羅 榮 王 瀲 馬 焱，2 肖玉杰 王 亮

（1.中國人民解放軍91054部隊(duì) 北京 102442）（2.西北工業(yè)大學(xué)航海學(xué)院 西安 710072）

1 引言

海戰(zhàn)場指揮信息系統(tǒng)將偵察、監(jiān)視、情報(bào)、指控、武器、對抗、通信、導(dǎo)航、綜合保障等傳感器和設(shè)備通過可靠暢通的高速網(wǎng)絡(luò)有機(jī)地、無縫地黏合在一起，使情報(bào)分析處理系統(tǒng)、作戰(zhàn)指揮控制系統(tǒng)、武器火力交戰(zhàn)系統(tǒng)達(dá)到高度融合，使情報(bào)鏈、指揮鏈、打擊鏈以及保障鏈集成一體。它通過海戰(zhàn)場交戰(zhàn)過程數(shù)據(jù)采集、處理、傳輸、分析、挖掘、使用的全環(huán)節(jié)、全過程，使傳感器、通信、頻譜、計(jì)算、火力、兵力等作戰(zhàn)要素或資源在陸、海、空、天、網(wǎng)、電等所有作戰(zhàn)空間內(nèi)實(shí)現(xiàn)最佳配置，最終實(shí)現(xiàn)偵察、情報(bào)、通信、指控、信息戰(zhàn)和武器運(yùn)用及綜合保障等功能的一體化，使作戰(zhàn)兵力能夠?qū)崟r(shí)地或者近實(shí)時(shí)地透視戰(zhàn)場、感知態(tài)勢、評估威脅，自動(dòng)精準(zhǔn)地跟蹤鎖定敵方目標(biāo)，快速科學(xué)地優(yōu)化作戰(zhàn)方案，有條不紊地協(xié)調(diào)反艦導(dǎo)彈、魚水雷、艦炮、干擾彈、激光等軟硬武器資源實(shí)施遠(yuǎn)程精確打擊，從而實(shí)現(xiàn)傳感器-射手無縫銜接的打擊過程，實(shí)現(xiàn)“傳感器設(shè)備→指控系統(tǒng)→艦載武器”一體集成的交戰(zhàn)過程。因此，海戰(zhàn)場指揮信息系統(tǒng)是全艦信息聚集中心、數(shù)據(jù)計(jì)算平臺(tái)以及決策指揮中樞，必然是人工智能技術(shù)大規(guī)模應(yīng)用的典型舞臺(tái)與前沿陣地，其中感知智能技術(shù)非常適用于海戰(zhàn)場指揮信息系統(tǒng)中的預(yù)警偵察與情報(bào)保障裝備，而認(rèn)知智能技術(shù)非常適合用于海戰(zhàn)場指揮信息系統(tǒng)中的指揮決策裝備。深度學(xué)習(xí)作為人工智能領(lǐng)域研究最為火熱的一類綜合人工智能技術(shù)，即可以作為感知智能技術(shù)，模仿人類感知系統(tǒng)進(jìn)行判斷、分類與識(shí)別，又可以作為認(rèn)知智能技術(shù)，模擬人類認(rèn)知系統(tǒng)進(jìn)行理解、推理與決策。因此深度學(xué)習(xí)可以應(yīng)用于海上作戰(zhàn)的感知、判斷、決策與行動(dòng)等各個(gè)環(huán)節(jié)，賦予海戰(zhàn)場指揮信息系統(tǒng)自主化與智能化特征，提高目標(biāo)識(shí)別、態(tài)勢感知與指揮決策的準(zhǔn)確度與實(shí)時(shí)性，增強(qiáng)裝備信息感知、指揮決策以及火力打擊等核心能力。為更好地促進(jìn)深度學(xué)習(xí)在海戰(zhàn)場指揮信息系統(tǒng)中應(yīng)用研究，明確主要發(fā)展方向，本文闡述了深度學(xué)習(xí)概念與內(nèi)涵，歸納了深度學(xué)習(xí)技術(shù)體系，綜述了深度學(xué)習(xí)在軍民用領(lǐng)域研究與應(yīng)用現(xiàn)狀，并對深度學(xué)習(xí)在海戰(zhàn)場指揮信息系統(tǒng)中的應(yīng)用前景進(jìn)行了展望。本文成果能為相關(guān)研究提供參考借鑒。

2 深度學(xué)習(xí)概念與技術(shù)體系

機(jī)器學(xué)習(xí)是智能科學(xué)與技術(shù)的重要分支，也是人工智能的主要研究領(lǐng)域，現(xiàn)階段儼然已成為人工智能的代名詞，其概念內(nèi)涵與特征范疇十分豐富，其技術(shù)體系龐大復(fù)雜。通俗地講，機(jī)器學(xué)習(xí)是指一類能從大量歷史過程或者已知的樣本、數(shù)據(jù)中學(xué)習(xí)知識(shí)與規(guī)律，從而對未來作出準(zhǔn)確科學(xué)預(yù)測的或?qū)ξ粗臉颖尽?shù)據(jù)做出正確有效識(shí)別的技術(shù)。深度學(xué)習(xí)技術(shù)是現(xiàn)階段機(jī)器學(xué)習(xí)技術(shù)體系中研究最為活躍、成果最為顯著、影響最為深遠(yuǎn)的技術(shù)。

