喬殿峰, 梁 彥,*, 馬超雄, 楊心語, 汪 冕, 李建國

(1. 西北工業(yè)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(zhàn)通過協(xié)同多個領域力量協(xié)同作戰(zhàn),避免依賴單一的偵察或打擊方式,產(chǎn)生優(yōu)于各部分總和的整體效果,進而創(chuàng)造出單一領域行動無法實現(xiàn)的作戰(zhàn)效果,已成為未來戰(zhàn)爭的主要作戰(zhàn)方式。在“環(huán)太平洋-2018”演習中,美軍多域戰(zhàn)特遣隊試驗部隊成功地演示了多域作戰(zhàn)方法。為實現(xiàn)戰(zhàn)場態(tài)勢占優(yōu),這需要融合所有作戰(zhàn)領域的感知信息,構(gòu)建更為全面的戰(zhàn)場態(tài)勢,幫助決策者理解來自不同領域的信息關聯(lián)及其對聯(lián)合部隊行動的影響,從而改善感知和判斷。2020年,美軍將聯(lián)合全域作戰(zhàn)(joint all domain operations, JADO)和聯(lián)合全域指揮控制(joint all domain command and control, JADC2)納入條令體系,從作戰(zhàn)條令、系統(tǒng)研制、演習試驗等各個層面積極推進JADC2的建設,實現(xiàn)多域戰(zhàn)從軍種概念上升到聯(lián)合概念的轉(zhuǎn)變。JADO本質(zhì)是一種深度的聯(lián)合作戰(zhàn)思想,堅持多軍種深度聯(lián)合作戰(zhàn),加強陸、海、空、天、網(wǎng)、電等全領域的多域協(xié)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(tǒng)“通過加速OODA環(huán)以達到作戰(zhàn)優(yōu)勢”理念,JADO更側(cè)重于協(xié)同多域作戰(zhàn)力量,融合多域戰(zhàn)場態(tài)勢,建立己方?jīng)Q策優(yōu)勢。

多域作戰(zhàn)概念不僅極大地改變了作戰(zhàn)體系的對抗環(huán)境和對抗方式,對作戰(zhàn)體系的組成、結(jié)構(gòu)和應用也產(chǎn)生了直接的影響,從復雜場景的特點入手,構(gòu)建合理的作戰(zhàn)流程是順利實現(xiàn)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(zhuǎn)化為聯(lián)合作戰(zhàn)計劃,必須通過準確分析戰(zhàn)場空間信息來提高態(tài)勢分析能力。戰(zhàn)場態(tài)勢分析是指揮員根據(jù)獲得的戰(zhàn)場感知信息進行戰(zhàn)場情況分析判斷過程,是戰(zhàn)場決策的重要條件,是信息優(yōu)勢轉(zhuǎn)變?yōu)闆Q策優(yōu)勢的關鍵因素。群目標意圖識別與預測是指對作戰(zhàn)區(qū)域內(nèi)目標作戰(zhàn)集群所要達到某個目的或作戰(zhàn)計劃的自動評估和預判,是態(tài)勢分析的重要功能,屬于戰(zhàn)場數(shù)據(jù)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(wǎng)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(shù)據(jù)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(tǒng)計信息、能利用專家的實體關系知識構(gòu)建推理網(wǎng)絡、支持推理網(wǎng)絡參數(shù)的再學習等優(yōu)點。在黑板上建立的基于BN和模糊邏輯的態(tài)勢評估算法能夠評估每個威脅的相對重要性?；谌耗繕说膽B(tài)勢分析與威脅估計模型闡述了作戰(zhàn)指揮流程和作戰(zhàn)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(jié)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(yōu)點?；谀繕藢傩缘膽B(tài)勢關聯(lián)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(lián)。考慮到不同證據(jù)在態(tài)勢評估中的重要性不同,引入證據(jù)權重系數(shù)的證據(jù)組合方法改進了證據(jù)的重要性的計算。面向“認知、預測、驗證”閉環(huán)的態(tài)勢評估的計劃識別框架在態(tài)勢評估系統(tǒng)中閉環(huán)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(tài)BN(dynamic BN,DBN)具備了時序處理能力,不過DBN網(wǎng)絡規(guī)模較小,推理任務相對單一,僅能推理出作戰(zhàn)實體的子意圖,無法直接得到上層群意圖。動態(tài)序列BN(dynamic series BN,DSBN)將DBN和序列BN(series BN, SBN)相結(jié)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(xié)同關系及兵力構(gòu)成方面的梳理,不適合多域作戰(zhàn)的多兵種集群協(xié)作情況。

