态势评估技术国内外研究进展

1.国外研究进展

战场态势是指作战双方各要素（主要包括兵力部署情况、装备情况、地理环境、天气条件等）的状态、变化与发展趋势。何为战场态势评估？ 美国国防部实验室联席理事会（JDL）提出了分层多级的战场信息模型和相对公认的战场态势评估的定义。美国JDL 给出的态势评估模型中，将战场态势评估描述为：在战场一级数据（对战场上目标位置和身份等的估计）融合处理的基础上，建立的关于作战活动、事件、时间、位置和兵力要素等组织形式的一张多重视图，它将所观测到的战斗力量分布与活动和战场周围环境、敌作战意图及敌机动性等有机地联系起来，识别已发生的事件和计划，得到对敌方兵力结构、部署、行动方向与路线的估计结果，指出敌军的行为模式，推断出敌军的意图，做出对当前战场情境的合理解释，即战场态势理解，并对临近时刻的态势变化做出预测，即战场态势预测，最终形成战场综合态势图，为指挥人员进行决策提供有力的辅助支持，战场态势评估主要包括战场态势理解和预测两大部分，JDL 给出的态势评估模型如图4-2所示。

图4-2　JDL 给出的态势评估模型

在JDL 给出的态势评估模型中，数据预处理主要对数据进行填充、清洗等处理。经过预处理的数据被传到位于第一层的目标提取，该部分主要完成对多传感器模块获得的同一目标的数据进行数据融合。再将数据融合的结果传到位于第二层的态势评估，完成对输入数据的进一步解释与预测。位于第三层的威胁评估则获取第二层的评估结果，对当前的目标进行威胁等级评估。第四层则完成数据融合的优化过程。

态势评估是一个多层次的系统，主要用于反映敌方目标在作战中的位置分布和当下的行动等多方面的信息。通过提取态势要素，简化战场态势，识别目标意图，预测目标下一步计划。该系统将战场环境信息、战场兵力部署信息和战场意图信息有机地结合起来。在此基础上，通过对有用信息的特征提取，分析当前目标的分布情况，识别出目标的作战意图，预测目标的下一步计划，最后形成当前战场的态势图，帮助指挥者快速做出作战决策。态势评估的功能如图4-3所示。

图4-3　态势评估的功能

由于态势评估是面向多种军事领域的、多层次的，因而科研人员大多从他们面临的实际领域出发选择适用的技术完成了诸多试验系统。基本上都是部分实现了数据融合处理模型中描述的功能，大都同时包括了态势评估、威胁评估这两层，就是说实际的融合系统对态势评估和威胁评估的划分并不是截然分开的。其中，态势评估部分是通过识别敌军的行为模式来推断敌军意图，并对临近时刻的态势变化给予预测；而威胁评估是根据态势评估所提供的信息，依据一定的知识和规则，以数值的形式指出态势中的威胁及威胁大小。我们认为敌方行为模式的识别有助于识别敌军意图和目的，而对威胁的理解有助于对态势的评估，即这两个阶段是交互和并行的非线性处理过程。态势评估的理想结果为：反映真实的战场态势，提供事件、活动的预测，并由此提供最优决策的依据。目前的研究结果一般只包含了这些功能的部分，并且各功能的复杂性和适用性随着应用领域的不同而变化。

国外开发了全源分析系统，此系统是面向多源信息融合及态势重构的群体决策支持系统，在一些机载、舰载态势威胁评估中也采用了基于战场要素的系统。F-35 战斗机态势感知与战术数据链系统如图4-4所示。

在Charles River Analytics 公司开发的IFAMP 智能融合与资源管理处理系统中，综合运用了模糊逻辑、贝叶斯网络、优化算法等方法，通过建立一定数量的模板，对敌人的行动路线和企图进行推理与预测。还有国家通过上述方法建立起成熟的智能战场态势感知系统和战场智能化网络，如图4-5 和图4-6所示。

(www.xing528.com)

图4-4　F-35 战斗机态势感知与战术数据链系统

图4-5　智能战场态势感知系统

图4-6　战场智能化网络

2.国内研究进展

国内对于态势评估的研究起步较晚，开始于1990年左右，但依然取得了一定成果。国内众多研究机构和学者对态势评估进行了大量研究，采用的方法有基于动态贝叶斯网络、基于粗糙集理论和基于信息熵等。这些方法大都从特定的应用层面上对态势分析进行建模，通用性不强，而且需要大量的人为规则数据，智能化程度较低，尤其是很难从整体上对态势全局进行理解、预测。究其原因在于很难制定科学合理的规则去描述变幻莫测的战场态势，这就需要突破传统的靠固定规则推理的判断方法，探求具备自我学习和动态分析预测能力的方法框架，以求准确理解战场态势并进行相应预测。