深度學(xué)習(xí)從本質(zhì)上講是一個(gè)通過模擬人腦神經(jīng)網(wǎng)絡(luò)的構(gòu)成與處理外界信號(hào)輸入的方式建立一個(gè)深層神經(jīng)網(wǎng)絡(luò)模型。該模型是一個(gè)包括輸入層、多隱層（可以多達(dá)數(shù)十層，通常大于5層）以及輸出層的、層內(nèi)互相獨(dú)立無連接且層間無向?qū)ΨQ連接的網(wǎng)絡(luò)結(jié)構(gòu)，非常接近人腦的內(nèi)部結(jié)構(gòu)，能夠模擬人腦分析學(xué)習(xí)的過程，可以對數(shù)據(jù)進(jìn)行較好的本質(zhì)刻畫、層次化表達(dá)與特征提取，能不斷從低層提取原始數(shù)據(jù)或初始特征，通過多隱層的逐層變換，形成更抽象、高層的特征表達(dá)，從而實(shí)現(xiàn)特征從底層至高層的映射、從高維到低維的變換、從具體至抽象的轉(zhuǎn)化。其不僅可以有效挖掘出原始數(shù)據(jù)中潛在的信息與知識(shí)，而且可以學(xué)習(xí)樣本數(shù)據(jù)中的內(nèi)在規(guī)律和表示層次，從而在分類識(shí)別中可以獲取較高的識(shí)別精度，性能遠(yuǎn)超其他機(jī)器學(xué)習(xí)技術(shù)。

深度學(xué)習(xí)技術(shù)體系包括以下三類技術(shù)：監(jiān)督學(xué)習(xí)技術(shù)、非監(jiān)督學(xué)習(xí)技術(shù)、增強(qiáng)學(xué)習(xí)技術(shù)以及小樣本深度學(xué)習(xí)技術(shù)［1～2］。深度監(jiān)督學(xué)習(xí)技術(shù)主要包括卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等，其核心部分均是網(wǎng)絡(luò)結(jié)構(gòu)與模型參數(shù)，利用帶標(biāo)注的已知數(shù)據(jù)或樣本對初始網(wǎng)絡(luò)進(jìn)行不斷的訓(xùn)練可以得到這些網(wǎng)絡(luò)的模型參數(shù)。卷積神經(jīng)網(wǎng)絡(luò)中信息按神經(jīng)元在網(wǎng)絡(luò)中的層次由淺至深地依次進(jìn)行處理與傳輸，而且網(wǎng)絡(luò)沒有記憶功能，即層次較深的神經(jīng)元輸出的不會(huì)控制層次較淺的神經(jīng)元參數(shù)，兩者之間具有相對獨(dú)立性，因此卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)是前饋神經(jīng)網(wǎng)絡(luò)，不適用于進(jìn)行時(shí)間序列數(shù)據(jù)的學(xué)習(xí)與處理，主要應(yīng)用于計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域，典型知名的卷積神經(jīng)網(wǎng)絡(luò)有 LeNet、AlexNet、CapsNets、ResNet、VGGNet、GoogleNet等［2］。卷積神經(jīng)網(wǎng)絡(luò)主要分為檢測卷積神經(jīng)網(wǎng)絡(luò)、跟蹤卷積神經(jīng)網(wǎng)絡(luò)、分割卷積神經(jīng)網(wǎng)絡(luò)和輕量化卷積神經(jīng)網(wǎng)絡(luò)等四個(gè)基本類型。檢測卷積神經(jīng)網(wǎng)絡(luò)主要用于從圖像、音頻、視頻等大量含噪的原始信號(hào)中挖掘出有用信息，檢測出有用或者感興趣的目標(biāo)，主要有Anchorfree系列、RetinaNet系列、FPN系列、RFCN系列、SSD系列、YOLO系列、RCNN系列等［2］；分割卷積神經(jīng)網(wǎng)絡(luò)主要用于將原始圖像、視頻按預(yù)先設(shè)定的規(guī)則自動(dòng)地分割為滿足特定需求的區(qū)域或者部分，主要有 ：PANet、LinkNet、Mask R-CNN、PSPNet、Deep-Lab、FCN等；跟蹤卷積神經(jīng)網(wǎng)絡(luò)主要用于在視頻等連續(xù)拍攝的圖像中跟蹤感興趣的或者有用的目標(biāo)，主要包括ADNet、孿生網(wǎng)絡(luò)系列算法（SiamDW、SiameRPN++、RASNet、SiameRPN、SiameseNet等）、GOTURN、MDNet、TCNN、HCF 等［3］；輕量化卷積神經(jīng)網(wǎng)絡(luò)用于各種嵌入式系統(tǒng)上實(shí)時(shí)運(yùn)行，主要包括XceptionNet、ShuffleNets系列網(wǎng)絡(luò)、MobileNets系列網(wǎng)絡(luò)等。與卷積神經(jīng)網(wǎng)絡(luò)沒有記憶功能不同的是，循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶能力，適用于序列數(shù)據(jù)的學(xué)習(xí)與處理，包括門限循環(huán)單元網(wǎng)絡(luò)與長時(shí)短期記憶網(wǎng)絡(luò)（又包括 LSTM、Bi-Directional LSTM、Stack LSTM等）等基本類型，主要應(yīng)用于自然語言處理、時(shí)間序列數(shù)據(jù)分析等領(lǐng)域。循環(huán)神經(jīng)網(wǎng)絡(luò)之所以具有記憶能力，究其本質(zhì)可知，其基本深層神經(jīng)元輸出到淺層神經(jīng)元輸入和狀態(tài)的控制機(jī)制。

