浅谈基于深度学习的智能化军事辅助决策

浅谈基于深度学习的智能化军事辅助决策

摘要：伴随着当代社会科学技术和军事技术不断发展创新，我国军队在辅助决

策系统的建设上取得了较大的进步，然而，相对于智能化战争的发展要求，我国

还有很长的道路要走。新近出现的Alpha-Go为人工智能技术运用于军事决策提供

了范本。然而，在运用深度学习于军事决策的过程中还要解决好战场情态理解、

作战意图预测和智能算法运用三大阻点，通过加强机器的战场信息处理能力、训

练样本积累能力、智能技术运用能力和人机交互能力为智能化军事辅助决策系统

奠定发展基础。

关键词：深度学习；智能化军事辅助决策；发展趋势

伴随着当代社会科学技术和军事技术不断发展创新，我国军队在辅助决策系统的建设上取

得了较大的进步，在数据的处理分析和采集传输等方面都取得了较大的进步。然而，相对于智

能化战争的发展要求，我国在军事系统的情报处理、方案评估等方面都还有很长的一段路要走。

一、什么是深度学习

深度学习是近年来一个比较新进的概念，是人工智能方向的一个子方向。具体而言，人工

智能包括及其学习、神经网络和深度学习三个子领域，深度学习是其中最细化的一个系统。就

深度学习本身而言，它又分别包含输入端和输出端以及数个隐藏的深层神经网络。每个神经网

络含有多个神经元，连接权重则连接着各个神经元。具有这样结构的深度学习系统可以通过大

量的学习样本由浅入深进行学习，自动生成学习变量，对一些非线性的问题进行求解。深度学

习系统相对传统系统更加灵活并且可以进行拓展，近段时间以来，越来越受到学者们的关注。

近年来，美国在深度学习领域走的最远，其所研究的围棋程序Alpha-Go以深度学习系统为

核心，通过强化学习法和蒙特卡洛树搜索法，具备了大规模研究学习样本的能力，在对3000

万局围棋棋谱的学习后进行自我博弈，战胜了数位人类顶尖围棋棋手。Alpha-Go与传统的围棋

系统的最大不同之处在于他不是通过穷举法进行博弈，二是利用神经网络这一载体，通过数百

万计的参数进行深度学习从而达到不断自我提升的地步。

Alpha-Go的成功表明，深度学习在提取学习样本特征、进行决策判断等方面具有很大的潜

力。这种在面临复杂情境下进行学习和决策的能力为军事活动提供了很好的借鉴。同时，

Alpha-Go的成功应用也为人工智能技术和深度学习技术运用于军事决策提供了范本。

二、军事辅助决策的智能化挑战

1.战场情态理解

在军事战役中，军事决策的重要性尤为凸显，决策的目的就是要通过对战场形势的具体分

析，寻问题并制定行动方针。由此可见，军事智能辅助决策系统的首要难题就在于解决战场

情况的认知问题。这个问题主要存在两个阻点：首先是信息获取难，真实战场上基本不可能获

取全面完备的信息，而且存在大量的虚假信息。由此，可供决策的真是战场信息情况就非常的

有限。其次是信息无法定量化，战场的指挥信息存在大量无法定量的东西，因此大多数情况下

智能通过定性加定量的方式进行描述，这无疑增加了机器理解信息的难度。最后是指挥粒度异

常细化，士兵相对于机器舰艇更加自由，且数量巨大，这就使得很难对之作出具有成效的决策。

2.作战意图预测

通过深度学习的方法可以在模拟环境下实现军队的自我对抗，但是深度学习的前提是熟知

对方每一个行动的作战意图。然而，战争却是一个庞杂的系统，变量众多。因此，要想在瞬息

万变的战场中预测敌方的动向将是一个非常困难的任务，这主要表现在三个方面：首先，战争

的战术不像围棋战术有套路可言，出其不意是取得胜利的关键因素；其次，时间和空间等因素

的加入让机器预测地方行为的深度变得更加难以把握，从而导致预测的失真。最后，战争并不

是一个封闭的系统，还和政治、外交等系统相互渗透，这就导致越是战略级的作战意图越是难

