摘要
战场目标威胁评估作为指挥决策的前提和基础,在信息化智能化战争中扮演着重要的角色。本文从指标体系构建、指标权重确定以及威胁评估方法选择三个方面出发,系统总结了空战场目标威胁评估的研究现状,分析了空战场目标威胁评估面临的挑战,包括集群目标威胁评估研究有待深入、指标体系构建有待完善、指标权重确定有待优化、人工智能的应用深度有待提升等,并对这些问题未来的研究方向进行了展望。

0 引言

空战场目标威胁评估作为现代战争体系中的重要一环, 通过对对方目标的识别、 跟踪、 意图研判等多个因素进行综合分析, 确定目标对我方防御系统的威胁程度, 从而为后续的火力分配和指挥决策提供信息支撑。 目标威胁等级直接关联其危险程度与武器资源配置优先级, 威胁等级越高, 其危险性越大, 武器分配的优先级越高。

随着决策中心战、 联合全域作战等新型作战概念的提出以及军事技术和航空技术的发展, 现代战争已经进入信息化、 智能化战争时代, 呈现出以下特征: 一是高动态性, 战场态势瞬息万变, 作战单元交互频繁, 这要求指挥决策必须具备即时响应能力; 二是强对抗性, 交战双方围绕信息链、 认知链展开激烈对抗; 三是多域协同, 陆、 海、 空、 天、 网、 电等多域力量打破壁垒, 协同作战; 四是数据爆炸, 传感器网络与数据链路持续扩张, 导致数据爆炸式增长; 五是强自主性, 侦察预警平台能够实现自动搜索、 跟踪、 关联分析与识别, 指挥决策平台能够实现战场态势的自动分析、 作战任务的自动规划等, 作战平台具备自主作战能力。 战争形态的演变不仅对指挥决策提出了更高的要求, 目标威胁评估也面临着更加艰巨的挑战: 威胁指标体系难以覆盖多域联合作战场景、 传统多属性决策方法难以应对战场态势更新频率、 现有模型对对方主动干扰的鲁棒性不足等。

为应对信息化、 智能化战争的需要, 学者们对空战场目标威胁评估开展了许多研究。 现有的研究主要集中在威胁评估指标体系构建、 威胁评估指标权重确定、 威胁评估方法选择三个方面, 因此本文从这三个方面出发对现有研究进行分析总结, 分析空战场目标威胁评估存在的不足, 并展望未来可能的研究方向。

1 威胁评估指标体系构建

在目标威胁评估任务中, 首要的也是直接影响评估结果的便是威胁评估指标体系的构建, 包含指标的选择和描述两个方面。 评估指标选取的越多、 覆盖的范围越广, 对于目标的威胁评价越准确, 但这同样会造成信息交叉冗余、 计算效率下降、 评估时间增长, 影响指挥员的决策效率。 因此, 科学合理地构建评估指标体系对于目标威胁评估任务具有重要意义。

1.1 威胁评估指标选择

现有的威胁评估方法主要考虑从对方目标属性^[1-5]和我方防卫目标属性^[6-7]两个角度选择威胁评估指标, 部分研究也考虑引入指挥员情绪作为评估指标, 如图1所示。

(1) 对方目标属性

对方目标属性一般包含对方目标的能力因素和态势因素。 能力因素指标主要是根据对方空中目标的静态属性来衡量其对我方的威胁程度, 如目标类型、 打击能力、

干扰能力、 机动能力、 防护能力以及电子对抗能力等。 态势因素指标主要是根据对方空中目标的动态属性来衡量其对我方的威胁程度, 如速度、 航向角、 高度、 距离、 航路捷径以及飞抵时间等。 文献[1]基于目标类型、 距离、 速度、 高度、 航向角和航路捷径构建评估指标体系。 文献[2]从空战能力和空战态势特征两个角度构建威胁评估指标体系, 主要考虑目标类型、 打击能力、 干扰能力、 角度威胁、 速度威胁和距离威胁六个特征。 随着武器装备的信息化智能化程度提升, 传统的能力因素指标已经无法满足对新型空中目标威胁程度的衡量, 文献[3]引入智能协同能力衡量目标的智能化水平。 考虑到现有研究多基于目标个体构建评估指标体系, 忽略了目标之间的关系, 文献[4]分析目标的战术意图并构建作战环, 选取节点度、 接近中心性、 可被替代性、 连边威胁性和Page Rank五个评价指标。 文献[5]选取度、 中心度、 紧密度、 近邻指数四个评价指标。

