多域作戰下的群目標意圖識別與預測

喬殿峰, 梁 彥,*, 馬超雄, 楊心語, 汪 冕, 李建國

(1. 西北工業大學自動化學院, 陜西 西安 710129; 2. 北方自動控制技術研究所, 山西 太原 030006)

0 引 言

多域作戰通過協同多個領域力量協同作戰,避免依賴單一的偵察或打擊方式,產生優于各部分總和的整體效果,進而創造出單一領域行動無法實現的作戰效果,已成為未來戰爭的主要作戰方式。在“環太平洋-2018”演習中,美軍多域戰特遣隊試驗部隊成功地演示了多域作戰方法。為實現戰場態勢占優,這需要融合所有作戰領域的感知信息,構建更為全面的戰場態勢,幫助決策者理解來自不同領域的信息關聯及其對聯合部隊行動的影響,從而改善感知和判斷。2020年,美軍將聯合全域作戰(joint all domain operations, JADO)和聯合全域指揮控制(joint all domain command and control, JADC2)納入條令體系,從作戰條令、系統研制、演習試驗等各個層面積極推進JADC2的建設,實現多域戰從軍種概念上升到聯合概念的轉變。JADO本質是一種深度的聯合作戰思想,堅持多軍種深度聯合作戰,加強陸、海、空、天、網、電等全領域的多域協同與跨域融合,雖然仍然是基于觀察-判斷-決策-行動(observation orientation decision action, OODA)理論,但不同于傳統“通過加速OODA環以達到作戰優勢”理念,JADO更側重于協同多域作戰力量,融合多域戰場態勢,建立己方決策優勢。

多域作戰概念不僅極大地改變了作戰體系的對抗環境和對抗方式,對作戰體系的組成、結構和應用也產生了直接的影響,從復雜場景的特點入手,構建合理的作戰流程是順利實現技術應用的必要條件。例如,多武器資源分配的過程是將指揮員的意圖轉化為聯合作戰計劃,必須通過準確分析戰場空間信息來提高態勢分析能力。戰場態勢分析是指揮員根據獲得的戰場感知信息進行戰場情況分析判斷過程,是戰場決策的重要條件,是信息優勢轉變為決策優勢的關鍵因素。群目標意圖識別與預測是指對作戰區域內目標作戰集群所要達到某個目的或作戰計劃的自動評估和預判,是態勢分析的重要功能,屬于戰場數據融合體系的高層處理部分。

目前,群目標意圖識別與預測主要在貝葉斯網絡(Bayesian networks, BN)推理框架下展開。貝葉斯推理具有能夠應對傳感數據固有的隨機不確定性和意圖識別固有的語義模糊性、利用目標實體先驗統計信息、能利用專家的實體關系知識構建推理網絡、支持推理網絡參數的再學習等優點。在黑板上建立的基于BN和模糊邏輯的態勢評估算法能夠評估每個威脅的相對重要性。基于群目標的態勢分析與威脅估計模型闡述了作戰指揮流程和作戰計劃的逐層展開過程,印證了群目標意圖識別模型的可行性。將粗糙集理論與計劃識別相結合,基于粗糙集的計劃識別方法,能夠應對信息的語義含糊性,具有快速計劃識別的優點。基于目標屬性的態勢關聯方法指出目標的類型、運動特征以及電磁特性與意圖識別之間存在邏輯關聯。考慮到不同證據在態勢評估中的重要性不同,引入證據權重系數的證據組合方法改進了證據的重要性的計算。面向“認知、預測、驗證”閉環的態勢評估的計劃識別框架在態勢評估系統中閉環過程的具有可描述性和可計算性。但是，上述方法缺乏對意圖影響很大的時間演化關系的分析,通過將BN擴展到對時間演化過程進行表示,動態BN(dynamic BN,DBN)具備了時序處理能力,不過DBN網絡規模較小,推理任務相對單一,僅能推理出作戰實體的子意圖,無法直接得到上層群意圖。動態序列BN(dynamic series BN,DSBN)將DBN和序列BN(series BN, SBN)相結合,先由目標屬性推理出行為模式,再由行為模式推理上層意圖,不過缺乏對時間序列上協同關系及兵力構成方面的梳理,不適合多域作戰的多兵種集群協作情況。

