基于OKNN的目標戰術意圖識別方法 *

劉秋輝，崇元

(中國人民解放軍91550部隊，遼寧 大連 116023)

0 引言

態勢分析過程不僅需要了解單平臺或群平臺對象的作戰知識[1]以及他們的當前屬性，更需要從當前相關平臺間的關系中推導出有意義的結論[2]，即形成有關敵方作戰計劃、作戰意圖等更高層次的作戰知識，從而為作戰指揮提供輔助決策。

意圖識別問題按戰場環境可分為海戰場、陸戰場、空中戰場意圖識別，按戰爭規模可分為戰略意圖識別、戰役意圖識別和戰術意圖識別[3-4]。本文將對目標階段性作戰計劃進行分析，進而對目標戰術級意圖進行識別。

目前關于作戰計劃識別的主要方法是基于邏輯假設的形式化計劃識別推理模型[5-8]，其基本思路是對計劃庫進行構建，通過對歷史戰例、演習訓練的戰場態勢數據和信息進行學習、總結，分析出與觀測作戰平臺在某一階段行動過程中從其發生的戰場事件、行為序列，到其所追求目標以及實現這一目標的計劃過程所相關的戰術規則，將該規則存入到計劃庫，并在實際對抗中將實時觀測的目標數據與計劃庫進行匹配，推理出敵方的作戰計劃。然而，上述方法的推理過程需要建立一個自頂向下詳細分解的敵方計劃假設層次結構，但由于博弈問題隨著雙方態勢的變遷而動態變化，這種結構應對動態態勢分析問題具有良好的適應性。另外，通過觀察、情報得到的或已知敵方的各因素都是不完全透明的，所獲取的目標數據與信息中都可能存在著欺騙、干擾、偽裝等因素，并帶有一定的不確定性[9]。這種低層的不確定性，通過橫向和縱向向上傳遞就會帶來不確定性的集成問題[10-11]。因此，計劃假設的結構層次是一個不確定性的集成和傳遞過程，現只對計劃庫進行設計將很難滿足高效的識別要求。

針對以上問題，本文從構建基于計劃識別的目標戰術意圖推理框架入手，將戰場實時獲取的目標動態作戰知識作為解釋敵方作戰行動過程(enemy campaign operation action，ECOA)的行動要素，并通過構建基于作戰知識神經網絡(operation knowledge neural network，OKNN)的目標行動片段集對ECOA加以描述，同時建立具有自適應實時戰場態勢的推理機制，最終得到基于計劃識別的階段性戰術意圖推理結果。該方法可以提高計劃識別模型表達能力的靈活性，并有效解決了計劃假設不確定性的集成與傳遞問題。

1 目標戰術意圖推理框架

傳統計劃識別方法[5,12]是看作由某種計劃假設H，與根據對敵方認知、理解以及戰場情報形成有關敵方計劃的知識庫PL，對敵軍行動觀察O的推導解釋過程。因此，其主要工作是對計劃庫進行組織與設計。但由于所觀察的目標數據與信息常帶有一定的不確定性，致使其在與計劃庫匹配時將造成上述不確定性的累計疊加，縱使有較好組織與設計的計劃庫，也往往會造成計劃推理的失敗。

作戰過程中包含大量的不確定性，其來源包括[13-14]:

(1) 戰場感知的不確定性(如有關目標的戰術特性與物理特性)；

(2) 關于敵方戰術知識的不確定性(如作戰樣式、規則等)；

(3) 敵方作戰能力的不確定性。

顯然，傳統計劃識別的不確定集成與傳遞問題是由戰場感知的目標信息不確定性和關于敵方戰術知識的不確定性，以及在與計劃庫匹配時的靜態推理方法而造成的。這是由于直接使用傳感器獲取的目標信息與計劃庫匹配時，需使用目標屬性特征與先驗敵方戰術知識匹配的靜態推理方法以得到推理過程的中間以及最終結果，這種大量依賴先驗知識的推理過程將導致證據不確定性的不斷累積而得不到消減。因此，如何減少證據輸入的不確定性以及改善靜態推理過程所造成的弊端是目前急需解決的問題。

