神经网络在作战指挥领域的应用探究

王小龙 宋裕农 蔡广友

（海军潜艇学院，山东 青岛，266071）

摘要：对神经网络在作战指挥领域的应用情况进行了分析。阐述了神经网络的发展历史及特点，对当前神经网络在作战指挥领域应用现状进行了分类，在此基础上对神经网络在作战指挥领域应用面临的问题进行了总结。

关键词：神经网络，作战指挥

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

作战指挥活动具有动态性、对抗性以及时效性等显著特征，这也决定了作战指挥问题必然是非线性的，能否及时、有效地解决这些问题，关系着作战指挥效能的发挥。

由于神经网络具备自学习、并行处理以及泛化能力等优势，也就意味着它能够有效的处理具有非线性特征的作战指挥问题，因此有关神经网络在作战指挥领域的应用成为当前研究的热点之一。

1 神经网络

人工神经网络（Artifical neural network，神经网络），是对人脑及其活动的一个理论化的数学模型，它有大量的处理单元通过适当的方式互连构成，是一个大规模的非线性自适应系统。研究神经网络的目的是试图通过模仿人脑处理信息的能力，提高计算机处理复杂问题的水平。

1.1 神经网络的发展过程

神经网络发展到今天经历了多次波折。最早于20世纪40年代初，由心理学家Mcculloch和数学家Pitts共同提出的MP模型揭开了神经网络研究的序幕。1949年，心理学家D.O.Hebb提出神经元之间突触联系是可变的假说。据此，他提出了Hebb学习律，Hebb学习律被认为是神经网络学习训练算法的里程碑。1950年单极感知器构造成功，神经网络的研究进入到了高潮期，但是由于缺乏新思想以及用于实验的高性能计算机，神经网络研究跌入低谷。直到80年代，随着个人计算机以及工作站计算能力的大幅度提升和普及推动了神经网络的研究工作，同时有两个里程碑式的理论大大推动了神经网络的发展：① J.Hopfield教授分别于1982年和1984年发表两篇重要论文，用统计机理解释某些类型的递归网络操作，并提出了Hopfield网络；② 几名研究者分别提出了用于训练多层神经网络的反向传播算法，即BP网络。迄今为止，Hopfield网络以及BP网络理论被各个领域广泛应用。

1.2 神经网络的基本特点

神经网络本质上是模拟人脑系统，二者在结构上必定有着很多相似之处，因此，从该角度我们可以了解神经网络的特点。

（1）自学习能力：神经网络根据输入样本，并按照一定的学习算法，不断对网络中神经元之间连接权值进行调整，这种调整是根据输入样本集合的特征自然进行的。换言之，神经网络学习过程中，一般不需要用户专门根据所掌握的样本对网络的学习算法进行调整，这就意味着神经网络具备较好的自学习能力。

（2）并行处理能力：网络中的每个神经元都可以根据输入的信息进行独立的运算和处理，并输出计算结果，同一层中的各个神经元可同时计算出结果，并将结果传给下一层做进一步处理，这种信息处理方式使得神经网络具有并行处理的特点。该能力使得神经网络具备了在较短时间里处理复杂问题的能力。

（3）分布存储：神经网络是用大量神经元之间的连接及对各连接权值的分布来表示特定的信息，当网络在局部受损或输入信号发生畸变时，仍能保证网络的正确输出，这一特点提高了神经网络的鲁棒性。

（4）泛化能力：由于神经网络具有不精确性的特点，所以网络在完成训练后，对输入信息的微小变化是不反应的。这种不精确性，使得神经网络具有对含有噪声、残缺的信息进行处理的泛化能力。泛化能力已经成为衡量神经网络性能的重要指标之一，经过训练的网络泛化能力强，意味着网络能够适应训练样本集合之外的其他样本，并且能够对输入的新鲜样本有着合理的响应，通常认为没有泛化能力的网络不具备实用价值。

（5）非线性处理能力：神经网络由大量神经元构成，同时每个神经元都可以成为简单的非线性处理单元，这一特点使得神经网络具有处理非线性问题的能力，是神经网络能够模拟人脑智能的重要表现。

