中国指挥与控制学会会刊 
空间态势认知作为空间活动的基础与前提,已引起各国高度重视。美、俄、英、法等国着力推进空间态势监视与侦察装备、空间信息分析处理系统等建设,以全面提升空间态势认知能力[1]。
空间态势认知研究大多集中在态势信息获取与态势展现环节,重点是侦察和监视技术与可视化技术[2-3]。态势信息获取是态势认知的基础和资料来源,态势展现是辅助决策的必要环节与手段。随着太空监视与侦察技术的深入发展,各类传感器获取到的信息呈爆炸式增长,指挥员决策的主要制约逐渐由信息的量转变为信息的质,指挥控制不再满足于“态”的获取与展示,更需要“势”的深入理解与把握,指控需求逐渐由信息需求升级为决策需求,指挥员需要获取实时、智能的态势深入认知,得到信息中的知识价值,从而在信息优势的基础上支持决策优势、进而实现行动优势。
空间态势认知由信息域到认知域转变,态势认知产品生成是从数据信息中为指挥员决策提供直接依据的手段。目前已有一些战场态势评估的研究[4-5],主要着眼于单个事件或目标的预测与威胁估计,结果往往比较单一,系统的态势认知产品生成框架与技术研究成果较少,与支持决策的需求还有一定距离。
本文立足于决策对态势认知产品的需求,结合不同角色指挥员的使命任务,研究合理的态势认知产品生成方式与技术框架,将空间态势量化为态势认知产品,为空间态势展现提供资源,为指挥员决策提供空间态势的深入认知和直接支持。
1 空间态势认知产品内涵研究
1.1 空间态势认知产品
态势认知(Situational Awareness)本义是对战场情况信息的注意和关注,包含着印证、分析、判断、理解等一系列活动,其内涵超越了“感知”的信息获取与处理过程,而与认知过程基本等价[6],强调的是对态势的深入理解与挖掘。
结合空间态势要素特点,可以定义空间态势认知内涵为:在获取空间目标和环境信息的基础上,初步了解空间现状、深入理解空间态势关联与发展趋势、全面掌握空间态势对空间活动的现有和潜在影响,是对态势描述、态势理解、态势预测等内容的有序综合。
当前,准确把握角色需求、推送个性化服务,已成为智能指挥决策的重要需求。美军也提出了为部队提供“企业级服务”[9]的理念。本文将综合性空间态势认知结果定义为产品,使之具有综合性、规范性、定制性,研究可塑造的、可工程化生成的产品的内容、结构和生成方式。
目前空间态势认知的产品主要分为两大类:一是文档、图表类的产品,如综合统计表、陨落预报、历史数据系统、预测规避、卫星编目等。二是综合类可视化态势产品,即空间态势图。美军的共用作战图(COP)是通用态势图的代表性研究成果,为不同级别作战人员提供共享态势的工具,具备实体/轨迹数据管理、数据关联、可视化、通信等功能[10]。
由于空间环境、空间实体的复杂性和空间行动的特殊性,空间态势不具有直观性,空间态势认知产品具备一定特殊性。关注空间态势的指挥员角色众多,关注的范围和重点差异较大,空间态势认知产品应当基于统一的数据上,为不同角色定制产品,为指挥员提供完整的态势认知与决策支持,并且能够实时更新认知结果。
基于上述特点,态势认知产品应当是对态势逐渐深入认知的层次化产品,包含三个层次,如表1 所示。各层次间是逐层递进的关系,逐步深入地把握态势本质。
表1 空间态势认知产品层次 |
| 产品层次 | 内容要素 | 层次功能 |
|---|---|---|
| 静态描述层 | 空间实体轨道、功能、属性等情况;空间环境要素分布和属性;各方力量对比分析 | 描述空间态势整体情况,初步了解空间态势 |
| 关联理解层 | 空间各态势要素间的关联关系、相互影响;态势要素与任务的关系和影响 | 考虑要素和任务间的关联关系,理解当前态势深层机理 |
| 对抗评估层 | 各方意图判断;各方可能行动的影响评估;威胁评估 | 考虑敌、我、第三方行动的情况下,可能出现的态势状况及影响评估 |
1.2 空间态势认知产品生成过程
2 关键技术研究
2.1 基于指挥员角色的需求分析技术
参与空间活动的指挥员角色众多,根据指挥层次可以将指挥员划分为战略筹划角色、战役指挥角色、战术控制角色,根据主要任务可以将指挥员划分为空间对抗角色、空间监视角色、情报侦察角色、信息支援角色等,根据航天活动周期可以将指挥员划分为任务设计角色、航天发射角色、在轨管理角色、废弃回收角色等。理清不同角色的指挥员对空间态势产品的需求,对产品的内容、形式、生成过程具有指导意义。
