神經網絡在作戰指揮領域的應用探究

王小龍 宋裕農 蔡廣友

（海軍潛艇學院，山東 青島，266071）

摘要：對神經網絡在作戰指揮領域的應用情況進行了分析。闡述了神經網絡的發展歷史及特點，對當前神經網絡在作戰指揮領域應用現狀進行了分類，在此基礎上對神經網絡在作戰指揮領域應用面臨的問題進行了總結。

關鍵詞：神經網絡，作戰指揮

The application of the Neural Network in the field of the operational command

Wang Xiao-long Song Yu-nong Cai Guang-you

（Navy Submarine Academy，Qingdao 266071，China）

Abstract： In this article，we analyze the application of Neural Network in the field of the operational command. First，we will discuss the history and the feature of the neural network，and then classify the kind of the application of the Neural Network which used in the field of the operational command，finally，we summarized the problem of this application.

Keywords： neural network，operational command

引言

作戰指揮活動具有動態性、對抗性以及時效性等顯著特征，這也決定了作戰指揮問題必然是非線性的，能否及時、有效地解決這些問題，關系著作戰指揮效能的發揮。

由于神經網絡具備自學習、并行處理以及泛化能力等優勢，也就意味著它能夠有效的處理具有非線性特征的作戰指揮問題，因此有關神經網絡在作戰指揮領域的應用成為當前研究的熱點之一。

1 神經網絡

人工神經網絡（Artifical neural network，神經網絡），是對人腦及其活動的一個理論化的數學模型，它有大量的處理單元通過適當的方式互連構成，是一個大規模的非線性自適應系統。研究神經網絡的目的是試圖通過模仿人腦處理信息的能力，提高計算機處理復雜問題的水平。

1.1 神經網絡的發展過程

神經網絡發展到今天經歷了多次波折。最早于20世紀40年代初，由心理學家Mcculloch和數學家Pitts共同提出的MP模型揭開了神經網絡研究的序幕。1949年，心理學家D.O.Hebb提出神經元之間突觸聯系是可變的假說。據此，他提出了Hebb學習律，Hebb學習律被認為是神經網絡學習訓練算法的里程碑。1950年單極感知器構造成功，神經網絡的研究進入到了高潮期，但是由于缺乏新思想以及用于實驗的高性能計算機，神經網絡研究跌入低谷。直到80年代，隨著個人計算機以及工作站計算能力的大幅度提升和普及推動了神經網絡的研究工作，同時有兩個里程碑式的理論大大推動了神經網絡的發展：① J.Hopfield教授分別于1982年和1984年發表兩篇重要論文，用統計機理解釋某些類型的遞歸網絡操作，并提出了Hopfield網絡；② 幾名研究者分別提出了用于訓練多層神經網絡的反向傳播算法，即BP網絡。迄今為止，Hopfield網絡以及BP網絡理論被各個領域廣泛應用。

1.2 神經網絡的基本特點

神經網絡本質上是模擬人腦系統，二者在結構上必定有著很多相似之處，因此，從該角度我們可以了解神經網絡的特點。

（1）自學習能力：神經網絡根據輸入樣本，并按照一定的學習算法，不斷對網絡中神經元之間連接權值進行調整，這種調整是根據輸入樣本集合的特征自然進行的。換言之，神經網絡學習過程中，一般不需要用戶專門根據所掌握的樣本對網絡的學習算法進行調整，這就意味著神經網絡具備較好的自學習能力。

（2）并行處理能力：網絡中的每個神經元都可以根據輸入的信息進行獨立的運算和處理，并輸出計算結果，同一層中的各個神經元可同時計算出結果，并將結果傳給下一層做進一步處理，這種信息處理方式使得神經網絡具有并行處理的特點。該能力使得神經網絡具備了在較短時間里處理復雜問題的能力。

（3）分布存儲：神經網絡是用大量神經元之間的連接及對各連接權值的分布來表示特定的信息，當網絡在局部受損或輸入信號發生畸變時，仍能保證網絡的正確輸出，這一特點提高了神經網絡的魯棒性。

（4）泛化能力：由于神經網絡具有不精確性的特點，所以網絡在完成訓練后，對輸入信息的微小變化是不反應的。這種不精確性，使得神經網絡具有對含有噪聲、殘缺的信息進行處理的泛化能力。泛化能力已經成為衡量神經網絡性能的重要指標之一，經過訓練的網絡泛化能力強，意味著網絡能夠適應訓練樣本集合之外的其他樣本，并且能夠對輸入的新鮮樣本有著合理的響應，通常認為沒有泛化能力的網絡不具備實用價值。

（5）非線性處理能力：神經網絡由大量神經元構成，同時每個神經元都可以成為簡單的非線性處理單元，這一特點使得神經網絡具有處理非線性問題的能力，是神經網絡能夠模擬人腦智能的重要表現。

