無監(jiān)督神經(jīng)網(wǎng)絡(luò)的潛艇對空戰(zhàn)術(shù)意圖識別*

張?zhí)旌?，彭紹雄，鄒強，王棟

(海軍航空工程學院，山東 煙臺 264001)

0 引言

在戰(zhàn)場態(tài)勢分析中，敵方的戰(zhàn)術(shù)意圖[1]是指揮員決策的重要依據(jù)之一，對敵方戰(zhàn)術(shù)意圖判斷的準確性和及時性將直接影響我方作戰(zhàn)指揮決策的正確性和有效性。傳統(tǒng)作戰(zhàn)中，主要依靠人為判斷的戰(zhàn)術(shù)意圖[2]識別過程已經(jīng)不能適應(yīng)現(xiàn)代戰(zhàn)場上的信息化作戰(zhàn)需要，迫切需要智能化手段來實現(xiàn)戰(zhàn)術(shù)意圖的識別。

在美國國防部JDL實驗室2004年發(fā)布的最新數(shù)據(jù)融合層次模型[3-4]中，意圖識別作為高層數(shù)據(jù)融合過程成為戰(zhàn)場態(tài)勢評估和威脅評估中的重要組成部分。21世紀以來，隨著數(shù)據(jù)融合技術(shù)的發(fā)展，該技術(shù)已經(jīng)成為國內(nèi)外軍事決策領(lǐng)域研究的焦點。

軍事中的戰(zhàn)術(shù)意圖識別領(lǐng)域[5]，也就是依據(jù)從各種信息源得到的信息，結(jié)合敵方兵力的部署、戰(zhàn)場環(huán)境的分析、敵方戰(zhàn)斗編隊和戰(zhàn)場警戒程度、我方所承擔的作戰(zhàn)任務(wù)，來識別敵方戰(zhàn)術(shù)意圖和作戰(zhàn)計劃的過程。

現(xiàn)有的各種方法難以對軍事目標的戰(zhàn)術(shù)意圖的進行有效的識別和推理。為此，本文研究提出了基于無監(jiān)督學習神經(jīng)網(wǎng)絡(luò)模型[6]，嘗試對潛艇對空戰(zhàn)術(shù)意圖識別問題給出另一種解決思路。

1 無監(jiān)督神經(jīng)網(wǎng)絡(luò)

1.1 競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

競爭神經(jīng)網(wǎng)絡(luò)[7]是一種典型的、應(yīng)用非常廣泛的無監(jiān)督學習神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。競爭神經(jīng)網(wǎng)絡(luò)由輸入層和競爭層組成。與RBF等神經(jīng)網(wǎng)絡(luò)類似，輸入層僅實現(xiàn)輸入模式的傳遞，并不參與實際的運算。競爭層的各個神經(jīng)元以相互競爭的形式來贏得對輸入模式的響應(yīng)，最終只有一個神經(jīng)元贏得勝利，并使與該獲勝神經(jīng)元相關(guān)的各連接權(quán)值和閥值向著更有利于其競爭的方向發(fā)展，而其他神經(jīng)元對應(yīng)的權(quán)值和閾值保持不變。

1.2 SOFM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

自組織特征映射(self-organizing feature mapping,SOFM)神經(jīng)網(wǎng)絡(luò)[8]是Kohonen于1981年提出的。其主要思想是在學習過程中逐步縮小神經(jīng)元之間的作用鄰域，并根據(jù)相關(guān)的學習規(guī)則增強中心神經(jīng)元的激活程度，從而去掉各神經(jīng)元[9]之間的側(cè)向連接，以達到模擬真實大腦神經(jīng)系統(tǒng)“近興奮遠抑制”的效果。

如圖2所示，SOFM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類似，是一個由輸入層和自組織特征映射層(競爭層)組成的兩層網(wǎng)絡(luò)。在SOFM神經(jīng)網(wǎng)絡(luò)中，不僅與獲勝神經(jīng)元對應(yīng)的權(quán)值和閾值得到調(diào)整，其鄰近范圍內(nèi)的其他神經(jīng)元也有機會進行權(quán)值和閥值調(diào)整，這在很大程度上改善了網(wǎng)絡(luò)的學習能力和泛化能力。

