张永亮1，赵广超2，陈希亮1，董强1

　　（1.解放军理工大学 指挥信息系统学院，江苏 南京 210007；2.中国洛阳电子装备试验中心， 河南 洛阳 471003）

        摘要：着眼于知识在指挥控制中的作用机理，以提升军队指挥控制系统智能决策的科学性、智能化和适应性为目标，设计基于知识的指挥控制系统智能决策框架结构，采用基于本体的知识表示技术构建决策任务空间知识体系，研究面向情景空间的智能化知识服务技术，提出基于产生式规则的指挥实体静态决策推理模型和基于动态贝叶斯网的动态决策推理模型，旨在为未来我军智能化指挥控制系统的论证和建设提供理论与技术准备。

　　关键词：指控系统;智能决策;知识本体;知识推荐;知识推理

　　中图分类号：TP273文献标识码：ADOI： 10.19358/j.issn.1674-7720.2017.02.018

　　引用格式：张永亮，赵广超，陈希亮,等.基于知识的指控系统智能决策关键技术研究［J］.微型机与应用，2017,36（2）：56-59.

0引言

　　从知识工程（KnowledgeBased Engineering，KBE）角度看，知识是在数据、信息加工的基础上，赋予其一定语义与语境而形成的相互关联的信息结构，是一种面向人员的更加注重效用的信息。知识的作用在于它可以跨越信息到决策、行动的作用边界，实现信息与决策和行动的交联（如图1所示），帮助军事人员将获取的信息迅速转换为正确的决策和行动。正如知识管理著名专家Thomas Davenport所指出，知识是一种包含了结构化的经验、价值观、关联信息以及专家见解等要素的动态组合，比数据和信息更有价值是因为它更贴近行动［1］。

　　当前，“信息中心”技术体制的指控系统在信息化战争中暴露出知识化程度不够、系统自主程度低、快速反应能力弱等问题［2］。面对信息时代指挥控制智能化的发展趋势，指挥人员越来越需要基于知识的决策支持系统辅助指挥运筹。美军已经认识到“知识”在信息时代作战系统中的重要作用，并于2006年在其国防白皮书中正式提出“知识中心战”的概念，提出从“推送信息到边缘”的网络中心战向“推送知识到边缘”的知识中心战转型的战略构想，并据此牵引其C4ISR系统向智能化方向发展。美军积极倡导并研发的“深绿”系统即是其代表性成果。

　　本文在继承智能决策支持系统（Intelligent Decision Support System，IDSS）相关技术的基础上，结合运用认知心理学、人工智能与知识工程［3］技术、指挥决策理论与方法，着重从指控系统智能决策框架设计、任务空间知识体系构建、情景知识服务提供以及指挥决策推理等关键技术展开研究，旨在提高我军指控系统辅助决策的科学化水平、智能化程度和适应性能力。

1基于知识的指控系统智能决策架构设计

　　对于指挥决策人员而言，从信息向知识的转化能够实现“从简单的呈现原始数据到提供具有决策质量的关于任务空间的知识与理解”。然而，现有指挥控制系统并不支持把数据直接转换为知识，只能依靠决策人员的经验与静态知识，将战场海量信息经过分析、判断、重新组织，通过人工呈现的形式，才能转换为指挥员可以理解的关于战场态势判断所需的智能决策知识。于是，这一事实就形成了所谓的“知识缝隙”，即指挥决策所依据的战场情境知识与信息系统提供的信息之间存在“断层”。

　　为此，基于知识指控系统智能决策架构需要完成对数据、模型、知识、交互四个部件的有效集成［45］。智能决策层次结构总体框架模型如图2所示。基于指控系统的智能化决策，是通过一系列知识处理方法来获取军事领域专家的知识和经验，并运用合适的知识建模方法与语言，将知识形式化，然后，采用合理的知识服务策略，根据特定的使命任务、战场环境和个性化知识需求进行智能推理和演绎的过程。

2基于本体的任务空间知识建模方法

　　科学规范的知识体系是智能化智能决策的关键［68］。基于知识的智能决策，首先要解决的问题即是在指挥控制系统中构建能够反映信息化战争原貌的任务空间知识（Mission Space Knowledge，MSK）体系。总体来看，MSK主要由两类知识构成：一类可视作是反映任务空间规律、特点和属性的“决策领域知识”（Operations Domain Knowledge，ODK）；另一类，是与典型使命任务空间特征紧密关联的知识，可理解为“情景知识”（Context Knowledge，CK）。CK是在元知识的作用下，依据当前任务背景与态势情况，由作战人员结合其个性特征而形成的一类知识。在指挥决策过程中，CK具有关键性的支撑作用，能够直接为指挥员决策过程提供服务，是弥补“知识缝隙”的关键所在。