2 神經網絡在作戰指揮領域的研究狀況

作戰指揮通常面臨著復雜、多變的戰場環境，為了便于研究問題，常常在一定精度損失的條件下，將一些復雜的指揮問題簡化，以便于建模或仿真，但是這種方式得到的結論常滿足不了實際需求。由上述可知，神經網絡具備泛化以及非線性處理能力等特征，能夠處理帶有噪聲的以及不完全的信息，并且可以模型化數據之間的復雜關系，這些能力為解決作戰指揮面臨的問題提供了解決方案。為了便于研究問題，本節對神經網絡在作戰指揮領域的應用研究現狀進行分析和歸納。

2.1 輔助生成決策

現代戰爭中指揮員常常面臨著復雜、模糊以及數量龐大的決策因素，并且要求指揮員能夠快速的制定正確的決策，由于神經網絡具備處理模糊和不確定性問題的優勢，使用神經網絡技術輔助指揮員制定決策方案逐漸被人們所重視。

張鳳霞等提出了空戰決策的難點，并對使用神經網絡技術輔助生成空戰決策進行了研究，提出了神經網絡空戰決策技術的具體應用。陸銘華等提出根據潛艇指揮的特點，利用模糊神經網絡解決不確定條件下潛艇的指揮決策問題。

使用神經網絡的主要優勢是，能夠輔助指揮員處理當前面臨的一些決策問題，并較快地給出結果。然而神經網絡訓練需要充足的樣本，由于缺乏真實的樣本，只能通過仿真試驗得到，因此訓練得到的神經網絡往往受到人為主觀因素的影響，具有一定的使用風險。

2.2 輔助進行作戰方案和效能評估

使用神經網絡進行作戰方案評估以及效能評估的基本過程：首先建立相應的指標評價體系，以此為基礎，請專家按照指標對評估對象進行估值，得到指標估值，然后綜合指標估值得到專家對評估對象的總體評價。以專家的指標估值作為神經網絡的輸入，以專家對評估對象的總體評價作為期望輸出，對神經網絡進行訓練。

陳培彬提出根據炮兵作戰方案指標體系，并利用神經網絡中聯想記憶的一般模型以及迭代算法對炮兵作戰方案進行分析和排序。王靜巖等對合成旅作戰過程中主要因素進行分析，提出了相應的方案指標評估體系，并結合神經網絡技術，實現計算機對作戰方案的自動評估。劉芬良等構建了火力配系方案評估指標體系，并設計了基于BP神經網絡的火力配系方案評估模型。

除了使用神經網絡進行方案評估外，也進行武器裝備、指揮系統等方面的效能評估。高彬等根據干擾效果評定的諸因素的隸屬度函數確定隸屬度，并將隸屬度作為BP神經網絡的輸入數據，經過神經網絡計算得到的數據作為對雷達干擾機效能的評估值。胡鵬（注：胡鵬，趙國豪等. 基于BP神經網絡的防空C3I人機交互性能評估[J].現代防御技術，2005，33（6）：14-16.）等建立了防空武器指揮自動化人機交互性能評估的指標體系，并應用BP神經網絡技術實現了人機交互性能的自動評估。李凌等提出采用基于遺傳算法的神經網絡建立偽裝評估的模型，以目標的光學特征指標量化值作為網絡輸入，得到偽裝效果評估等級。

使用神經網絡進行評估活動的主要優點是結果可靠、判斷速度快以及不易受外界影響等。專家在判斷較為模糊的問題時，不同時間可能會給出不同結果，而神經網絡一旦完成訓練則相當于記錄了專家當時的判斷，不受環境或自身的影響發生改變，保證了每次判斷結果的一致性。神經網絡的并行特點，大大提高了對輸入信息的判斷能力，能夠快速實現作戰方案評估。

使用神經網絡進行作戰方案評估仍存在不足，首先，戰爭復雜多變，并且人們對戰爭的認知存在諸多主觀因素，因此很難建立符合客觀實際的作戰方案指標體系；其次，專家對方案的估值，無法進行驗證，往往帶有一定的主觀色彩，所以神經網絡不可避免地會受到專家主觀因素影響。

2.3 應用于情報獲取

現代戰場空間復雜多變，信息量巨大，準確、快速地獲取對方情報并進行評估、分類和識別是戰爭制勝的關鍵所在。敵方為了迷惑我方獲取真實情報，往往會采用諸如偽裝、隱藏或者使用電子對抗的手段對我方偵察設備進行干擾，阻撓我方獲取真實的情報。由神經網絡的特點可知，神經網絡具有并行處理、識別以及分類能力，因此使用神經網絡不僅能夠快速處理大量數據，而且還可提高情報的獲取概率以及對情報的分類和識別。