本文以多域戰下航母編隊意圖識別與預測為例,給出了集群目標意圖推理方案。多域戰群目標意圖推理先根據不同實體的屬性推理出個體行為,再結合作戰實體的時序規則、雙方相對距離及航向等信息得到同類目標元意圖,最后利用實體序列協作關系及編隊隊形信息推理出群目標總意圖,是一種多層次的識別過程,由此本文提出了基于群目標狀態信息、作戰規則和編隊隊形構建的多實體分層BN(multi-entity hierarchical BN,MEHBN)來動態推理對方意圖。

1 問題描述

不同于傳統的作戰樣式,多域作戰要在聯合部隊內建立靈活以及具有適應性的編隊,通過改變部隊部署態勢加強對敵威懾,以航母群為例,如圖1所示,飛機和艦艇各司其職,協同完成作戰任務,艦艇編隊隊形跟隨作戰任務變化。多域作戰具有以下特性: 實體多類,包括航母、驅逐艦、護衛艦、戰斗機、干擾機和預警機等;隊形多變,包括一字橫隊、楔形隊形、交錯隊形、縱隊隊形等;意圖多樣,包括遠征、進攻、撤退等。

圖1 航母編成示意圖Fig.1 Schematic diagram of aircraft carrier organization

在多域作戰中,指揮員快速、高效、準確、全面了解戰場態勢面臨很大困難。隨著未來作戰節奏與進程加快,戰場制勝法則是“快吃慢”,如果能夠預判其下一步或幾步行動,提前做出反應,就可以建立作戰優勢。因此,除了準確推理對方意圖外,還需要預測對方意圖,進行先敵打擊。多域作戰中的群體意圖不能僅從組成單元的行為推斷,只分析局部不可能得出整體性結果,僅對局部態勢的認知進行組合、疊加不能得到整體戰場態勢,多域作戰的整體性要求態勢分析更加全面。多域作戰不斷演變的特點使態勢要素之間的關系更加復雜多變,準確地理解態勢更加困難。現有的態勢分析方法主要存在以下局限:

(1) 與傳統識別方法僅識別單一目標意圖的多個模式不同,多域戰群目標意圖識別表現為不同類型實體意圖在時序上的協作,很難直接推理得到;

(2) 由于多域戰場的復雜性,當前態勢分析方法很難從大量的戰場數據中甄別構建BN時所需要的戰場信息,亟需利用戰場情報知識圖譜中的各異構信源來自動構建意圖推理模型。

2 多域作戰下的群目標意圖推理

多域作戰下的群目標意圖雖然不能直接觀測,但意圖總是通過目標屬性、行為以及部署表現出來的。由于作戰任務隨戰場態勢而變化,需要對多類目標意圖進行分別識別,然后綜合推理得到群目標的總意圖。

與傳統識別方法僅識別一個意圖下的多模式不同,多域作戰下的意圖識別需要先辨識不同類型實體的個體行為,再通過不同個體在時序上的行為變化得到元意圖,然后利用實體序列協作關系及編隊隊形信息推理出總意圖,是一種多層次的識別過程。首先,在綜合目標航母編隊的基本組成、公開活動、作戰條例等各類信息構建的目標航母編隊知識圖譜基礎上,根據不同作戰實體的屬性推理出個體行為。然后,由個體行為在時序上的行為變化得到元意圖。最后,利用實體序列協作關系及編隊隊形信息推理出總意圖,是一種多層次的識別過程,由此實現MEHBN的構建,完成群目標意圖識別與預測,為多域作戰下的戰場態勢分析提供支撐。據此構建的群目標戰術意圖分層樹形結構的MEHBN模型如圖2所示。

圖2 MEHBN模型Fig.2 MEHBN model

2.1 基于知識圖譜的多域作戰數據及規則生成

數據來源方面,在美國國防部網站及其他開源網站渠道通過自動爬取數據、人工整編等方式整理美軍各航母編隊對我空海域抵近偵察情況等,積累了美軍航母、各類艦船、偵察機、戰斗機、電子作戰飛機等相關武器裝備資料。依托OpenKG.CN中文開放知識圖譜平臺的開源軍事武器裝備知識圖譜,基于軍事實體關系抽取、屬性抽取、多源知識融合等理論和關鍵技術研究成果。如圖3所示,課題組搭建了面向空海域管控的知識圖譜原型系統軟件,最終形成795個節點、14 806條邊的知識圖譜數據,并隨著跟蹤美軍動向數據持續更新,基于上述裝備及歷史航跡數據生成本文仿真數據。

