深度学习研究及军事应用综述

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。