基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型?

霍士偉 郭圣明 唐宇波

（1.國(guó)防大學(xué) 北京 100091）（2.國(guó)防科技大學(xué)信息通信學(xué)院 西安 710106）

1 引言

隨著人工智能技術(shù)的快速發(fā)展和在軍事領(lǐng)域的廣泛運(yùn)用，作戰(zhàn)指揮方式由傳統(tǒng)的以指揮員決策向人機(jī)協(xié)同的智能作戰(zhàn)指揮方式轉(zhuǎn)變。其中，智能化戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估是實(shí)現(xiàn)智能化作戰(zhàn)指揮的基礎(chǔ)和關(guān)鍵，是科學(xué)完成兵力優(yōu)化、火力分配等指揮決策的前提［1］。

目前智能戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估方法主要有基于知識(shí)推理的評(píng)估方法和基于機(jī)器學(xué)習(xí)的評(píng)估方法。其中基于知識(shí)推理的評(píng)估方法主要包括基于模板匹配的方法［2］、案例推理的方法［3］、D-S 證據(jù)理論方法［4］、模糊邏輯方法［5］等。基于知識(shí)推理的方法能夠較好地處理戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估中信息的不確定性，但是普遍存在難以構(gòu)建完備的知識(shí)庫(kù)問(wèn)題，對(duì)具有高度非線性、涌現(xiàn)性的復(fù)雜戰(zhàn)場(chǎng)態(tài)勢(shì)難以有效評(píng)估，原因在于這類評(píng)估方法的知識(shí)表示大多是基于人的經(jīng)驗(yàn)，推理過(guò)程有太多主觀因素，無(wú)法從戰(zhàn)場(chǎng)全局實(shí)現(xiàn)戰(zhàn)場(chǎng)態(tài)勢(shì)的自主表示和推理［6］。以神經(jīng)網(wǎng)絡(luò)［7］、支持向量機(jī)［8］為代表的機(jī)器學(xué)習(xí)評(píng)估方法能夠直接從大量戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)中學(xué)習(xí)規(guī)律，實(shí)現(xiàn)對(duì)復(fù)雜戰(zhàn)場(chǎng)態(tài)勢(shì)的表示和認(rèn)知，避免了構(gòu)建知識(shí)庫(kù)的復(fù)雜過(guò)程，同時(shí)避免了人的主觀因素影響。目前，基于機(jī)器學(xué)習(xí)的智能戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估成為當(dāng)前作戰(zhàn)指揮決策領(lǐng)域的研究熱點(diǎn)，并取得了大量成果。但是，基于機(jī)器學(xué)習(xí)的評(píng)估方法需要大量標(biāo)記樣本數(shù)據(jù)來(lái)進(jìn)行模型訓(xùn)練，而在戰(zhàn)場(chǎng)環(huán)境下，要獲得充足的滿足模型訓(xùn)練要求的帶標(biāo)簽樣本數(shù)據(jù)是比較困難的。相對(duì)而言，我們能夠獲得較多的無(wú)標(biāo)記數(shù)據(jù)，但是為這些數(shù)據(jù)添加標(biāo)簽則需要花費(fèi)大量的人力和時(shí)間。在這種情況下，直接將傳統(tǒng)機(jī)器學(xué)習(xí)方法用于戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估，會(huì)造成評(píng)估準(zhǔn)確性不高。因此，研究如何利用無(wú)標(biāo)簽樣本來(lái)輔助機(jī)器學(xué)習(xí)模型訓(xùn)練對(duì)基于機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估具有重要意義。

半監(jiān)督學(xué)習(xí)是一種可有效利用無(wú)標(biāo)簽樣本來(lái)輔助機(jī)器學(xué)習(xí)模型訓(xùn)練的方法，可有效提高標(biāo)記樣本不足條件下模型的精度和泛化性能［9］。其中自訓(xùn)練半監(jiān)督學(xué)習(xí)是一種簡(jiǎn)單且適應(yīng)性強(qiáng)的半監(jiān)督學(xué)習(xí)方法［10］。本文以自訓(xùn)練半監(jiān)督學(xué)習(xí)方法為模型整體訓(xùn)練框架，以適用于小樣本條件下分類的支持向量機(jī)模型為基礎(chǔ)分類器，提出了基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，為解決標(biāo)記樣本不足條件下的智能戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估問(wèn)題提供了思路。通過(guò)實(shí)驗(yàn)，驗(yàn)證了該模型在戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估標(biāo)記樣本不足條件下的可行性和有效性。