圖3 多域作戰下知識圖譜全局可視化界面Fig.3 Global visualization interface of knowledge graph in multi-domain operations

規則來源方面,由于群目標的戰術意圖與群內實體目標行為序列在統計意義上通常表現出一種確定性的關系,本文將群目標特定戰術意圖下群體內各實體的行為序列進行統計挖掘后,生成與特定戰術意圖相對應的實體行為序列模板,構建成群目標實體行為序列模板庫。在作戰過程中,群目標戰術意圖通常被分解為多個子群的戰術任務,而子群的戰術任務又分解為多個實體的戰術行動。最終由每個實體作為自身戰術行動來實施,從而實現群目標整體戰術意圖。以航母戰斗群為例,根據其所處的空間及任務階段的不同,本文將敵方航母群目標的戰術意圖空間定義為{遠征、進攻、撤退},每個作戰任務都有自己的作戰規則,都需要群內各作戰實體協同完成。航母群內目標實體包括預警機、戰斗機、電子干擾機、驅逐艦、護衛艦等。飛機類意圖定義為{起飛、巡航、歸隊},艦艇類意圖定義為{護航、前出、歸隊、后撤}。根據群體內各實體的作戰序列在時間軸上的協作,形成航母群實體目標作戰規則模板。以遠征意圖為例,如圖4所示,航母群實體目標作戰規則被構建為甘特圖形式。

圖4 遠征想定下作戰規則Fig.4 Rules of war under expedition

遠征作戰規則由艦艇編隊變換及預警機、驅逐艦、護衛艦等個體行為按時序動作來完成。在0～時刻,艦艇編隊保持交錯隊形行駛;在～時刻,艦艇編隊按照縱隊隊形穿過海峽;在～時刻,艦艇編隊又切換為交錯隊形不變至整個遠征周期結束。預警機在整個遠征周期內依次完成起飛、巡航、歸隊3個個體行為。首先0～時刻快速起飛,用時較短;接著～時刻期間持續長時間巡航,在～時刻,預警機在預定戰位開啟雷達實現對遠征區域內有威脅目標的偵測任務,監視戰場動態,并為指揮官提供信息;～時刻,完成任務,預警機歸隊。護衛艦及驅逐艦全程意圖保持一致,在0～時刻,保持護航狀態;～時刻,前出完成對交戰區域附近的威懾;～時刻,脫離交戰海域后歸隊;～時刻,保持護航狀態直至到達目標海域。與遠征意圖類似,進攻和撤退意圖想定下的目標作戰規則如圖5和圖6所示。

圖5 進攻想定下作戰規則Fig.5 Rules of war under offensive

圖6 撤退想定下作戰規則Fig.6 Rules of war under retreat

2.2 編隊隊形與場景態勢的映射關系

多種艦艇混合編隊能夠實現艦艇間的優勢互補,編隊隊形是群目標的一個重要特征,展示了群目標的行為,是推理航母戰斗群意圖的重要基礎,對戰場態勢分析及指揮員決策有重要意義。圖7給出了航母群典型作戰編隊樣式。為了確定航母戰斗群在不同意圖下的編隊情況,分析了航母群的典型編隊隊形與作戰場景(任務)的映射關系。

圖7 航母群典型作戰編隊示意圖Fig.7 Schematic diagram of typical operations formations of aircraft carrier group

編隊隊形跟隨場景變化,比如一字橫隊常用于穿越有潛在危險的海域,攻防時適宜于發射魚雷和導彈;楔形隊形常用于防空、小編隊航渡以及對敵打擊;交錯隊形常用于艦隊必須迅速通過且可能與敵艦遭遇的狹隘海域;縱隊隊形常用于艦隊必須迅速穿越的狹隘海域且不大可能與敵艦相遇,但正面火力較弱。

2.3 基于MEHBN的群意圖推理

為了識別與預測敵方群目標戰術意圖,首先定義敵方群目標的戰術意圖狀態空間,群目標的戰術意圖是一段時間內敵所有作戰行動的最終目的。針對這類意圖識別過程,即先由原始證據推理得到元意圖,再層層序列推理得到總意圖。

