大數據在促進軍事裝備和決策智能化中的應用

，

隨著數據采集、處理、存儲技術的發展，收集數據已經成為一種自動化的行為。數據的采集沒有明確目的，并且數據體量巨大、類型繁雜，經過長期積累就形成了“大數據”。這些大數據通常都是隨著事物運行自動采集和存儲的，其中隱藏的有用信息并非顯而易見，需要研究人員去挖掘和分析數據特征和內涵，發現事物運行的規律，為準確判斷和預測事物發展趨勢提供依據。因此，大數據及數據挖掘技術能夠幫助我們在不易弄清事物運行原理的場景下，從大量的歷史數據中總結出規律和經驗，讓計算機或裝備能夠基于此進行自主判斷，從而獲得智能。

1 大數據與當前人工智能技術的關系

“大數據”是1980年由托夫勒在其所著的《第三次浪潮》中首先提出的。經過30多年的發展，它已經在生物學、物理學、金融學、軍事學等學科中得到廣泛應用。近年來，人工智能技術發展迅猛，大數據作為其底層技術，再一次迎來了發展高潮[1]。2011年，麥肯錫全球研究給出的“大數據”的定義：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，主要具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低等特征[2]。

起初的數據都是針對特定的目的采集的，但隨著數據的加速積累，有效信息經常會淹沒在浩如煙海的數據中。由于數據的低價值密度屬性和對信息存儲空間的要求越來越大，大數據一度為我們帶來了很大的困擾。近年來興起的機器學習技術為人們挖掘大數據信息提供了有效的手段，使發現數據相關性、規律性成為可能，在此基礎上發展出的預測能力是大數據的真正價值之所在。

大數據中包含的信息類型多樣、來源廣泛。如對一種裝備的使用，我們通過裝備管理、油料保障、裝備維修等部門都可能獲得其信息。這些信息相互聯系、互為佐證，能夠完善我們對事物的多方面認知，是我們做決策時的重要依據。將這些數據結構化、代碼化，讓機器去學習、去發現事物之間的相關關系，從而達到預測的目的，便形成了當前的熱門技術——人工智能。可以說，基于大數據的人工智能是目前為止大數據最有前途的應用之一，它必將為科技發展、社會進步帶來更加深刻的變革。

2 基于大數據實現人工智能的技術途徑

以往，我們一直試圖模擬人腦的思考模式實現人工智能，以期基于對事物本質的了解進行預測，然而這方面的理論很難突破。進入大數據時代，我們可以通過對呈現出的數據進行分析，去發現各種現象的相關關系，并據此建立模型進行預測，其核心就是變智能問題為數據問題。基于大數據的人工智能的實現過程如圖1所示。

圖1 基于大數據的人工智能的實現過程

2.1 篩選出大數據中的有用數據并提取特征

統計學又稱為數理統計，是在概率論基礎上，收集、處理和分析數據，找到數據內在的關聯性和規律性。根據契比雪夫不等式：

我們知道，n(也就是樣本量)越大，則預測得越準確；當n趨于無窮大，即覆蓋全部樣本的時候，預測結果完全準確。

當今的大數據潮流使我們能夠輕易獲得海量的數據，雖然全面但會有很多冗余，呈現“一方面數據很豐富，另一方面有用信息又很匱乏”的現象。統計學的意義體現在對于具有價值的數據進行專業化的處理，即在樣本幾乎等于總體的情況下，選取具有代表性的數據，去冗分類，去粗取精，科學總結并發現其中蘊藏的規律和模式，并結合源源不斷的動態數據去預測事物未來的發展趨勢。但是對于復雜系統的運行預測，是非常困難的。因為每個現象的影響因素極多，假如出現一個故障，需在成百上千的因素中找到主要原因。因此，發展出許多基于高維、大數據的統計方法，如包括CURE算法、ROCK算法、CHAMELEON算法等的層次聚類算法；包括DBSCAN算法、DENCLUE算法等的分割聚類算法；包括概率聚類算法、K-Means算法、SVM算法、主成分分析算法等的基于平方誤差的迭代重分配聚類算法[3]，都為從大數據中去粗取精提供了手段。

