张 佳，刘清平，辛 斌

（北京理工大学，北京 100081）

0 引言

态势理解在指挥控制与决策、智慧交通、网络安全等诸多领域具有广泛用途，最早用于研究飞行员对当前飞行状态的认知和理解，被定义为飞行员对某一关注区域的理解和认识。美国国防部实验室联席理事会将态势评估描述为：态势评估是基于战场初级数据的融合，将观测到的敌方兵力构成、分布及战斗活动等与战场环境、敌作战意图和动机等有效联系在一起，估算敌军作战模式，预测作战意图，在关键作战时刻作出有效预测，最终形成一张反映敌我双方作战情形的综合态势图，为指挥员高效决策提供强有力的支持。

指挥决策的基本过程是OODA 循环模型，其中，观察态势和判断理解即态势理解。全面、高水平的态势理解是帮助决策者实现高效决策的前提。在有人/无人平台协同作战过程中，快速准确的态势理解能为提升指挥决策的速度和精准度提供智能辅助决策支持，实现人机高效协同作战。同时，在无人系统集群作战过程中，态势理解能大幅提高无人系统的自主性和智能化水平，为指挥信息系统的设计、作战计划的制定提供参考依据。

早期的态势理解应用产生式规则，但无法解决诊断性推理问题。文献［9］用贝叶斯网络建立态势理解的计算推理模型，利用变量之间的条件独立关系，减少了表示一组随机变量的联合概率分布所需的参数。文献［10］利用模糊推理方法建立态势理解计算模型，建立和设计规则库和模糊推理方法。文献［11］基于案例推理方法，将多个军事实体在不同层次上与案例库进行比对，构造对战场态势分析、推理的模型。文献［12］利用D-S 合成法则将态势的影响进行综合，得到态势理解的结果，但该方法需保证态势要素独立。文献［13］用神经网络建立态势理解计算模型，解决了模糊推理方法中知识表示和推理方法不一致、时空推理能力不足等问题，适用于具有高度非线性、不确定性、涌现性等复杂性特征的联合作战体系。

无人系统作战具有实时对抗、非完全信息博弈、不确定性大、群体协作、高动态等特点。传统基于专家经验或认知的指挥模式无法有效应对瞬息万变的战场态势和海量数据，准确快速地把握战略、战役层面的战场态势是当前的难题。本文以无人系统集群为研究对象，针对作战对抗过程中的态势理解开展研究，设计了一种层次型态势理解框架以提高态势理解的效率和准确性，针对每层信息的数据特点，分别应用极限学习机算法和K 均值聚类算法，实现对战场态势的深入挖掘。

1 多智能体系统的态势理解

1.1 层次型态势理解框架

本文构建的针对无人系统集群作战的多层态势理解框架如图1 所示。战场作战对抗的态势分为个体、群组和整体3 个层次，各层信息分别表示个体威胁信息、群组态势信息以及整体态势信息。个体威胁信息是针对敌方个体信息进行的威胁评估；群组态势信息是在动态划分敌方群组的基础上，考虑各个群组成员的威胁信息和其他群组特征信息，得到敌方各作战群组的态势信息；总体态势信息由所有的群组态势信息组成，体现为总体态势图的形式。群组层次比个体层次涉及的敌方单位数量更多，需要处理的数据量大幅增加，数据具有复杂且高度耦合的特点。因此，层次型态势理解框架是对复杂战场数据进行不同层次的融合，低层级的融合数据作为高层级数据融合的输入，最终得到多层次的战场态势信息。

图1 层次型态势理解框架

1.2 态势理解算法

1.2.1 个体威胁评估

个体威胁评估利用各平台传感器采集的数据对敌方个体单位进行威胁评估，以获取敌方的威胁信息。无人系统集群作战平台的个体威胁评估具有多源输入的特点，本文采用基于神经网络的方法进行实时威胁评估。个体威胁评估输入信息包括敌方信息和我方信息，其中，敌方信息包括反映敌方作战能力和敌方作战意图的信息，如图2 所示。输出为敌方单位的威胁程度，分为无威胁、威胁低、威胁中和威胁大4 个等级。

图2 个体威胁评估的输入模型

黄广斌教授提出的非迭代训练方法减少了单隐层神经网络的训练时间，并提升了网络泛化能力。极限学习机可从训练样本中拟合出复杂的映射关系，具有学习速度快、泛化能力好、数据拟合效果好、能直接构建单隐藏层反馈神经网络的优点。因此，本文采用极限学习机作为个体威胁评估的推理算法。

极限学习机的学习目标是通过最小化预测误差损失函数之和求解输出权重β，目标函数为：

式（1）第1 项是防止参数过拟合的正则项，C 为预测误差项的惩罚系数。求解该目标函数可视为最小二乘优化问题，令目标函数对于β 的梯度为零：

根据Moore-Penrose 广义逆矩阵，可求β 的最优解。当训练样本数量n 和隐含层神经元个数L 大小不同时，求解存在两种情况：

其中，I和I分别表示L 维和n 维的单位矩阵。当计算出β时，完成对极限学习机网络的训练。对于一个标签未知的测试样本x，可用式（4）预测其标签y。

其次，线路传输方面减少损耗。在线路传输中，导线的长度、材质、粗细度等都会对传输功率产生直接的影响。因此在线路的设计上，要尽量避免线路过长的现象，以免造成电力资源的浪费；在线路的选择上，宜选择电阻低、性质稳定的导线，来节省电力资源。

