利用深度信念网络（DBN）预测敌方作战趋势

1.威胁目标大数据到威胁特征的有效映射

在战场趋势预测中威胁目标的大数据是抽象的，具有不同种类的数据，其定义和行为是不同的，相应地，用于战场趋势预测，其定义和取值也完全不同。在态势层，每一个数据都会被分到不同的集中，以方便与实际威胁特征一一映射，如敌对、协作、从属、编队，以及通信关系等。具体来说，就是将战场数据用态势知识进行表示，用威胁目标数据体对象包含的状态属性集表示知识库中军事目标的名称、标号、运动特征（包括位置、速度、航向等）、电子设备工作状态等信息；用威胁目标数据对象的关系属性集表示目标的隶属结构、通信、协同等关系域知识；用威胁目标数据对象的智能特性（如自主性、交互性）的函数（或数据结构）集表示目标包含的解释模型域知识（如行为模式、意图模式）。将各个态势知识表达的数据集之间进行关联构成趋势预测分析网络。

基于深度学习建立了多层神经网络映射模型，通过融合专家的评估经验并不断学习，拟建立的各指标值与态势知识之间的映射关系如表4-1所示，进而不断完善模型。

表4-1　威胁目标数据与态势知识映射关系

2.从空间和时间分布角度研究目标特征关联关系挖掘

在边界防御部署的进程中，空间和时间两者是不断关联共存的，是作战成功必不可少的两个因素，因此战场趋势预测可通过对战场态势要素时间和空间维度上的变化趋势进行预测分析，得出态势综合变化趋势。在战场态势推演过程中，随着时间的推移，实体空间位置发生改变，如部队行进和导弹飞行等，实体属性及状态也会发生变化，如雷达受干扰时，其探测范围将变小。基于时空维度的战场趋势预测具体方法为：根据作战任务提取需重点关注的态势要素，建立各态势要素随时间和空间变化的关系。

大数据战场态势空间广阔，参战力量多元，各作战要素空间状态分布具有典型的高维稀疏特性；同时，在指挥信息系统的支撑下，各作战要素又紧密耦合，从而涌现出战场态势空间特征表示结果。因此，要利用深度学习来研究适用于高维稀疏特性和涌现性的战场态势空间特征表示方法及相关性分析方法。在大数据战场态势空间特征表示及相关性分析的基础上，主要表现为从大时间尺度的作战行动判断到小时间尺度的各作战单元行为识别以及作战效果的时间累积效应等。因此，要基于深度学习来研究不同时间尺度下战场态势演化特征表示及关联关系分析方法。本项目将大数据与深度学习相结合，来实现对时间和空间的战场趋势预测。

目标特征变化规律识别是对各个设备接收的信息（包含识别信息），通过战场防御指标体系进行合理性分析之后，继续进行计算完成多目标的目标特征识别判断功能。本项目根据得到的数据对敌方单位的历史行为做出判断，当历史行为规律发生不正常改变时，通过深度学习合理性分析对敌方单位做出迅速有效的判断。

3.目标特征活动趋势预测

趋势预测的描述可以从过程和功能两方面展开。从过程的角度将其描述为：对作战区域中具有行为变化的活跃的作战实体进行觉察（从侦测的信息中提取特征参数）、理解（根据特征参数和军事知识库，识别敌方行动计划和作战意图）和预测（根据敌方行动和作战意图的识别结果，预测整个战场态势）的处理过程。根据上述关于趋势预测的描述和实际项目的需求，本项目通过深度信念网络模型来对敌方战场趋势预测进行求解。

趋势预测是数据融合领域中一个重要的研究方向，它结合了数据融合方法、知识表示方法和智能算法，是反映战场态势的一个多层视图。随着科学技术的发展，趋势预测技术不仅可以应用于军事战场上，在网络、交通等领域也有了广泛的应用。在战场上，是否能准确、及时地反映出战场态势，是决定作战成败的一个关键因素。趋势预测技术不仅能实时反映战场态势，而且能在一定程度上减少指挥员关注的目标数目，方便指挥员做出及时的决策。作为防御方更能根据战场趋势预测做出最好的防御判断。因此，对趋势预测技术的研究已经成为一个研究热点。战场上的信息是海量的，敌方电子干扰、敌方欺骗行为和传感器性能等因素，使战场信息具有不确定性和复杂性；而且趋势预测技术要考虑众多因素，如社会背景、兵力部署、环境因素等，因此使得趋势预测技术成为一个研究难点。

