一種基于戰場數據的體系化作戰效能評估方法

李辰 李建勛

摘 要：不同于基于經驗公式、孤立靜態的裝備效能評估方法，體系化作戰效能評估可以從體系化作戰任務解析與智能評估方法兩個方面分別研究。 本文引入標準化的體系作戰建?？蚣芎途矸e神經網絡逐步解構體系化作戰活動，進而提出了一套完整的體系化作戰效能評估方法，包含作戰任務策劃、任務建模解析、構建評估指標體系、指標融合降維、效能等級評定等五個步驟，按照作戰目標實現程度對復雜多樣的體系化作戰任務實施效能評估。

關鍵詞：卷積神經網絡;體系化作戰;效能評估; 裝備效能; 戰場數據; 人工智能

中圖分類號：?? TJ760; TP183? 文獻標識碼：?? A? 文章編號：1673-5048（2022）01-0067-07[SQ0]

0 引? 言

進入21世紀，伊拉克戰爭、俄格戰爭、納卡戰爭等一系列局部沖突清晰地表明，現代戰爭已進入體系化作戰模式，是一個作戰體系與另一個體系之間的競爭。 體系化作戰的內核，是發揮信息技術優勢，運用系統工程方法，將產生戰斗力的各獨立武器裝備整合成一個周密協作的作戰體系，依靠體系內部各單元之間緊密配合、取長補短，使整個體系面對外部挑戰時具備動態綜合抗衡力[1]。

過去的效能評估方法，大多是根據理想環境下的經驗公式，采集特定指標數據繼而運算得出，側重于驗證裝備靜態性能是否達到設計標準。 這種效能評估思路越來越難以適應復雜多樣的體系化作戰實際，亟需一種以作戰需求為導向、以實戰數據為支撐、客觀構建評估指標體系、智能實時評判任務完成情況的體系化作戰效能評估方法。 姜進晶等[2]分析了無人機協同火箭炮的典型作戰流程，使用Delphi法對體系效能進行了評估。 田云飛等[3]從作用域角度描述了網絡化反潛體系效能，并給出了相應評估模型。 藺美青[4]基于反導預警體系作戰過程，給出了可實時動態評估的指標體系和解算方法。 汪浩[5]根據艦艇協同防空反導體系作戰流程，提出了基于OODA的綜合評估模型。 這些方法將效能評估與體系作戰思維進行了聯系，但關注重點仍只注重單一裝備發揮的效能，沒有從任務完成情況角度去評估整個體系的作戰效能。

本文在深入分析軍事效能評估理論和人工智能技術的基礎上，將體系化作戰效能評估分為體系化作戰任務解析與智能評估兩個部分，通過效能評估指標體系將兩部分組合在一起，構成了一套圍繞戰役目標、依托裝備數據、利用神經網絡構建評估指標體系并實施效能等級評定的完整評估流程，如圖1所示。

1 體系化作戰效能評估的組成

現代戰爭中裝備效能的定義為，在特定戰場條件下裝備能夠實現預期目標效果的程度[6]。 根據這一定義，可以將體系化作戰任務效能定位為作戰體系對任務目標的實現程度，等同于作戰體系在該任務場景下的綜合戰力，進而明確了體系化作戰效能評估過程，即由體系中各作戰單元性能指標出發，尋求性能數據與最終任務結果間的映射關系。 本文采用軍事領域標準化的體系化任務解析模型和基于卷積神經網絡的智能評估方法，提出了一套連續完整的體系化作戰效能評估方法，包括作戰任務策劃、任務建模解析、構建評估指標體系、指標融合降維、效能等級評定等五個步驟，如圖2所示。

其中，作戰任務策劃是評估的前提輸入，任務建模解析即基于“美國國防部體系架構框架（DoDAF）”的解析過程，構建評估指標體系、指標融合降維、效能等級評定，則構成了基于卷積神經網絡的智能評估方法。

1.1 作戰任務策劃

體系化作戰的戰場態勢瞬息萬變、部隊組合靈活多樣，不同的作戰任務對應不同的效能評估指標和結論。 美軍是最早開始體系化作戰探索的軍事力量，其普遍做法是尋求從任務需求出發、以實戰可見結果為準、無縫嵌入聯合作戰的動態測評方法[7]。 可見，由軍事參謀部門根據具體戰役目標和參戰單位制定的作戰任務策劃，既是體系化作戰的命令輸入，也是效能評估任務的溯及源頭，是進一步挖掘評估方向和指標的基礎。