构建如图3 所示的网络结构。输入层节点个数为6，隐含层节点个数选取训练结果的最佳值，输出层节点个数为1，隐含层神经元阈值为a，输出神经元阈值为b，输入层到隐含层的输入权重为W，隐含层到输出层的输入权重为β。激活函数选用Sigmoid 函数。

图3 个体威胁评估的极限学习机网络结构

个体威胁评估的流程如图4 所示。

图4 个体威胁评估流程图

1.2.2 群组态势理解

在战场环境中，敌方目标往往集群协同作战。在获得敌方每个单位的威胁信息后，需对多智能体系统探测到的战场数据进行处理，进而划分敌方群组，最终得到全局态势分析。

基于敌方单位的位置和朝向角信息，应用K 均值聚类算法对敌方进行群组划分。位置信息用经纬度坐标表示，记为（x，y），朝向角记作α。敌方第i 个单位和第j 个单位的相似性距离表示为d。

1）在样本中随机选取K 个样本点，构建K 个初始群组和聚类中心；

3）重复步骤2），直至新的质心与原质心相等或小于指定阈值，完成分类。

在该聚类准则的指引下，距离和朝向相近的敌方单位被划分到同一群组中。考虑群组成员的分布密度、朝向一致性、威胁度以及到我方作战群的距离等指标，对每个群组对象进行态势分析。第i 组群组成员的分布密度D定义为该群组内的成员数量N/敌方总成员数量N 的比值，则

得到群组的各参数后，对各参数值进行归一化处理，作为最终输入到极限学习机中的参数值。群组态势理解的输入包括分布密度、朝向一致性、威胁度和距离；输出分为敌方正在进行侦察任务和敌方意图进攻我方两类，是一个二分类问题，网络结构如图5 所示。输入层的输入节点个数为4，输出层的节点个数为1，激活函数为Sigmoid 函数。

图5 群组态势理解的极限学习机网络结构

在AnyLogic 软件中半自动生成样本，搭建敌我交火场景。记录每个场景的模型输入和输出信息，将上述数据做归一化处理后，把生成的样本随机分成训练样本和测试样本。群组态势理解的过程如图6 所示。

图6 群组态势理解流程图

2 仿真验证

2.1 个体威胁评估算法的仿真验证

为验证个体威胁评估算法的有效性，本文随机选定作战情形并用定性分析方法进行验证。战场大小为10 km×6 km，考虑河流等障碍物。我方在战场中用红色表示，由15 辆坦克组成，每个成员都具有侦察和打击能力，但探测打击范围和打击能力各不相同。敌方在战场中用蓝色表示，由坦克、无人机、侦察车和反坦克导弹车组成，共计12 个。侦察车不具备打击能力，无人机和反坦克导弹车对我方坦克形成克制关系。

在作战场景中采集战场数据，计算得到个体威胁评估的结果如下页图7 所示。

图7 威胁度值

图7 中，敌导弹车0、敌坦克2、敌坦克4 的威胁度都较高。对应在场景图图8 中，敌方坦克2 离我方坦克7 的距离相对较近，且朝向角指向我方单位；敌方坦克4 距离我方坦克较近，但朝向角偏离我方单位，计算可知此时坦克2 比坦克4 的威胁度高。导弹车虽然距离我方单位相对较远，但其打击能力相对坦克车强，所以导弹车的威胁值也较高。

图8 个体威胁评估仿真场景图

如此经过100 次实验证明，个体威胁评估算法能有效对各敌方个体进行快速、实时的威胁评估，为准确进行态势理解提供基础。

2.2 聚类算法的仿真验证

在随机生成的作战场景中验证聚类划分效果。任务场景如图9 所示，敌方单位被划分为3 个作战群（蓝色圈），分布在战场的左、中和右部，划分结果符合作战情形。实验证明，聚类算法可以有效对敌方各单位进行战斗群组划分。

图9 群组划分仿真场景

2.3 群组态势理解算法验证

本文将BP 神经网络与极限学习机算法进行对比，采用相同的训练样本和测试样本训练并测试算法模型，训练样本量N为1 000 个，测试样本数量N为200 个。极限学习机的隐层神经元个数经多次实验设定为500；依据Kolmogorov 经验公式和多次实验，BP 神经网络的隐层神经元个数设定为10，学习率为0.2，训练目标为均方误差mse≤0.01。

表1 两种态势理解算法样本训练和测试结果

群组态势理解的仿真任务场景如图10 所示，敌方单位被划分为3 个作战群（蓝色圈）。左起第1个作战群有6 个作战单元，包括坦克和无人机，对我方作战单元形成包围局势。群组态势理解输出结果为该群组意图进攻我方。左起第2 个和第3 个作战群距我方作战群较远，输出结果为进行侦察活动。群组态势理解结果均符合作战情形。

图10 群组态势理解仿真场景

实验证明，群组态势理解能有效识别敌方作战群的动态，所有群组态势动态可组成整体态势情况，从而辅助指挥员更好地理解战场态势，进行高效准确决策。

3 结论

本文以战场指挥决策的智能化为目标，针对无人系统集群作战对抗过程中的战场态势理解开展研究。构建了层次型态势理解框架，并按照不同的态势层次，对战场数据进行不同层次的融合，分层次处理动态的战场信息，最终得到多层次的战场态势信息。通过仿真实验，验证了该态势理解框架可有效地处理复杂的战场信息，帮助指挥员更好地把握战场态势并作出决策。