敵方一次階段性作戰行動過程需分解為多個戰術行動來完成，不同戰術行動所表達的戰術意義是階段性戰術意圖推理的重要依據，由于敵方戰術行動分解過程對我方幾乎不透明，因此我方態勢分析人員往往需要對所獲取的目標數據與信息進行分析，并解釋目標在一次作戰行動過程中所執行的戰術行動，才能推理得到敵方在此次行動過程中的作戰意圖。另外，作戰知識描述的是隱藏在目標數據與信息之后的戰術任務、作戰意圖等關于作戰行動原則方面的內容，敵方是不會“主動”提供的，因此，作戰知識的獲取就是對敵方作戰過程中的關鍵行動點進行建模，以揭示敵方在某一時間段內所執行的子計劃。對于一個特定的戰術意圖來說，我方態勢分析人員可通過目標在作戰過程中的戰術行動要素，以及對行動要素關系的分析來識別出隱藏在其背后的作戰知識，這些由作戰知識反映的子計劃共同服務于上級指派的作戰任務，其會在不同程度上反映出敵方的戰術意圖。

由于作戰知識可以通過大量的作戰數據與信息，并結合人工智能方法進行實時動態挖掘，這一動態挖掘過程在一定程度上考慮了由于偽裝、欺騙帶來的證據不確定性問題。同時，該過程減少了與計劃庫匹配工作的量度，并隨之減少所依賴的靜態作戰知識，以達到減少不確定性的目的。

本文重新對計劃識別過程進行解釋：定義目標數據與信息O為觀察集，K為經智能獲取方法推理出的隱藏在數據與信息之后的目標動態作戰知識集，PL為關于被觀察目標的靜態知識計劃庫，H為對敵方目標建立的計劃假設集，從而可將戰術意圖識別看作由H與PL對由K組成某一階段作戰行動過程C的推導解釋。它將構成一個四元組，并有：

definitiona)Plan-reasoning(PL,K,C)=H，

b)Sequential-logic(K1,K2,…，Kn)=C.

以上描述反映了基于作戰知識進行階段性戰術意圖識別的實質，其中目標動態作戰知識集K反映了一個對偵察獲得的目標數據進行逐層深入理解，逐步得到指揮員所需要的隱含在作戰信息之后的作戰知識，即從獲取底層作戰知識逐步上升到獲取高層作戰知識的邏輯結構。在此基礎上，可以展開對不同層次作戰知識的有效組織與整合，建立動態作戰知識庫，為實際戰術意圖識別奠定邏輯基礎。

2 目標戰術意圖識別模型

2.1 基于OKNN的目標行動片段

對敵方作戰行動過程進行描述時，需要涉及到分布的戰場資源和各作戰平臺，其要識別的不僅包括某個作戰平臺的類型、所執行的戰術任務，更重要的是通過多個作戰平臺的行為和戰術特征判斷來襲目標是否形成了具有一定戰術意義的空間群、以及多個空間群之間是否存在相互協同、配合模式。以上各要素都歸屬于作戰知識范疇,并構成敵方階段性戰術意圖這一更高層次作戰知識推理的必要條件。

人工神經網絡具有并行信息處理、分布信息存儲以及信息處理單元的互連特性。依據以上特點，本文將神經網絡應用到敵方戰術意圖的推理當中，不同戰術平臺與戰術群的作戰信息與作戰知識可并行處理以增強模型推理的靈活性，另外根據作戰平臺與空間任務群、空間任務群與相互作用群之間的依賴關系及其各自階段性意圖遞推結果，可最終融合推導出敵方的作戰意圖，其階段性信息處理單元相互連接，前者為后者的必要條件。

為此，本文在逐步得到關于作戰行動原則方面的動態作戰知識后，以作戰知識神經網絡(OKNN)表示目標平臺行動片段的形式作為意圖推理的證據基元，如圖1所示，以適應戰場態勢動態性變遷問題，在一定程度上可減少意圖識別過程中不確定因素的集成與傳遞。

圖1 描述目標作戰知識行動片段的神經網絡模型Fig.1 Targets action frags based on neural network

定義：一個目標作戰知識神經網絡(OKNN)可形式化定義為一個四元組ONF=，有限集合C表示為網絡結構，即行動過程片段；有限集合I為輸入項，表示實時獲取的目標信息及作戰知識；R表示計劃庫中基于OKNN實體片段意圖推理的規則，即神經網絡中根據經驗知識得到的權值向量；G表示目標階段性意圖空間分布。