表2 基于指挥员角色的空间态势认知产品需求分析内容 |
| 分析环节 | 分析内容 |
|---|---|
| 能力需求分析 | 联合作战中空间维度的对抗和空间信息支援对空间态势认知的需求; 空间态势认知产品总体能力:智能化实时认知态势、支持指挥决策; 服务的对象:关注空间态势的指挥员; 根据指挥员角色,分析产品应当关注的范围、认知的粒度等。 |
| 任务需求分析 | 特定角色指挥员关注的系列任务; 任务的关注重点、环境状况、存在威胁、可能出现的事件等。 |
| 功能需求分析 | 态势产品的组分、内容,如产品应当包含某一范围内的态势数据统计描述、重点目标行为分析、动态能力评估、态势发展预测等; 态势产品形式,如图、表、报告等; 生成方式,如数据统计、态势推理、模型计算、综合评估等。 |
2.2 态势要素表达技术
空间态势数据数量大项目多,态势要素包括实体要素、环境要素、事件要素、信息要素等,对态势数据进行合理的组织、对要素进行表达是态势分析与推理的前提。
地理信息系统(GIS)是空间数据的一类重要组织系统,GIS的空间数据组织方法有两种[13]:一种是拓扑关系数据模型,基于对象的几何特征进行组织,以“节点-弧段-多边形”拓扑关系为基础;另一种是空间实体数据模型,以独立、完整、具有地理意义的实体为基本单位对地理空间进行组织和存储。
本体建模理论应用在态势认知研究中,通过建立态势认知的知识体系,将态势要素与知识进行概念本体建模,如SAW核心本体[4]就是以关系为核心概念建立,主要组成包括实体、关系、规则、状态、角色、主题角色、属性、事件等。
此外,面向对象的态势要素建模[14]将态势表达引擎定义为一个具有准备的时空关系的各类物体的有序集合,抽象出物体基类,几何基类等,派生出各要素的属性特征和时空关系。
基于特征的要素表达[15]将态势特征分为时空成分、几何成分、专题成分三部分,将实体或现象作为一个整体进行描述与表达,构建出态势实体模型、环境模型和事件模型等。基于特征和面向对象的建模方法在概念和数据组织上具有的相同性,可以使数据模型从概念模型到逻辑实现相统一,便于实现计算机表达与建模。
2.3 态势推理技术
2.3.1 态势推理方式
态势推理是空间态势认知产品生成的核心部分,是完成态势理解、威胁估计、态势预测等的主要手段。态势推理模型的组成部分包括态势要素模型、推理框架、知识库等。根据态势推理过程中知识的表现形式,可以将推理方式分为基于规则的、基于模板的、基于案例的推理。
1)基于规则的知识表示与推理
基于规则的推理(Ruler-based Reasoning,RBR)基本形式为:
Ruler(i):condition(i,j)→operation(i,k)
其中,condition为条件集,operation为方法集。
RBR方法主要环节是规则的获取与匹配。规则构建方式有专家制定、简单逻辑推理、数据挖掘等。专家制定是通过专家经验确定空间要素联系,简单逻辑推理是通过知识的前后项组合成新的知识。规则提取的数据挖掘方法是基于海量数据的学习与推理,从数据中挖掘要素之间的联系,主要方法有支持向量机、神经网络、关联规则挖掘、粗糙集等[5]。
2)基于模板的知识表示与推理
基于模板的推理(Template-based Reasoning,TBR)方法适用于解决根据不同态势的活动类型推理的问题[19]。
空间态势推理的模板中应该包含的信息有:各方目标集的计划、空间事件/活动之间的相互关系、涉及的不同类型的态势要素数据等。一个具体的模板中包含着基本模板和特殊模板,使得模板具有继承性。
基于模板的态势推理中,对态势情况的理解可以形式化表示为[20]
f:M→Γ
其中,Γ为空间中可能出现的全部态势类别,即态势模板;M为当前态势要素的特征集合。映射集合F={f1,f2,…,fn}表示特征与态势类别的推理框架。
TBR的实施是在模板构建的基础上将现有因素与模板中的因素进行对比,确定模板的支持度与否定度。TBR与具体的推理模型结合,可以进行基于模板知识的态势推理。模板匹配的一般步骤为[21]:
