基于代價敏感集成學習的戰場態勢評估模型*

霍士偉 田八林 郭圣明 唐宇波

（1.國防大學研究生院 北京 100091）（2.國防科技大學信息通信學院 西安 710106）（3.國防大學聯合作戰學院 北京 100091）

1 引言

戰場態勢評估是作戰指揮活動的核心環節，是有效實施作戰指揮決策的前提和依據［1］。隨著大量的預警探測設備、傳感器的廣泛應用，獲取的大量戰場態勢數據已經遠遠超出了指揮員的分析和處理能力。而信息化作戰的快節奏又對態勢評估的時效性和準確性提出了更高要求［2］。因此，必須要通過智能化的手段來輔助指揮員完成態勢評估。智能化戰場態勢評估是實現智能化作戰指揮的基礎和關鍵。智能態勢評估即可以有效提高指揮員評估態勢的速度，又可以彌補指揮員主觀判斷的局限，增強態勢評估的準確性［3］。

隨著機器學習的快速發展和在軍事領域的廣泛應用，以及戰場數據獲取能力的提高，基于機器學習的數據驅動的戰場態勢評估成為目前研究的熱點。目前，基于機器學習的戰場態勢評估主要集中于常規機器學習算法在具體戰場態勢評估場景下的應用研究，如利用神經網絡、支持向量機、深度學習等機器學習方法用于目標威脅評估、目標意圖識別等具體應用場景［4～7］。由于戰場環境和作戰領域的特殊性，在利用常規機器學習方法進行戰場態勢評估時還存在一些問題亟待解決。誤分代價不平衡問題是基于機器學習的戰場態勢評估中的一個關鍵問題。誤分代價不平衡問題是指不同類別的分類錯誤會造成不同的誤分類代價［8］。戰場態勢評估具有明顯的誤分代價不平衡特點，如果將我方劣勢的態勢誤分為我方優勢的態勢，那么會由于后續采用的應對措施不當而對作戰進程造成嚴重影響，甚至導致作戰失敗，這時的誤分代價是很高的。反之，如果是我方優勢的態勢誤分為我方劣勢態勢，會因為采取了過高的應用措施，而造成一定的作戰資源浪費，但一般不會對作戰進程造成嚴重影響。因此，將劣勢態勢誤分為優勢態勢的代價要遠遠高于將優勢態勢誤分為劣勢態勢的代價。但是，常規的機器學習分類方法以提高分類器總體分類準確率為目標，假定不同類別的誤分代價是相同的。當常規的機器學習方法應用于具有誤分代價不平衡的戰場態勢評估問題中，很容易造成誤分代價高的樣本錯分，而對作戰進程造成嚴重影響。

針對代價誤分不平衡問題，研究者提出了代價敏感機器學習方法。代價敏感學習考慮不同類別樣本的誤分代價，重點關注錯分代價較高類別的樣本，以分類錯誤總代價最小為目標［9］。代價敏感學習方法主要包括代價敏感直接學習和代價敏感集成學習兩類［9］。代價敏感直接學習是對常規機器學習算法內部進行改進，如對算法損失函數進行改進，引入誤分代價敏感因子，使常規算法具有代價敏感特性。代價敏感集成學習通過利用集成學習的方法對常規分類模型進行組合，在集成學習算法的樣本權重更新過程中引入誤分類代價，使常規分類模型具有代價敏感特性。代價敏感集成學習方法不需要對常規分類模型內部進行改進，是一種簡單且適應性強的代價敏感機器學習方法。針對戰場態勢評估過程中存在的誤分代價不平衡問題，本文以代價敏感集成學習方法為模型整體訓練框架，以適用于非線性建模的BP神經網絡模型為基礎分類器，提出了基于代價敏感集成學習的戰場態勢評估模型，為解決誤分代價不平衡條件下的智能戰場態勢評估問題提供了思路。通過實驗，驗證了該模型在戰場態勢評估誤分代價不平衡條件下的可行性和有效性。

2 基于代價敏感集成學習的戰場態勢評估模型

2.1 基于代價敏感集成學習的戰場態勢評估模型框架

本文結合代價敏感集成學習和BP神經網絡設計了戰場態勢評估模型，如圖1所示。由于戰場態勢評估各個因素之間相互影響，呈現出復雜的非線性關系，模型以具有良好非線性建模能力的BP神經網絡作為基分類器。針對戰場態勢評估過程中誤分代價不平衡的問題，通過代價敏感集成學習方法對BP神經網絡模型進行集成訓練，使模型具有代價敏感特性。