在基于作戰知識神經網絡(OKNN)邏輯中，階段性戰術意圖表示為OKNN實體行動片段(ONFrags)的證據組合集合，一個實體片段以多平臺或單平臺組成的空間任務群，以及由空間任務群構成的相互作用群為神經網絡模塊單位，表示在給定作戰知識和網絡經驗權值下的階段性戰術意圖概率分布。實體片段反映了識別階段性戰術意圖所需要的作戰知識與作戰信息，每個神經網絡片段將作為一個戰術意圖識別的推理證據。

以目標群為單位的OKNN實體片段形成了多平臺作戰知識表示的一個單元，作戰知識通過動態實時挖掘，并通過一組OKNN實體片段來不斷更新敵方在某一階段作戰過程中的意圖空間分布。這為由于輸入信息的不確定性以及靜態推理造成的不確定性集成問題提供了一種可行的解決途徑，同時在對某一階段作戰行動過程的推導解釋中，該實體片段便于匹配上下文語境，通用性較強。

以空間任務群以及相互作用群為單位，采用OKNN表示的目標平臺行動片段的網絡結構如圖2所示。

圖2 基于OKNN的目標群實體片段結構Fig.2 Structure of target group frags based on OKNN

當構建完成上述以目標群為單位的基于OKNN的平臺目標行動片段后，則還需建立該領域內的計劃庫PL，才能對敵方階段性戰術意圖的空間分布進行求解。根據第1節中對目標戰術意圖推理框架的描述，計劃庫同樣需采用以OKNN結構表示的目標行動片段進行描述，該計劃庫將包含達成敵方作戰意圖的作戰計劃，以及實現該計劃的完整OKNN片段的行動序列。構建計劃庫中OKNN目標行動片段的關鍵在于求解經訓練得到的目標行為先驗規則V和W，該規則按網絡各層2種學習規則訓練好之后存入到計劃庫中，由于篇幅限制，計劃庫中目標OKNN訓練過程將不展開描述。

2.2 模型的運行與推理

然而，世界上沒有兩場完全一樣的戰爭，雖然通過將敵方一次作戰行動過程進行分解，形成若干個以OKNN片段為組織形式的戰術行動，可以在一定程度上解決敵方作戰行動過程的動態構建問題，但要想使得模型的推理過程不斷動態適應實時戰場態勢變化需求，就還需從改變傳統的在與計劃庫中知識組織模式的固化推理機制入手，對有反饋的態勢分析過程進行建模才可從根本上解釋動態計劃識別過程的本質。

由于網絡片段可以匹配存在一定范圍內偏差的戰場態勢輸入信息，因此使用以上計劃庫中固定模式的推理規則V和W，也將得出適應于此次輸入信息的戰術意圖概率分配導向。但為追求意圖推理的客觀性，滿足匹配條件的偏差值需在適度范圍內，偏差值越小，則匹配條件越苛刻，并容易出現實時行動片段無法從計劃庫中匹配計劃片段的現象；但偏差值越大，平臺行動片段雖然容易匹配，但所匹配的計劃庫中實體片段已不能對實時戰場態勢進行有效描述，因而利用該計劃庫中片段進行推理的結果將會向其真實意圖結果偏離。造成以上現象的原因是沒有形成自適應于本次作戰行動過程的推理規則。

為此，本文利用神經網絡的誤差反饋推理機制，將實時的階段性戰術意圖概率分配結果向量U(t)作為期望輸出，而將計劃庫中選用的基于OKNN片段的樣本輸出向量結果dp作為實際輸出，用以修正各單元權值向量。那么網絡兩層誤差信號為

(1)

(2)

(3)

(4)

戰場態勢隨著時間的推移，逐漸有新信息的輸入，并得到新的行動片段推理規則，同時OKNN平臺行動片段的階段性戰術意圖推理規則可逐漸適應本次作戰行動，而不始終依賴計劃庫中的模板規則。