由于群目標的戰術意圖能夠分解為多個群內作戰實體的戰術行動。因此,群目標戰術意圖的識別與預測首先需要對群內實體的行為進行識別,進而在群內實體行為識別結果基礎上,充分考慮群目標戰術意圖與群內實體協作關系的確定性關聯關系,實現群目標戰術意圖的識別與預測。如圖2所示,本文將航母群目標實體分為飛機編隊和艦艇編隊。在群目標戰術意圖推理過程中,同時考慮雙方之間的相對距離。

網絡的第1層為群目標總意圖節點;第2層為群內實體目標的元意圖節點、編隊隊形和協作關系節點;第3層為群內實體目標的行為節點、雙方高距離節點和航向節點;第4層為群內實體目標的運動學信息和事件信息。該MEHBN推理網絡結構由DBN和SBN相結合構成。本文將群內實體分為飛機類實體及艦艇類實體,分別對其設計貝葉斯網絡模型。

(1) 飛機類實體貝葉斯分析模型拓撲構建

飛機類實體包括預警機、戰斗機和干擾機,其BN模型如圖8所示。影響飛機行為的特征變量有:釋放干擾、高度、速度、航向、雷達狀態、發射導彈、敵我距離、電磁靜默、開機等,相應特征變量的狀態空間語義劃分如表1所示。

圖8 飛機類實體貝葉斯分析模型拓撲Fig.8 Bayesian analysis model topology of aircraft entity

表1 飛機類實體BN節點狀態空間Table 1 BN node state space of aircraft entity

(2) 艦艇類實體貝葉斯分析模型拓撲構建

艦艇類實體包括驅逐艦和護衛艦。其貝葉斯網絡模型如圖9所示。與艦艇類實體行為相關的特征變量包括:敵我距離、速度、航向、電磁靜默開機等,相應特征變量狀態空間語義劃分如表2所示。

圖9 艦艇類實體貝葉斯分析模型拓撲Fig.9 Bayesian analysis model topology of ship entity

表2 艦艇類實體行為BN節點狀態空間Table 2 BN node state space of ship entity behavior

(3) 飛機類實體意圖多模構建

飛機類實體意圖包括起飛、巡航和歸隊。以預警機為例,根據歷史數據統計以及專家經驗:對于敵方空中目標行為,一般以低空爬升開始,后續行為為中空巡航,這樣的行為序列的元意圖為起飛。類似的,中空巡航→高空巡航的元意圖為巡航,中空巡航→掉頭+中空巡航的元意圖為歸隊。根據預警機行為動態轉換關系,構建如圖10所示的預警機行為轉移概率示意圖。以此類推,也可構建戰斗機和干擾機的行為轉移概率。

圖10 預警機實體行為轉移概率Fig.10 Transition probability of warning aircraft entity behaviors

(4) 艦艇類實體意圖多模構建

艦艇類實體行動包括護航、前出和歸隊。以驅逐艦為例,根據歷史數據統計以及專家經驗:對于敵方艦艇目標行為,一般以勻速航向行為開始,后續行為為勻速航行、駛出隊伍+加速航行和掉頭+加速航行,他們分別對應的元意圖為護航、前出和歸隊。根據驅逐艦行為動態轉換關系,構建如圖11所示的驅逐艦行為轉移概率示意圖。以此類推,也可構建護衛艦的行為轉移概率。

圖11 驅逐艦行為轉移概率Fig.11 Transition probability of destroyer behaviors

戰場群目標意圖識別旨在利用戰場各種傳感器獲取到的戰場信息,結合軍事知識以及作戰動機,對敵方群目標的戰術意圖進行推斷。意圖預測則是在目標意圖識別的基礎之上,結合歷史經驗等信息,對敵目標的下一步意圖進行預判。

首先,針對敵方個體目標運動及裝備的運行狀態,采用BN推理方法,完成實體目標從傳感器數據到行為的映射。其次,考慮到敵方群目標的戰術意圖與群內實體目標行為序列在統計意義上通常表現出一種確定性的關系。本文將群目標特定戰術意圖下群體內各實體的個體行為序列進行統計挖掘后,抽取與特定戰術意圖相對應的實體作戰規則,結合所構建的分層BN推理模型,實現從群內實體行為模式到群體意圖的推理映射。

在群目標意圖預測過程中,首先根據群目標戰術意圖的識別結果,從實體規則庫中提取出實體個體行為轉移概率,并結合當前實體意圖識別結果,對實體的下一步行為進行預測。然后,結合所構建的分層BN推理模型,實現對群目標戰術意圖的預測。