(2) 我方目标属性

我方目标或防卫要地固有属性主要指目标或要地在威胁评估过程中需要考虑的特征和属性, 包含其固有属性和动态属性。 固有属性主要指我方目标或防卫要地自身内在所具备的、 不随外部威胁环境短期变化而改变的特征, 如传感器的感知能力、 信息处理能力、 武器的毁伤能力、 防卫要地等级等。 动态属性主要指随着对方目标对我方威胁程度的变化而发生变化的特征, 如我方目标的速度与高度、 防卫要地的运行状态等。 文献[3]引入攻击区域重要程度体现蓝方拟攻击区域对红方价值的高低。 文献[6]综合考虑我方保卫要地等级对弹道目标威胁程度进行评估。 文献[7]从传感器对特定目标的感知能力、 信息处理能力、 武器对特定目标的毁伤能力以及防御系统抗干扰能力四个方面分析我方拦截能力, 所构建的威胁评估指标体系对于双方态势均有一定程度的体现。

(3) 指挥员情绪

传统的威胁评估方法多从目标本身特征出发进行分析, 忽略了指挥员情绪所造成的影响。 积极的情绪状态有助于指挥员在面对复杂的目标威胁信息时, 快速捕捉到关键线索, 识别出目标的潜在威胁。 消极的情绪状态则会造成指挥员在处理目标威胁信息时出现认知偏差, 导致威胁误判。 文献[8]在分析目标的类型、 速度、 距离、 高度等属性的基础上, 结合指挥员的感情建立威胁评估模型。 文献[9]综合考虑作战意图(上级指令)、 直接威胁(目标特征)及作战意图倾向(决策者倾向)对目标的威胁程度进行排序。

除对方目标的属性、 我方防卫目标属性以及指挥员的情绪之外, 文献[10]引入地形和精神风貌两个指标, 为威胁评估指标体系的构建拓展了新的思路。

1.2 威胁评估指标描述

在目标威胁评估任务中, 评估指标根据其特性可以分为定性指标和定量指标两种。

(1) 定性描述

评估指标的定性描述主要是依靠文字表述、 等级划分或类别界定等手段对指标进行说明, 如目标类型、 目标意图、 攻击区域重要性等评估指标无法直接进行数值表示, 需要通过定性描述的方法将其量化, 便于计算目标的威胁值。 常见的定性描述方法有标度法^[11-13]和模糊语言^[14-17]。 文献[11]基于九级量化理论将导航能力、 攻击能力、 作战半径以及突防能力四个评估指标分别划分为九个等级, 每一级别赋予对应数值, 之后根据专家知识进行判断。 标度法的优点是简单高效, 便于理解和操作, 但是其主观性较强, 容易忽略指标中的模糊信息和关键信息。 模糊语言则能通过丰富的语义信息表达难以精确量化的指标, 更好地描述指标的不确定信息。 文献[14]通过模糊语言对干扰信号水平和目标到防卫要地的距离进行描述, 使得决策者能够更加直观地理解其威胁程度。

(2) 定量描述

评估指标的定量描述主要是通过具体的数值、 数学模型或者统计分析方法对指标进行度量, 如目标速度、 高度、 距离、 航向角等指标可以通过定量描述的方法进行表达。 常见的定量描述方法有精确数、 区间数及模糊数。 文献[18]利用精确数对目标的距离、 速度、 高度、 航向角进行描述, 进而得到目标的威胁等级。 但在复杂多变的战场环境中, 精确数难以表达出评估指标中的不确定性。 文献[19]将精确数与区间数相结合对评估指标进行描述, 通过区间数对目标的生存能力和搜索能力进行描述, 通过三参数区间数对目标的毁伤能力进行描述, 通过四参数区间数对目标的抗干扰能力进行描述, 能够有效地表示出评估指标的不确定性, 但是区间数的方法通常需要特殊的算法规则, 容易造成计算复杂度增加。 为了表示评估指标的模糊信息, 文献[20]引入直觉模糊数对评估指标进行描述。 除此之外, 区间直觉模糊数^[21]、 三角模糊数^[22]、 犹豫模糊数^[23]、 毕达哥拉斯模糊数^[24]、 毕达哥拉斯三角犹豫模糊数^[25]等定量描述的方法也被应用于目标威胁评估任务中, 可以通过不同模糊数理论的结合实现更加全面准确地对目标评估指标的表示。

