一种基于深度学习的智能威胁评估算法

张 扬，韩春雷，孙玮琢，鹿 瑶，杨 笛

一种基于深度学习的智能威胁评估算法

张 扬1，韩春雷1，孙玮琢2，鹿 瑶1，杨 笛1

（1 中国电子科技集团公司第二十研究所，西安 710068；2 91550部队，大连 116023）

在现代信息化战争中依据战场态势变化进行合理威胁评估，对实现指挥系统自动化具有重要意义。为了克服传统规则算法评估能力的局限，设计了一种基于深度学习的新型智能威胁评估算法。首先设定了防空威胁评估指标选取原则，在此基础上从多个不同角度出发建立了反映空中目标威胁的指标体系，然后构建深度神经网络模型予以解决。新算法的优点在于威胁评估快速可信、易于实现，且对于不断变化的空情威胁可进行持续更新优化。最后，通过典型作战场景的仿真数据验证了模型的有效性和可行性。

威胁评估；深度学习；神经网络；智能作战

0 引言

在现代信息化战争中，空中目标突袭进攻与防御已成为战场中的一种重要作战方式。而空袭目标通常类型繁杂多样，具备多批次、多方位、连续饱和攻击的特点，此外战场中还会存在很多非攻击性干扰、欺骗目标，使得防空决策人员在短时间内很难及时、准确地对众多目标做出科学、合理的威胁判断[1-2]。这就要求指挥控制系统能够根据多传感器获取的各种信息对空中目标的作战能力、攻击意图和作战时机进行分析和预测，进而对空中目标的威胁程度做出判断，为合理的火力分配提供参考，最终提高平台防空作战的整体效能。因此，在态势瞬息万变、战机稍纵即逝的对空防御中，若能够有效挖掘态势信息，快速对空中目标进行准确、实时的威胁判断，则会成为我方实现有效防御、攻击和克敌制胜的关键。

在如今防空作战中，威胁评估多采用属性综合决策类算法。如层次分析法[3]、多属性决策树[4]、专家知识[5]等。该类算法模型都需先提取目标的特征因素，再对特征因素进行加权融合来确定目标的威胁值。一方面，割裂了威胁因素，缺乏对彼此耦合关系的分析；另一方面，特征因素的权重设置主要通过人为给定，具有一定的主观性和盲目性，加权组合也缺乏明确的实际物理意义，难以准确匹配实际应用。以深度学习为代表的机器智能技术的日趋成熟，为战场认知的描述和量化以及复杂体系认知机理的研究提供了有效手段[6-8]。其中深度神经网络是一种具有多个隐含层的神经网络结构模型，拥有自动学习数据中重要特征信息的能力，可以实现从输入到输出复杂映射关系的模拟表征，在分类与回归问题处理上具有独特优势。

威胁评估从本质上是一个回归问题，因此，文章开展基于深度学习的新型智能威胁评估算法研究。首先，对各因素与威胁值的内在联系进行定性和定量分析，并通过设计分段与指数函数模型，实现威胁属性量化指标体系构建；其次，结合防空任务需求和深度学习优势，建立了基于深度神经网络的智能威胁评估模型；最后，通过典型作战场景仿真数据，对新算法模型进行了对比分析。

1 目标威胁属性指标体系构建

1.1 指标选定准则

防空威胁判断指标选取的科学合理将直接影响威胁判断结果输出的准确性，在选取威胁判断指标时应遵循以下准则：

（1）选取能够反映目标威胁的关键因素作为指标。如果威胁判断指标选取过多，不仅会导致计算繁琐、降低结果获取的时效性，而且还会湮没关键指标价值，降低结果准确性；

（2）要充分利用已分析获取的信息作为指标。威胁判断属于高层信息融合层，在进行威胁判断时要利用已有分析数据，比如目标类型、能力等，作为参考指标；

（3）选取指标要能够反映目标意图信息威胁。比如，目标航路捷径、飞行高度、方位距离和飞行速度等，都在一定程度上揭示了目标意图威胁。

1.2 威胁属性量化建模

目标威胁程度评估会涉及诸多属性量化，既有定量描述特征，也有难以量化的定性描述特征，且相互间还存在复杂关联关系。为了提升目标威胁评估的准确性和实时性，基于以上设定的准则，主要选取目标飞行速度、飞行高度、类型、拦截紧急程度和航向夹角等关键因素进行量化建模。

（1）目标飞行速度

目标飞行速度越快，其威胁程度越大。通常认为目标的飞行速度和目标的威胁程度是一个下降形式的指数分布，当目标飞行速度达到最大时，该目标对于我方平台的威胁程度会达到最大值，我方越难拦截。目标速度的威胁量化如式（1）所示：