以被机器所越策。

3.智能算法运用

人工智能技术有赖于模型的建立，然而每一类模型都有其应用的范围。将多种人工智能的

算法进行结合是人工智能系统的关键和核心。由此，我们需要选择更具有适用性的神经网络和

激励函数。此外，对于非定量化的信息如何通过建模与定量化的信息进行结合？如何将有监督

学习和无监督学习进行更加有效的关联？如何处理基于枚举法和统计法获取处理信息与深度学

习系统之间的关系？这些都是军事辅助决策智能化发展需要解决的诸多问题。

三、军事辅助决策智能化的发展探索

1.战场信息处理

信息将越来越成为未来战场的最重要资源，对海量数据进行挖掘、整理和选择将是未来军

事辅助决策智能化系统的发展的主要方向之一。首先要关注战场信息大数据的挖掘，这包括对

战场青苔的感知、战场信息内部关系的梳理、战争知识的归纳和运用等，其次，就知识表示而

言，由于深度学习系统解决了样本选取的难题，所以，可以通过运用于战场的深层神经网络和

演戏中的已有数据进行机器的逐层训练，从而提升对战场信息处理的效率。

2.训练样本积累

训练样本是智能化军事辅助决策系统的基础部分，通过训练样本的不断积累可以提升计算

机进行深度学习的水平。首先，由于世界目前还处于和平发展阶段，现实中的训练样本还比较

少，可以通过兵棋模拟的方式进行数据的积累，此外还可以利用生产对抗网络产生大量一手的

训练样本以满足计算机进行深度学习的目标。其次，要合理的控制样本集合的信息维度，降低

高维度信息所带来的信息复杂化的困难，节约算法进行运算的效率。当然，我们需要注意的是，

过低的维度将使战场描述的信息失真，这就需要我们根据军事层级对指挥粒度进行具体的分析，

最后，要研究一套高效率的编码和标准化处理方式，从而同意数据信息的格式、结构和内容等，

实现对军事样本的有效统一管理。

3.智能技术运用

就目前发展的态势而言，深度学习的发展还不能满足军事智能化的要求，特别是在一些具

体的作战任务中，深度学习系统中国的深层神经网络模型在解决认知和决策等问题上海面临着

很多的困难。这就需要我们对多类别的人工智能技术加以更有效的应用。例如，可以将小规模

样本与向量机等传统浅层模型相结合以取得更好的分析效果；可以将记忆机制和时间序列等深

度学习模型构架相互融合，从而实现具有时序特征的记忆方式，这对于解决具有时间性的决策

问题将大有裨益；可以采用无监督预训练和有监督训练相互关联的模式，建立基于栈式自编码

器深度学习系统，从而实现意图识别目的。

4.人机交互能力

人机交互能力是未来智能化军事辅助决策所必须具备的一项关键能力之一。在人机交换时，

要充分实现输入数据的程式化和输出数据的可视化，从而降低作战指挥者在操作系统时的操作

难度，提高智能辅助决策系统在各种知识背景下人中的运用效率。因此，就必须要加强对自

然语言转化和图像转化等技术的运用，一是要在战场中运用自然语言应用、语音图像识别的方

法实现对信息的整合，从而形成可视化的成像图，及时反映战场的信息，以满足吮吸万变的战

场的动态需求。二是要加强对图像识别技术的运用，对特定的图像进行自动化读取，结合情报

信息，对战场中双方的军队实力、武器性能、火力和军队范围进行计算，帮助指挥员作出更加

有利的决策。三是生成作战方案应同时满足计算机和指挥员的双重需求，格式化的方案数据可

直接输入系统进行评估，非格式化的方案以自然语言方式生成，便于指挥员的审阅和修订。

参考文献

[1]张晓海,操新文.基于深度学习的军事智能决策支持系统[J].指挥控制与仿真,2018,40(2).

[2]佚名.基于深度学习的战场态势高级理解模拟方法[J].火力与指挥控制,2018,43(8):27-32.

[3]基于深度学习的军事目标识别[D].杭州电子科技大学,2018.