兵棋推演空中任务智能预测方法研究

对战场敌空中目标作战任务进行高效、准确地自动判断，是态势认知的基础和辅助作战资 源分配的关键。结合前馈深度神经网络和长短时记忆网络模型计算特点，设计了2个针对性基指 标学习器，然后根据基指标交叉熵进行加权组合，用于进一步学习器训练评价指标，既能有效防 止模型过拟合，又能提高模型训练效率。测试结果表明，所提模型能较好防止模型过拟合，并能 以较高的准确率判断战场敌目标作战任务。未来联合作战，态势演进加快，博弈复杂剧 烈。空中任务顺利实施，是争取战场主动，达成 以快制慢，快速灵活聚能，准确适时释能的有效 依托。智能预测对手空中作战任务，对于指挥员 战场态势认知，辅助调配资源，部署作战行动具 有重要意义。兵棋推演是对未来战争的预实践， 受到越来越多重视。 一直以来，战场态势认知都是研究的热点。 美国著名信息融合专家Linas J L将战场态势分为 观测态势(observational situation, OS)、估计态势 (assessment situation, AS) 和 预 测 态 势 (predictive situation, PS)三级态势，较好阐述了态势内涵。文 献[1]结合战场态势三级结构和“OODA环”提出 了“态势能力演化模型”，认为真正推动态势发展 的是对抗双方的行动，指导行动的是对态势的判 断和预测。 兵棋推演空中任务预测是基于具体行动的预 测。目前已有不少研究文献，基于模板匹配、专家 系统和贝叶斯网络等经典方法组合[2-4] ，以及深度学 习等流行人工智能方法[5-6] ，实现不同作战背景下战 术层级的对手任务预测。这些方法主要为满足战术 需要而设计的模型，在联合战役层面应用时仍有一 些局限：① 模板匹配、专家系统和贝叶斯网络等 需要抽象领域专家经验知识，在知识表示和工程实 现方面难度大，比如模板库建立，贝叶斯网络概率 分布构建等。② 一些基于深度学习设计的智能方 法，考虑战术细节过多，且只针对同一场数据，在 联合战役层级应用时，一方面数据冗余，另一方面 没有充分利用以往推演数据，加大了模型训练难 度，降低了模型的有效性、准确性。同时，对抗条 件下的作战行动如果采用纯人工预测，不仅对预测 人员能力要求比较高，且不能输出稳定的预测结 果，更不适宜大范围推广使用。 本文从兵棋推演的角度，研究对抗条件下空 中任务智能预测方法。以联合战役级兵棋推演对 抗环境为基础，对有关概念进行界定，设计了兵 棋推演空中任务预测的2层神经网络模型，第1层 包括目标资源特征信息的多层感知机[7] 和目标时序 特征信息留存的长短时记忆 LSTM 网络[8] 2 个模 型，第2层设计了针对第1层2个模型训练得出的 特征信息进行加权综合的多层感知机。通过实验 验证了兵棋推演空中任务智能预测模型的有效性。