本文以多域戰(zhàn)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(zhàn)群目標意圖推理先根據(jù)不同實體的屬性推理出個體行為,再結(jié)合作戰(zhàn)實體的時序規(guī)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(xié)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(tài)信息、作戰(zhàn)規(guī)則和編隊隊形構(gòu)建的多實體分層BN(multi-entity hierarchical BN,MEHBN)來動態(tài)推理對方意圖。

1 問題描述

不同于傳統(tǒng)的作戰(zhàn)樣式,多域作戰(zhàn)要在聯(lián)合部隊內(nèi)建立靈活以及具有適應性的編隊,通過改變部隊部署態(tài)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(xié)同完成作戰(zhàn)任務,艦艇編隊隊形跟隨作戰(zhàn)任務變化。多域作戰(zhàn)具有以下特性: 實體多類,包括航母、驅(qū)逐艦、護衛(wèi)艦、戰(zhàn)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(zhàn)中,指揮員快速、高效、準確、全面了解戰(zhàn)場態(tài)勢面臨很大困難。隨著未來作戰(zhàn)節(jié)奏與進程加快,戰(zhàn)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(zhàn)優(yōu)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(zhàn)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(jié)果,僅對局部態(tài)勢的認知進行組合、疊加不能得到整體戰(zhàn)場態(tài)勢,多域作戰(zhàn)的整體性要求態(tài)勢分析更加全面。多域作戰(zhàn)不斷演變的特點使態(tài)勢要素之間的關系更加復雜多變,準確地理解態(tài)勢更加困難?，F(xiàn)有的態(tài)勢分析方法主要存在以下局限:

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

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

2 多域作戰(zhàn)下的群目標意圖推理

多域作戰(zhàn)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(xiàn)出來的。由于作戰(zhàn)任務隨戰(zhàn)場態(tài)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(tǒng)識別方法僅識別一個意圖下的多模式不同,多域作戰(zhàn)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(xié)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(zhàn)條例等各類信息構(gòu)建的目標航母編隊知識圖譜基礎上,根據(jù)不同作戰(zhàn)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(xié)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(xiàn)MEHBN的構(gòu)建,完成群目標意圖識別與預測,為多域作戰(zhàn)下的戰(zhàn)場態(tài)勢分析提供支撐。據(jù)此構(gòu)建的群目標戰(zhàn)術意圖分層樹形結(jié)構(gòu)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(zhàn)數(shù)據(jù)及規(guī)則生成

數(shù)據(jù)來源方面,在美國國防部網(wǎng)站及其他開源網(wǎng)站渠道通過自動爬取數(shù)據(jù)、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(zhàn)斗機、電子作戰(zhàn)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(tǒng)軟件,最終形成795個節(jié)點、14 806條邊的知識圖譜數(shù)據(jù),并隨著跟蹤美軍動向數(shù)據(jù)持續(xù)更新,基于上述裝備及歷史航跡數(shù)據(jù)生成本文仿真數(shù)據(jù)。