　　运用基于本体的知识建模技术，以任务主题词表为标准对选词进行规范化处理，参考任务概念建模工程EATI模型、EBI框架，对决策领域知识本体构建进行标准化处理，可形成统一的形式化知识本体表示规范。分析并确定知识本体概念术语及其层次关系，可构建决策任务空间知识本体总体框架，从而形成任务空间知识的概念逻辑关系体系。决策任务空间知识本体的核心概念体系如图3所示。

　　领域知识本体概念化表示后，需要运用本体的代数系统形式化编码为计算机可识别的形式，存储在领域知识本体库中，以便知识的重用和共享。可采用NAING M M等人提出的六元素方法描述决策领域知识本体（OMSK_ON），运用巴科斯范式（Backus-Naur Form，BNF）表示六元组为：

　　OMSK_ON：：=<C，AC，R，AR，H，X>（1）

　　其中，C表示不同层次的概念类的集合；AC代表概念的属性集合；R代表关系的集合，R中的每个关系ri（Cp，Cq）代表了概念Cp与Cq之间的双向关系；AR表示每个关系的属性集合；H是由C派生的概念层次关系，体现概念间的超类—子类关系的层次体系结构；X代表公理集合，每条公理代表了一种约束条件。在形式化定义本体后，利用本体开发工具protégé和本体描述语言OWL来构建本体模型，完成对领域知识本体的形式化编码，从而为后续的知识过滤、推送、组织和呈现奠定基础。

3面向战场情景空间的主动知识服务技术

　　知识就是存在于特定情景当中的信息，正是有了情景的存在，知识才有了丰富的关系与意义。在任务执行过程中，指挥决策受“情景”的影响很大，这里的“情景空间”是使命任务、战场态势、指挥人员认知特征等各种因素的总和。指挥决策人员不了解所处的情景空间，就会产生认知上的偏差，甚至是误判。

　　要为指挥决策人员提供智能化知识服务，必然要结合指挥决策中的“情景空间”来运用知识［911］。这里需要解决三个关键问题：一是抽取反映任务空间情景特征的关键要素，构建符合战场态势的综合情景空间模型，为实现面向任务空间的知识过滤提供约束条件；二是研究基于情景空间模型的知识过滤算法，实现对系统知识资源的有效推荐；三是通过设计主动知识服务运作机制，实现符合决策人员认知规律的智能化知识服务。基于情景过滤知识信息的过程如图4所示。

4面向认知的指挥实体智能决策推理模型

　　指挥实体的智能决策模型是指在特定使命空间中对指挥实体决策过程及结果的抽象描述，主要用来表达指挥实体任务理解、态势分析、条件判断及决策结果等内容［1213］。智能决策推理模型的科学性关乎指挥控制系统智能决策实战化运用程度。

　　为满足指挥实体智能化决策的需要，可以将指挥实体决策推理模型分为两种类型：静态决策与动态决策，分别对应于筹划与组织任务行动阶段、控制与协调任务行动阶段的指挥决策活动，其基本过程描述如图5所示。下面介绍基于产生式规则的推理技术实现对战前任务部署的静态决策过程，以及基于动态贝叶斯网络［14］（Dynamic Bayesian Net，DBN）的贝叶斯推理技术实现对实时战况的动态决策过程。

　　4.1基于产生式规则的静态决策推理模型

　　从人工智能的角度看，基于产生式规则的静态决策过程是运用产生式规则进行知识逻辑推理的过程。其工作过程是根据知识库存储的军事规则与实际“情景空间”知识进行匹配，并由此选择相应决策结果，并推理出相应决策方案。产生式规则的一般形式为：〈前件〉—>〈后件〉。其中，静态决策模型中的前件可以认为是静态决策条件，后件是相应的决策结果，前件和后件可以是由逻辑运算符AND、OR、NOT等组成的逻辑表达式，也可以由函数、微分和积分公式等组成的数学表达式。

　　产生式规则的语义是，如果决策条件与已知的事实相匹配，则可得到分析判断结论或者执行相应的动作，即后件由前件来触发。所以，前件是规则的执行条件，后件是规则体。如果静态决策条件集用C表示，最终静态决策生成的兵力部署决策集用D表示，则对兵力部署决策集内任意一个任务实体的行动决策di可表示为：

　　di=f(AC)（2）

　　其中，di是静态决策D的任意一个行动决策，即

　　di∈D，D={d1，d2，…，dn}，i∈{1，2，…，n}；f是静态决策条件集C对应兵力部署决策集D的关系函数，通过相应的决策规则来表现。A是C的系数矩阵：

　　其中akj表示对于第k个任务实体动作dk与第j个条件cj的关系，k∈{1，2，…，s}，j∈{1,2,…,m}。当akj=0时，表示无关；当akj=1，表示有关。

　　实际静态决策过程中，一般取0≤akj≤1，表示第j条件cj对第k个动作决策dk的权重关系，且影响行动决策的条件子集CzC，表示它是一组静态决策条件的组合。于是，对于静态决策集中任一行动实体的决策dk有：