除定性描述和定量描述方法外, 文献[26]分别通过语言变量、 精确数、 区间数、 直觉模糊数对态势数据进行表示, 并将区间数、 直觉模糊数、 语言变量转化为满足威胁评估解算的数据形式。 在威胁评估指标描述过程中, 通过将不同描述方法的结合能够全面地表达指标中所包含的不确定信息和关键信息, 进而实现对目标的准确威胁评估。

1.3 优势与局限性

(1) 威胁评估指标选择的优势与局限性

现有的威胁评估指标体系涵盖了双方目标的属性、 指挥员主观因素、 环境因素三个方面, 覆盖范围较广, 为目标威胁评估任务奠定了良好的基础。 但仍存在以下不足: 一是不同研究对指标的选取和量化方法差异较大, 缺乏统一的评估标准和分层分级的规范化框架。 二是对隐身目标、 无人机集群等新型装备的威胁评估能力不足, 难以体现新型装备的智能化特征。 三是忽略了集群间协同关系及整体威胁的系统性分析。 以空战为例, 现代空战已经演变成集群与集群之间的对抗, 不同集群之间互联互通、 协同打击, 现有指标体系还无法做到突显集群间协同关系带来的威胁变化。

(2) 威胁评估指标描述的优势与局限性

从威胁评估指标描述的角度分析, 上述方法能够有效表达战场环境中的不确定性和模糊信息, 灵活适应不同类型评估指标的特性。 但仍存在以下不足: 一是定性描述方法较为依赖专家经验, 在量化过程中缺乏统一的标准。 以标度法为例, 由于不同专家的认知和经验有很大的差异, 因此其描述结果也会有很大的差异, 影响评估结果。 二是计算复杂度高。 区间数和复杂模糊数的运算需要特殊规则, 导致算法复杂度增加, 多方法融合也会加剧计算负担。 三是存在信息转换损失。 从定性描述到定量描述转换的过程中容易造成语义信息丢失, 影响评估精度。

2 威胁评估指标权重确定

对于所构建的威胁评估体系而言, 各个指标所包含的信息不同, 其在目标威胁值计算时所占的比重也不同, 因此需要科学合理地确定各评估指标的权重。 指标权重的确定是在指标体系构建的基础上, 进一步细化评估要素的重要性, 使得评估结果能够更精准地反映目标的实际威胁。 目前的研究中对于威胁评估指标权重的确定主要分为单一权重和组合权重两种, 如图2所示。

2.1 单一权重确定

(1) 主观权重确定

在目标威胁评估任务中, 主观权重主要通过专家经验、 专业知识、 直觉偏好等主观因素人为赋予各评估指标重要性系数, 常见的主观权重确定方法主要有专家打分法、 层次分析法、 德尔菲法等。 文献[27]通过层次分析法确定各威胁评估指标的权重, 进而得出穿透性制空作战飞机威胁排序。 随着研究的深入, 许多学者对层次分析法进行了改进, 主要集中在降低决策者的主观性、 指标间相互关系的刻画方式以及提高权重计算精度等方面。 文献[28]引入多层次技术专家参与决策, 根据认知水平与经验分为不同等级并设置对应决策权重, 降低了单一决策者的主观性。 文献[29-30]将模糊理论引入层次分析法中, 通过模糊数刻画指标间的相互关系, 结合层次分析法确定评估指标的权重, 实现了对空中目标的有效威胁评估。 文献[31]将遗传算法与层次分析法相结合, 提高了权重的计算精度。

