深度学习研究及军事应用综述

2022 年 7 月 7 日 专知

深度学习作为当前人工智能领域的研究热点之一，已经受到广泛关注。借助于强大的特征表示和学习能力，深度学习日益成为军事领域智能化发展的技术基础。首先结合深度学习的最新发展，指出深度学习的快速发展得益于理论的突破、计算机运算能力的显著提高和开源软件的广泛流行，着重梳理了目前主要的深度学习硬件平台和编程框架，并总结了各自的特点和研究进展；然后对深度学习在目标识别、态势感知、指挥决策等典型军事领域的应用和存在的不足进行了总结；最后，分析了深度学习军事应用面临的挑战，包括数据获取困难、处理不确定不完备信息和多域信息能力不足、精确度和实时性较低、可解释和可理解性不强等，并针对这些问题展望了未来可能的发展方向和趋势。

深度学习为很多复杂问题的解决提供了新的思路$由于其具有强大的特征表示和学习能力$在以目标识别与检测,态势感知,智能指挥决策等为代表的军事领域中取得了一系列应用成果$并日益成为军事领域智能化发展的技术基础与研究热点。

1. 目标识别与检测

雷达目标识别一直是军事领域关注的重点，随着高分辨雷达技术的发展，目标的高分辨一维距离像(high resolution range profile, HRRP)、合成孔径雷达(synthetic aperture radar,SAR)图像等已经成为军事目标综合识别的重要数据来源，传统雷达目标识别方法主要采用人工设计的特征提取算法提取目标特征，目标识别的性能依赖于提取特征的好坏，而采用深度学习方法则能自动学习目标数据的深层次抽象特征，能够进行更准确、更稳健的识别，从而受到广泛的关注。表1为当前主要的深度学习框架。在基于 H R R P 的雷达目标识别方面， B ( ) . F 等［⑸提出一种新的矫正自编码器Corrective AE, 自动提取 H R R P 抽象特征，实现了对目标 H R R P 的高效识别。P a n等［⑹采用t . S N E方法解决H R - RP目标识别中的训练数据不均衡问题，利用判别式深层置信网络提取训练数据中与类别无关的全局特征来提升小样本条件下的H R R P分类性能。徐彬等口力考虑HRRP样本距离单元间的时序相关特性，提出了采用双向长短时记忆模型的HRRP目标识别方法，提高了目标识别性能。文献口8］将5种弹道中段目标HRRP转化为0-1二值图，并构建了二维CNN对HRRP图像进行分类，充分利用图像中蕴含的目标结构信息提升了分类效果，但将HRRP转化为图像增加了计算量。Xiang等［血在一维 CNN中引入通道注意力，同时利用改进的人工蜂群算法对一维CNN进行剪枝，在保持对弹道中段目标H R R P的高准确识别率前提下大幅降低了模型的复杂度。

2 态势感知

现代战场态势具有显著的大数据特征，传统方法已不能满足现代复杂战场态势的感知需求，深度学习技术为研究战场态势感知提供了智能化技术手段，在对以往实战数据,实兵对抗数据,靶场试验数据,兵棋推演数据等进行态势标注的基础上，将其作为训练数据，对深度学习模型进行训练利用训练获得的网络模型可以实现对战场态势的理解。

3 指挥决策

以 AlphaGo等为代表的人工智能应用的成功，表明了深度学习技术在应对实时对抗, 不确定性推理等复杂动态场景问题的优秀能力深度学习在军事智能辅助决策领域的应用已经受到广泛的关注。

专知便捷查看