2 目標戰(zhàn)術(shù)意圖識別步驟

2.1 競爭神經(jīng)網(wǎng)絡(luò)學習算法

(1) 網(wǎng)絡(luò)初始化[10]

如圖1所示，輸入層由R個神經(jīng)元構(gòu)成，競爭層由S1個神經(jīng)元構(gòu)成。為不失一般性，設(shè)訓練樣本的輸入矩陣為

式中：pij為第j個訓練樣本的第i個輸入變量;Q為訓練集樣本數(shù)，并記

pi=(pi1,pi2,…,piQ)，i=1,2,…,R.

則網(wǎng)絡(luò)的初始連接權(quán)值為

IW1,1=(ω1,ω2,…,ωR)S1×R,

式中：

網(wǎng)絡(luò)的初始閾值為

同時，在學習之前需初始化相關(guān)參數(shù)。設(shè)權(quán)值的學習速率為α，閾值的學習速率為β，最大迭代次數(shù)為T，迭代次數(shù)初始值N=1。

(2) 計算獲勝神經(jīng)元

隨機選取一個訓練樣本p，根據(jù)

(1)

設(shè)競爭層第k個神經(jīng)元為獲勝神經(jīng)元，則應(yīng)滿足

(2)

(3) 權(quán)值、閾值更新

神經(jīng)元k對應(yīng)的權(quán)值和閾值分別按照

(3)

b1=e1-ln[(1-β)e1-ln b1+β×a1]

(4)

(5)

(4) 迭代結(jié)束判斷

若樣本還沒有學習完，則再另外隨機選取一個樣本，返回步驟(2)。若N

2.2 SOFM學習算法

SOFM神經(jīng)網(wǎng)絡(luò)與競爭神經(jīng)網(wǎng)絡(luò)的算法相似，僅在權(quán)值調(diào)整部分有較大差異。

(1) 網(wǎng)絡(luò)初始化

(2) 計算獲勝神經(jīng)元

與競爭神經(jīng)網(wǎng)絡(luò)采取相同的方式。

(3) 權(quán)值更新

根據(jù)

(6)

獲勝神經(jīng)元k及其鄰域Nc(t)內(nèi)的所有神經(jīng)元進行權(quán)值更新。

(4) 學習速率及鄰域更新

獲勝神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權(quán)值更新完成后，在進入下一次迭代前，需要更新學習速率及鄰域，即

(7)

(8)

式中：「x?表示對x向上取整。

(5) 迭代結(jié)束判斷

與競爭神經(jīng)網(wǎng)絡(luò)采取相同的方式。

3 實驗分析

本文給出了一種結(jié)合特征參數(shù)識別和事件檢測的潛艇對空戰(zhàn)術(shù)意圖識別方法[11]，由于潛艇在執(zhí)行任務(wù)過程中，空中目標的意圖識別意義重大，直接決定了其是否發(fā)現(xiàn)我方潛艇，進而知曉是否對我方采取行動。而利用目標特征參數(shù)(如目標編隊組成(聲納信息)、區(qū)域警戒程度、距離、運動角度)[12]與作戰(zhàn)態(tài)勢及目標的戰(zhàn)術(shù)意圖息息相關(guān)。本文選取了攻擊、搜潛、驅(qū)離、巡邏4種戰(zhàn)術(shù)意圖[13]作為輸出變量。其中基本目標信息和作戰(zhàn)區(qū)域警戒程度如表1,2所示。

表1 基本目標信息

表2 編隊目標信息

當雙方在某區(qū)域相遇時，區(qū)域的警戒程度對作戰(zhàn)雙方是否會采取更加激烈的應(yīng)對手段起到重要的作用，其區(qū)域警戒程度與戰(zhàn)術(shù)意圖之間的模擬關(guān)系[14]如表3，4所示。