1.2 任務建模解析

根據既定的作戰任務策劃，合理推導出與作戰效能相關的指標，是任務建模解析的主要內容。 2004年，美軍在C4ISR系統基礎上發布了新一代體系化建設標準“美國國防部體系架構框架（DoDAF）”，共包含8類視圖52項模型，是指導美國國防各領域開展體系化建設的綱領性規范[8]，具體內容如圖3所示。

DoDAF覆蓋了美國國防各領域的建設需求，在任務解析領域，利用DoDAF中作戰視圖（OV）可以將作戰任務策劃推導至體系化各裝備分系統的能力需求，這一過程稱為任務架構建模[9]，如圖4所示。

之后，利用DoDAF中系統視圖（SV），將任務架構建模得到的各裝備能力需求，進一步轉化為裝備相應的功能描述。 該過程稱為功能架構建模，如圖5所示。 通過DoDAF任務架構建模和功能架構建模，可以將定性化的作戰任務策劃逐步解析為體系內各裝備的功能

需求，結合實際裝備就可以推導出與任務目標相關的初始效能評估指標。

1.3 構建評估指標體系

體系化作戰效能反映的是作戰目標完成情況。 按照任務完成度、自身傷亡率等現實結果，可將效能劃分為杰出、良好、合格、失敗等不同等級，據此，效能評估就轉化成一個評定效能等級的過程。 人工智能領域模式識別的概念，就是通過識別一個事物的若干特征來正確判斷其所屬類別。 因此，體系化作戰效能評估可以等同于模式識別問題來處理。

近年來，隨著神經網絡在模式識別問題中的發展應用，深度神經網絡（DNN）逐漸被引入效能評估領域。 原智杰等[10]使用神經網絡對導彈氣動參數開展了預測研究。 劉國強等[11]構建三層基本網絡判定效能等級。 陳俠等[12]改進了初始值和結構來求取全局最優。 周興旺等[13]結合神經網絡重構了初始指標。 張樂等[14]使用自編碼器壓縮原始指標。 卷積神經網絡（CNN）改進了DNN存在的參數爆炸和過擬合問題，并且從效能評估角度來看，CNN中卷積核提取數據特征的過程，與傳統效能評估方法中專家挑選指標的環節較為相似。 專家挑選指標是基于個人認知經驗或既定公式，從初始指標中挑選出與效能結果有關的指標;卷積核提取特征是基于數據分布規律，提取出最有利于結果分類的數據特征加以放大。 因此，本文利用CNN模型，從裝備數據出發構建效能評估指標體系。 CNN結構如圖6所示[15]。

模型分為兩個部分：上半部分負責特征提取，是由多分支的一維卷積神經網絡（1D-CNN）并列組成，從多種卷積視角下提取原始指標數據特征[16]，相當于不同專家從不同視角獨立開展指標選擇;下半部分負責指標構建，通過將多個1D-CNN提取的特征進行拼接[17]，進而形成效能評估指標體系空間，相當于整合不同專家挑選的指標體系。

在使用基于DoDAF的解析方法捕獲裝備功能需求，繼而結合裝備制造水平獲得初始效能評估指標后，通過大量的實戰演習或仿真環境演練，就可以獲取這些初始指標的運行數據。 之后，再由評估人員根據戰役目標完成情況，直觀地賦予每次作戰活動以相應的效能等級，即可獲得CNN構建評估指標體系所需的全部數據樣本。

1.4 指標融合降維

在構建效能評估指標體系環節， CNN采用了多種視角的卷積核來提取特征，獲得的指標體系往往存在維度較高的問題，不利于后續效能等級評定時神經網絡的快速訓練和評判。 為進一步約簡評估指標，采用CNN的另一種變形 ——“孿生神經網絡（SNN）”，對CNN提取的指標體系進行融合降維。 SNN結構如圖7所示。