王浩全提出應用BP神經網絡算法對混合光譜分離過程進行優化，用于提高對偽裝目標的識別率。張要一等提出了基于BP網絡的防空保衛目標分類，對敵方目標進行重要性排序，為我打擊兵力提供指導。孫智華等提出了基于神經網絡的電子對抗情報評估模型，用于評估情報資料的質量。王卓君提出運用基于神經網絡的數據挖掘技術，實現情報數據的分類。

2.4 應用于仿真模擬

通過仿真實驗獲取樣本對神經網絡進行訓練，網絡可以根據輸入參數，為仿真中的智能體提供威脅判斷等輔助計算。如果單獨為每一個智能體提供威脅判斷計算，將耗費大量的計算資源，而神經網絡的并行計算能力則能夠保證智能體快速進行威脅判斷，使擁有大量智能體的仿真試驗得以進行。楊萍等提出使用BP神經網絡為智能體提供威脅判斷，以提高智能體威脅判斷的快速性、適應性以及泛化能力。

2.5 應用于威脅估計

對我方面臨的各種威脅進行及時、有效的評估，能夠為指揮員制定決策打下良好的基礎。由于神經網絡具備較強的學習能力，能夠將專家的知識、經驗以網絡的形式存儲下來，同時具備的并行處理能力，確保了神經網絡能夠對戰場目標威脅度進行快速評估。

張文華等提出運用神經網絡和遺傳算法評估反裝甲目標的威脅度。王向華等提出采用徑向基神經網絡實現空戰目標的威脅度排序。馬海濤提出應用BP神經網絡實現空中目標的威脅度排序。羅艷春等提出使用模糊神經網絡對空中目標進行威脅估計。

2.6 應用于火力分配計算

火力分配是通過對各火力單位對目標打擊的效率指標進行評估，然后按照一定規則找出最大的效率指標值組合，并據此將目標分配給相應的火力單位的問題。由火力分配的定義可知，我方火力數量以及敵目標數量滿足相應的約束條件，且火力分配的目的是取得對敵方目標的最佳打擊，可以將對敵的打擊效果作為目標函數。因此，火力分配問題本質上屬于組合優化問題。然而神經網絡技術的一個重要應用就是解決組合優化問題，其中經典的Hopfield網絡就是解決組合優化問題的典型方法。李丹等通過建立基于神經網絡的防空作戰火力分配模型，優化了火力分配方案。

3 神經網絡在作戰指揮領域應用面臨的問題

當前，神經網絡已經被廣泛的應用于解決作戰指揮面臨的多種問題，但是神經網絡的固有缺陷也限制了其應用范圍。本節對神經網絡在作戰指揮活動中應用面臨的問題進行分析。

（1）需要充足的樣本訓練。訓練完善的神經網絡，首先需要符合客觀實際的樣本集，但是在作戰指揮領域，很多問題缺少或根本沒有實際樣本，如果選擇通過仿真實驗獲取樣本，則訓練出來的神經網絡必然受試驗設計的制約，增加了神經網絡的使用風險。

（2）受到主觀因素的影響。比如在訓練神經網絡輔助進行方案或效能評估活動中，生成訓練樣本需要專家估值，由于待評估對象的指標往往存在定性和定量之分，專家對其中的定性屬性估值不可避免地會帶有主觀因素，而且對諸指標的重要性，不同的專家往往會有不同的看法，簡言之，訓練樣本受到專家的主觀影響，因此使用這些樣本訓練的神經網絡必然會受到專家主觀風險的影響。

（3）缺少解釋機制。神經網絡通過權值和網絡結構的形式表達專家知識，通過輸入信息，計算得到相應的結果，由于神經網絡具有黑箱特性，缺少相應的解釋機制，導致計算得到的結果說服力不足。比如多方案評估，神經網絡只能根據專家的評估值，計算得到各個方案的評估值，但是網絡無法精確的還原推理的邏輯過程，因此會造成評估結果的說服力較差。

（4）計算精度問題。神經網絡的泛化能力帶來的問題是較低的計算精度，因此對于其他計算方法能夠有效解決的算術運算和數據處理問題，神經網絡無法有效應對。

4 結論

神經網絡的自學習、并行處理以及泛化能力等特征構成了其在作戰指揮領域廣泛應用的基礎。與此同時，應用神經網絡解決作戰指揮問題面臨著缺乏充足的樣本、受到主觀因素影響以及缺少解釋機制等缺陷。為了彌補神經網絡的固有缺陷，人們提出了如基于模糊邏輯的神經網絡、基于粗糙集的神經網絡等方法，用于增加神經網絡的適用范圍，這些方法成為應用神經網絡解決作戰指揮問題的發展方向。

作者簡介

王小龍（1983-），男，河南開封人，博士，主要研究方向：指揮自動化以及相關輔助決策研究。