2 神经网络在作战指挥领域的研究状况

作战指挥通常面临着复杂、多变的战场环境，为了便于研究问题，常常在一定精度损失的条件下，将一些复杂的指挥问题简化，以便于建模或仿真，但是这种方式得到的结论常满足不了实际需求。由上述可知，神经网络具备泛化以及非线性处理能力等特征，能够处理带有噪声的以及不完全的信息，并且可以模型化数据之间的复杂关系，这些能力为解决作战指挥面临的问题提供了解决方案。为了便于研究问题，本节对神经网络在作战指挥领域的应用研究现状进行分析和归纳。

2.1 辅助生成决策

现代战争中指挥员常常面临着复杂、模糊以及数量庞大的决策因素，并且要求指挥员能够快速的制定正确的决策，由于神经网络具备处理模糊和不确定性问题的优势，使用神经网络技术辅助指挥员制定决策方案逐渐被人们所重视。

张凤霞等提出了空战决策的难点，并对使用神经网络技术辅助生成空战决策进行了研究，提出了神经网络空战决策技术的具体应用。陆铭华等提出根据潜艇指挥的特点，利用模糊神经网络解决不确定条件下潜艇的指挥决策问题。

使用神经网络的主要优势是，能够辅助指挥员处理当前面临的一些决策问题，并较快地给出结果。然而神经网络训练需要充足的样本，由于缺乏真实的样本，只能通过仿真试验得到，因此训练得到的神经网络往往受到人为主观因素的影响，具有一定的使用风险。

2.2 辅助进行作战方案和效能评估

使用神经网络进行作战方案评估以及效能评估的基本过程：首先建立相应的指标评价体系，以此为基础，请专家按照指标对评估对象进行估值，得到指标估值，然后综合指标估值得到专家对评估对象的总体评价。以专家的指标估值作为神经网络的输入，以专家对评估对象的总体评价作为期望输出，对神经网络进行训练。

陈培彬提出根据炮兵作战方案指标体系，并利用神经网络中联想记忆的一般模型以及迭代算法对炮兵作战方案进行分析和排序。王静岩等对合成旅作战过程中主要因素进行分析，提出了相应的方案指标评估体系，并结合神经网络技术，实现计算机对作战方案的自动评估。刘芬良等构建了火力配系方案评估指标体系，并设计了基于BP神经网络的火力配系方案评估模型。

除了使用神经网络进行方案评估外，也进行武器装备、指挥系统等方面的效能评估。高彬等根据干扰效果评定的诸因素的隶属度函数确定隶属度，并将隶属度作为BP神经网络的输入数据，经过神经网络计算得到的数据作为对雷达干扰机效能的评估值。胡鹏（注：胡鹏，赵国豪等. 基于BP神经网络的防空C3I人机交互性能评估[J].现代防御技术，2005，33（6）：14-16.）等建立了防空武器指挥自动化人机交互性能评估的指标体系，并应用BP神经网络技术实现了人机交互性能的自动评估。李凌等提出采用基于遗传算法的神经网络建立伪装评估的模型，以目标的光学特征指标量化值作为网络输入，得到伪装效果评估等级。

使用神经网络进行评估活动的主要优点是结果可靠、判断速度快以及不易受外界影响等。专家在判断较为模糊的问题时，不同时间可能会给出不同结果，而神经网络一旦完成训练则相当于记录了专家当时的判断，不受环境或自身的影响发生改变，保证了每次判断结果的一致性。神经网络的并行特点，大大提高了对输入信息的判断能力，能够快速实现作战方案评估。

使用神经网络进行作战方案评估仍存在不足，首先，战争复杂多变，并且人们对战争的认知存在诸多主观因素，因此很难建立符合客观实际的作战方案指标体系；其次，专家对方案的估值，无法进行验证，往往带有一定的主观色彩，所以神经网络不可避免地会受到专家主观因素影响。

2.3 应用于情报获取

现代战场空间复杂多变，信息量巨大，准确、快速地获取对方情报并进行评估、分类和识别是战争制胜的关键所在。敌方为了迷惑我方获取真实情报，往往会采用诸如伪装、隐藏或者使用电子对抗的手段对我方侦察设备进行干扰，阻挠我方获取真实的情报。由神经网络的特点可知，神经网络具有并行处理、识别以及分类能力，因此使用神经网络不仅能够快速处理大量数据，而且还可提高情报的获取概率以及对情报的分类和识别。