對于MEHBN模型的下半部分DBN,Ge()表示推理結果(總意圖信度);Pa()表示意圖的父節點(父意圖信度);Ch()表示意圖的子節點(狀態空間變量),則

Ge()=(|Pa()Ch())

為了推理群目標意圖,父節點的意圖是未知的,因此Pa()未知,只能通過狀態空間變量Ch()來推理意圖,則

(1)

式中：()表示意圖的先驗概率,默認取值為意圖狀態的均等分布;(Ch()|)()表示從意圖的狀態空間得到的信息;為歸一化因子。

在個體行為DBN中,狀態空間變量的父節點為前一時刻節點對應的狀態空間變量,給定在任意時刻初始元意圖為均等分布,則

(2)

式中：∈為狀態空間變量由轉移到的概率,為目標狀態空間變量沿時間軸的狀態轉移概率矩陣,由先驗知識已知。因此,根據充足的證據基于DBN推理得到各元意圖,即MEHBN模型上半部分SBN的葉節點。

對于MEHBN模型上半部分SBN,總意圖分為元意圖,,…,的推理。由于,,…,是實現總意圖的元意圖實現序列,與DBN中元意圖互相獨立,在SBN推理部分的元意圖是一個序列。此時,一個父節點的狀態等同于其對應的子節點序列,由于序列概率中的子序列是沿時間動態演化的狀態序列,滿足馬爾可夫性,即節點序列,,…,滿足：

(|1:-1)=(|-1)

(3)

式中：1:-1表示由到的序列。因此,節點序列呈現特定規律,,…,的概率為

(,,…,)=()()…()=

()(|)…(|-1)(-1)=

相應父節點的狀態信度()為對應子節點呈現某種特定規律的序列的信度,則

()=(,,…,)=

式中：()表示在相關規則下時刻意圖狀態的概率;(+1|)表示滿足馬爾可夫條件下發生后繼續發生+1的概率,即意圖的轉移概率。此處，假設元意圖序列,,…,的狀態轉移概率已知,多層意圖分解的情況以此類推,最終推理得到群目標意圖。

3 實驗驗證

3.1 多域作戰下場景想定

本文將MEHBN模型應用于軍事上的群目標意圖推理,并以多域作戰下航母戰斗群奪島作戰想定為例驗證所提算法的有效性。具體的作戰想定如表3所示。

表3 多域作戰下的航母群作戰想定Table 3 Scenarios for aircraft carrier group operations in multi-domain operations

在實際作戰過程中,實體作戰樣式動態且多變,實體行為的變化趨勢與實際戰場情況緊密相關,群意圖是群內作戰實體通過一系列戰術活動來達到最終的作戰目的。因此,需要根據作戰實體的歷史數據來設計實體行為轉移概率,形成航母群目標典型元意圖的狀態先驗概率表如表4和表5所示。

表4 預警機狀態-元意圖關系表Table 4 Relationship table between the state of warning aircraft and the meta-intention

表5 驅逐艦狀態-元意圖關系表Table 5 Relationship table between the state of destroyer and the meta-intention

本文使用準確率Acc和均方根誤差RMSE來驗證算法的有效性,Acc和RMSE的定義為

3.2 群目標意圖識別

本文算法輸入為根據美航母群典型想定生成仿真數據,0～90時刻、90～180時刻、180～270時刻分別為遠征、進攻以及撤退的仿真數據。利用如圖2所示的MEHBN模型“自下而上”推理得到群意圖,首先根據群目標的狀態信息推理得到當前時刻的每個作戰實體的元意圖,再利用作戰實體的時序規則、實體在序列上的協作關系及編隊隊形推理出群目標總意圖。

如圖12所示,遠征、進攻及撤退的意圖識別結果分別在第19、101及185時刻超過設定閾值(意圖識別結果正確的閾值概率設為60%),在整個多域作戰想定下的意圖識別過程中,識別準確占比為87.78%。值得注意的是,在0～19時刻,由于數據積累不足,識別結果未能達到輸出閾值,故按推理錯誤判定。此外,在遠征切換為進攻及進攻切換為撤退時,由于意圖是一個緩慢變換的過程,其識別結果也會存在一段誤判區,隨著數據的增加,識別結果越來越準確。由于識別準確占比與閾值的大小相關,閾值取值根據應用背景來設定。