(2) 客观权重确定

相较于主观权重依赖决策者的主观判断而言, 客观权重则是从数据本身出发, 通过分析数据自身的信息量以及不同评估指标之间的关联关系来确定指标的权重, 常见的客观权重确定方法主要有熵权法、 指标重要性相关法(Criteria Importance Through Intercriteria Correlation, CRITIC)、 变异系数法等。 文献[32]引入熵权法确定评估指标的权重, 熵值越小, 指标的离散程度越大, 在评价体系中的权重就越大, 实现了对海面目标的有效威胁评估。 熵权法基于评估指标数据的特性确定权重, 避免了人为因素造成的干扰, 但是其默认指标之间相互独立。 因而, 研究者将指标之间关联关系融入熵权法进行改进, 如结构熵权法和相关系数的应用。 文献[33]重新定义了结构熵权法中“平均认识度”和“认识盲度”, 并在此基础上确定各指标的权重, 能够对防空反导目标进行威胁排序。 文献[34]引入灰靶理论中的靶心系数对熵权法的权重计算公式进行改进, 能够较好地区分不同指标对目标的威胁排序影响程度。 文献[35]通过计算指标之间的余弦相似度实现对赋权过程的改进。 除考虑指标相关性与熵权法结合之外, CRITIC综合考虑指标变异性和指标冲突性确定指标的权重, 也是一种考虑指标之间相关性的权重计算方法。 文献[36]从体系角度构建评估指标体系, 通过CRITIC法得到各指标的客观权重。 文献[37]结合粗糙集理论和CRITIC法定量评估不确定信息下的空战威胁。 CRITIC在计算指标的冲突性时相关系数可能出现负数且采用标准差会带来量纲和数量级的不一致, 文献[38]引入基尼系数和肯德尔系数对CRITIC法进行了改进, 所得到的评估指标权重更加客观。

2.2 组合权重确定

基于主观权重和客观权重的优缺点, 研究人员考虑将主观权重与客观权重相结合来确定评估指标的权重, 常用的方法有线性加权法、 最小偏差组合法等。 文献[39]利用线性加权法将指标的主客观权重进行组合, 所得到的权重更加贴合战场实际。 文献[40]利用层次分析法和熵权法分别得到评估指标的主客观权重, 构建优化模型使得组合权重向量与主客观权重向量之间的偏差尽可能小, 从而得到各指标的权重值。 在确定常权的基础上, 考虑到战场环境的动态变化属性, 文献[41-42]引入变权理论确定指标权重, 使其能够反映战场态势的变化。

上述确定指标权重的方法主要针对单一时刻的空情数据, 得到的威胁评估结果仅能够反映当前时刻对方目标对我方的威胁程度。 随着时间的推移, 目标的状态信息会发生变化, 仅依据单一时刻进行威胁评估已经难以满足战场需求。 因此, 研究人员考虑将多时刻目标数据进行融合, 常用的方法主要有基于正态累积分布^[26]和基于泊松分布的逆形式^[19,43]。

2.3 优势与局限性

(1) 单一权重确定方法的优势与局限性

主观权重确定方法的优势在于其充分利用专家经验和战场实际需求, 贴近指挥决策逻辑。 在实际应用中, 主观权重的确定较为依赖专家经验和知识水平, 不同专家判断差异大, 会造成权重不一致。 以层次分析法为例, 在构建判断矩阵时, 决策者的主观偏好会导致权重偏差。 当选取的威胁评估指标数量较多时, 层次分析法需要构建更深层次、 更大规模的判断矩阵, 使得计算量增加, 同时决策者也很难判断出所有指标的相对重要性。

相比之下, 客观权重从数据自身出发, 不受人为因素的干扰, 但其较为依赖高质量、 大规模数据。 战场数据的特点是高对抗性、 欺骗性和样本稀缺。 小样本条件下, 熵权法、 CRITIC法等客观权重确定方法容易受到噪声干扰, 导致权重分配不稳定。 同时, 客观权重也难以从作战场景出发为指挥员提供合理的解释。

(2) 组合权重确定方法的优势与局限性

组合权重能够充分发挥主客观权重的优点, 但仍存在以下不足: 一是算法复杂度较高。 组合权重的确定涉及大量矩阵计算和迭代优化, 计算耗时长, 难以满足实时决策需求。 二是主观权重和客观权重的融合比例设计有待优化。 现有方法多依赖经验设置主客观权重的占比, 缺乏科学依据。 引入变权理论的组合权重确定方法在设计规则时也多基于固定的阈值, 难以实时适应复杂战场态势的非线性变化。