2 基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估思路

自訓(xùn)練半監(jiān)督學(xué)習(xí)是一種簡(jiǎn)單且適應(yīng)性強(qiáng)的半監(jiān)督學(xué)習(xí)方法［10］。自訓(xùn)練半監(jiān)督學(xué)習(xí)方法首先利用現(xiàn)有的少量有標(biāo)簽樣本進(jìn)行監(jiān)督式學(xué)習(xí)，然后將學(xué)習(xí)得到的分類模型對(duì)無(wú)標(biāo)簽樣本進(jìn)行分類預(yù)測(cè)，也就是為無(wú)標(biāo)簽樣本添加偽標(biāo)簽，然后根據(jù)一定的偽標(biāo)簽選擇策略選擇偽標(biāo)簽準(zhǔn)確率較高的數(shù)據(jù)加入訓(xùn)練集重新訓(xùn)練分類模型。迭代上述過(guò)程，直到算法達(dá)到預(yù)定條件。自訓(xùn)練方法實(shí)現(xiàn)簡(jiǎn)單，適應(yīng)性強(qiáng)，可廣泛用于各種領(lǐng)域標(biāo)記樣本不足的分類和預(yù)測(cè)場(chǎng)景。

本文結(jié)合自訓(xùn)練半監(jiān)督學(xué)習(xí)和支持向量機(jī)分類模型設(shè)計(jì)了戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，如圖1所示。模型以小樣本條件下表現(xiàn)較好的支持向量機(jī)模型作為基分類器，以適用戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估中的初始標(biāo)記樣本較少的特點(diǎn)。針對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估過(guò)程中存在大量無(wú)標(biāo)簽樣本和少量帶標(biāo)簽樣本的情況，通過(guò)自訓(xùn)練的半監(jiān)督學(xué)習(xí)方法利用無(wú)標(biāo)簽樣本來(lái)對(duì)支持向量機(jī)模型進(jìn)行輔助訓(xùn)練來(lái)提高模型的準(zhǔn)確性和泛化性能。

圖1 基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估思路

基于半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估基本流程如下。

1）對(duì)原始戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)進(jìn)行預(yù)處理，區(qū)分為有標(biāo)簽樣本和無(wú)標(biāo)簽樣本；

2）利用數(shù)據(jù)集中的有標(biāo)簽樣本作為訓(xùn)練集對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練，得到初始評(píng)估模型；

3）利用訓(xùn)練得到的初始評(píng)估模型對(duì)的無(wú)標(biāo)簽樣本進(jìn)行評(píng)估，評(píng)估結(jié)果作為樣本偽標(biāo)簽，根據(jù)一定的偽標(biāo)簽樣本選擇策略，從偽標(biāo)簽樣本中選擇樣本標(biāo)注準(zhǔn)確率高的樣本加入訓(xùn)練集，利用新訓(xùn)練集對(duì)支持向量機(jī)模型進(jìn)行重新訓(xùn)練；

4）重復(fù)上述訓(xùn)練模型、對(duì)無(wú)標(biāo)簽樣本添加偽標(biāo)簽、選擇偽標(biāo)簽樣本重新訓(xùn)練模型的過(guò)程，直到模型達(dá)到所需要求。

3 基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)模型設(shè)計(jì)

3.1 基于支持向量機(jī)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估分類模型

在基于半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型中，基學(xué)習(xí)器性能的好壞直接關(guān)系著整個(gè)模型的性能。由于戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估中初始帶標(biāo)簽樣本數(shù)據(jù)較少，而支持向量機(jī)模型可以很好地適用小樣本數(shù)據(jù)集的分類問(wèn)題，因此本文選擇支持向量機(jī)模型作為基分類器。

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則對(duì)數(shù)據(jù)進(jìn)行分類，將原始數(shù)據(jù)通過(guò)核函數(shù)映射到高維空間中，然后采用線性超平面對(duì)數(shù)據(jù)進(jìn)行分類，解決了低維數(shù)據(jù)空間中線性不可分的問(wèn)題［11］。常用的核函數(shù)有常用的核函數(shù)主要有線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)、Sigmoid核函數(shù)。

