在第4～31 小时内规律性上报，挖掘结果显示其出现的周期为1 h，这里表明其自报位行为均被检测出现。

图10 时刻单目标事件检测结果图（T=5 min）

图10 中事件检测间隔为5 min。可以发现，当事件识别周期为5 min 时，其中2—3、7—8、14—15 等周期未检测到自报位时间发生，但仍可看出目标在1 h 内的自报位行为仍呈规律性变化，表明目标信息上报系统可能按照某种规律自动上报相关信息。

5 结语

面对现代战场中复杂纷乱且爆炸式增长的海量情报信息，信息化指挥方式变革的核心诉求是提升指挥决策的准确性和时敏性。实现自动化战场事件识别的基础是规范化输入战场信息。因此，文章尝试构建了一个高度抽象化的战场态势描述模型，并基于此模型对作战活动和战场事件进行了形式化定义，提出了以作战实体特征变化向量作为战场事件识别特征的事件识别方法。事件识别就是利用事件模式中不同属性维度变化量的共现信息，对态势信息中的特征变化向量进行分类的过程。因此，具体研究了时刻单实体事件的识别算法，并采用算例验证该算法，初步应用结果表明所提方法可行，后续将进一步研究多实体时刻事件和时序事件识别算法。