模型將實時獲取的敵方作戰知識描述為單平臺或多平臺的目標群OKNN實體片段，節點為帶參數的隨機向量，如圖2所示。當發現空中有敵方目標時，我方態勢分析人員實時動態獲取單平臺戰術類型、平臺執行戰術任務等作戰知識，并結合平臺作戰信息共同作為推理依據，用以揭示敵方目標進行集群作戰時所形成的空間任務群以及相互作用群等高層次作戰知識。將目標所形成的空間任務群以及相互作用群作為網絡單元構建OKNN實體片段，并實例化網絡片段輸入項的隨機變量進行階段性戰術意圖推理。按照時序邏輯關系，每個OKNN實體片段將作為階段性戰術意圖識別的推理證據，意圖空間的分布結果取決于計劃庫中目標OKNN行動片段的訓練權值V和W，該權值通過證據更新來訓練修正。階段性作戰意圖識別過程可以描述如下，算法流程如圖3所示。

圖3 基于OKNN的戰術意圖識別算法流程 Fig.3 Algorithm flow of tactical intention recognition based on OKNN

(1) 構建計劃庫中基于OKNN的目標行動片段，以及訓練該片段的目標行動規則；

(2) 實時構建由單平臺及多平臺構成目標群的OKNN實體片段，并作為階段性戰術意圖識別的輸入證據；

(3) 檢索計劃庫中的目標平臺行動片段，并匹配實時動態構建的行動片段；

(4) 按照證據的時序關系，將匹配成功的目標行動片段的網絡權值作為推理規則，并建立具有自適應實時戰場態勢的推理機制，對目標戰術意圖進行識別。

3 實例分析

假設通過目標提取，發現敵方有11個戰斗目標，需要指揮員階段性給出敵方進攻、防御或監視戰術意圖。以戰場中探測到的平臺參數信息以及作戰知識為證據進行推理，該場景中敵方的階段性戰術意圖識別過程如下：

(1) 獲取事件1：識別作戰平臺類型、執行的戰術任務等作戰知識。目標觀測數據以及經知識發現技術實時獲取的單平臺和多平臺作戰知識如表1所示。其中，戰術任務對應關系為(偵察=1，干擾=2，攻擊=3，護航=4)。敵方作戰平臺所執行的戰術任務識別方法見文獻[15]。

表1 目標信息參數以及作戰知識Table 1 Targets information parameters and operational knowledge

(2) 獲取事件2：識別空間任務群，并給出群平均參數，如表2所示。

(3) 獲取事件3：識別相互作用群。本文將相互作用群定義為，具有協同增益作用效果的空間任務群。這里的協同增益效果主要體現在目標群的戰術任務以及通信情況是否存在相互協同、配合的模式。另外，目標群的空間位置、進攻方向等也將增添相互作用群的戰術狀態判別依據。相互作用群的判別可以提供給指揮員更深層次上的戰場態勢內容。表2中群集合{{1，2，3，4}與{5，6，7，8}}是2個相互作用群。空間任務群以及相互作用群的識別方法見文獻[16]。

表2 空間任務群參數表Table 2 Parameters of space task group

現假定已建立計劃庫中由單平臺或多平臺所組成目標群的OKNN實體片段意圖推理規則，將關于單平臺作戰知識的空間任務群1～8以及相互作用群{1，2，3，4}與{5，6，7，8}分別構建OKNN實體片段，動態構建的實體片段將作為推理證據與計劃庫中靜態OKNN實體片段匹配，所得的融合階段性戰術意圖空間分布如表3所示。其中，證據m1～m8為空間群1～8在辨識框架上的概率分配函數，m9，m10為相互作用群1，2的概率分配函數。

從表3可知，當輸入證據為空間群實體片段時，融合階段性戰術意圖A1的可信度為0.390 0，而A3的可信度也有達到0.307 0，但隨著相互作用群實體片段證據m9與m10的加入，戰術意圖A1的可信度可達到0.765 5，而A3的可信度也驟降到0.113 0，根據判決規則可判定敵方本次作戰的戰術企圖為A1，即敵方可能對我發起進攻，這與實際情況是相符的。

4 結束語

由于軍事問題本身的動態性和復雜性，使得計劃識別過程充滿了大量的不確定性，并導致了動態不確定性的集成與傳遞問題。本文采用基于作戰知識的神經網絡來表示戰術意圖識別問題，并以空中目標群為單位，通過實時動態構建OKNN實體片段進行戰術意圖推理，該方法可減少不確定性的集成與傳遞并增強模型推理的靈活性和語義表達能力。但由于雙方對抗階段時間緊迫，考慮模型推理的實時性并預測敵軍將來的可能作戰行動是下一步研究工作的重點。