表3 作戰(zhàn)區(qū)域警戒程度

表4 警戒程度與戰(zhàn)術(shù)意圖間的關(guān)系

編隊的構(gòu)成越復(fù)雜則其戰(zhàn)術(shù)意圖越具有攻擊性，表5選取了典型的編隊構(gòu)成情況，其對應(yīng)關(guān)系[15]如表5所示。

表5 目標類型與目標戰(zhàn)術(shù)意圖之間的關(guān)系Table 5 Relationship between target type and target tactical intention

目標對潛艇的威脅程度隨著距離的減下而越來越大，表6設(shè)定了雙方距離閾值[16]及其對應(yīng)的戰(zhàn)術(shù)意圖。當反潛直升機與反潛巡邏機和潛艇作用距離在2 000 km以上時，潛艇較難探測到目標，且目標對潛艇不構(gòu)成威脅，因此不進行討論。

表6 目標距離與目標戰(zhàn)術(shù)意圖之間的關(guān)系Table 6 Relationship between target distance and target tactical intention

目標運動角度越小，其威脅越大，表7設(shè)定了目標運動角度的閾值及其對應(yīng)的戰(zhàn)術(shù)意圖。

由上述表格，專家評估給出每組數(shù)據(jù)對應(yīng)的目標戰(zhàn)術(shù)意圖，目標戰(zhàn)術(shù)意圖由數(shù)字1,2,3,4分別表示攻擊、搜潛、驅(qū)離及巡邏?，F(xiàn)采集到某類型數(shù)據(jù)樣本39組，由于獲取的樣本數(shù)量較少，為保證建立的模型具有較好的泛化能力，這里從每個戰(zhàn)術(shù)意圖組內(nèi)選出4個樣本作為測試集，余下的35個樣本作為訓練集。其中部分樣本數(shù)據(jù)由表8給出。

表7 目標運動角度與目標戰(zhàn)術(shù)意圖間的關(guān)系Table 7 Relationship between target motion angle and target tactical intention

表8 部分系統(tǒng)訓練樣本

為了減少輸入變量間的變化較大(不屬于同一數(shù)量級)對模型性能的影響，在模型建立之前對輸入變量進行歸一化處理。下面將系統(tǒng)訓練樣本進行歸一化處理[17]，歸一化使用Matlab自帶的歸一化函數(shù)mapminmax進行歸一化處理，歸一化后的部分訓練樣本數(shù)據(jù)見表9。

實際的戰(zhàn)術(shù)意圖[18]用y來表示，獲勝神經(jīng)元編號(競爭神經(jīng)網(wǎng)絡(luò))用x1來表示，獲勝神經(jīng)元編號(SOFM神經(jīng)網(wǎng)絡(luò))用x2來表示，由于網(wǎng)絡(luò)在訓練的過程中采取的是隨機抽取訓練樣本的方法，因此每次運行的結(jié)果都會有所不同。某次的運行結(jié)果如表10所示。從表10中不難發(fā)現(xiàn)以下幾點：

(1) 對于競爭神經(jīng)網(wǎng)絡(luò)，第1種目標戰(zhàn)術(shù)意圖與競爭層第2個神經(jīng)元相對應(yīng);第2種戰(zhàn)術(shù)目標與競爭層第2個神經(jīng)元相對應(yīng)(僅有第18號樣本對應(yīng)的是競爭層的第4個神經(jīng)元);第3種軍事目標與競爭層第4神經(jīng)元相對應(yīng);第4種軍事目標與競爭層的第1個神經(jīng)元相對應(yīng)(僅有第28號樣本對應(yīng)的是競爭層的第4個神經(jīng)元)。因此對于第1，2，3，4種軍事目標依次對應(yīng)的獲勝神經(jīng)元是第2，2，4，1神經(jīng)元，據(jù)此對應(yīng)關(guān)系推斷，可以發(fā)現(xiàn)測試集中36，37，38，39號樣本分類正確。