巴宏欣博士和赵宗贵研究员完整地提出了战场态势评估的概念、应包含的内容、态势元素的分类以及态势评估的处理过程，并研究了态势要素提取与建模、态势评估推理模型和算法、态势预测、辅助决策四个方面。周锐和陈宗基研究了态势评估和任务规划系统，建立基于贝叶斯网络和模糊逻辑推理的态势评估算法及威胁评估模型。汤志荔博士对战场态势威胁评估进行了研究，包括威胁要素提取、量化及威胁等级确定。胡昌振教授对基于作战空间情报准备的网络空间安全态势感知技术的建立途径进行了研究。马丰文教授从空间数据挖掘、模糊表示与混合推理、直觉模糊综合评判、集对分析等方面对战场态势评估进行了研究。陈敏和汤晓安教授等对虚拟战场动态建模方法做了研究，以提高战场态势的直观性，增强辅助决策能力。沈林成教授等对巡航导弹的智能控制系统进行了研究，其中采用了人在回路的递阶层次控制结构，将作战任务层、态势感知建模、数据库、规划、任务管理和弹载自主控制有机地结合起来。郁文贤教授、魏迎梅教授，王宝树教授和王三民博士采用贝叶斯网络对战场态势评估和不确定性推理方法进行了研究。谭安胜博士针对驱护舰武器装备的特点，建立了编队对海攻击态势分析模型，提出了对海攻击的火力运用方式及其使用时机。黄文斌教授、夏佩伦等应用灰色系统理论和最大相似度理论建立了潜艇战场目标概略位置态势快速判断框架，综合考虑目标方位序列之间的距离差异和变化趋势差异，从而得到目标的战场态势。李敏勇教授对战场态势认识的共享进行了研究。贾希胜教授参考医疗教学中的认知模型建立了战场损伤评估认知模型。王雪琴教授对一体化联合作战中信息流作用进行了研究，根据作战系统状态转移轨迹进行反演计算进而预测态势发展趋势，并建立了基于信息流协调调度评价的一体化联合作战要素优化组合模型。还有研究者利用态势评估本体的概念提出一种对信息和知识进行规范化描述与建模的方法，并对雷达侦察系统作战效能评估建模框架进行了研究。陈兴无研究员、王磊研究员对模糊多属性决策方法及其在作战指挥中的应用进行了研究。方书甲研究员对将战场环境因素纳入战场辅助决策的技术进行了研究。

姚春燕使用了时间推理的态势评估方法，将态势评估抽象为多假设分类问题；李兵建立了条件代数知识库用于态势特征的识别和态势匹配相关领域。王三民提出了基于模糊推理的态势评估方法，李伟生进行了基于模板匹配技术的态势评估研究，雷英杰提出了基于直觉模糊推理的方法用于态势评估，为我国的态势评估研究提供了诸多思路。还有其他诸如史建国、柴惠敏等人，针对态势评估问题使用了动态贝叶斯网络来解决。王宝树提出了一种三层结构的态势模型，模型内容包括态势觉察、态势理解和态势评估，并且针对每一层的具体实现方法进行了研究。在态势评估的相关系统领域，有研究机构研制了一种战区空情判断专家系统，其具有1 400 余条专家规则并且具有较高质量的知识库结构，具有识别空中目标机型的能力，并且对于空中目标的活动性质也可以进行一定程度的判断。

周思雨指出了现代视距空战传统态势评估模型的不足，提出了一种基于火炮和空对空导弹不同武器交战区的态势评估模型，新模型由一组基于方向、范围、速度和高度的分段函数构成。张正为充分利用样本的内在信息，基于欧几里得距离建立了进一步的目标分群聚类算法，同时提出了样本扩展算法，以增加样本数，提高预测能力。然后，利用神经网络对一个ATIR 实例进行了研究，表明进一步聚类算法与样本扩展算法相结合是有效的。孟光磊提出了一种基于贝叶斯网络和粗糙集理论的战场态势评估算法，建立了战场态势评估模型。根据专家的知识和经验，在不确定的情况下，根据贝叶斯网络和粗糙集理论推导的历史数据评价规则，可以实现客观评价。严明金提出了加权差距和差分加权差距法的差异，以利用簇内加权误差来估计数据中的簇数。此外，还提出了一种“多层”聚类方法，这种方法比间隔统计方法更精确，特别是在检测数据的嵌套聚类结构时。这些方法适用于输入数据包含连续测量的情况，并且可以与任何聚类方法一起使用。

周志强等提出基于战场态势证据理论的态势预测方法，建立了目标意图预测模型并应用于反导作战领域。方冰提出了基于时空维度分析的战场态势预测方法，建立时空维度变化趋势模型，通过解析计算和态势推演预测未来战场态势。胡晓峰等在深入研究美军“深绿”计划和AlphaGo 技术的基础上，尝试将兵棋仿真系统及数据与深度神经网络等智能技术有效结合并用于作战行动识别和战场态势预测，探索了基于仿真的战场态势预测方法。