为了更加直观地评价主观权重、 客观权重以及组合权重三种方法的优缺点, 从主观依赖性、 数据需求、 鲁棒性、 可解释性四个维度进行了对比分析, 如表1所示。

3 威胁评估方法选择

作为威胁评估任务的最后一环, 威胁评估方法的选择能够将指标和权重有机结合起来, 通过特定的计算逻辑和推理过程, 把各项指标所包含的信息转化为具体的威胁评估结论。 因此, 威胁评估方法的选择至关重要, 将直接影响评估结果的准确性。 目前常用的威胁评估方法主要有模糊推理、 证据理论、 多属性决策和机器学习算法等, 本文将模糊推理、 证据理论以及多属性决策统称为传统威胁评估方法。

3.1 传统威胁评估方法

模糊推理是一种利用模糊逻辑对威胁相关的各种不确定因素进行建模和推理的方法。 文献[44]基于专家知识采用分级方法制定推理合成规则, 在降低规则制定复杂度的同时实现对通信干扰的威胁评估。 模糊推理方法依赖丰富的专家经验和领域知识进行威胁评估, 能够为指挥员提供直观、 明晰的图形化界面, 但是其对数据质量和规则的准确性要求较高, 大量的推理规则也会造成计算量增加, 严重影响评估效率。

证据理论通过量化不同威胁假设的可信度与可能性, 实现对威胁的分类和优先级排序。 文献[45]构建量化后各指标下的证据并应用D数理论进行证据融合, 实现了对威胁目标的准确评估; 文献[46]引入基于偏移度加权的改进D-S证据理论融合多时刻证据信息, 改进后的方法计算复杂度较低且信息利用率提高。 证据理论能够有效处理战场环境中的不确定性信息, 但其对证据的组合规则制定具有严格的限制, 且当证据数量较大时, 计算复杂度会大幅增加。

多属性决策方法是目前威胁评估任务应用较多的, 文献[38]采用指标间加权灰色关联度计算目标的相对贴近度, 得到不同目标的威胁排序结果。 文献[47]首先通过独立成分分析法得到空战目标的独立状态估计, 之后引入考虑变量之间相关性的逼近理想解法(Technique for Order of Preference by Similarity to Ideal Solution, TOPSIS)对目标进行排序。 两种方法均克服了传统TOPSIS法利用欧式距离计算相对贴近度的缺陷, 所得到的威胁排序结果更加科学合理。 文献[48]提出一种基于多准则优化与妥协解方法(VlseKriterijumska Optimizacija I Kompromisno Resenje, VIKOR)的威胁评估模型, VIKOR相较于TOPSIS能够通过设置不同决策系数反映出决策的个人偏好, 实现横向动态对比评估。 文献[49-50]利用三支决策理论对目标进行威胁评估, 两种方法均能够将目标按照条件概率和决策阈值划分到对应的正域、 负域和边界域中, 对于正域中的目标, 其威胁等级最高, 边界域次之, 负域最低。 三支决策理论的应用使得目标威胁评估任务不再需要预先设定威胁评估等级和人为主观选择作战目标数, 实现了实时目标分类和排序。 上述方法在进行目标威胁评估时均假设决策者处于完全理性的状态, 忽略了真实作战给决策者带来的心理变化, 文献[51-52]把前景理论应用到威胁评估任务中, 通过风险态度系数和损失规避系数对决策者的心理偏好进行量化, 使得评估结果更加贴合战场实际。

3.2 基于机器学习的威胁评估方法

随着人工智能技术的发展, 机器学习算法在军事领域的应用逐渐深入, 许多学者基于机器学习算法开展目标威胁评估研究。 现有的基于机器学习算法的目标威胁评估方法主要可分为两类。

