图2 基于知识发现方法池的智能态势理解流程

知识发现方法池主要技术方法对比如表1所示。不同的知识发现方法具有不同指标特征，导致不同知识发现方法的应用领域也不同。知识发现的输出是规则、模式、模型和约束等知识元素。规则可划分为关联规则、分类规则以及聚类规则；模式可分为频繁模式、子图模式和序列模式。同样，这些知识发现结果也有不同的特点和用途。

表1 知识发现方法池主要技术方法对比

知识发现方法的输入是各类数据，输出是各型知识，在明确输入、输出性质后，可针对性选择方法。通过探索性评估取出最有价值的方法范例，在后期系统开发实现时，将相关知识发现过程建模成工作流，把相关方法建成工具和服务。知识发现、数据挖掘和深度学习算法领域有很多交叉，共同构成了战场态势理解知识发现的技术池。对于态势理解而言，战场是不断变化的，甚至是战胜不复的，利用固化的知识库在面对未来复杂的战场态势时难免力不从心，所以有必要使用深度学习算法。探究深度学习算法应用，理解数据，分析结果，并在不确定条件下进行逻辑推理，以支持态势理解辅助决策。将深度学习算法运用于战场态势理解，解决既有知识，可固化知识库难以支撑的、复杂深层的战场态势理解问题。

1.2 知识发现流程

在大数据环境中，大数据关注数据的相关性或关联性，这是大数据预测的关键。态势理解中态势信息数据具有典型的大数据特征，数据间存在相关性，具有一定的模糊性，新环境和新问题要求研究基于大数据的态势理解知识发现流程和方法。基于大数据、智能算法的态势理解知识发现流程如图3所示。

图3 态势理解知识发现流程

1) 态势数据获取。通过现代侦察预警卫星、有人（无人）侦察机、战场侦察雷达和各种战场传感器，接收各情报单位提供的战场态势信息。战场态势信息数据包括敌情、我情和战场环境等数据。数据类型包括文本、音频、战场影像及视频情报等。

2) 态势数据处理。首先，通过对态势数据的整理、整合、变换和归约等方式对态势数据进行预处理，处理内容包括噪声数据去除、数据不完整性以及数据不一致性处理等；其次，对数据采取平滑和聚集等规范化处理，这是数据压缩和转换的必要步骤。

3) 态势数据挖掘。数据挖掘是从战场态势信息数据中，通过智能算法搜索隐含的高价值信息的过程，是态势理解知识发现的重要环节。通过对数据分类、聚类、预测和关联的分析和研究，将原始数据从基础信息抽象为符合用户需求的高级知识，实现从大量、不完全和模糊的数据中发现战场态势知识。

4) 态势知识融合。态势知识融合是对不同信息来源的战场态势知识进行收集、过滤、汇总融合分别生成专题综合态势知识的过程，对战场态势的辅助分析和指挥员高效的指挥决策具有重要作用。

5) 态势知识呈现。通过研究、提取和可视化最有价值的战场态势知识，把态势理解知识以知识图谱、虚拟现实和增强现实等易于用户理解的方式传递给用户。其中，知识图谱是一种基于图的真实世界语义描述模型，它为态势理解知识的呈现提供了一种新技术。

2

应用实例

图4 模板匹配器结构

2.3.1 模型设计与实现

表2 长短时记忆网络算法参数

2.3.2 试验结果

图7 模型训练准确率和损失函数图

3

结束语

关注公众号了解更多

会员申请 请在公众号内回复“个人会员”或“单位会员

欢迎关注中国指挥与控制学会媒体矩阵

CICC官方网站

CICC官方微信公众号

《指挥与控制学报》官网

国际无人系统大会官网

中国指挥控制大会官网

全国兵棋推演大赛

全国空中智能博弈大赛

搜狐号

一点号 返回搜狐，查看更多