圖12 基于MEHBN的航母群意圖識別結果Fig.12 Intention recognition result of aircraft carrier group based on MEHBN

為了更好地說明本文算法的創新性,經典的推理算法——模糊邏輯,被用來推理群目標的意圖,如圖13所示,模糊邏輯算法在去模糊化之后得到的結果是“非黑即白”的,且無法給出具體意圖的概率信息,因此,推理結果為非0即1。此時的意圖推理結果與閾值設定無關,模糊邏輯在整個多域作戰想定下的意圖識別過程中,識別準確占比為7778%。由于模糊邏輯算法無法進行意圖預測,此處僅展示了意圖推理結果。

圖13 基于模糊邏輯的航母群意圖識別結果Fig.13 Intention recognition result of aircraft carrier group based on fuzzy logic

3.3 群目標意圖預測

本文算法輸入為根據美航母群典型想定生成仿真數據,0～90時刻、90～180時刻、180～270時刻分別為遠征、進攻以及撤退的仿真數據。如圖14所示,預測1拍后的航母群意圖時,遠征、進攻及撤退的意圖預測結果分別在第13、100及186時刻超過設定閾值(意圖預測結果正確的閾值概率設為60%),在整個多域作戰想定下的意圖預測過程中,預測準確占比為86.30%。預測4拍和8拍的意圖結果如圖15和圖16所示,在整個多域作戰想定下的意圖預測過程中,預測準確占比分別為80.37%和72.59%。隨著預測時間的增加,準確率逐漸下降,這是由于預測準確率會隨著預測時間范圍的增長降低,本文給出的預測概率輸出閾值為06(可依據具體應用而定),小于閾值時不輸出結果。本文根據測試發現預測時間范圍不大于8拍時預測結果的概率大于閾值,能夠準確輸出預測結果。然而,當預測時間范圍為9拍時,預測結果的概率小于閾值,無法輸出結果。

圖14 基于MEHBN的航母群意圖預測1拍結果Fig.14 Intention prediction result of aircraft carrier group based on MEHBN in one step

圖15 基于MEHBN的航母群意圖預測4拍結果Fig.15 Intention prediction result of aircraft carrier group based on MEHBN in four steps

圖16 基于MEHBN的航母群意圖預測8拍結果Fig.16 Intention prediction result of aircraft carrier group based on MEHBN in eight steps

如表6所示,本文算法在識別和預測情況下準確率和RMSE兩個指標均優于模糊邏輯算法。表7所示為算法運行100次的平均單次運行時間統計結果,可以看出在進行意圖推理時,本文算法與模糊邏輯算法的運行時間基本持平,但是模糊邏輯算法無法進行意圖預測。整體來說,本文算法對比模糊邏輯算法能夠在幾乎相同運行時間下得到更準確的推理結果。

表6 性能指標對比分析Table 6 Comparative analysis of performance indicators

表7 推理和預測單次運行時間Table 7 Inference and prediction single run time s

4 結束語

針對多域作戰因素復雜多變,不僅體現在目標實體空間運動及屬性上,也體現在戰術意圖上。在綜合群目標的基本組成、公開活動、作戰條例等各類信息的知識圖譜基礎上,提出了一種基于群目標狀態信息、作戰規則和編隊隊形構建的MEHBN來動態推理敵方意圖。首先通過目標狀態和事件信息推理出目標作戰實體行為,再利用作戰實體的時序規則、雙方相對距離及航向信息推理出目標元意圖,在此基礎上結合實體序列協作關系及編隊隊形信息推理出群目標總意圖。最后,典型想定的仿真結果表明本文所提算法的推理結果符合實際,證明該模型對實現群意圖識別與預測有較好的能力。

本文研究了多域作戰下的群目標意圖識別與預測,但還有很多問題值得進一步研究和完善,后續的研究工作可以從以下兩個方面展開:

(1) 戰場搜集到的數據大多是航跡情報,需要進行時空配準及數據清洗,得到有用的戰場態勢信息；

(2) 戰場態勢日益復雜,戰場對抗愈發體現為體系間的博弈攻防,這導致目標意圖的隱蔽性更強,與雙方體系能力和兵力配置的關聯性更加緊密,需要研究博弈對抗環境下目標意圖識別方法。