研究表明，在SNN優化后的指標空間中，同類樣本得以融合拉近，不同類樣本進一步疏遠隔離[18]，從而使不同等級的效能數據分布更趨鮮明。

1.5 效能等級評定

效能等級評定環節，主要工作是根據CNN構建的評估指標體系下的數據樣本，智能評判其反映出的作戰體系效能等級。

通過指標融合降維環節，獲得了優化后的評估指標體系下各等級效能數據。 根據神經網絡原理可知，通過CNN和SNN兩種模型從初始指標中提取出的優化評估指標體系，是完全基于效能數據分布規律挖掘而來的，避免了傳統評估方法中主觀因素和經驗公式的束縛，適用于復雜體系化作戰環境下產生的高緯度、大容量的數據處理工作。 而效能等級評定環節，目前已有很多成熟的研究應用，一般采用支持向量機（SVM）或深度神經網絡（DNN）擬合效能數據與效能等級間的聯系[19-20]。

2 體系化作戰效能評估的仿真驗證

從原始的作戰任務策劃出發，使用DoDAF合理地解析出與效能相關的初始效能指標;然后，將初始效能數據輸入以CNN為基礎的模型自適應提取特征，進而構建出簡約高效的效能評估指標體系;最后，依據這一評估體系完成體系化作戰效能等級評定。

為了驗證該方法的有效性，以一段有人/無人機協同巡邏任務為例，說明評估過程。

2.1 任務策劃基本情況

任務內容：敵方出動一艘偵察船靠近我方領海范圍，對水文環境等信息實施窺探;我方派遣有人/無人機編隊前往[21]，對目標船只進行跟蹤，對越界行為予以警告驅離。

行動方案：（1）地面準備;（2）編隊起飛;（3）前出搜索;（4）跟蹤驅離;（5）返航著陸。

任務目標：敵方船只被持續跟蹤、鎖定警告，直至離開我方領海范圍。

2.2 使用DoDAF建模解析

依照圖4所示流程，利用OV-1等5個作戰視圖開展任務架構建模，將任務策劃分解為各裝備能力需求。 例如，作戰節點連接視圖（OV-2）展示了2架有人機（Leader）、2架無人機（UAV）、預警系統（EW）、地面站（GCC、UVAG）等作戰單元間的信息交聯關系以及各自承擔的事件活動列表，如圖8所示。

以有人/無人機協同偵察任務中的無人機為例，通過任務架構建模，可以捕獲體系化作戰中裝備所需能力清單。 重點分析無人機前出探測活動，依次分析節點連接、信息交互、事件及狀態跟蹤等OV視圖，推導出無人機探測時的基本功能及其映射的作戰活動，如表1所示。

之后，依照圖5所示流程，使用SV-4等系統視圖開展功能架構建模，將裝備整體功能需求細化為其內部各模塊的對應性能指標。 這些性能指標即為效能評估所需的初始評估指標。

在任務架構建模階段，已知無人機探測時在數據獲取領域延伸出光電探測、雷達探測、導航、編隊探測、通信等5項具體功能需求。 在此基礎上，系統接口視圖（SV-1）根據任務事件細化出有人/無人機內部各模塊功能，以及模塊間的作用聯系，如圖9所示。

考慮OODA2.0強調了現代戰機“信息為王”的設計思想，選擇數據獲取方面的功能進行典型分析。 根據無人機數據交互、事件及狀態跟蹤等SV視圖，捕獲模塊級功能及其對應的常用指標參數，包括探測范圍、精度等，如表2所示。 “指標參數”欄羅列的指標，即為無人機探測時數據獲取方面的初始效能指標。

2.3 基于卷積神經網絡的智能評估方法

通過DoDAF建模解析，梳理出有人/無人機協同巡邏場景中初始效能指標20余項。 在設定場景下實施多輪實戰或計算機仿真，捕獲每次作戰中相應指標的數值，按照每次作戰任務達成“捕獲到目標且無自損、捕獲目標但有自損、未捕獲目標但無自損、未捕獲目標且有自損”等不同結果，將多輪作戰數據集分為“優秀、良好、一般、不及格”四種效能等級，則初始效能指標在四種等級下的數據均值如圖10所示。 表2 數據獲取領域的功能與指標轉換

由圖10可知，四種效能等級下的部分初始指標數據比較接近，不適合作為區分效能等級的明顯特征。 如何從初始指標中篩選適當特征，構建新的評估指標體系，以便于快速智能地判別效能等級，就是基于卷積神經網絡的智能評估方法所要解決的問題。