一是将威胁评估任务转化成回归问题, 如图3所示。 对于输入的高度、 速度、 角度等战场态势数据, 首先经过归一化或模糊化处理后, 形成多维特征向量, 并且划分为用于模型学习的训练集和用于测试的测试集。 之后采用极限学习机、 神经网络等方法, 以处理后的特征向量为输入, 通过非线性变换, 输出目标的威胁值。 输出的威胁值越大, 则表明目标的威胁程度越高, 需要优先处理。 文献[53-57]利用极限学习机(Extreme Learning Machine, ELM)构建目标威胁评估模型, 在构建指标体系和确定指标权重的基础上将目标数据作为ELM的输入, 经过学习后得到目标的威胁评估值。 文献[58]以小型无人机为研究对象, 构建了基于灰色神经网络的威胁评估模型, 表现出较好的自适应学习能力和威胁预测能力。 文献[59]提出一种基于优化长短期记忆网络的威胁预测模型, 通过注意力机制对各影响指标赋予不同的权重, 之后引入差分进化算法对模型的参数进行优化, 模型具有较高的预测精度。

二是将威胁评估任务转化成分类问题, 如图4所示。 与回归方法类似, 同样需要对数据进行归一化和数据集划分处理, 区别在于分类方法要求对输入数据进行标签标注。 之后采用多层感知机、 神经网络等方法, 输入处理后的特征向量, 输出不同等级威胁的概率分布, 取最大概率对应类别为目标最终的威胁评估结果。 文献[60-64]以神经网络为基础构建目标威胁评估模型, 利用构建好的指标数据集进行训练, 从而得到目标的威胁评估分类情况。

不同机器学习算法在威胁评估中的性能表现见表2。

3.3 优势与局限性

(1) 传统威胁评估方法的优势与局限性

传统威胁评估方法通过构建明确的评估规则、 证据融合逻辑或多指标决策模型实现威胁量化, 在威胁评估任务中取得了较好的效果: 一是能够有效处理战场环境中的不确定性与模糊信息, 证据理论、 模糊推理等方法能够通过概率分配、 模糊隶属度函数等工具对不确定性进行量化, 提升评估的鲁棒性。 二是推理过程透明, 评估结果贴合指挥逻辑。 传统威胁评估方法能够将指挥员的决策逻辑直接融入评估过程中, 输出结果符合人类认知习惯, 便于指挥员理解和应用。 三是可解释性强, 便于决策验证。 传统威胁评估方法能够为威胁评估结果提供明确的解释依据, 便于指挥员验证和调整评估模型。

传统威胁评估方法存在以下不足: 一是对主观经验的依赖性较强, 传统威胁评估方法需要将专家经验转化为评估规则, 专家认知差异易导致评估产生偏差。 二是计算效率低, 证据理论在进行多个证据融合时需要设计复杂的组合规则, 计算复杂度会随着证据数量的增加而增长。 多属性决策方法在大规模目标排序时耗时较长, 难以满足实时性需求。

(2) 基于机器学习的威胁评估方法的优势与局限性

基于机器学习的威胁评估方法主要是利用机器学习强大的数据处理能力对战场态势信息进行分析。 其能够有效处理海量多源的战场数据, 提供准确、 实时的评估和预警。 但机器学习算法的“固有缺陷”同样给威胁评估带来了一定的局限性: 一是对输入数据的质量和数量依赖较为严重。 机器学习算法在训练过程中需要大量标注样本, 而战场数据存在高对抗性、 欺骗性等特点, 这对模型的训练提出了较大的挑战, 小样本条件下直接进行训练可能会出现严重的过拟合问题。 二是可解释性差, 神经网络的“黑箱”特征导致威胁评估逻辑不透明, 指挥员难以理解模型对关键指标的权重分配, 影响实战应用中的信任度。 三是泛化能力有限, 对新型目标的威胁评估能力不足, 需依赖持续数据输入进行模型更新。

4 实践中的挑战与解决方案

现有的理论研究在空战场威胁评估中取得了显著进展, 但在具体的应用中仍存在很大的挑战。 本文重点从算力需求、 对抗攻击、 数据质量及系统集成四个角度分析实践中存在的挑战, 并提出解决方案。

4.1 算力需求

在人工智能等颠覆性技术的催生下, 未来的战争将走向隐形化、 全域化, 随之而来的便是剧增的战场数据, 且基于深度学习的网络评估模型通常较为依赖高性能计算资源, 这些都对威胁评估的部署提出了更大的算力需求。 而战场终端设备的算力有限, 难以实现实时威胁评估。 在实践过程中, 一是降低模型参数量, 可以通过知识蒸馏、 模型剪枝、 轻量化等模型压缩方法在保证威胁评估精度的同时降低模型参数量; 二是云边协同计算, 在后方云端完成对数据的处理和特征提取, 边端仅执行轻量级推理, 这同时也要求保证数据传输的质量。