基于代價敏感集成學習的戰場態勢評估基本流程如下。

1）將戰場態勢樣本數據和誤分代價矩陣作為模型輸入，利用誤分代價矩陣計算初始樣本權重，得到帶權重訓練樣本集；

2）利用帶權重訓練樣本集對BP神經網絡模型進行訓練，得到弱分類模型；

3）對弱分類模型進行測試，計算弱分類模型分類誤差，結合分類誤差和誤分代價矩陣，更新樣本權重，得到新的帶權重訓練集，利用新的訓練集對BP神經網絡模型進行重新訓練；

4）重復上述訓練模型、模型測試、計算分類誤差、更新樣本權重的過程，直到得到滿足要求數量的弱分類模型；

5）根據分類器集成策略，將所有弱分類模型組合為強分類器。

2.2 基于BP神經網絡的戰場態勢評估分類模型設計

在基于代價敏感集成學習的戰場態勢評估模型中，基分類器是模型的關鍵，其性能的好壞直接關系著整個模型的性能，本文選擇BP神經網絡來構造戰場態勢分類模型。

BP神經網絡是一種單向傳播的多層前向神經網絡，包括輸入層、隱含層和輸出層三個層級。輸入層接收輸入特征向量，隱含層負責對輸入的特征向量進行非線性變換映射，輸出層輸出分類結果，其中隱含層根據需要可以有多層。BP神經網絡是由多個簡單的神經元組合而成的學習模型，BP神經網絡通過模擬人腦的思維模式和組織形式建立，通過數據樣本訓練調節網絡結構和節點之間的權重，實現對非線性關系的建模，具有很好的自學習能力。由于戰場態勢評估各個因素之間相互影響，呈現出復雜的非線性關系，而BP神經網絡具有強大的非線性建模能力，因此選擇采用BP神經網絡來建立戰場態勢評估分類模型。

本文采用經典的三層前向BP神經網絡結構。模型輸入為獲取的戰場態勢特征向量，如敵我兵力對比、敵我武器火力對比等。數據輸入層結點數為戰場態勢特征數，本文所用的戰場態勢特征為7維向量，因此輸入層節點數為7。模型輸出為戰場態勢評估等級，本文中將戰場態勢評估等級設置為5個級別：絕對優勢、優勢、均勢、劣勢、絕對劣勢，因此網絡輸出層結點數為5。為了適應神經網絡的輸出特點，樣本輸出標簽采用one-hot編碼方式，例如將代表絕對優勢評估等級的類別標簽1編碼為（10000），將代表優勢評估等級的類別標簽2編碼為（01000）。隱含層結點數采用式經驗式（1）確定。

圖1 基于代價敏感集成學習的戰場態勢評估模型框架

其中n為輸入層節點數，m為輸出層節點數，n1為隱含層節點數，a∈[1,10]。通過訓練數據和驗證數據反復驗證，最終確定隱含層節點數為10。BP神經網絡完整網絡結構如圖2所示。

圖2 BP神經網絡結構

2.3 代價敏感集成學習算法設計

本文采用的AdaCost代價敏感集成學習算法用于對BP神經網絡進行集成訓練，使常規的BP神經網絡模型具有代價敏感特性，從而適用戰場態勢評估中的誤分代價不平衡特點。

AdaCost代價敏感集成學習算法是從AdaBoost集成學習算法發展而來。AdaBoost算法是一種常用的Boosting模式的集成學習算法［10］。基本思想是為原始數據集中的每個樣本賦予一個初始權重，首先在原始數據集上訓練基分類器。然后根據基分類器的分類結果對樣本權重進行更新，使得錯誤分類樣本在后續的訓練時可以得到更多的關注。最后，組合多個分類器的分類結果就是所有弱分類器分類結果的投票組合。

常規的AdaBoost算法不具有代價敏感特性，研究者通過對AdaBoost算法進行改進，提出了具有代價敏感特性的 AdaCost算法［11］。AdaCost將樣本誤分代價引入到樣本權重更新公式中，使被錯誤分類且誤分代價高的樣本權重得到較快提升，從而在后續訓練中得到更多關注。AdaCost算法具體過程如下。

輸入：

數據集S={(x1,c1,y1),(x2,c2,y2),…,(xn,cn,yn)}，其中xi為數據集輸入特征向量，yi為樣本標簽，ci為樣本誤分代價，迭代次數T；弱分類器。