SVM分類的建模和求解主要過(guò)程如下：對(duì)于樣本集 D={(x1,y1),(x2,y2),…,(xm,ym)}，y∈{-1,1}，對(duì)于線性可分問(wèn)題，可以通過(guò)線性方程劃分超平面：wtx+b=0，樣本中任意點(diǎn)到超平面距離為

在應(yīng)用支持向量機(jī)進(jìn)行戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估時(shí)，需要選取適當(dāng)?shù)暮撕瘮?shù)。核函數(shù)選擇一般通過(guò)實(shí)驗(yàn)比較的方法選擇分類效果最好的核函數(shù)。本文通過(guò)實(shí)驗(yàn)比較選擇線性核函數(shù)作為核函數(shù)。線性核函數(shù)是樣本特征在原始空間的內(nèi)積，參數(shù)少，且執(zhí)行速度快。

3.2 基于馬氏距離的偽標(biāo)記樣本選擇策略

對(duì)于自訓(xùn)練半監(jiān)督學(xué)習(xí)來(lái)說(shuō)，偽標(biāo)記樣本選擇策略是模型性能好壞的關(guān)鍵。偽標(biāo)記樣本選擇策略的目的是將無(wú)標(biāo)簽樣本中被正確標(biāo)記可能性較高的樣本選擇出來(lái)加入有標(biāo)簽樣本中構(gòu)成新的訓(xùn)練集，這樣才能夠進(jìn)一步提高模型的精度和泛化性能。如果將錯(cuò)誤標(biāo)記的偽標(biāo)簽樣本加入新的訓(xùn)練集，則可能造成模型性能的下降。本文采用基于馬氏距離的偽標(biāo)記樣本選擇策略［12］。偽標(biāo)記樣本選擇策略的主要過(guò)程如下。

3.3 基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估算法

結(jié)合上述基于支持向量機(jī)的戰(zhàn)場(chǎng)態(tài)勢(shì)分類模型和基于馬氏距離的偽標(biāo)簽樣本選擇策略，本節(jié)設(shè)計(jì)了基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估算法，算法步驟如下。

4 實(shí)驗(yàn)與分析

本節(jié)利用文獻(xiàn)［13］提供的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估數(shù)據(jù)對(duì)第3節(jié)中的評(píng)估模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)硬件環(huán)境為Intel i3-4030U CPU，主頻1.9GHz，內(nèi)存4G，編程環(huán)境為Matlab2018a，并包括支持向量機(jī)算法的libsvm工具包。

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)數(shù)據(jù)共包括200條戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估數(shù)據(jù)，輸入變量包括敵我兵力數(shù)量對(duì)比、敵我防御能力對(duì)比、敵我攻擊能力對(duì)比等7維特征，戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估等級(jí)為樣本標(biāo)簽，戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估等級(jí)包括絕對(duì)優(yōu)勢(shì)、優(yōu)勢(shì)、均勢(shì)、劣勢(shì)、絕對(duì)劣勢(shì)5個(gè)等級(jí)。為了適應(yīng)評(píng)估模型的要求，針對(duì)實(shí)驗(yàn)數(shù)據(jù)中的5種戰(zhàn)場(chǎng)態(tài)勢(shì)等級(jí)（絕對(duì)優(yōu)勢(shì)、優(yōu)勢(shì)、均勢(shì)、劣勢(shì)、絕對(duì)劣勢(shì)），分別設(shè)置對(duì)應(yīng)的5類標(biāo)簽值（1、2、3、4、5）。部分實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1 部分實(shí)驗(yàn)數(shù)據(jù)