深度非監(jiān)督學(xué)習(xí)技術(shù)可分為生成對抗網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、深玻爾茲曼機(jī)以及自編碼器等三個(gè)主要類型［2］。生成對抗網(wǎng)絡(luò)由生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)等兩個(gè)網(wǎng)絡(luò)模型組成。一個(gè)訓(xùn)練好的生成對抗網(wǎng)絡(luò)能夠生成高質(zhì)量的圖像，其內(nèi)在運(yùn)行機(jī)制是在網(wǎng)絡(luò)損失度量中包含不利于一個(gè)網(wǎng)絡(luò)而利于另一個(gè)網(wǎng)絡(luò)的部分，構(gòu)造兩個(gè)網(wǎng)絡(luò)之間的競爭博弈關(guān)系，學(xué)習(xí)過程不僅使得生成網(wǎng)絡(luò)輸出將輸入噪聲信號(hào)盡量逼近真實(shí)圖片來迷惑判別網(wǎng)絡(luò)，而且還使判別網(wǎng)絡(luò)盡可能去辨別真假圖片來提高分類正確性，從而實(shí)現(xiàn)整體性能提升與優(yōu)化。生成對抗網(wǎng)絡(luò)主要包括 GAN、SimGAN、BigGAN、infoGAN、EBGAN、WGAN、CGAN等模型，主要應(yīng)用領(lǐng)域有圖像修復(fù)、超分重建、人臉合成、手寫體生成等［4］。深度信念網(wǎng)絡(luò)是一種典型的由多層受限玻爾茲曼機(jī)堆疊而成的深度神經(jīng)網(wǎng)絡(luò)，采取預(yù)訓(xùn)練和微調(diào)的訓(xùn)練方式，可自動(dòng)直接從低層原始信號(hào)出發(fā)，通過不斷智能學(xué)習(xí)與重組低層特征形成更加抽象的高層特征表示，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征，避免特征提取與選擇的人工操作，同時(shí)只需少量樣本便能訓(xùn)練出很好的分類器，在稀缺認(rèn)知樣本識(shí)別中具有一定優(yōu)勢。深玻爾茲曼機(jī)是玻爾茲曼機(jī)模型中具有對稱耦合隨機(jī)二值單元網(wǎng)絡(luò)以及無向?qū)舆B接馬爾可夫隨機(jī)場的特殊子類，與受限玻爾茲曼機(jī)只有1個(gè)隱層不同的是，深玻爾茲曼機(jī)具有多個(gè)隱層。深玻爾茲曼機(jī)已經(jīng)成功應(yīng)用于暫態(tài)數(shù)據(jù)模型學(xué)習(xí)、時(shí)間序列建模、自動(dòng)語音識(shí)別、文檔分類、信息檢索、降維、分類、協(xié)同濾波等信號(hào)與信息處理領(lǐng)域。自編碼器能夠通過無監(jiān)督學(xué)習(xí)，生成輸入數(shù)據(jù)的低維表示，從而實(shí)現(xiàn)信號(hào)降噪與特征降維，一般采用編碼器-譯碼器結(jié)構(gòu)，主要包括VAE、Stacked Denoising AE、Transforming AE等基本類型［2，5］。

深度增強(qiáng)學(xué)習(xí)技術(shù)主要包括策略梯度學(xué)習(xí)和Q學(xué)習(xí)等兩個(gè)基本類型［6～7］。常用的策略梯度學(xué)習(xí)有Actor-C、蒙特卡洛策略梯度、有限差分策略梯度等，其本質(zhì)是利用深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)策略的參數(shù)化，并通過梯度優(yōu)化控制參數(shù)權(quán)重，選擇較好的行為實(shí)現(xiàn)策略。常見的Q學(xué)習(xí)方法有DQN、DRQN、Prioritized DQN與Double DQN，其本質(zhì)是利用深度神經(jīng)網(wǎng)絡(luò)，采用估計(jì)、決策和更新的迭代過程，逐步逼近貝爾曼方程描述的遞歸約束關(guān)系［2］。

小樣本深度學(xué)習(xí)技術(shù)，又可稱稀缺樣本深度學(xué)習(xí)技術(shù)，是一系列只需使用少量標(biāo)注的樣本或數(shù)據(jù)即可訓(xùn)練出可使用的深度神經(jīng)網(wǎng)絡(luò)的算法的統(tǒng)稱，包括少樣本深度學(xué)習(xí)技術(shù)、單樣本深度學(xué)習(xí)技術(shù)以及零樣本深度學(xué)習(xí)技術(shù)等。小樣本深度學(xué)習(xí)通常借鑒基于新理論、新原理、新機(jī)制的現(xiàn)代機(jī)器學(xué)習(xí)方法來實(shí)現(xiàn)，常見的有模型無關(guān)自適應(yīng)方法、借鑒元學(xué)習(xí)的方法、借鑒圖神經(jīng)網(wǎng)絡(luò)的方法、基于原型網(wǎng)絡(luò)的方法、基于匹配網(wǎng)絡(luò)的方法、基于孿生網(wǎng)絡(luò)的方法、基于度量的方法、基于網(wǎng)絡(luò)參數(shù)微調(diào)的方法等［2］。