　　其中，=1akj=1，k∈{1，2，…，s}，cj∈Cz。该数学表达式的涵义是静态决策模型最终生成的任意一组面向行动实体的决策方案，包括编组、配置和任务区分等内容。

　　4.2基于动态贝叶斯网的动态决策推理模型

　　对不确定性、不完全战场态势信息进行估计的动态决策问题，采用贝叶斯网络技术建立战场事件的概率模型，将多个作战实体在不同战场态势层次进行连接，从而构造、演化成一个对战场态势能够进行感知、推理、预测的贝叶斯网络模型，是一种比较有效的战场态势估计的建模方法。

　　贝叶斯网络（BN）是基于概率分析和图论的一种不确定性知识的表示和推理模型，利用变量之间的条件独立性大大减少了定义全联合概率分布所需的概率数目，在不确定性推理和决策问题中得到广泛应用。贝叶斯网络的每个节点表示一个随机变量，具有因果关系的节点之间用箭头相连，节点之间的关系使用条件概率表来描述。由给定节点的先验概率和条件概率可以得到各个节点的状态概率，以实现沿有向边按照条件进行概率传播，从而完成整个贝叶斯网络推理。贝叶斯网络利用变量之间的条件独立性，将联合分布分解为几个局部分布的乘积：

　　动态贝叶斯网络（DBN）是对静态贝叶斯网络在时间轴上的扩展，用来描述一个随时间而改变和演化的系统模型。动态贝叶斯网络是由T个隐含状态变量X={x0,x1,…,xT－1}序列的概率分布函数与T个观测变量Y={y0,y1,…,yT－1}的序列构成的，T是所调查事件的时间界。动态贝叶斯网络可描述为：

　　其中，p(xi|xi－1)是指在不同时间片上的状态之间的概率函数；p(yi|xi)是指在同一时间片上各个节点的概率函数；P(x0)是指在过程开始时的初始状态。

　　运用贝叶斯网络进行动战场态决策态势推理与预测时，需要解决两个关键问题：战场态势要素特征的提取和领域知识的获取，它们共同决定着BN网络的结构。由于态势要素增多时，网络结构的复杂度成倍增加，因而在动态决策态势估计中，首先依赖军事专家的领域知识进行必要的网络修改。战场态势估计过程中，通过合理选取反映战场态势的特征，并依据领域知识构建特征间的关联关系，可以构建起反映战场态势的贝叶斯网络模型。

5结论

　　随着智能化战争日益临近，研制智能化的指控平台辅助指挥人员运筹帷幄，已是大势所趋。基于知识的智能化指控系统的关键性技术的突破可以为设计、论证未来我军智能化指挥信息系统提供重要参考。近年来，以深度学习为核心的认知智能的突破与发展，使得从技术角度解决基于指挥信息系统的智能化辅助决策有望取得关键性进展。研究基于知识与机器学习的智能决策支持系统是下一步指挥信息系统工程领域的工作重点。

参考文献

　　［1］ 任海泉．军队指挥学［M］．北京：国防大学出版社，2007.

　　［2］ 柴宇球，徐国成．信息化条件下陆军决策学［M］．北京：军事科学出版社，2009．

　　［3］ 陈文伟，陈晟.知识工程与知识管理［M］.北京：清华大学出版社，2010.

　　［4］ 李兴森，石勇，张玲玲.从信息爆炸到智能知识管理［M］.北京：科学出版社，2010.

　　［5］ 童志鹏, 刘兴. 综合电子信息系统［M］. 北京：国防工业出版社，2008.

　　［6］ 王晓东．基于Ontology知识库系统建模与应用研究［D］．上海：华东师范大学，2003．

　　［7］ 吴江．基于本体的知识管理关键技术研究［D］．西安：西北大学，2007．

　　［8］ 宋峻峰,张维明,肖卫东,等.基于本体的信息检索模型研究［J］.南京大学学报， 2005，41(2):189-197.

　　［9］ 冯鹏程.基于情境感知的个性化推荐算法的研究［D］. 上海：东华大学，2014.

　　［10］ 李燕妮，李海生，蔡强.基于语义相似度的领域知识推荐研究［J］. 复杂系统与复杂性科学， 2013，10（3）:50-54.

　　［11］ 仵雪婷.基于知识情境的知识个性化推送技术的研究与应用［D］. 南昌：南昌大学， 2010.

　　［12］ 孙鹏, 张永亮.陆军作战仿真指挥实体一体化建模问题研究［M］.北京：解放军出版社，2014.

　　［13］ 曹晓东，郭嘉诚．论指挥控制规则［J］．军事运筹与系统工程, 2006，20(3)：22-26．

　　［14］ 肖秦琨，高嵩，高晓光．动态贝叶斯网络推理学习理论及应用［M］．北京：国防工业出版社，2007．