基于卷積神經網絡的智能評估方法分為三步：

第一步，使用CNN開展指標選擇，構建新的效能評估指標體系。 CNN結構如圖6所示，包含三條1D-CNN支路，每條1D-CNN均由輸入層、卷積層、池化層、壓平層及全連接層組成，其中三條支路的卷積層分別選擇了1×3一維卷積、1×5一維卷積、1×3空洞卷積等卷積核，從不同視角下盡可能搜尋對于劃分效能等級具有關鍵作用的特征; 池化層采用最大池化;全連接層采用交叉熵損失函數。 由三種卷積核提取的特征，在各自支路中經全連接層訓練后，再從壓平層中輸出，在特征拼接層組合在一起，初步構成效能評估指標體系[15]。

第二步，采用SNN進一步約簡指標。 由CNN構建的指標體系參數較多，且使用高維數據可視化算法t-SNE可知[22]，四種效能等級下的數據分布界限仍存在一定程度交錯，不利于后續DNN開展效能等級分類。 因此，有必要使用SNN將CNN提取的指標參數進一步簡化為只含2項元素的指標體系。 SNN的結構如圖7所示，包含兩個輸入層、一個共享權重的卷積層、一個特征空間層以及一個使用對比損失函數的全連接層。 通過將相同效能等級的數據兩兩配對成同類數據組，將不同效能等級的數據兩兩配對成異類數據組，然后逐對送入SNN的兩個輸入端，利用共享權重的卷積核進行自適應學習，實現在特征空間層簡化指標數量的同時，進一步聚攏同類數據、分離異類數據 [18]。 經轉換后的四種效能等級數據均值如圖11所示。

顯然，神經網絡構建的評估指標體系顯著降低了指標維度。 對比圖10中初始指標參數，可以發現圖11中四種效能等級的劃分更為清晰，有利于后續效能等級評定。

第三步，使用三層全連接神經網絡（DNN）[11]，分別對初始指標和神經網絡構建指標下的四種效能數據開展等級分類，借此檢驗智能評估方法的準確率。 DNN輸入層神經元的數量與指標體系的參數數量保持一致;輸出層神經元數量統一為四個，即與效能等級的數量保持一致;隱藏層神經元數量一般設定在輸入層與輸出層神經元數量之間，可以獲得更好的訓練效果。 經過一定批數的訓練后，當兩個DNN的誤差損失函數均不再明顯下降，即可獲得兩種指標體系下的效能等級分類準確率。 兩種指標體系的基本數據如表3所示。

由表3可知，神經網絡構建的指標體系，相較于初始指標體系，分類準確率明顯提升，說明其更有利于效能等級評定。

以上演示過程也證明本文提出的體系化效能評估方法，能夠規范地解析體系化作戰任務，合理構建簡潔高效的評估指標體系，實現基于戰場數據的效能等級智能評估。

3 結? 論

本文針對復雜多樣的體系化作戰評估要求，從體系化任務解析與智能評估方法兩個方面分別提出了解決方案，整合了基于DoDAF的建模解析方法和基于卷積神經網絡的評估方法，進而提出了一套連續完整的體系化作戰效能評估流程。

圍繞具體的作戰仿真實驗證明，本文方法能夠為體系化作戰任務開展完整有效的解析與評估，為深入分析體系化作戰規律、持續提升裝備實戰水平提供方法支撐，在發展體系化作戰效能評估方法領域進行有益探索。

參考文獻：

[1] 佟京昊. 未來集群智能戰爭對我國武器裝備體系建設的要求和挑戰[J]. 國防科技工業， 2019（6）： 34-38.

Tong Jinghao. Requirements and Challenges of Future Cluster Intelligent War on China’s Weapon Equipment System Construction [J]. Defence Science & Technology Industry， 2019（6）： 34-38.（in Chinese）

[2] 姜進晶， 汪民樂， 楊同金. 無人機協同下遠程火箭炮作戰效能評估指標體系構建[J]. 艦船電子工程， 2020， 40（7）： 144-150.