深度學(xué)習(xí)技術(shù)體系如圖1所示。

圖1 深度學(xué)習(xí)技術(shù)體系

3 深度學(xué)習(xí)在軍民用領(lǐng)域研究與應(yīng)用現(xiàn)狀

雖然深度學(xué)習(xí)技術(shù)研究與應(yīng)用熱潮在近十多年才開始興起，但深度學(xué)習(xí)這一概念早在1976年就被Ference Marton和Rogr Saljo聯(lián)合提出，并且開始被人們研究。深度學(xué)習(xí)是相對于淺層學(xué)習(xí)而言的，其使用的是深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，層數(shù)多，參數(shù)量大，具有較強(qiáng)的建模、擬合、逼近與學(xué)習(xí)能力。然而早期研究表明，深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中容易陷入局部最優(yōu)，難以充分發(fā)揮深度復(fù)雜模型潛在的學(xué)習(xí)能力。因此，深度學(xué)習(xí)一直未引起人們應(yīng)有的重視。2006年，Hinton提出了基于受限玻爾茲曼機(jī)的逐層學(xué)習(xí)算法，該算法能夠跳出局部最優(yōu)，克服了傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)容易陷入局部最優(yōu)的缺陷，解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練難題。從此以后，深度學(xué)習(xí)受到人們高度的關(guān)注，其研究持續(xù)升溫并形成一股熱潮迅速席卷全世界，在圖像識(shí)別、語音識(shí)別以及自然語言處理等領(lǐng)域取得諸多重大突破與實(shí)用成果。2011年以來，語音識(shí)別研究人員將深度學(xué)習(xí)引入語音識(shí)別領(lǐng)域，徹底改變了語音識(shí)別原有的技術(shù)框架，將語音識(shí)別錯(cuò)誤率降低20%～30%，成為語音識(shí)別研究史上劃時(shí)代的進(jìn)步。2016年，百度公司利用深度學(xué)習(xí)技術(shù)將安靜環(huán)境下的語音識(shí)別準(zhǔn)確率已經(jīng)達(dá)97%，在方言背景下或者語速快的情況下語音識(shí)別準(zhǔn)確率已經(jīng)超過人類。2012年，深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域取得非凡的效果與舉世矚目的成就，在ImageNet評測上將錯(cuò)誤率26%降低到15%，性能碾壓之前在圖像識(shí)別領(lǐng)域常用的支持向量機(jī)。2014年，F(xiàn)acebook公司利用深度學(xué)習(xí)技術(shù)將人臉識(shí)別的準(zhǔn)確率提升至97.25%，已經(jīng)接近人類水平。2015年，基于深度學(xué)習(xí)技術(shù)的圖像識(shí)別錯(cuò)誤率已經(jīng)低于人類，2016年，基于深度學(xué)習(xí)技術(shù)的圖像識(shí)別錯(cuò)誤率已經(jīng)達(dá)到2.991%。2008年之前，自然語言處理主要的研究方法有隱馬爾可夫模型、條件隨機(jī)場、正則表達(dá)式以及字典匹配等，雖然取得了一定的成果，但還遠(yuǎn)未能達(dá)到令人滿意的程度。2008年，Collobert等開始將循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用于自然語言處理，由于其擁有時(shí)間序列處理先天優(yōu)勢，自然語言處理技術(shù)取得了極大的突破。目前，有道詞典、谷歌翻譯、百度翻譯等語言翻譯工具，百度、谷歌等搜索引擎，以及在各個(gè)領(lǐng)域出現(xiàn)的智能問答系統(tǒng)都是深度學(xué)習(xí)技術(shù)在自然語言處理領(lǐng)域中的實(shí)用成果。

深度學(xué)習(xí)作為重要的人工智能技術(shù)，預(yù)示著一種具有靈感直覺、推理認(rèn)知和自我學(xué)習(xí)與進(jìn)化能力的新的人工智能時(shí)代的到來，不僅廣泛應(yīng)用于圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域，而且也日益向軍事滲透，為軍事智能化打開了進(jìn)入快車道發(fā)展的大門，在情報(bào)偵察、態(tài)勢感知、輔助決策、協(xié)同作戰(zhàn)等領(lǐng)域具有光明的應(yīng)用前景，對于打贏未來信息化戰(zhàn)爭具有重要支撐作用。因此，世界各國軍隊(duì)對于深度學(xué)習(xí)技術(shù)高度重視、大力投人，進(jìn)行了卓有成效的探索，并取得了一系列重要進(jìn)展。

美軍高度重視以深度學(xué)習(xí)為代表的人工智能技術(shù)研發(fā)與應(yīng)用。2010年，美國國防部DARPA計(jì)劃首次資助深度學(xué)習(xí)項(xiàng)目，參與方有NEC美國研究院、紐約大學(xué)以及斯坦福大學(xué)等研究院所和高等院校。美軍將深度學(xué)習(xí)技術(shù)應(yīng)用于F-35，B-2等戰(zhàn)機(jī)，以提高其綜合作戰(zhàn)效能。例如，F(xiàn)-35戰(zhàn)機(jī)裝備的“自主后勤信息系統(tǒng)”，就應(yīng)用了深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了計(jì)算機(jī)評估、對照清單檢查、組織信息和自主決策等功能。截止目前，美空軍已經(jīng)有600多個(gè)項(xiàng)目結(jié)合了以深度學(xué)習(xí)為代表的人工智能技術(shù)，用于完成各種各樣的任務(wù)。美國陸軍借助深度學(xué)習(xí)等系列人工智能技術(shù)，研發(fā)了智能機(jī)器人，以替代士兵執(zhí)行特殊任務(wù)。下一步計(jì)劃將深度學(xué)習(xí)技術(shù)用于無人車和無人機(jī)中，包括未來垂直升降機(jī)和下一代無人戰(zhàn)車。