2.2 利用機器學習算法從大數據中挖掘事物運行規律

數據的作用自古有之，而到近年來才發揮出巨大作用。其原因首先是積累數據所需時間太長，其次是有效信息與數據之間通常是間接關系，需要通過不同數據之間的相關性才能體現出來。之前要想了解事物運行的規律一直依賴其內在的因果關系，如果找不出確定的因果關系，則無法進行推測。并且，事物內部運行往往錯綜復雜，造成一個事件的原因通常不是顯而易見，尤其是復雜系統的運行機制就像一個黑箱，我們很難把握其原理，只能通過觀察到的現象進行猜測。進入大數據時代，我們可以采用機器學習的方法通過分析數據的相關性，從以往的數據中找出各種現象的相關關系，這對于我們在無法摸清事物運行原理的情況下，了解事物的運行具有很強的現實意義。將這些相關關系進行總結歸納，就可以形成事物的運行規律，這將作為先驗經驗存儲起來用于構建預測模型。

目前的機器學習算法主要分為監督式學習、非監督式學習、半監督式學習、深度學習、寬度學習等等，都是在有限的數據樣本上發掘盡可能多的數據相關性，找到人們直觀上不易發現的潛在規律[2-3]。

2.3 根據以上規律擬合預測模型

經過以上對大數據的處理，已經在龐雜的數據中提取了許多有用、可靠的先驗數據，這為擬合數學模型提供了條件。基于大數據去擬合數學模型和模型參數的方法得益于計算機技術的進步。盡管在一開始數據量不足、計算能力不夠時，顯得有點粗糙，但是隨著時間推移計算機的計算能力、對數據的存儲和處理能力呈指數增長，如摩爾定律所顯示，當價格不變時，集成電路上可容納的元器件的數目，約每隔18～24個月便會增加一倍，性能也將提升一倍。因此，這種由數據驅動模型的方法將越來越準確。

目前，各行各業都在爭相發展人工智能技術，并取得了很大的經濟利益和社會價值。我們在軍事應用中也應借助先進技術，提高軍事理論、軍事裝備、管理體制的現代化、智能化水平。

3 人工智能技術在裝備發展和智能化決策中的應用設想

大數據、人工智能技術的進步和應用必將催生出新的作戰理論、智能化的裝備，并對現代戰爭形式、戰場環境產生深刻的影響。在可以預見的未來，隨著人工智能技術進入軍事領域，裝備的自動化水平和軍事決策效率將顯著提高，人類在戰爭中將由前臺轉向幕后，戰爭形態可能發展為人類設計戰爭，智能裝備執行作戰任務，人與智能裝備互相輔助完成任務。智能化是當前人工智能技術發展的大勢所趨，將為國防事業帶來極大的經濟和軍事效益[4]。

3.1 人工智能技術使裝備管理更加科學便捷

裝備管理工作直接關系到裝備的完好率和作戰效能，涉及裝備的采購、入庫、領用、使用、維修、報廢等多個環節，加上未來裝備日趨復雜，對裝備進行精益管理是非常困難的，且耗時費力。大數據和人工智能技術能夠為改善裝備管理水平、降低管理成本提供有效的解決方案。未來隨著智能裝備投入使用，其自動化的信息采集技術能夠采集其自身方面的信息和其他非智能裝備的信息，從而實現對裝備的動態監控，使管理人員能夠及時、準確地掌握所有裝備的使用情況和狀態[5]。其具體應用有以下3方面。

一是裝備的全壽命智能化管理。每個智能裝備在全壽命周期中會產生大量的數據，再綜合其他智能裝備產生的數據，應用機器學習算法分析這些數據挖掘出裝備管理和使用中的各種潛在規律，可用于指導其他裝備的全壽命管理。二是實時動態監管。智能裝備的信息采集技術可以實時監控查詢裝備數量、使用情況等，便于維護補充，使裝備時刻保持最佳作戰狀態。三是精細化維護保養。裝備可實現智能化的日常檢查，根據大數據分析結果制定保養計劃并監督實施，降低裝備在使用過程中的故障率。此外，智能裝備還可以從大數據中學習其他裝備的使用經驗，進行預防性維修提示，可最大限度延長各種裝備的使用年限，降低裝備的購置、維護、使用和管理費用。