Jiang Jinjing， Wang Minle， Yang Tongjin. Construction of Operational Effectiveness Evaluation Index System of Long-Range Rocket Gun with UAV Cooperation[J]. Ship Electronic Engineering， 2020， 40（7）： 144-150.（in Chinese）

[3] 田云飛， 趙志允， 李祥珂. 網絡化反潛體系效能評估分析[C]∥第21屆中國系統仿真技術及其應用學術年會論文集， 2020： 192-195.

Tian Yunfei， Zhao Zhiyun， Li Xiangke. Effectiveness Evaluation and Analysis of Networked Anti Submarine System [C]∥Proceedings of the 21st CCSSTA， 2020： 192-195.（in Chinese）

[4] 藺美青. 面向體系作戰運用的反導預警作戰效能評估框架[C]∥第21屆中國系統仿真技術及其應用學術年會論文集， 2020： 216-221.

Lin Meiqing. Anti Missile Early Warning Operational Effectiveness Evaluation Framework for System Operation [C]∥Proceedings of the 21st CCSSTA， 2020： 216-221.（in Chinese）

[5] 汪浩. 基于OODA的艦艇編隊防空體系作戰效能評估研究[J]. 現代防御技術， 2020， 48（6）： 19-25.

Wang Hao. Study on the Operational Effectiveness Evaluation of the Ship Formation Air Defense System Based on OODA[J]. Modern Defence Technology， 2020， 48（6）： 19-25.（in Chinese）

[6] 郭齊勝， 郅志剛， 楊瑞平， 等. 裝備效能評估概論[M]. 北京： 國防工業出版社， 2005.

Guo Qisheng， Zhi Zhigang， Yang Ruiping， et al. Introduction to Equipment Effectiveness Evaluation [M]. Beijing： National Defense Industry Press， 2005.（in Chinese）

[7] 毛翔. 美軍作戰評估理論與實踐[M]. 北京： 知識產權出版社， 2017.

Mao Xiang. Theory and Practice of US Combat Evaluation [M]. Beijing： Intellectual Property Publishing House， 2017.（in Chinese）

[8] Enos J R， Nilchiani R R. Merging DoDAF Architectures to Develop and Analyze the DoD Network of Systems[C]∥IEEE Aerospace Conference， 2018.

[9] 王靜， 徐瑞， 吳沉寒， 等. 基于DoDAF的遠程目指系統作戰體系結構[J]. 指揮控制與仿真， 2014， 36（1）： 51-55.

Wang Jing， Xu Rui， Wu Chenhan， et al. Operational Architecture of Remote Target Indicator System Based on DoDAF[J]. Command Control & Simulation， 2014， 36（1）： 51-55.（in Chinese）

[10] 原智杰， 張公平， 崔茅， 等. 基于神經網絡的導彈氣動參數預測[J]. 航空兵器， 2020， 27（5）： 28-32.

Yuan Zhijie， Zhang Gongping， Cui Mao， et al. Prediction of Missile’s Aerodynamic Parameters Based on Neural Network[J]. Aero Weaponry， 2020， 27（5）： 28-32.（in Chinese）

[11] 劉國強， 陳維義， 程晗， 等. 基于BP神經網絡的炮光集成武器系統作戰效能評估與預測[J]. 海軍工程大學學報， 2019， 31（3）： 55-59.

Liu Guoqiang， Chen Weiyi， Cheng Han， et al. Evaluation and Prediction of Combat Effectiveness on Weapon System with Gun and Laser Based on BP Networks[J]. Journal of Naval University of Engineering， 2019， 31（3）： 55-59.（in Chinese）

[12] 陳俠， 胡乃寬. 基于改進型小波神經網絡的電子戰無人機作戰效能評估研究[J]. 電光與控制， 2018， 25（5）： 64-67.

Chen Xia， Hu Naikuan. Operational Effectiveness Assessment for Electronic Warfare UAVs Based on Improved WNN[J]. Electronics Optics & Control， 2018， 25（5）： 64-67.（in Chinese）

[13] 周興旺， 從福仲， 龐世春. 基于BN-and-BP神經網絡融合的陸空聯合作戰效能評估[J]. 火力與指揮控制， 2018， 43（4）： 3-8.

Zhou Xingwang， Cong Fuzhong， Pang Shichun. Effectiveness Evaluation of Air-Ground Joint Operations Based on the BN-and-BP Neural Network[J]. Fire Control & Command Control， 2018， 43（4）： 3-8.（in Chinese）

[14] 張樂， 劉忠， 張建強， 等. 基于自編碼神經網絡的裝備體系評估指標約簡方法[J]. 中南大學學報：自然科學版， 2013， 44（10）： 4130-4137.