圖3 多域作戰(zhàn)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(guī)則來源方面,由于群目標的戰(zhàn)術意圖與群內(nèi)實體目標行為序列在統(tǒng)計意義上通常表現(xiàn)出一種確定性的關系,本文將群目標特定戰(zhàn)術意圖下群體內(nèi)各實體的行為序列進行統(tǒng)計挖掘后,生成與特定戰(zhàn)術意圖相對應的實體行為序列模板,構(gòu)建成群目標實體行為序列模板庫。在作戰(zhàn)過程中,群目標戰(zhàn)術意圖通常被分解為多個子群的戰(zhàn)術任務,而子群的戰(zhàn)術任務又分解為多個實體的戰(zhàn)術行動。最終由每個實體作為自身戰(zhàn)術行動來實施,從而實現(xiàn)群目標整體戰(zhàn)術意圖。以航母戰(zhàn)斗群為例,根據(jù)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(zhàn)術意圖空間定義為{遠征、進攻、撤退},每個作戰(zhàn)任務都有自己的作戰(zhàn)規(guī)則,都需要群內(nèi)各作戰(zhàn)實體協(xié)同完成。航母群內(nèi)目標實體包括預警機、戰(zhàn)斗機、電子干擾機、驅(qū)逐艦、護衛(wèi)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(jù)群體內(nèi)各實體的作戰(zhàn)序列在時間軸上的協(xié)作,形成航母群實體目標作戰(zhàn)規(guī)則模板。以遠征意圖為例,如圖4所示,航母群實體目標作戰(zhàn)規(guī)則被構(gòu)建為甘特圖形式。

圖4 遠征想定下作戰(zhàn)規(guī)則Fig.4 Rules of war under expedition

遠征作戰(zhàn)規(guī)則由艦艇編隊變換及預警機、驅(qū)逐艦、護衛(wèi)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(jié)束。預警機在整個遠征周期內(nèi)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(xù)長時間巡航,在～時刻,預警機在預定戰(zhàn)位開啟雷達實現(xiàn)對遠征區(qū)域內(nèi)有威脅目標的偵測任務,監(jiān)視戰(zhàn)場動態(tài),并為指揮官提供信息;～時刻,完成任務,預警機歸隊。護衛(wèi)艦及驅(qū)逐艦全程意圖保持一致,在0～時刻,保持護航狀態(tài);～時刻,前出完成對交戰(zhàn)區(qū)域附近的威懾;～時刻,脫離交戰(zhàn)海域后歸隊;～時刻,保持護航狀態(tài)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(zhàn)規(guī)則如圖5和圖6所示。

圖5 進攻想定下作戰(zhàn)規(guī)則Fig.5 Rules of war under offensive

圖6 撤退想定下作戰(zhàn)規(guī)則Fig.6 Rules of war under retreat

2.2 編隊隊形與場景態(tài)勢的映射關系

多種艦艇混合編隊能夠?qū)崿F(xiàn)艦艇間的優(yōu)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(zhàn)斗群意圖的重要基礎,對戰(zhàn)場態(tài)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(zhàn)編隊樣式。為了確定航母戰(zhàn)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(zhàn)場景(任務)的映射關系。

圖7 航母群典型作戰(zhàn)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(fā)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(zhàn)術意圖,首先定義敵方群目標的戰(zhàn)術意圖狀態(tài)空間,群目標的戰(zhàn)術意圖是一段時間內(nèi)敵所有作戰(zhàn)行動的最終目的。針對這類意圖識別過程,即先由原始證據(jù)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(zhàn)術意圖能夠分解為多個群內(nèi)作戰(zhàn)實體的戰(zhàn)術行動。因此,群目標戰(zhàn)術意圖的識別與預測首先需要對群內(nèi)實體的行為進行識別,進而在群內(nèi)實體行為識別結(jié)果基礎上,充分考慮群目標戰(zhàn)術意圖與群內(nèi)實體協(xié)作關系的確定性關聯(lián)關系,實現(xiàn)群目標戰(zhàn)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(zhàn)術意圖推理過程中,同時考慮雙方之間的相對距離。

網(wǎng)絡的第1層為群目標總意圖節(jié)點;第2層為群內(nèi)實體目標的元意圖節(jié)點、編隊隊形和協(xié)作關系節(jié)點;第3層為群內(nèi)實體目標的行為節(jié)點、雙方高距離節(jié)點和航向節(jié)點;第4層為群內(nèi)實體目標的運動學信息和事件信息。該MEHBN推理網(wǎng)絡結(jié)構(gòu)由DBN和SBN相結(jié)合構(gòu)成。本文將群內(nèi)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(wǎng)絡模型。