俄軍也非常重視深度學(xué)習(xí)技術(shù)的研究與應(yīng)用。例如，俄軍已經(jīng)研發(fā)出基于深度學(xué)習(xí)技術(shù)的無人機(jī)群指揮軟件，該軟件能同時(shí)指揮最多由6個(gè)飛行器組成的無人機(jī)群組，通過處理相關(guān)偵察信息，建立三維地形模型，實(shí)現(xiàn)無人機(jī)群的自主飛行，并自主對敵方的無人機(jī)、導(dǎo)彈等目標(biāo)進(jìn)行攻擊。

我軍目前也在大力開展深度學(xué)習(xí)技術(shù)在軍事國防領(lǐng)域的研究與應(yīng)用，取得一定成果。例如，我軍研發(fā)了基于深度學(xué)習(xí)技術(shù)的語音識(shí)別和合成模塊，用于情報(bào)處理。我軍也在開展深度學(xué)習(xí)在內(nèi)的人工智能技術(shù)在智能機(jī)器人和無人作戰(zhàn)系統(tǒng)等方面的研發(fā)工作，部分基于深度學(xué)習(xí)技術(shù)驅(qū)動(dòng)的無人裝備和系統(tǒng)軟件陸續(xù)問世并應(yīng)用于軍事實(shí)踐，對我軍現(xiàn)代化建設(shè)發(fā)展起到了重要促進(jìn)作用。

4 深度學(xué)習(xí)軍事應(yīng)用存在的主要問題與解決措施

深度學(xué)習(xí)使機(jī)器模仿視聽、思考等人類的活動(dòng)，解決了很多復(fù)雜的模式識(shí)別難題，使得人工智能相關(guān)技術(shù)取得了很大進(jìn)步，并在計(jì)算機(jī)視覺、圖像語音識(shí)別、自然語言處理、數(shù)據(jù)挖掘、搜索推薦以及其他相關(guān)領(lǐng)域取得很多成果。但隨著深度學(xué)習(xí)基于理論的深入研究和應(yīng)用領(lǐng)域的不斷拓展，深度學(xué)習(xí)技術(shù)自身存在的一系列瓶頸問題也逐漸顯現(xiàn)出來，成為了制約深度學(xué)習(xí)技術(shù)進(jìn)一步突破與深化應(yīng)用的主要問題。

1）模型黑盒，可解釋性差。

算法可解釋性指算法要對特定任務(wù)給出清晰概括，并與人類世界中已定義的原則或原理聯(lián)結(jié)。深度神經(jīng)網(wǎng)絡(luò)一般包含多個(gè)隱藏層，網(wǎng)絡(luò)參數(shù)更是數(shù)不勝數(shù)，通過標(biāo)注大量數(shù)據(jù)驅(qū)動(dòng)的誤差后向傳播來不斷優(yōu)化模型參數(shù)。人們很難理解深度神經(jīng)網(wǎng)絡(luò)中隱藏層數(shù)目、神經(jīng)元個(gè)數(shù)和激活函數(shù)形式等會(huì)對識(shí)別結(jié)果產(chǎn)生怎樣的影響，使得深度學(xué)習(xí)大多依賴于大量的工程經(jīng)驗(yàn)和技巧。因此，深度學(xué)習(xí)模型是一種典型的“端到端”模型，其學(xué)習(xí)過程猶如“黑盒子”，對參數(shù)的選取和運(yùn)算單元的輸出常常無法解釋。另外，新的深度神經(jīng)網(wǎng)絡(luò)還引入了各種復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，更進(jìn)一步加劇了可解釋性問題的嚴(yán)重性。由于在戰(zhàn)略籌劃、作戰(zhàn)決策等軍事領(lǐng)域，錯(cuò)誤判斷決策往往會(huì)帶來影響非常大的后果，因此利用深度學(xué)習(xí)進(jìn)行重大決策時(shí)，往往需要知曉算法所給出結(jié)果的依據(jù)。所以，深度學(xué)習(xí)可解釋性弱是制約其在軍事領(lǐng)域深入應(yīng)用的關(guān)鍵瓶頸問題之一。為了提高深度學(xué)習(xí)可解釋性，透明化深度學(xué)習(xí)黑盒模型，可以將深度學(xué)習(xí)與因果計(jì)算、常識(shí)推理等技術(shù)結(jié)合起來，從卷積神經(jīng)網(wǎng)絡(luò)的特征分析、卷積神經(jīng)網(wǎng)絡(luò)可視化以及基于可解釋模塊的深度網(wǎng)絡(luò)學(xué)習(xí)等方面開展攻關(guān)，設(shè)計(jì)可解釋的能自動(dòng)推理的深度神經(jīng)網(wǎng)絡(luò)。