本项目样本数据来源主要有三种：①专家打分；②部队训练演习的实况数据；③作战模拟系统产生的仿真数据。通过以上三种数据来源，结合防御任务分析指标，选取相应的数据作为样本数据。单个样本空间构建完成之后，需要由多位专家同时提供训练样本，构成一个完整的训练样本集。各位专家首先进行讨论，基本确定训练样本生成的原则，然后由各位专家提供一个训练样本集，最后汇总各专家的训练样本，形成一个完整的训练样本集。

基于深度学习的威胁目标趋势预测分析是通过对训练样本的学习，建立从分析指标到分析结果的非线性映射，进而输入一组新的分析指标变量，利用经过训练的深度学习模型能够给出相应分析结果的预测输出，是一类回归预测问题。因此，拟采用深度信念网络（DBN）算法。深度信念网络是由多个受限玻尔兹曼机（restricted Boltzmann machine，RBM）层和一层BP 神经网络构成的一种深度网络模型。训练单隐层神经网络时，参数是随机初始化的，这样很容易使网络陷入局部最优，而DBN 通过逐层预训练对网络参数的初值进行优化，避免了陷入局部最优。多层神经网络能够对输入特征进行多次特征变换，得到更有效的特征，但直接训练多层神经网络时，面临模型复杂度高、收敛困难等问题，而DBN 通过逐层预训练避免了直接训练所带来的问题。基于DBN 的趋势预测分析样本数据训练方法如图4-19所示。(www.xing528.com)

图4-19　基于DBN 的趋势预测分析样本数据训练方法

深度信念网络的训练步骤分为预训练和微调两个过程，具体过程如下。

1）预训练

分别单独无监督地训练每一层RBM 网络，将特征向量映射到不同特征空间，确保数据的特征信息尽可能被保留下。在这个过程中，数据输入到输入层，生成一个向量V，再通过权值W 传给隐藏层。具体过程分为以下三个步骤：

（1）将输入数据赋值给输入层，对由输入层V0 与第1 个隐藏层H0 构成的模型RBM1 进行训练。训练完成后，RBM1 内的参数达到最优。

（2）通过训练好的RBM1 得到隐藏层H0 的值，将H0 看作输入层信息，与第2 个隐藏层H1 构成RBM2，使用与步骤（1）相同的方法进行RBM2 的训练，使得RBM2 网络的参数达到最优。

（3）按照步骤（1）和（2），对所有的RBM 模型分别进行训练。

2）微调

在DBN 的最后一层设置BP 网络，它的输入特征向量是RBM 网络的输出特征向量。每一层RBM 网络只能确保自身层内的权值对该层特征映射达到最优，因此，网络还存在一定的误差。反向传播算法将误差信息自顶向下传播至每层RBM，微调整个DBN 网络。

BP 网络训练过程中往往会因为随机初始化权值参数而陷入局部最优，导致训练时间较长。而RBM 网络训练的过程相当于对深层BP 网络的权值参数进行了初始化，避免了陷入局部最优和训练时间长的问题。

为了检验趋势预测的深度信念网络模型的分析能力以及泛化能力，本项目利用降维后的威胁目标数据映射到态势知识上来对构建完成的分析模型进行训练，训练结束后，将测试样本进行回代检验。使用均方根误差（root mean square error，RMSE）和平均绝对误差（mean absolute error，MAE）两项指标进行模型评价。

RMSE 与MAE 的量纲相同，但是RMSE 先对误差进行平方的累加后再开方，其实质是放大了较大误差之间的差距，而MAE 反映的是真实误差，因此，在衡量中RMSE 的值越小其意义越大，因为该指标的值能够反映其最大误差也是比较小的。利用样本数据中的测试样本，对战场防御趋势预测分析的网络模型进行评价，RMSE 与MAE 两项指标值越小，说明该模型的分析能力与泛化能力越好。

通过不断自学习，DBN 模型变得越来越完善，分析预测结果过程也越来越迅速。最后，该模型将会变成防御作战战场趋势预测的专属模型，可以更贴合实际战场趋势预测需求。