霍士伟 郭圣明 唐宇波

（1.国防大学 北京 100091）（2.国防科技大学信息通信学院 西安 710106）

1 引言

随着人工智能技术的快速发展和在军事领域的广泛运用，作战指挥方式由传统的以指挥员决策向人机协同的智能作战指挥方式转变。其中，智能化战场态势评估是实现智能化作战指挥的基础和关键，是科学完成兵力优化、火力分配等指挥决策的前提［1］。

目前智能战场态势评估方法主要有基于知识推理的评估方法和基于机器学习的评估方法。其中基于知识推理的评估方法主要包括基于模板匹配的方法［2］、案例推理的方法［3］、D-S 证据理论方法［4］、模糊逻辑方法［5］等。基于知识推理的方法能够较好地处理战场态势评估中信息的不确定性，但是普遍存在难以构建完备的知识库问题，对具有高度非线性、涌现性的复杂战场态势难以有效评估，原因在于这类评估方法的知识表示大多是基于人的经验，推理过程有太多主观因素，无法从战场全局实现战场态势的自主表示和推理［6］。以神经网络［7］、支持向量机［8］为代表的机器学习评估方法能够直接从大量战场态势数据中学习规律，实现对复杂战场态势的表示和认知，避免了构建知识库的复杂过程，同时避免了人的主观因素影响。目前，基于机器学习的智能战场态势评估成为当前作战指挥决策领域的研究热点，并取得了大量成果。但是，基于机器学习的评估方法需要大量标记样本数据来进行模型训练，而在战场环境下，要获得充足的满足模型训练要求的带标签样本数据是比较困难的。……