①根据观测到的情况,综合系统知识库中的空间态势模板进行诊断,建立特定态势假设模板结构;
②计算观测到的行动与特定模板结构的匹配程度;
③计算时间对模板的总的支持度或否定度。
3) 基于案例的知识表示与推理
案例推理(Case-based Reasoning,CBR)用案例来表达知识并把问题求解和学习相融合的一种推理方法[22]。对于CBR系统,在给定输入说明的情况下,CBR系统将搜索案例库,以寻找一个匹配输入特征的现有案例。如果找到了完全匹配输入特征的案例,问题直接得到了解答,另一方面,它也可能检索到一个与输入特征相似的案例或案例集,用户可以修改不匹配的部分,得到一个新的案例。
经典的CBR环包括四个部分[23]:案例检索、案例复用、案例修正、案例保存,如图2 所示。
综合来看,RBR可以很好地结合专家经验和客观数据,具有使用灵活的特点,不必要求有丰富的实践数据。TBR是格式更为固定的表示方法,处理活动类型较为固定的问题时效率很高。CBR适合于知识结构复杂、难以定义和描述以及需要有丰富实践经验的领域,更新案例库不需要改变原有案例,维护较为简单,但实践资料掌握较少的情况下难以构建案例库。空间态势推理可以综合使用规则推理与案例推理方法,使知识库兼具灵活表达和及时扩充能力。
2.3.2 典型态势推理模型
态势推理代表性的模型有Petri网、贝叶斯网络、D-S证据推理模型等。
1)Petri网推理模型
Petri网一种可以描述离散动态事件的数学工具,能够直观描述系统中的顺序、并发、冲突和同步等关系,可以随所建立的模型的逻辑行为和系统性能进行分析和验证[24]。Petri网在空间态势推理中主要应用于空间事件分析和预测。
Petri网形式化表示为
SPN={P,T,F,M}
其中,有限集P={p1,p2,…,pn}表示库所,描述空间要素;有限集T={t1,t2,…,tm}表示变迁,描述要素变化;F⊆ 表示网的流关系,也称为弧;M表示网的标识或令牌集。Petri网用库所、变迁、弧的连接表示系统功能和结构,通过变迁的出发和令牌的移动描述系统的动态行为。
2) 贝叶斯网络
贝叶斯网络建模分为两个步骤:首先,确定网络的拓扑结构;其次,确定网络中各节点的先验概率或条件概率分布[30]。建模主要有三种方式:一是由专家知识,直接给出拓扑结构和概率参数;二是通过数据库的学习,运用智能学习方法获取贝叶斯网络的结构和参数;三是两阶段建模方法,由专家知识手动建立贝叶斯网络,然后通过学习修正先前的网络模型。
贝叶斯网络的基础上可以考虑时间因素,将前一时刻的态势因素作为当前时刻态势估计证据的一部分。对于事件的不确定性随时间变化的情形,可以将多个静态贝叶斯网络组合成动态贝叶斯网络[31]。
3) 证据推理模型
D-S证据理论是一种不确定性推理方法,证据理论利用信息区间来描述命题的不确定性,可以区分“不确定”和“不知道”,在不需要先验概率的情况下,经过推理组合得到结果,为决策级不确定信息的表征与融合提供了有力工具。按照证据理论进行不确定推理的流程为[32]:证据建模、证据结合与推理、证据决策、证据评价。
D-S证据推理可以看作贝叶斯推理的一种扩展,能有效处理在不确定和未知条件下的一致性推理问题,尤其是采用置信函数而不是概率作为度量,能满足比贝叶斯概率更弱的条件,在表达“不确定”、“无知”和进行不确定推理上有独特的优势[33]。
3 结束语
空间态势信息的复杂性与丰富性使指挥员难以掌握态势深层知识,需要智能的态势认知产品提供态势深层认知和决策支持,将信息优势转换为决策优势。本文定义了空间态势认知与空间态势认知产品的内涵,研究了基于指挥员角色的空间态势认知产品的生成过程。并根据产品生成过程讨论了关键技术问题,包括基于指挥员角色的需求分析技术、态势要素表达技术、态势推理技术等,最终的空间态势认知产品是集合多层次认知结果的综合性产品。希望对空间态势认知支持决策研究起到借鉴参考作用。
空间态势认知产品生成技术进一步的发展方向有两点:一是将已有经验知识与数据挖掘方法充分结合,研究符合逻辑且具有创造性的知识扩充技术;二是现有的知识推理模型普遍面临着对大维度时变数据处理计算量过大的问题,研究计算复杂度相对较低的实时态势推理技术具有重要意义。