（1）当今军事领域问题的研究已步入信息化主导的大数据时代，传统的智能辅助指挥人员完成战场态势理解已遇到瓶颈，亟须探索突破。认知智能中深度学习的提出可为该问题的突破提供契机。结合作战指挥时指挥人员的思维特点，重点围绕战场上指挥人员所关注的对象，模拟指挥人员的思维模式来描述战场态势，就需要依据战场大数据具有的“4V”特点以及大数据思维理念，从大数据分析角度出发，利用深度学习来处理海量的战场大数据，充分挖掘大数据的整体信息，全面探索大数据中的多样性及相关性，对大数据战场态势进行科学、合理的特征表示，从而实现战场态势大数据到态势特征的有效映射，并进一步深入分析态势特征之间的关联关系。通常，可从空间、时间分布角度来研究大数据战场态势特征表示及其关联关系。在此基础上，利用所得的分析结果来构建基于深度学习的战场态势评估模型，以给出有效的评估结论，为指挥人员的指挥决策奠定基础。
（2）由于战场环境的快速变化和不可预测性，对作战方案评估的速度要求越来越高，将现有的评估方法与人工智能、大数据技术相结合来提高评估速度是研究者们一直追求的目标。
（3）由于军事信息系统的智能认知样本数据稀缺、保密性强、获取困难，一般智能学习方法难以应用，需要创新独特的深度学习方法。深度强化学习不但可以实现高维数据的获得，还实现了根据数据进行模型训练的具体过程。通用人工智能是指机器能够在没有编码特定领域知识的情况下解决不同种类的问题，做出类似人类的判断与决策。如何在比较复杂的环境、很少的样本及稀缺的外界激励下根据所掌握的知识做出正确的决策，是实现通用人工智能的重要问题，也是深度学习未来的重要研究方向之一。(www.xing528.com)
（4）统一、可量化的知识表示。战场态势的认知在很多情况下属于指挥员“运用之妙，存乎一心”的复杂隐性思维活动，与指挥人员知识结构、阅历经验及认知水平密切相关，通过以深度学习为代表的机器智能技术对关键战场信息特征的自主抽取与聚类分析，实现对包括战场威胁判断、防御判断、使命判断、效果判断等战场“状态”特征的理解认知，并形成统一、可量化的知识表示。这种“特征工程”为战场认知的描述和量化以及复杂体系认知机理研究提供了有效手段，这些通过多源异构大数据提取的状态特征能够更加客观、准确地反映“整体、动态、对抗”的体系效能和威胁判断。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