Zhang Le， Liu Zhong， Zhang Jianqiang， et al. Reduction Method of Weapon System-of-Systems Assessment Index System Based on Autoencoder[J]. Journal of Central South University： Science and Technology， 2013， 44（10）： 4130-4137.（in Chinese）

[15] Li C， Zhang C， Li J X. Establishment of Effectiveness Evaluation Indicator System Based on 1D-CNN[C]∥Chinese Control and Decision Conference （CCDC）， 2020.

[16] Szegedy C， Liu W， Jia Y Q， et al. Going Deeper with Convolutions[C]∥Computer Vision and Pattern Recognition （CVPR）， 2015.

[17] Kim Y. Convolutional Neural Networks for Sentence Classification[C]∥Empirical Methods in Natural Language Processing （EMNLP）， 2014.

[18] Schroff F， Kalenichenko D， Philbin J. FaceNet： A Unified Embedding for Face Recognition and Clustering[C]∥Computer Vision and Pattern Recognition （CVPR）， 2015.

[19] 李健， 劉海濱， 胡笛. 基于生成對抗網絡和深度神經網絡的武器系統效能評估[J]. 計算機應用與軟件， 2020， 37（2）： 253-258.

Li Jian， Liu Haibin， Hu Di. Weapon System Effectiveness Evalua-tion Based on Generative Adversarial Network and BP Neural Network[J]. Computer Applications and Software， 2020， 37（2）： 253-258.（in Chinese）

[20] 崔正驊， 黃健， 高明光， 等. 基于支持向量機的武裝直升機能力評估仿真[C]∥第16屆中國系統仿真技術及其應用學術會議論文集， 2015： 294-298.

Cui Zhenghua， Huang Jian， Gao Mingguang， et al. Armed Helicopter Capability Evaluation Simulation Based on Support Vector Machine[C]∥Proceedings of the 16th System Simulation Technology & Application， 2015： 294-298. （in Chinese）

[21] 杜梓冰， 張立豐， 陳敬志， 等. 有人/無人機協同作戰演示驗證試飛關鍵技術[J]. 航空兵器， 2019， 26（4）： 75-81.

Du Zibing， Zhang Lifeng， Chen Jingzhi， et al. Critical Technologies of Demonstration Flight Test of Cooperative Operation for Manned/Unmanned Aerial Vehicles[J]. Aero Weaponry， 2019， 26（4）： 75-81.（in Chinese）

[22] van der Maaten L， Hinton G. Visualizing Data Using t-SNE[J]. Journal of Machine Learning Research， 2008， 9（2605）： 2579-2605.

The? Effectiveness Evaluation Method of Systematic

Combat Based on Operational Data

Li Chen1，2， Li Jianxun1*

（1. Department of Automation， Shanghai Jiao Tong University，? Shanghai 200240，? China;

2. Military Representative Bureau of Naval Equipment Department in Shanghai，Shanghai 201206，China）

Abstract： Different from? equipment effectiveness evaluation method based on experience formula and isolated sta-tic state， the effectiveness evaluation of systematic combat can be studied from two aspects： systematic combat task analysis and intelligent evaluation method. This paper introduces the standardized? modeling framework of systematic combat and convolutional neural network to gradually deconstruct systematic combat activities， then proposes a complete set of systematic combat effectiveness evaluation method， which includes five steps： operational mission planning， mission modeling analysis， construction of evaluation index system， index fusion dimension reduction， effectiveness grade evaluation. This method can be used to evaluate the effectiveness of complex and diverse systematic combat tasks according to the degree of realization of operational? objectives.

Key words： convolution neural network; systematic combat; effectiveness evaluation; equipment effectiveness; operational data; artificial intelligence

收稿日期： 2021-08-11

基金項目：? 國家自然科學基金項目（61673265）;民機專項（MJ-2017-S-38）;航空科學基金項目（20170157001）;CEMEE重點實驗室開放課題（2019G0302）

作者簡介：李辰（1990-），男，陜西漢中人，碩士，工程師。

通信作者：李建勛（1969-），男，河北蔚縣人，教授，博士生導師。