2）過度依賴數(shù)據(jù)，任務(wù)適應(yīng)性差。

利用深度學(xué)習(xí)進(jìn)行目標(biāo)分類識(shí)別的一般過程是：首先準(zhǔn)備好大量標(biāo)注好的數(shù)據(jù)，選定網(wǎng)絡(luò)模型結(jié)構(gòu)，確定初步網(wǎng)絡(luò)參數(shù)（比如：激活函數(shù)類型、隱藏層數(shù)目以及每層神經(jīng)元個(gè)數(shù)等），然后應(yīng)用算力強(qiáng)的計(jì)算平臺(tái)，以“煉金術(shù)”方式不斷調(diào)整優(yōu)化網(wǎng)絡(luò)參數(shù)，最終得到一個(gè)應(yīng)用于具體場景，適應(yīng)于特定任務(wù)的深度學(xué)習(xí)模型。由此可見，深度神經(jīng)網(wǎng)絡(luò)過度依賴標(biāo)注數(shù)據(jù)樣本，任務(wù)適應(yīng)性差，場景任務(wù)變換后，需要利用大量針對新任務(wù)的數(shù)據(jù)重新訓(xùn)練，周期長，費(fèi)事也費(fèi)力。由于軍事目標(biāo)的高度保密性與隱蔽性、感知手段的限制、樣本數(shù)據(jù)標(biāo)注困難、軍事目標(biāo)更新快、特定軍事目標(biāo)樣本少等多種原因，造成軍事目標(biāo)樣本數(shù)據(jù)呈現(xiàn)顯著的稀缺特性，無法滿足深度學(xué)習(xí)技術(shù)對數(shù)據(jù)的需求。因此，深度應(yīng)用到軍事領(lǐng)域目標(biāo)識(shí)別難以取得理想效果。為解決深度學(xué)習(xí)技術(shù)過度依賴樣本數(shù)據(jù)，提升其任務(wù)適應(yīng)性，建議將深度學(xué)習(xí)技術(shù)與小樣本機(jī)器學(xué)習(xí)技術(shù)、遷移學(xué)習(xí)技術(shù)等相結(jié)合起來，重點(diǎn)發(fā)展基于生成對抗網(wǎng)絡(luò)的數(shù)據(jù)生成與增強(qiáng)技術(shù)、深度遷移學(xué)習(xí)技術(shù)、元學(xué)習(xí)技術(shù)、零樣本學(xué)習(xí)技術(shù)、單樣本學(xué)習(xí)技術(shù)、貝葉斯概念學(xué)習(xí)技術(shù)、圖神經(jīng)網(wǎng)絡(luò)技術(shù)等關(guān)鍵技術(shù)。

5 需求與展望

5.1 海戰(zhàn)場指揮信息系統(tǒng)智能化發(fā)展需求

隨著艦載武器與信息技術(shù)的快速發(fā)展，傳統(tǒng)的海戰(zhàn)場指揮信息系統(tǒng)固有的短板、弱項(xiàng)與瓶頸問題（多源信息融合不充分、目標(biāo)識(shí)別準(zhǔn)確度不高、態(tài)勢感知不全面不清晰、指揮決策質(zhì)量差與效率低、難以實(shí)現(xiàn)態(tài)勢即時(shí)感知與同步認(rèn)知，從傳感器到射手的時(shí)延過大導(dǎo)致OODA指揮控制環(huán)周期過大等），難以滿足新軍事斗爭的要求。一是由于海戰(zhàn)態(tài)勢日趨復(fù)雜異變，傳統(tǒng)海戰(zhàn)場指揮信息系統(tǒng)的組織形式與運(yùn)作流程已經(jīng)難以滿足未來海戰(zhàn)的需求；二是在現(xiàn)代信息戰(zhàn)條件下，海戰(zhàn)場作戰(zhàn)環(huán)境十分惡劣，作戰(zhàn)雙方都在采用相應(yīng)的偽裝、隱蔽、欺騙和干擾等手段和技術(shù)，進(jìn)行識(shí)別和反識(shí)別斗爭，傳統(tǒng)海戰(zhàn)場指揮信息系統(tǒng)系統(tǒng)目標(biāo)精確識(shí)別與態(tài)勢深度感知能力的不足，難以滿足未來海戰(zhàn)信息保障需求；三是海上編隊(duì)兵力構(gòu)成復(fù)雜，電磁環(huán)境復(fù)雜，大量高速甚至超高速武器甚至精確制導(dǎo)武器的使用，隱身目標(biāo)與超低空突防目標(biāo)的出現(xiàn)，導(dǎo)致海戰(zhàn)場態(tài)勢錯(cuò)綜復(fù)雜、瞬息萬變，從而使得作戰(zhàn)指揮過程中指揮員需處理的信息量激增。有限的大腦存儲(chǔ)能力、計(jì)算能力、信息檢索能力以及判斷推理能力，使得指揮員很難處理大量原始信息的同時(shí)及時(shí)作出大量準(zhǔn)確的決策，極大地制約指揮員對戰(zhàn)場態(tài)勢的感知與認(rèn)知，也極大約束了指揮員經(jīng)驗(yàn)知識(shí)的有效運(yùn)用。因此，傳統(tǒng)的人工或半自動(dòng)化指揮決策模式已經(jīng)達(dá)到生理極限，無法滿足新軍事變革下的超低延遲、超高強(qiáng)度、超大容量、全域全維作戰(zhàn)要求。人工智能、大數(shù)據(jù)、云計(jì)算等新技術(shù)日益成熟，能夠?qū)τ泻?zhàn)特色的“指揮藝術(shù)”、“作戰(zhàn)經(jīng)驗(yàn)”進(jìn)行學(xué)習(xí)，推動(dòng)形成具有自識(shí)別、自學(xué)習(xí)、自適應(yīng)、自組織的海上信息作戰(zhàn)能力。為解決現(xiàn)有海戰(zhàn)場指揮信息系統(tǒng)固有的短板、弱項(xiàng)與瓶頸問題，實(shí)現(xiàn)我海軍指揮信息系統(tǒng)發(fā)展彎道超車，必須抓住人工智能技術(shù)快速發(fā)展的機(jī)遇，加快人工智能等新興技術(shù)成果在海戰(zhàn)場指揮信息系統(tǒng)中的轉(zhuǎn)化應(yīng)用與創(chuàng)新發(fā)展，研制高效人機(jī)交互、人類智能與人工智能共棲的智能化海戰(zhàn)場指揮信息系統(tǒng)，從而提高我海軍指揮信息系統(tǒng)的智能化水平。