表9 部分歸一化后的系統(tǒng)訓練樣本

表10 競爭神經(jīng)網(wǎng)絡(luò)與SOFM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比

(2) 對于SOFM神經(jīng)網(wǎng)絡(luò)[19]，第1種目標戰(zhàn)術(shù)意圖對應(yīng)的獲勝神經(jīng)元編號為4，7，8;第2種目標戰(zhàn)術(shù)意圖對應(yīng)的獲勝神經(jīng)元編號為3，6，7，11，12，14，15;第3種目標戰(zhàn)術(shù)意圖對應(yīng)的獲勝神經(jīng)元編號為2，9，10，13，14，16;第4種目標戰(zhàn)術(shù)意圖對應(yīng)的獲勝神經(jīng)元編號為1，2，5。據(jù)此對應(yīng)關(guān)系可以發(fā)現(xiàn)測試集中除了第38號樣本，其余3個樣本對應(yīng)的獲勝神經(jīng)元編號在訓練集中對應(yīng)的獲勝神經(jīng)元編號集合內(nèi)，因此，可以判定其正確率為75%。

注意到，若測試集中某個樣本的預(yù)測獲勝神經(jīng)元編號為7，則難以斷定其屬于第1種目標戰(zhàn)術(shù)意圖或是第2種目標戰(zhàn)術(shù)意圖。同理，若測試集中某個樣本的預(yù)測獲勝神經(jīng)元編號為14，則同樣難以預(yù)測其屬于第2種目標戰(zhàn)術(shù)意圖或是第3種目標戰(zhàn)術(shù)意圖。圖3為神經(jīng)元網(wǎng)絡(luò)拓撲學結(jié)構(gòu)圖，代表本次仿真生成神經(jīng)元的結(jié)構(gòu)。

這里需要強調(diào)，若測試集中的某個樣本的預(yù)測獲勝神經(jīng)元編號從未出現(xiàn)過訓練次數(shù)(本文未出現(xiàn)該情況)，則難以圈定其屬于哪一類樣本。因為在訓練的過程中，其神經(jīng)元從未贏得獲勝機會，一直處于抑制狀態(tài)，即成為所謂的“死”神經(jīng)元。

圖4中神經(jīng)元的編號方式是從左至右，從上至下，神經(jīng)元編號逐漸增加，即左下角的神經(jīng)元編號為1，右上角的神經(jīng)元編號為16，而神經(jīng)元編號與其獲勝次數(shù)間的具體映射關(guān)系如表11所示。

圖5表示競爭層鄰近神經(jīng)元的連接情況，灰色的表示神經(jīng)元節(jié)點，紅線表示神經(jīng)元之間有連接。

圖6為競爭層各個神經(jīng)元與其周圍鄰近神經(jīng)元間的距離分布圖，相鄰神經(jīng)元間填充區(qū)域的顏色表示2個神經(jīng)元間的距離遠近程度。顏色越深(越接近黑色)，表明神經(jīng)元間的距離越遠。從圖中可以看出5號與6號神經(jīng)元之間的距離較遠。同時，從表9可以看出5，6號獲勝的神經(jīng)元分別對應(yīng)第4，2種目標戰(zhàn)術(shù)意圖，這表明不同類別的神經(jīng)元之間距離較遠。同理可以觀察到，同一類別對應(yīng)的獲勝神經(jīng)元之間的距離較近，例如在第1種目標戰(zhàn)術(shù)意圖所對應(yīng)的4，7，8神經(jīng)元間的距離就較近，其余類別的目標戰(zhàn)術(shù)意圖分析方法類似，此處不再贅述。

圖7表示每個輸入向量和競爭層神經(jīng)元之間的權(quán)重連接情況。權(quán)值最小的顏色塊為藍色，權(quán)值為0的顏色塊為黑色，權(quán)值最大的顏色塊為紅色。