式中，可根据实际情况进行学习调整，此处设定为-0.005；目标飞行速度的单位为m/s。

（2）目标飞行高度

飞行高度越低，目标被发现的概率越低。在目标较远时，目标的飞行高度对我方的威胁不明显。近距离突然出现的低空目标，对我方的威胁将明显提高。目标飞行高度和该目标的威胁程度量化为分段函数：在指定高度以下、指定距离以内（预先设定），将目标的威胁程度设定为最大取值；在指定高度以上采用下降的指数函数，当目标的飞行高度增高时，对于我方平台的威胁程度会变小。目标飞行高度的量化如式（2）所示：

式中，设定为-0.0001；为预先设定的高度阈值，区分高低空目标，默认值200 m；目标飞行高度的单位为m。

（3）目标类型

目前主要考虑的目标类型包括导弹、歼轰机、电子干扰机、侦察机和未知等，其威胁程度分别量化如式（3）所示：

（4）目标拦截紧急程度

目标拦截紧急程度可根据目标飞抵我方平台时间来进行评价。目标飞抵时间越长，防御平台可以越充分地进行目标认知评估，其打击紧急程度越低；时间越短，表示平台响应武器资源分配的时间越少，其拦截的紧急程度越高。目标拦截紧急程度的量化如式（4）所示：

（5）航向夹角

当目标和平台连线与目标航向的夹角处于-90°～ 90°时，会对我方平台造成威胁，进攻角越接近0°，对我方威胁越大，其威胁程度分别量化如式（5）所示：

式中，参数2的值设定为3.5，航向夹角的单位为rad。

2 深度神经网络威胁评估模型

深度神经网络（Deep Neural Network，DNN）威胁评估算法采用了DNN网络模型，其设计工作主要包含输入层、隐藏层、输出层、各层节点数目配置以及激活函数设计等内容，各项参数具体设置为：

（1）输入层

基于深度神经网络的威胁评估模型输入变量包含5个特征：目标飞行速度、飞行高度、类型、拦截紧急程度和航向夹角，如图2所示。该五维特征由上述量化函数模型进行确定，数值范围在[0,10]区间，为了加快网络收敛速度，在样本数据预处理时，可将其统一归一化到[0,1]区间。

（2）隐藏层

在网络模型结构中，隐藏层的作用就是将每个输入节点输入的目标特征数据进行合并，将目标的输入特征进行交叉组合后，特征数据能够更好地反映我方平台对于每个来袭目标威胁特征的深度分析量化，为输出层提供更为有利的分析。目前隐藏层的设计（层数与各层节点配准数目）无太多规律可循，通常需根据样本数据特性进行一定探索实验来择优。因此，为了提升算法模型效率，算法设计中隐藏层选取为2层，各层的节点数设置为10～20个，都采用Sigmoid函数进行特征的非线性优化。

图1 深度神经网络威胁评估模型输入特征

（3）输出层

由于深度神经网络模型用于目标威胁度评估时，可看作是一个回归任务，因此，输出层设置为单个节点，即对应着目标的威胁度评估取值。输出层则采用Softmax函数进行非线性优化。

（4）损失函数

损失函数是用来估量模型预测值与真实值的不一致程度，即构建模型所得预测值与真实值之间的差异。它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好，此处，选取绝对误差作为回归损失函数，其为目标变量和预测值之间的平方距离之和，计算公式如式（6）所示：

（5）网络训练策略

对该深度神经网络模型进行离线状态下的学习训练，网络模型的初始权值可随机给定（不能为0），离线训练则是一个批次（batch）训练完成后再更新权值，使得其中某个数据出现差错时，不会影响整体权值更新的走向。因此，算法中通过所生成的离线目标参数数据集，在已知目标威胁程度大小的情况下，将离线数据集一个批次、一个批次地输入到网络模型中，设定迭代次数，通过不断地将数据集进行拟合，从而求解出目标威胁估计网络模型的最优参数配置。离线训练完善后的网络模型可直接使用，能够降低实时决策压力，提升评估效率。

3 仿真结果及分析

该实验采用了模拟场景下的威胁评估仿真数据集，主要包括单方向、前后夹击和全方位进攻等3类典型作战场景，各场景都拥有10 000个样本数据。为避免数据差异对实验结果造成的影响，实验中采用5折交叉方式进行验证分析，将威胁评估数据集划分数据为5组，每次选择1组作为测试集，其它4组混合作为训练集，即每次测试样本的数目为2 000个，训练样本的个数为8 000个，最终取5组测试结果均值作为评估结果。