原始驗(yàn)數(shù)據(jù)集為有標(biāo)簽的樣本集，為了支持本文的半監(jiān)督學(xué)習(xí)方法實(shí)驗(yàn)驗(yàn)證。從全部樣本中抽取x個(gè)樣本作為有標(biāo)簽訓(xùn)練樣本，抽取t個(gè)樣本作為測(cè)試樣本，抽取w個(gè)樣本為無(wú)標(biāo)簽訓(xùn)練樣本。為了對(duì)所提模型性能進(jìn)行比較分析，設(shè)置以下條件下的對(duì)比實(shí)驗(yàn)：1）單獨(dú)的支持向量機(jī)評(píng)估模型使用有標(biāo)簽樣本進(jìn)行訓(xùn)練；2）利用本文提出的自訓(xùn)練半監(jiān)督學(xué)習(xí)的評(píng)估模型同時(shí)使用有標(biāo)簽樣本和無(wú)標(biāo)簽樣本進(jìn)行訓(xùn)練。另外，通過(guò)設(shè)置不同的實(shí)驗(yàn)條件（實(shí)驗(yàn)條件包括有標(biāo)簽樣本數(shù)x、無(wú)標(biāo)簽樣本數(shù)w和偽標(biāo)簽樣本選擇閾值θ），在不同實(shí)驗(yàn)條件下比較模型的性能。

4.2 實(shí)驗(yàn)結(jié)果與分析

針對(duì)不同實(shí)驗(yàn)條件進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果如表2所示。由表中結(jié)果可以看出，在三種條件下，本文提出的基于半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型同時(shí)利用有標(biāo)簽和無(wú)標(biāo)簽樣本進(jìn)行訓(xùn)練，相對(duì)于只采用有標(biāo)簽樣本的支持向量機(jī)模型來(lái)說(shuō)，在評(píng)估準(zhǔn)確率方面都有一定的提高。實(shí)驗(yàn)表明，在具有大量無(wú)標(biāo)簽樣本和少量有標(biāo)簽樣本條件下，通過(guò)自訓(xùn)練無(wú)監(jiān)督學(xué)習(xí)方法通過(guò)利用無(wú)標(biāo)簽樣本進(jìn)行輔助訓(xùn)練，可以提高模型的準(zhǔn)確率和泛化性能。

表2 實(shí)驗(yàn)結(jié)果

4.3 對(duì)偽標(biāo)記樣本選擇閾值的分析

在基于自訓(xùn)練無(wú)監(jiān)督學(xué)習(xí)的空中目標(biāo)威脅評(píng)估算法中，樣本選擇閾值θ是一個(gè)重要參數(shù)。為了探討其取值規(guī)律，本節(jié)進(jìn)一步通過(guò)實(shí)驗(yàn)對(duì)其進(jìn)行分析。在x=40，t=48，w=88固定不變條件下，對(duì)θ分別取1～30進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表3所示。由表中結(jié)果可以看出，當(dāng)θ取值為17～22時(shí)，模型評(píng)估準(zhǔn)確率最高，為79%；當(dāng)取值過(guò)大或過(guò)小時(shí)，模型的準(zhǔn)確率都會(huì)下降。其中原因在于，當(dāng)樣本選擇閾值θ過(guò)大時(shí)，會(huì)將過(guò)多的判斷錯(cuò)誤的偽標(biāo)簽數(shù)據(jù)加入新的訓(xùn)練集，而這些判斷錯(cuò)誤的偽標(biāo)簽樣本會(huì)造成模型準(zhǔn)確率的下降。當(dāng)樣本選擇閾值θ過(guò)小時(shí)，能夠加入新訓(xùn)練集的偽標(biāo)簽樣本數(shù)量較少，同樣無(wú)法有效提高模型的準(zhǔn)確率。因此，在實(shí)際應(yīng)用中，要通過(guò)反復(fù)實(shí)驗(yàn)來(lái)確定合適的樣本選擇閾值取值范圍。

表3 樣本選擇閾值分析實(shí)驗(yàn)結(jié)果

5 結(jié)語(yǔ)

為解決標(biāo)記樣本不足條件下基于機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估準(zhǔn)確率和泛化性能低的問(wèn)題，結(jié)合自訓(xùn)練半監(jiān)督學(xué)習(xí)和支持向量機(jī)模型提出了基于自訓(xùn)練半監(jiān)督學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，設(shè)計(jì)了基于馬氏距離的偽標(biāo)記樣本選擇策略。實(shí)驗(yàn)表示，在標(biāo)記樣本不足條件下，本文提出的模型同時(shí)利用有標(biāo)簽和無(wú)標(biāo)簽樣本進(jìn)行訓(xùn)練，相對(duì)于只采用有標(biāo)簽樣本的支持向量機(jī)模1型來(lái)說(shuō)，在評(píng)估準(zhǔn)確率方面都有較大的提高。為標(biāo)記樣本不足條件下的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估提供了新的解決思路。