(1) 飛機類實體貝葉斯分析模型拓撲構(gòu)建

飛機類實體包括預警機、戰(zhàn)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(tài)、發(fā)射導彈、敵我距離、電磁靜默、開機等,相應特征變量的狀態(tài)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(jié)點狀態(tài)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(gòu)建

艦艇類實體包括驅(qū)逐艦和護衛(wèi)艦。其貝葉斯網(wǎng)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(tài)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(jié)點狀態(tài)空間Table 2 BN node state space of ship entity behavior

(3) 飛機類實體意圖多模構(gòu)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(jù)歷史數(shù)據(jù)統(tǒng)計以及專家經(jīng)驗:對于敵方空中目標行為,一般以低空爬升開始,后續(xù)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(jù)預警機行為動態(tài)轉(zhuǎn)換關系,構(gòu)建如圖10所示的預警機行為轉(zhuǎn)移概率示意圖。以此類推,也可構(gòu)建戰(zhàn)斗機和干擾機的行為轉(zhuǎn)移概率。

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

(4) 艦艇類實體意圖多模構(gòu)建

艦艇類實體行動包括護航、前出和歸隊。以驅(qū)逐艦為例,根據(jù)歷史數(shù)據(jù)統(tǒng)計以及專家經(jīng)驗:對于敵方艦艇目標行為,一般以勻速航向行為開始,后續(xù)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(jù)驅(qū)逐艦行為動態(tài)轉(zhuǎn)換關系,構(gòu)建如圖11所示的驅(qū)逐艦行為轉(zhuǎn)移概率示意圖。以此類推,也可構(gòu)建護衛(wèi)艦的行為轉(zhuǎn)移概率。

圖11 驅(qū)逐艦行為轉(zhuǎn)移概率Fig.11 Transition probability of destroyer behaviors

戰(zhàn)場群目標意圖識別旨在利用戰(zhàn)場各種傳感器獲取到的戰(zhàn)場信息,結(jié)合軍事知識以及作戰(zhàn)動機,對敵方群目標的戰(zhàn)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(jié)合歷史經(jīng)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(tài),采用BN推理方法,完成實體目標從傳感器數(shù)據(jù)到行為的映射。其次,考慮到敵方群目標的戰(zhàn)術意圖與群內(nèi)實體目標行為序列在統(tǒng)計意義上通常表現(xiàn)出一種確定性的關系。本文將群目標特定戰(zhàn)術意圖下群體內(nèi)各實體的個體行為序列進行統(tǒng)計挖掘后,抽取與特定戰(zhàn)術意圖相對應的實體作戰(zhàn)規(guī)則,結(jié)合所構(gòu)建的分層BN推理模型,實現(xiàn)從群內(nèi)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(jù)群目標戰(zhàn)術意圖的識別結(jié)果,從實體規(guī)則庫中提取出實體個體行為轉(zhuǎn)移概率,并結(jié)合當前實體意圖識別結(jié)果,對實體的下一步行為進行預測。然后,結(jié)合所構(gòu)建的分層BN推理模型,實現(xiàn)對群目標戰(zhàn)術意圖的預測。

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

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

為了推理群目標意圖,父節(jié)點的意圖是未知的,因此Pa()未知,只能通過狀態(tài)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(tài)的均等分布;(Ch()|)()表示從意圖的狀態(tài)空間得到的信息;為歸一化因子。

在個體行為DBN中,狀態(tài)空間變量的父節(jié)點為前一時刻節(jié)點對應的狀態(tài)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(tài)空間變量由轉(zhuǎn)移到的概率,為目標狀態(tài)空間變量沿時間軸的狀態(tài)轉(zhuǎn)移概率矩陣,由先驗知識已知。因此,根據(jù)充足的證據(jù)基于DBN推理得到各元意圖,即MEHBN模型上半部分SBN的葉節(jié)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(xiàn)總意圖的元意圖實現(xiàn)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(jié)點的狀態(tài)等同于其對應的子節(jié)點序列,由于序列概率中的子序列是沿時間動態(tài)演化的狀態(tài)序列,滿足馬爾可夫性,即節(jié)點序列,,…,滿足：

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

(3)