4.2 对抗攻击

对方为完成作战任务可能会通过伪造目标航迹、 干扰信号等生成对抗样本的方式干扰威胁评估系统, 导致模型输出错误的结果, 严重影响指挥员的决策。 在模型训练阶段, 引入对抗样本进行训练, 提升模型的鲁棒性。 此外, 在模型的设计中, 引入对抗样本检测技术识别甚至过滤异常输入。

4.3 数据获取

实战过程中采集到的战场态势数据通常会存在噪声、 缺失和欺骗性, 且对于新型武器装备的样本数据较为稀缺, 这会影响评估的准确性。 生成对抗网络、 扩散模型等样本生成技术能够根据原始数据分布合成对抗环境下的训练样本, 提升模型的评估能力; 迁移学习、 元学习等小样本学习技术能够提升有效数据有限情况下模型的能力。

4.4 系统集成

传统的目标威胁评估方法已经在实践中得到了较好的应用, 对于新兴的一些技术, 需要与指挥控制系统、 武器平台实现对接, 可能会因接口标准和数据格式差异导致其难以有效嵌入。 在实践中, 一方面通过将威胁评估算法封装为独立服务, 指挥控制系统可直接进行调用; 另一方面, 采用军用级数据交互标准实现跨系统数据格式的转换。

5 未来研究方向展望

在信息化联合作战的背景下, 作战节奏不断加快, 作战样式不断变化, 作战维度不断拓展, 未来的战争将演变成陆、 海、 空、 天、 网、 电、 认知、 社会等多个领域的联合作战, 战争的不确定因素频繁增加。 本文从威胁评估指标体系构建、 指标权重确定以及威胁评估方法选择三个方面对空战场目标威胁评估研究现状进行了总结分析, 在此基础上对目标威胁评估下一步的研究方向进行展望, 重点突出人工智能在目标威胁评估任务中的应用。

5.1 拓展评估对象

随着军事技术的不断进步和战场环境的日益复杂, 对方目标往往以集群形式出现, 其协同作战能力和整体威胁程度显著增加。 然而, 目前对于集群目标威胁评估的研究还相对不足, 多数研究仅针对单一集群进行研究, 重点考虑集群内部目标之间的协同关系, 忽略了集群之间的关系对其威胁评估的影响。 在仿真验证时, 设置的集群内目标数量较少, 难以适应现代战争目标数量庞大的特点。 在未来的研究中, 一是可以考虑通过聚类算法首先对目标进行分群, 在此基础上综合考虑集群与集群之间、 集群内部目标之间的协同关系, 实现对集群目标的威胁评估; 二是可以通过作战环理论对集群进行分析, 评估集群在作战行动中的系统威胁程度。 例如, 首先采用DBSCAN等聚类算法对集群目标进行动态分群, 之后将集群中各目标映射到侦察、 决策、 打击三类节点, 构建集群作战网络, 从中提取网络效率、 节点度、 介数中心性等描述集群结构的特征, 分析集群的系统威胁程度。

5.2 完善指标体系

武器装备和战术战法的不断发展对威胁评估指标体系的构建提出了新的要求。 为适应未来复杂多变的战场环境, 在构建指标体系的过程中可以考虑以下四个方面: 一是分层分级地选择能够全面反映目标特征的指标。 针对隐身目标、 无人机集群等新型威胁, 在现有评估指标体系的基础上加入能够反映新型武器装备性能的指标, 如智能协同能力、 电磁隐身特征等。 针对新型战术战法, 以蜂群战术为例, 设计协同打击效能、 集群拓扑紧密度等系统性指标。 二是充分考虑态势因素、 能力因素、 环境因素以及心理因素等不同指标之间的关联关系, 实现不同层级指标体系的动态融合。 三是建立统一的计算方法和评估标准, 实现指标体系构建的标准化。 四是减少指标数量增加造成的负面影响, 可以通过关联分析、 特征选择等手段减少因指标数量较多所带来的计算时间增加、 决策效率降低等影响。