5.2 深度學(xué)習(xí)應(yīng)用展望

深度學(xué)習(xí)方法本質(zhì)是包含多層感知的神經(jīng)網(wǎng)絡(luò)模型，通過學(xué)習(xí)底層數(shù)據(jù)提取原始特征，然后經(jīng)過多重組合與逐層壓縮，從而獲得數(shù)據(jù)本質(zhì)特征的表述。若將深度學(xué)習(xí)方法應(yīng)用于海戰(zhàn)場指揮信息系統(tǒng)，不僅有望很好地描述出現(xiàn)代化海戰(zhàn)場上諸多的復(fù)雜數(shù)據(jù)與動(dòng)態(tài)信息，從而更好地挖掘海量數(shù)據(jù)背后的隱藏特征，有利于提高識(shí)別分類的正確率，而且有望及時(shí)有效地發(fā)現(xiàn)海戰(zhàn)場的不確定因素和將要或已經(jīng)表現(xiàn)出的涌現(xiàn)性特征，有利于增強(qiáng)推理決策的準(zhǔn)確性。具體來講，深度學(xué)習(xí)可以在海戰(zhàn)場指揮信息系統(tǒng)中的目標(biāo)識(shí)別、態(tài)勢感知以及作戰(zhàn)輔助決策等三個(gè)主要功能域進(jìn)行廣泛深入應(yīng)用。

1）深度學(xué)習(xí)在目標(biāo)識(shí)別方面的應(yīng)用展望

目標(biāo)識(shí)別（又稱身份估計(jì)或?qū)傩苑诸悾┦侵笇δ繕?biāo)敵我屬性、類型、種類的判別。目標(biāo)識(shí)別不僅是戰(zhàn)場態(tài)勢與威脅估計(jì)的基礎(chǔ)，也是戰(zhàn)場決策的重要依據(jù)。在錯(cuò)綜復(fù)雜、瞬息萬變的海戰(zhàn)場上，及時(shí)準(zhǔn)確的目標(biāo)識(shí)別不僅可以增強(qiáng)進(jìn)攻能力，而且還能減少誤傷，從而提高綜合作戰(zhàn)效率。隨著傳感器技術(shù)與軍事偵察手段的迅速發(fā)展，現(xiàn)代海戰(zhàn)場部署了艦載、潛載、星載、車載、無人機(jī)載等大量的傳感器，可以對海戰(zhàn)場目標(biāo)與環(huán)境進(jìn)行全方位、多層次、全天候地探測，從而產(chǎn)生海量的電磁、圖像、視頻、文本等結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)，因此軍事目標(biāo)識(shí)別隨之呈現(xiàn)出超大容量性、高復(fù)雜性、強(qiáng)不確定性等諸多新特點(diǎn)。如何快速準(zhǔn)確從來自多源傳感器的多類型、多時(shí)序、多目標(biāo)的海量電磁、圖像和視頻等數(shù)據(jù)中查找出感興趣的軍事目標(biāo)信息，從而為指揮決策提供精準(zhǔn)高效的情報(bào)服務(wù)，是打贏未來海戰(zhàn)的重要挑戰(zhàn)之一。深度學(xué)習(xí)技術(shù)顛覆了傳統(tǒng)人工智能系統(tǒng)的運(yùn)行規(guī)則，使得計(jì)算機(jī)能夠模擬大腦的運(yùn)行模式，通過多層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)識(shí)別抽象模式，可以完成需要高度抽象特征的人工智能任務(wù)，從而解決可以一些通用的目標(biāo)識(shí)別問題，為有效應(yīng)對上述挑戰(zhàn)提供了可行之徑［8］。