王浩全提出应用BP神经网络算法对混合光谱分离过程进行优化，用于提高对伪装目标的识别率。张要一等提出了基于BP网络的防空保卫目标分类，对敌方目标进行重要性排序，为我打击兵力提供指导。孙智华等提出了基于神经网络的电子对抗情报评估模型，用于评估情报资料的质量。王卓君提出运用基于神经网络的数据挖掘技术，实现情报数据的分类。

2.4 应用于仿真模拟

通过仿真实验获取样本对神经网络进行训练，网络可以根据输入参数，为仿真中的智能体提供威胁判断等辅助计算。如果单独为每一个智能体提供威胁判断计算，将耗费大量的计算资源，而神经网络的并行计算能力则能够保证智能体快速进行威胁判断，使拥有大量智能体的仿真试验得以进行。杨萍等提出使用BP神经网络为智能体提供威胁判断，以提高智能体威胁判断的快速性、适应性以及泛化能力。

2.5 应用于威胁估计

对我方面临的各种威胁进行及时、有效的评估，能够为指挥员制定决策打下良好的基础。由于神经网络具备较强的学习能力，能够将专家的知识、经验以网络的形式存储下来，同时具备的并行处理能力，确保了神经网络能够对战场目标威胁度进行快速评估。

张文华等提出运用神经网络和遗传算法评估反装甲目标的威胁度。王向华等提出采用径向基神经网络实现空战目标的威胁度排序。马海涛提出应用BP神经网络实现空中目标的威胁度排序。罗艳春等提出使用模糊神经网络对空中目标进行威胁估计。

2.6 应用于火力分配计算

火力分配是通过对各火力单位对目标打击的效率指标进行评估，然后按照一定规则找出最大的效率指标值组合，并据此将目标分配给相应的火力单位的问题。由火力分配的定义可知，我方火力数量以及敌目标数量满足相应的约束条件，且火力分配的目的是取得对敌方目标的最佳打击，可以将对敌的打击效果作为目标函数。因此，火力分配问题本质上属于组合优化问题。然而神经网络技术的一个重要应用就是解决组合优化问题，其中经典的Hopfield网络就是解决组合优化问题的典型方法。李丹等通过建立基于神经网络的防空作战火力分配模型，优化了火力分配方案。

3 神经网络在作战指挥领域应用面临的问题

当前，神经网络已经被广泛的应用于解决作战指挥面临的多种问题，但是神经网络的固有缺陷也限制了其应用范围。本节对神经网络在作战指挥活动中应用面临的问题进行分析。

（1）需要充足的样本训练。训练完善的神经网络，首先需要符合客观实际的样本集，但是在作战指挥领域，很多问题缺少或根本没有实际样本，如果选择通过仿真实验获取样本，则训练出来的神经网络必然受试验设计的制约，增加了神经网络的使用风险。

（2）受到主观因素的影响。比如在训练神经网络辅助进行方案或效能评估活动中，生成训练样本需要专家估值，由于待评估对象的指标往往存在定性和定量之分，专家对其中的定性属性估值不可避免地会带有主观因素，而且对诸指标的重要性，不同的专家往往会有不同的看法，简言之，训练样本受到专家的主观影响，因此使用这些样本训练的神经网络必然会受到专家主观风险的影响。

（3）缺少解释机制。神经网络通过权值和网络结构的形式表达专家知识，通过输入信息，计算得到相应的结果，由于神经网络具有黑箱特性，缺少相应的解释机制，导致计算得到的结果说服力不足。比如多方案评估，神经网络只能根据专家的评估值，计算得到各个方案的评估值，但是网络无法精确的还原推理的逻辑过程，因此会造成评估结果的说服力较差。

（4）计算精度问题。神经网络的泛化能力带来的问题是较低的计算精度，因此对于其他计算方法能够有效解决的算术运算和数据处理问题，神经网络无法有效应对。

4 结论

神经网络的自学习、并行处理以及泛化能力等特征构成了其在作战指挥领域广泛应用的基础。与此同时，应用神经网络解决作战指挥问题面临着缺乏充足的样本、受到主观因素影响以及缺少解释机制等缺陷。为了弥补神经网络的固有缺陷，人们提出了如基于模糊逻辑的神经网络、基于粗糙集的神经网络等方法，用于增加神经网络的适用范围，这些方法成为应用神经网络解决作战指挥问题的发展方向。

作者简介

王小龙（1983-），男，河南开封人，博士，主要研究方向：指挥自动化以及相关辅助决策研究。