该实验开展深度学习与传统多元数据拟合评估算法的对比分析。其中采用神经网络结构参数配置为：输入层为5个节点，第一隐层有20个节点，第二个隐层有10个节点，输出节点为1个，学习率设定为0.001，无衰减因子，层间激活函数为sigmoid，迭代20 000次；多元数据拟合算法则是采用最小二乘算法实现模型相应参数推导。

首先，统计各场景数据集下两个算法的绝对误差（Mean Absolute Error，MAE），对比结果如表1～表3所示。

表1 场景1数据集算法误差率对比

表2 场景2数据集算法误差率对比

表3 场景3数据集算法误差率对比

然后，对两种算法模型的计算耗时（基于同一计算机的Python编程环境）进行统计对比，结果如表4所示。

表4 算法耗时对比

最后，基于复合样本数据，对算法的评估正确率进行对比，结果如表5所示。

表5 算法评估正确率对比

如实验结果所示，深度神经网络与多元数据拟合算法模型相比都具有更小的MAE，可见深度神经网络评估算法确实拥有更良好的数据拟合能力。从计算耗时可以看出，离线训练后的深度神经网络在实时分析样本数据时，无论是单个样本还是整个测试集，相对于传统多元数据拟合模型都能够更快速地给出评估结果。最后，如表5所示，不论数据集规模深度神经网络评估新算法与传统算法相比，在评估准确率上都能有5～10个百分点的提升。可见，新型智能威胁评估算法具有更强的数据学习与预测评估能力。

4 结论

在信息化防空作战中，目标威胁评估的准确与否将直接影响后续抗击决策的科学性，在科学合理的基础上，评估的时效性越强，后续抗击时间就越充裕，防空作战效益也会随之提升。本文设计的深度神经网络威胁评估算法模型，指标数据信息较易获取、计算过程简单可行、易于工程实现、威胁排序输出快速可信，且对于不断变化的空情威胁，网络模型可持续更新完善，是一种行之有效的防空威胁评估方法，具有一定的参考借鉴价值。

[1] 庞宏亮. 智能化战争[M]. 上海：上海社会科学院出版社，2017.

[2] 张晓海，操新文，耿松涛，等. 基于深度学习的军事辅助决策智能化研究[J]. 兵器装备工程学报，2018，39（10）：162-167.

[3] 谭乐祖，杨明军. 采用区间数的集对分析目标威胁判断模型[J]. 电光与控制，2011，18（2）：73-76.

[4] 王毅，刘三阳，张文，等. 属性权重不确定的直觉模糊多属性决策的威胁评估方法[J]. 电子学报，2014，42（12）：2509-2514.

[5] 王玮，史红权. 不确定条件下编队防同作战空中目标威胁评估[J]. 指挥控制与仿真，2014，36（4）：12-15.

[6] 张晓海，操新文，耿松涛，等. 基于深度学习的军事辅助决策智能化研究[J]. 兵器装备工程学报，2018，39（10）：162-167.

[7] 汤健，柴天佑，刘卓，等. 基于更新样本智能识别算法的自适应集成建模[J]. 自动化学报，2016，（07）：1040-1052.

[8] 曹雷. 基于深度强化学习的智能博弈对抗关键技术[J]. 指挥信息系统与技术，2019，10（5）：1-7.

Intelligent Threat Assessment Algorithm Based on Deep Learning

ZHANG Yang, HAN Chunlei, SUN Weizhuo, LU Yao, YANG Di

In modern information warfare, it is of great significance to evaluate the threat reasonably according to the changes of the battlefield situation for realizing the automation of command system. In order to overcome the shortcomings of traditional rule algorithm, an intelligent threat assessment algorithm based on deep learning is designed. First, the principle of index selection about the warship air defense threat judgment is elaborated in the paper, and the indexes reflecting the aerial targets threat are selected from many different angles basis on this rule. Then, the warship air defense threat judgment can be attributed to a decision problem which can be solved by using the neural network model. The advantage of the method is that the output of the threat sequencing is rapid，reliable and easy to realize. It can also be updated as the constantly changing aerial threats. Finally, the validity and feasibility of the model are verified in the data sets of typical combat simulation scenarios.

Threat Judgment; Deep Learning; Neural Network; Intelligent Operation

TP391

A

1674-7976-(2021)-04-293-05

2021-05-14。张扬（1988.03-），河南三门峡人，工程师，主要研究方向为态势感知与信息处理。