神經(jīng)元編號12345678獲勝次數(shù)22115133神經(jīng)元編號910111213141516獲勝次數(shù)21523211

圖8為輸入數(shù)據(jù)與權(quán)重圖，其將輸入的向量用綠色的圓點標注，并通過每個神經(jīng)元的權(quán)重向量和用紅線連接的相鄰神經(jīng)元顯示出SOM如何分類輸入空間[20]。

4 結(jié)束語

從表10及分析結(jié)果可以看出，與競爭神經(jīng)網(wǎng)絡(luò)相比，SOFM神經(jīng)網(wǎng)絡(luò)的性能更好，泛化能力更強。這是因為，競爭神經(jīng)網(wǎng)絡(luò)在學習時，每次僅有一個神經(jīng)元贏得獲勝機會，只有獲勝神經(jīng)元的權(quán)值得到調(diào)整，而SOFM神經(jīng)網(wǎng)絡(luò)雖然每次亦只有一個神經(jīng)元贏得獲勝機會，但其及其鄰近范圍內(nèi)的神經(jīng)元對應(yīng)的權(quán)值同時進行修正，朝著更有利于其獲勝的方向調(diào)整。同時，SOFM神經(jīng)網(wǎng)絡(luò)逐漸縮小其鄰域范圍，逐漸“排斥”鄰近的神經(jīng)元。這種“協(xié)作”與“競爭”相結(jié)合的模式使得其性能更加優(yōu)越。

潛艇在水下面對復(fù)雜多變的戰(zhàn)場環(huán)境，尤其受到來自空中目標的威脅，及時準確的判斷空中目標的意圖，對我方?jīng)Q策者采取合理應(yīng)對措施，提高潛艇的生存概率都具有重要意義。下一步，將增加競爭層中“死”神經(jīng)元，增加其閾值的調(diào)整幅度，進一步提升模型的準確性。

參考文獻：

[1] 秦富童，岳麗華,萬壽紅.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的目標識別效果評估[J].計算機工程與應(yīng)用,2010,46(5):148-156.

QIN Fu-tong,YUE Li-hua,WAN Shou-hong.Performance Evaluation in Automatic Target Tecognition Using BP Neural Network[J].Computer Engineering and Applications,2010,46(5):148-156.

[2] 葛順,夏學知.用于戰(zhàn)術(shù)意圖識別的動態(tài)序列貝葉斯網(wǎng)絡(luò)[J].系統(tǒng)工程與電子技術(shù),2014,36(1):76-83.

GE Shun,XIA Xue-zhi.DSBN Used for Recognition of Tactical Intention[J].Systems Engineering and Electronics,2014,36(1):76-83.

[3] JOHANSSON F,FALKMAN G.Implementation and Integration of a Bayesian Network for Prediction of Tactical Intention into Ground Target Simulator[C]∥Proc.of the 9th International Conference on Information Fusion,2006:1-7.

[4] TIAN Yu,ZHANG Ai-qun.Simulation Environment and Guidance System for AUV Tracing Chemical Plume in 3-Dimensions [C]∥2010 2nd International Asia Conference on Informatics in Control,Automation and Robotics,2010:407-411.

[5] 蘇琦,于敬人,金國棟.一種潛艇對水面艦艇編隊攻擊意圖建模方法[J].四川兵工學報,2014,35(9):147-149.

SU Qi,YU Jing-ren,JIN Guo-dong.A Modeling Method of Attack Intention of Submarine for Vessel Formation[J].Sichuan Ordnance Journal,2014,35(9):147-149.

[6] 錢江,許江湖.基于BP神經(jīng)網(wǎng)絡(luò)的空中目標威脅排序[J].現(xiàn)代防御技術(shù),2001,29(6):56-58.

QIAN Jiang,XU Jiang-hu.Threat Sequencing for Aerial Target Based on BP Neural Network[J].Modern Defence Technology,2001,29(6):56-58.

[7] 何隆玲,胡桂明,李維維,等.基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的雷達目標識別[J].現(xiàn)代防御技術(shù),2014,42(5):115-120.

HE Long-ling,HU Gui-ming,LI Wei-wei,et al.Rader Target Recognition Based on PSO-RBF Neural Network[J].Modern Defence Technology,2014,42(5):115-120.