式中：1:-1表示由到的序列。因此,節(jié)點序列呈現(xiàn)特定規(guī)律,,…,的概率為

(,,…,)=()()…()=

()(|)…(|-1)(-1)=

相應父節(jié)點的狀態(tài)信度()為對應子節(jié)點呈現(xiàn)某種特定規(guī)律的序列的信度,則

()=(,,…,)=

式中：()表示在相關規(guī)則下時刻意圖狀態(tài)的概率;(+1|)表示滿足馬爾可夫條件下發(fā)生后繼續(xù)發(fā)生+1的概率,即意圖的轉(zhuǎn)移概率。此處，假設元意圖序列,,…,的狀態(tài)轉(zhuǎn)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(zhàn)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(zhàn)下航母戰(zhàn)斗群奪島作戰(zhàn)想定為例驗證所提算法的有效性。具體的作戰(zhàn)想定如表3所示。

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

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

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

表5 驅(qū)逐艦狀態(tài)-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(jù)美航母群典型想定生成仿真數(shù)據(jù),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(shù)據(jù)。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(jù)群目標的狀態(tài)信息推理得到當前時刻的每個作戰(zhàn)實體的元意圖,再利用作戰(zhàn)實體的時序規(guī)則、實體在序列上的協(xié)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(jié)果分別在第19、101及185時刻超過設定閾值(意圖識別結(jié)果正確的閾值概率設為60%),在整個多域作戰(zhàn)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(shù)據(jù)積累不足,識別結(jié)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(jié)果也會存在一段誤判區(qū),隨著數(shù)據(jù)的增加,識別結(jié)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(jù)應用背景來設定。

圖12 基于MEHBN的航母群意圖識別結(jié)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(chuàng)新性,經(jīng)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(jié)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(jié)果為非0即1。此時的意圖推理結(jié)果與閾值設定無關,模糊邏輯在整個多域作戰(zhàn)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(jié)果。

圖13 基于模糊邏輯的航母群意圖識別結(jié)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(jù)美航母群典型想定生成仿真數(shù)據(jù),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(shù)據(jù)。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(jié)果分別在第13、100及186時刻超過設定閾值(意圖預測結(jié)果正確的閾值概率設為60%),在整個多域作戰(zhàn)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(jié)果如圖15和圖16所示,在整個多域作戰(zhàn)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(jù)具體應用而定),小于閾值時不輸出結(jié)果。本文根據(jù)測試發(fā)現(xiàn)預測時間范圍不大于8拍時預測結(jié)果的概率大于閾值,能夠準確輸出預測結(jié)果。然而,當預測時間范圍為9拍時,預測結(jié)果的概率小于閾值,無法輸出結(jié)果。

圖14 基于MEHBN的航母群意圖預測1拍結(jié)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(jié)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(jié)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(yōu)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(tǒng)計結(jié)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(jié)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(jié)束語

針對多域作戰(zhàn)因素復雜多變,不僅體現(xiàn)在目標實體空間運動及屬性上,也體現(xiàn)在戰(zhàn)術意圖上。在綜合群目標的基本組成、公開活動、作戰(zhàn)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(tài)信息、作戰(zhàn)規(guī)則和編隊隊形構(gòu)建的MEHBN來動態(tài)推理敵方意圖。首先通過目標狀態(tài)和事件信息推理出目標作戰(zhàn)實體行為,再利用作戰(zhàn)實體的時序規(guī)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(jié)合實體序列協(xié)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(jié)果表明本文所提算法的推理結(jié)果符合實際,證明該模型對實現(xiàn)群意圖識別與預測有較好的能力。

本文研究了多域作戰(zhàn)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(xù)的研究工作可以從以下兩個方面展開:

(1) 戰(zhàn)場搜集到的數(shù)據(jù)大多是航跡情報,需要進行時空配準及數(shù)據(jù)清洗,得到有用的戰(zhàn)場態(tài)勢信息；

(2) 戰(zhàn)場態(tài)勢日益復雜,戰(zhàn)場對抗愈發(fā)體現(xiàn)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(lián)性更加緊密,需要研究博弈對抗環(huán)境下目標意圖識別方法。