5.3 优化指标权重

指标权重的大小反映了指标在威胁值计算过程中的重要性程度。 在未来的研究中, 一是改进主客观权重确定方法。 针对主观权重, 开发基于知识图谱的专家经验结构化表达技术, 同时通过一些智能算法辅助构建判断矩阵, 降低计算复杂度。 针对客观权重, 改进指标相关性度量方式, 提升权重稳定性与可解释性。 二是设计动态组合权重算法, 通过机器学习算法挖掘主客观权重的最佳融合比例, 建立动态调整模型。 三是融合多源数据确定权重, 引入作战规则、 情报信息等多源数据, 综合确定指标权重, 提高权重的准确性与适应性。 例如, 首先将指挥逻辑、 战术规则等转化为可计算的规则链, 构建主观权重矩阵; 之后从多源数据本身出发通过熵权法建立客观权重矩阵; 最后通过强化学习算法对主客观权重进行动态融合, 得到各指标的威胁权重值。

5.4 深化AI应用

传统的目标威胁评估方法较为依赖人工特征提取和简单的统计模型, 在复杂战场环境下的应用有限。 现有的研究中基于机器学习算法的目标威胁评估模型能够从目标数据中提取特征, 极大地提升了评估的准确性和时效性。 在未来的研究中可以从以下三个方面寻找切入点。

(1) 深化前沿人工智能技术在威胁评估领域的应用

一是可以针对战场态势数据的结构特征设计不同的神经网络, 提升模型对目标数据的特征提取能力, 进而提升对目标威胁评估的准确性。 二是可以通过并行计算、 模型裁剪、 权重稀疏化、 权重量化等技术提升模型的泛化能力和训练效率, 实现实时动态评估。 三是构建“白盒+黑盒”混合架构, 将传统规则嵌入神经网络中, 实现可解释的端到端威胁推理, 提升指挥员对评估结果的信任度。 最终不仅能够得到目标的威胁排序结果, 还能在此基础上自主生成应对策略, 实现真正意义上的“智能威胁评估”。 例如, 可以基于Transformer^[65]构建可解释威胁评估模型, 由输入层、 编码层、 解释层、 输出层四部分组成。 输入层将速度、 高度、 角度等数据编码为位置嵌入向量, 将时间戳编码为正弦余弦函数; 编码层堆叠多层Transformer提取时空关联特征; 解释层通过注意力权重矩阵生成关键指标热力图, 使用LIME算法^[66]生成自然语言解释; 输出层输出各目标的威胁评估结果。

(2) 改善战场样本数量不足对模型的影响

战争本身的不确定性、 对抗性和交战各方的欺骗性、 隐蔽性等特点给战场态势数据的采集带来了很大的困难。 同时, 由于交战各方的军事实力、 信息优势存在着很大的不对称, 这会使得战场态势数据存在很大差异, 影响威胁评估模型的训练^[67]。 一方面可以通过变分自编码器、 生成对抗网络、 扩散模型等数据增强方法进行对抗样本生成, 扩充战场数据。 另一方面也可以利用迁移学习、 半监督学习等实现小样本条件下的目标威胁评估。 例如, 基于轻量化扩散模型构建威胁评估数据扩增模型, 由前向过程、 反向过程和推理加速过程三部分组成。 在前向过程中逐步向原始数据添加高斯噪声, 直至其转变为标准高斯分布; 在反向过程中, 通过噪声预测模型进行拟合, 逐步迭代去噪, 最后得到威胁评估数据; 在推理加速过程中, 引入知识蒸馏方法加速模型的推理过程。

(3) 提升模型自学能力以应对未知目标的威胁

现有的研究多是从目标的历史数据出发构建评估模型, 难以适应新的技术装备和战场环境变化。 一是可以将终身学习引入目标威胁评估任务中, 通过弹性权重巩固、 知识迁移、 模型扩张等方法提升模型对新型武器装备的应用能力。 二是构建基于数字孪生的虚拟演练平台, 通过虚实融合数据流驱动模型自主进化。 例如, 通过传感器网络和三维重建技术构建空战场数字孪生体。 在虚拟环境中注入“极端威胁场景”, 通过大规模仿真测试威胁评估模型的鲁棒性, 提前暴露模型缺陷; 同时实时接收实战数据, 与虚拟仿真结果对比形成误差反馈, 驱动威胁评估模型参数更新。