[8] KANG Hai-yan,LI Chen.Research and Design on Personalized DL Based on J2EE[C]∥2008 IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application.Wuhan,China:IEEE,2008:527-531.

[9] 劉偉偉,胡興平,盧曉敏,等.基于SOFM神經(jīng)網(wǎng)絡(luò)的SAR圖像目標識別[J].現(xiàn)代防御技術(shù),2016,44(4):56-60.

LIU Wei-wei,HU Xing-ping,LU Xiao-min,et al.SAR Image Target Recognition Method Based on SOFM Neural Network[J].Modern Defence Technology,2016,44(4):56-60.

[10] 朱波,方立恭,張小東.基于貝葉斯網(wǎng)絡(luò)的空中目標意圖識別方法[J].現(xiàn)代防御技術(shù),2012,40(2):109-113.

ZHU Bo,FANG Li-gong,ZHANG Xiao-dong.Intention Assessment to Aerial Target Based on Bayesian Network[J].Modern Defence Technology,2012,40(2):109-113.

[11] DONG Y K,KWAE H Y,JU H K,et al.Prediction of Leak Flow Rate Using Fuzzy Neural Networks in Severe Post-LOCA Circumstances[J].IEEE Trans.on Nuclear Science,2014,61(6):3644-3652.

[12] WAI R J,MUTHUSAMY R.Fuzzy Neural Network Inherited Sliding-Mode Control for Rodot Manipulator Including Actuator Dynamics[J].IEEE Trans.on Neural Networks and Learning Systems,2013,24(2):274-287.

[13] 陳紹順,王君.基于前向型神經(jīng)網(wǎng)絡(luò)的空襲目標類型識別模型[J].現(xiàn)代防御技術(shù),2002,30(2):57-60.

CHEN Shao-shun,WANG Jun.Model of Air Striking Targets Type Recognition Based on Forward Neural Network[J].Modern Defence Technology,2002,30(2):57-60.

[14] WU G D,HUANG P H.A Vectorization Optimization Method Based Type-2 Fuzzy Neural Network for Noisy Data Classification[J].IEEE Trans.on Fuzzy Systems,2013,21(1):1-15.

[15] 吳文龍,黃文斌,劉劍.潛艇對水面艦艇編隊攻擊意圖推理研究[J].火力與指揮控制,2010,35(9):101-105.

WU Wen-long,HUANG Wen-bin,LIU Jian.The Researching on the Inference about Fleet’s Attack Intention by the Submarine[J].Fire Control&Command Control,2010,35(9):101-105.

[16] 陳浩,任卿龍,滑藝,等.基于模糊神經(jīng)網(wǎng)絡(luò)的海面目標戰(zhàn)術(shù)意圖識別[J].系統(tǒng)工程與電子技術(shù),2016,38(8):1847-1853.

CHEN Hao,REN Qing-long,HUA Yi,et al.Fuzzy Neural Network Based Tactical Intention Recognition for Sea Targets[J].Systems Engineering and Electronics,2016,38(8):1847-1853.

[17] HATAKEYA N,FURUTA K.Bayesian Network Modeling of Operator’s Intent Inference[C]∥IEEE 7th Human Factors Meeting,2002:55-60.

[18] 陸光宇,丁迎迎.水下平臺對敵意圖識別技術(shù)研究[J].指揮控制與仿真,2012,34(6):100-102.

LU Guang-yu,DING Ying-ying.Study on Intention Recognition to Foe of Underwater Platform[J].Command Control &Simulation,2012,34(6):100-102.

[19] CARVALHO R N,COSTA P C G,LASKEY K B,et al.PROGNOS:Predictive Situational Awareness with Probabilistic Ontologies[C]∥Proceedings of the 13th International Conference on Information Fusion,Edin-Burgh,UJ,Jul.，2010:214-218.

[20] CARVALHO R N.PO:Represention and Modeling Methodology[D].Virginia:George Mason University,2011.