3.2 人工智能技術使故障診斷更加準確快速

以往的故障診斷主要基于機械的運行過程，基于出現的故障反向找出具體原因。這非常依賴維修人員的經驗，對單一過程、單一故障和漸發性故障有較好的診斷效果，而對于復雜系統、多過程、突發性故障的診斷則效率低下，甚至無法找出故障原因[6]。此時，基于大數據的人工智能為快速準確的故障診斷提供了解決方案。首先，積累故障類型，分析故障特征，建立故障示例集合；其次，根據裝備系統中各傳感器收集到的裝備各個組成部分的狀態信息，與故障類型和特征進行相關性分析；第三，經過機器學習歸納形成故障規則，并結合維修人員的經驗制定故障維修策略；最后，形成裝備的智能化故障診斷模型，用于對其他裝備進行故障診斷(圖2)。

圖2 基于人工智能的故障診斷模型

基于人工智能技術的故障診斷可以將各類信息采集技術、信號處理技術和故障診斷方法有效融合，而不需要我們完全掌握故障形成的具體過程，只需要在相關性分析中得到形成故障的最可能原因。此外，我們可以根據需要，隨意擴大數據相關性分析的范圍。這不僅有利于找出故障的直接原因，還可以得到故障的潛在影響因素，以便于及時采取維修策略，進行預防性維修[5-6]。

3.3 人工智能技術使作戰行動更加安全高效

基于目前的裝備和作戰樣式，作戰人員一方面需要熟練掌握裝備操作技能，另一方面需要接收、處理大量戰場信息，快速分析判斷并迅速做出決策。面對復雜的裝備和瞬息萬變的戰場環境，作戰人員很難兼顧，因此存在決策失誤的風險。進入大數據時代，各種傳感器實時收集大量戰場和裝備信息，再利用人工智能技術對大數據進行分析利用，將極大地提高作戰效能。其優勢表現在以下3 個方面。

一是作戰人員能夠充分借鑒以往的經驗。通過對以往大數據的相關性分析，作戰人員能夠充分發掘決策成功或失敗的影響因素和不容易直接觀察到的潛在影響因素，并歸納出規律。對于多方案決策能夠通過數學運算，很快選取出最優方案，從而有利于快速做出科學、可行、成功率高的決策。

二是提高裝備自主作戰效能。隨著大數據、人工智能技術在裝備中的應用，未來裝備勢必能夠像人一樣相互協作完成任務。其模式識別、容錯控制、協同作業、智能偽裝、識別雷達、戰場數據挖掘等功能使裝備具有了自主決策、智能毀傷的能力，極大地擴展了裝備的作戰效能。

三是突破作戰人員生理、心理極限。基于人工智能的決策系統和裝備可以創造一個避免敵我作戰人員直接接觸的作戰環境，從而降低作戰人員生理和心理限制的影響，減少由于作戰人員體力不濟、精神疲倦、情緒波動、判斷失誤等造成的致命性影響。

3.4 人工智技術能使軍事決策更加客觀全面

目前我軍已配備了智能決策支持系統，充分發揮了專家系統以知識推理形式定性分析問題的優勢，以及計算機系統以作戰模擬形式定量分析問題的優勢，使解決問題的能力得到了較大的提高。但是隨著作戰數據、訓練數據、戰場環境數據的積累，需利用更多的信息去做出更全面、客觀、科學的決策。通過對多種來源數據的挖掘和分析，我們的決策不再僅依賴于經驗和模擬，在現實中真實發生的事物之間的強相關關系也被充分發掘，加之各個渠道數據的互相印證，有利于去偽存真，將最有價值的信息篩選出來，將這些關鍵信息加入決策，必將使決策更加客觀全面、更加符合戰場實際情況。

4 小結

從人工智能的優勢和軍事需求來看，將日益成熟的人工智能技術應用于軍事領域是大勢所趨。裝備和決策的智能化、自主化水平的提高必將影響甚至主導未來陸、海、空各個戰場的作戰方式和作戰效能。由于大數據技術是現階段人工智能技術的基礎，因此它是軍事裝備和軍事決策走向智能的必經之路。我們應該從頂層謀劃大數據的采集、存儲，形成全面的、可讀性強的數據庫；借助先進的數據挖掘技術，深入挖掘數據中蘊含的大量信息，形成知識庫；針對各種應用建立相應的數學模型，利用從數據中發現的規律指導我們的決策。