輸出：組合分類器

算法步驟：

1）將數據集S中的樣本權值初始化為

2）對于t=1,2,…,T根據初始樣本權重在數據集S上訓練弱分類器ht(x)，計算分類器ht(x)的錯誤率εt：

如εt＞0.5，則開始下一輪循環，否則按照以下方式計算更新樣本權重：

其中Zt是規范化因子，βi為代價調整函數

3）輸出組合分類器：

在上述AdaCost算法中，代價調整函數βi=β(sign(f(xi)hi(xi)),ci)中的 sign(f(xi)hi(xi))用于判斷弱分類器ht(x)對樣本xi的分類是否正確。當分類正確時代價調整函數為β+，分類錯誤時代價調整函數為β-。代價調整函數在不同的應用場景下一般不同，通常根據經驗或多次實驗來確定。本文采用文獻［12］給出的代價調整函數計算方式：

AdaCost算法主要用于二分類情形下。而本文中的戰場態勢評估是一種多分類情況，因此在應用AdaCost算法對本文的BP神經網絡戰場態勢評估模型進行集成時，需要對樣本權重更新方式進行調整。調整后的樣本權重更新方式如下。

1）如果弱分類器ht(x)對樣本xi分類正確，即h(xi)=yi，則按如下方式更新樣本權重：

2）如果弱分類器ht(x)對樣本xi分類錯誤，即h(xi)≠yi，則按如下方式更新樣本權重：

其中Zt、βi的計算方式仍然同原AdaCost算法一樣。

3 實驗與分析

本節利用文獻［13］提供的戰場態勢評估數據對第2節中的評估模型進行實驗驗證。實驗硬件環境為Intel i3-4030U CPU，主頻1.9GHz，內存4G，編程環境為Matlab2018a。

3.1 實驗設置

實驗數據共包括200條戰場態勢評估數據，輸入變量包括敵我兵力數量對比、敵我防御能力對比、敵我攻擊能力對比等7維特征，戰場態勢評估等級為樣本標簽，戰場態勢評估等級包括絕對優勢、優勢、均勢、劣勢、絕對劣勢5個等級。為了適應評估模型的要求，針對實驗數據中的5種戰場態勢等級（絕對優勢、優勢、均勢、劣勢、絕對劣勢），分別設置對應的5類標簽值（1、2、3、4、5）。部分實驗數據如表1所示。在200個樣本中，隨機選取其中150個樣本作為訓練樣本，50個樣本作為測試樣本。

表1 部分實驗數據

為了對所提模型性能進行比較分析，設置以下條件下的對比實驗：1）單獨的BP基神經網絡模型；2）利用本文提出的基于代價敏感集成學習的戰場態勢評估模型，其中分類器集成數量設置為10。

另外，通過設置不同誤分類代價矩陣，在不同實驗條件下比較模型的性能。在實際應用中，誤分類代價矩陣一般根據經驗由專家給出。在本實驗的戰場態勢評估場景下，誤分類代價矩陣設置應該遵循以下原則：正確分類情況下代價為0；將劣勢等級戰場態勢誤分為優勢等級的代價要高于將優勢等級誤分為劣勢的代價，例如將類別1誤分為類別2的代價要高于將類別2誤分為類別1的代價。根據上述原則，實驗中設置以下兩種誤分代價矩陣，如表2、表3所示。

表2 誤分代價矩陣1

表3 誤分代價矩陣2

3.2 實驗結果與分析

在不同的誤分類代價實驗條件下進行了實驗驗證，在模型性能比較時，除了考慮模型分類準確率外，還考慮了模型總誤分代價，實驗結果如表4所示。由表中結果可以看出，在三種條件下，本文結合BP神經網絡和AdaCost代價敏感集成學習提出的戰場態勢評估模型，相對于單獨的BP神經網絡模型來說，在評估準確率和誤分總代價方面都有一定的優勢。實驗表明，通過代價敏感集成學習方法，可以提高常規機器學習模型的準確率，同時實現模型誤分代價最小化，從而更好地適應戰場態勢評估誤分代價不平衡的特點。

表4 實驗結果

4 結語

為解決誤分代價不平衡條件下基于機器學習的戰場態勢評估誤分代價較大的問題，結合代價敏感集成學習和BP神經網絡模型提出了基于代價敏感集成學習的戰場態勢評估模型，設計了基于Ada-Cost的代價敏感集成學習算法。實驗表示，在誤分代價不平衡條件下，本文結合BP神經網絡和Ada-Cost代價敏感集成學習算法提出的戰場態勢評估模型，相對于單獨的BP神經網絡模型來說，在評估準確率和誤分總代價方面都有一定的優勢。為誤分代價不平衡條件下的戰場態勢評估提供了新的解決思路。