2）深度學(xué)習(xí)在態(tài)勢感知方面的應(yīng)用展望

戰(zhàn)場態(tài)勢是指敵我各作戰(zhàn)要素（主要包括裝備情況、兵力部署情況、天氣條件、地理環(huán)境等）的狀態(tài)、變化與發(fā)展趨勢。戰(zhàn)場態(tài)勢中蘊(yùn)含著大量的非線性信息和不確定因素，具有很多復(fù)雜性、涌現(xiàn)性特征，態(tài)勢數(shù)據(jù)也呈現(xiàn)出了多源異構(gòu)、非結(jié)構(gòu)、海量且價(jià)值密度低等典型的大數(shù)據(jù)特性。傳統(tǒng)智能化戰(zhàn)場態(tài)勢理解方法因基于線性、確定性理論已無法滿足現(xiàn)代戰(zhàn)場態(tài)勢感知的任務(wù)需求，嚴(yán)重制約信息優(yōu)勢的達(dá)成，致使智能輔助決策系統(tǒng)以及指揮員都難以實(shí)時(shí)或者近實(shí)時(shí)地給出可靠科學(xué)的作戰(zhàn)決策結(jié)論，顯著影響了作戰(zhàn)效果。深度學(xué)習(xí)方法本質(zhì)是一個(gè)多層感知的深度網(wǎng)絡(luò)模型，其結(jié)構(gòu)模擬了大腦皮層的層次學(xué)習(xí)結(jié)構(gòu)，具有強(qiáng)大的非線性處理能力以及逐層理解自動(dòng)分析提取的結(jié)構(gòu)、良好的“記憶”性質(zhì)，體現(xiàn)出非線性表達(dá)、多層學(xué)習(xí)、自主提取等獨(dú)特優(yōu)勢，目前己被譽(yù)為最接近人腦的智能學(xué)習(xí)方法，為研究錯(cuò)綜復(fù)雜、瞬息萬變、信息海量的戰(zhàn)場態(tài)勢評估問題提供了智能化的技術(shù)手段。深度神經(jīng)網(wǎng)絡(luò)的多層神經(jīng)元能夠綜合淺層的態(tài)勢要素，實(shí)現(xiàn)態(tài)勢理解和預(yù)測。深度學(xué)習(xí)技術(shù)在態(tài)勢感知方面的主要作用是實(shí)現(xiàn)對戰(zhàn)場態(tài)勢的高級理解，側(cè)重點(diǎn)在于態(tài)勢感知的理解過程與預(yù)測過程［9～10］。

3）深度學(xué)習(xí)在作戰(zhàn)輔助決策方面的應(yīng)用展望

作戰(zhàn)輔助決策是以控制論、軍事運(yùn)籌學(xué)、管理科學(xué)、模糊數(shù)學(xué)等為理論基礎(chǔ)，以信息技術(shù)、仿真技術(shù)、計(jì)算機(jī)技術(shù)等技術(shù)為手段，利用模型、數(shù)據(jù)、規(guī)則、知識(shí)等解決半結(jié)構(gòu)化或非結(jié)構(gòu)化的決策問題來輔助作戰(zhàn)指揮員分析判斷情況、確定作戰(zhàn)方針、定下作戰(zhàn)決心、制定作戰(zhàn)方案進(jìn)而實(shí)施作戰(zhàn)指揮一類綜合性技術(shù)。傳統(tǒng)基于先驗(yàn)知識(shí)與規(guī)則的作戰(zhàn)輔助決策方法，實(shí)現(xiàn)作戰(zhàn)指揮實(shí)體對戰(zhàn)場態(tài)勢的理解與決策指令的自動(dòng)生成，暴露出求解空間不完備且難以形式化，態(tài)勢樣本實(shí)例特征維度過高且樣本數(shù)量少，輔助決策模型適用性不強(qiáng)等諸多問題［8］。隨著具有網(wǎng)絡(luò)化、智能化、體系化為主要特征的現(xiàn)代化戰(zhàn)爭的日益臨近，利用人工智能技術(shù)分析、理解、預(yù)測戰(zhàn)爭，并從中輔助指揮員適時(shí)、快速、準(zhǔn)確地做出決策的需求越來越迫切。隨著以深度學(xué)習(xí)為核心的人工智能技術(shù)的突破和發(fā)展，為海戰(zhàn)場指揮信息系統(tǒng)智能化開拓了新的技術(shù)途徑，而基于深度學(xué)習(xí)的作戰(zhàn)輔助決策也勢必成為形成與對手不對稱優(yōu)勢的關(guān)鍵。近年來，以AlphaGo為代表的系列人工智能模型取得的成功表明深度學(xué)習(xí)技術(shù)在面對大數(shù)據(jù)和瞬息萬變的戰(zhàn)場環(huán)境時(shí)所具有的智能處理和推理決策的能力，不僅證明了其用于作戰(zhàn)輔助決策智能化的可行性，而且一定程度從側(cè)面反映出其應(yīng)用于作戰(zhàn)輔助決策巨大潛力與光明前景。

6 結(jié)語

深度學(xué)習(xí)具備強(qiáng)大的非線性特征提取與融合抽象能力，可解決許多簡單的線性方法無法合理描述解決的問題，具備逐層理解、自動(dòng)分析提取的結(jié)構(gòu)，使得深度學(xué)習(xí)方法能夠深入挖掘海量戰(zhàn)場信息背后的許多隱含知識(shí)，具有良好的“記憶”特性，對于需要先驗(yàn)知識(shí)的感知評估與推理決策類問題提供了很好的支持。為更好地促進(jìn)深度學(xué)習(xí)在海戰(zhàn)場指揮信息系統(tǒng)中應(yīng)用研究，明確主要發(fā)展方向，本文在闡述深度學(xué)習(xí)概念與內(nèi)涵、歸納深度學(xué)習(xí)技術(shù)體系以及綜述深度學(xué)習(xí)研究與應(yīng)用現(xiàn)狀的基礎(chǔ)上，從目標(biāo)識(shí)別、態(tài)勢感知以及作戰(zhàn)輔助決策等三方面對深度學(xué)習(xí)在海戰(zhàn)場指揮信息系統(tǒng)中的應(yīng)用前景進(jìn)行了展望。