赵晨洁
摘要：信息化战争无疑在现代战争形态中占据着重要地位，建设从传感器到信息处理系统的“智能化”战场无缝保障体系至关重要，然而基于静态传感设备的传统感知网络是无法满足战场需求的。因此，本文通过引入群智感知的相关理论，分析战场保障数据需求，提出了一种面向战场的群智感知模型，以提高战场任务的成功率。
关键字：群智感知;战场;服务模型
中图分类号：TP277 文献标识码：A
文章编号：1009-3044（2019）13-0227-03
无论战争形态如何演变，敌情、我情、战场环境始终是战争研究的基本问题。随着科技力量的迅猛发展，信息量呈现出爆炸式的增长。因此，“知己知彼，百战不殆”被赋予了更深层次的意义，即信息优势和信息能力。信息优势是一种动态对抗过程;信息能力是争夺和控制信息优势的具体体现[1]。所以从技术角度讲，信息化战争条件下建设从传感器到信息处理系统的无缝保障体系至关重要;其目的在于构建作战环境感知体系，能够实时获取并预测敌我两军当前态势以及战场环境变化，为“智能化”战场建设提供有力支撑。
本文通过引入群智感知的相关理论，分析“智能化”战场保障数据需求，解决传统感知网络数据资源短缺、数据更新慢、软硬件设施缺乏自主可控、感知节点少等诸多问题，以提高战场任务的成功率。
1 群智感知关键技术研究
随着嵌入式系统和普适计算的不断发展，大部分移动智能终端设备都具备了丰富的传感器，如热传感器、压力传感器、重力传感器、速度传感器等;所有移动终端可以成为感知节点，海量移动智能终端构筑起了感知平台的复杂触角，使实时、全面、透彻地分析判断被服务对象当前所处的情景信息并为之提供适当服务成为可能。这种众包思想被群智感知技术以全新的方式呈现出来，即作为基本感知单元的普通用户移动设备，通过移动互联网进行有意识或无意识的协作来完成大规模的、复杂的感知数据收集和感知任务分发。
1.1 群智感知的基本架构
群智感知技术可以从大量感知个体的数据中，获取到具有集群标识的特征信息，再按需反馈给个体，例如提供推荐式服务等。“感知”与“挖掘”作为群智感知技术的两个核心，感知层由个体与其携带的移动智能终端设备组成，挖掘层即后台数据分析中心[2]。感知层的功能为完成数据的采集，分为参与式感知和机会式感知，均由终端设备进行用户信息数据的采集并上传。参与式感知的数据是基于用户主动参与而获取的，因此精度易受到人主观意识的影响;机会式感知的数据精度依赖于感知算法和整体环境，因为其感知用户行为的方式是在用户无主观意识状态的情况下进行的。挖掘层是为发现某种潜在信息或规律而对采集到的原始数据进行深度分析。群智感知的经典架构如图1所示。
感知平台将某个大型社会任务划分为多个感知服务子任务，并通过公开呼叫向移动用户发布这些任务，在必要时采取激励机制吸引用户参与;用户收到呼叫后，分析自身的观情况并判断是否要参与该感知服务;决定参与的用户利用所获取到的感知数据进行前端处理，上报感知服务平台的过程中可以采用隐私保护手段;感知平台处理和分析所采集到的原始数据，并将分析结果应用于环境监测、智能交通、城市管理、公共安全、社交网络等各大服务领域;
最后，感知平台对用户数据进行量化评估，如果有必要可根据相应的激励机制适当地补偿用户执行感知服务任务的代价。
1.2 群智感知应用的分类
当前群智感知技术服务模式中，手机、平板电脑等移动感知设备具有普适性，借此可以完成依靠个体很难实现的社会感知任务。新南威尔士大学[3]开发的雾霾监视系统HazeWatch是在手机上扩展外部传感器的基础上完成的，该系统能够实时测量空气中一氧化碳、臭氧、二氧化硫、二氧化氮的浓度;此外该大学研究人员还开发了类似系统Ear-Phone，利用手机本身所携带的麦克风监测周围噪声水平，旨在分析噪声污染对人的行为所带来的影响。微软研究院主持的Nericell项目[4]使用手机内置速度传感器、重力传感器、方向传感器等来监测道路状况，如凹坑、凸起，或制动和喇叭（该两者为交通拥堵的隐形指标）;通过采集的海量数据分析出道路表面粗糙度、噪声情况、交通条件等信息，其目的在于方便城市居民出行。在国内的Geolife工程中，研究人员以群智感知技术作为指导思想，采集了170多名志愿者四年的GPS轨迹和北京两万多台出租车三个月的GPS轨迹，并作出了以下研究工作：通过数据挖掘得出比较受人们青睐的景点以及人们参观景点的顺序习惯;利用人类的历史地理位置信息来推断用户的社会关系;从基于Web应用的GPS轨迹中发现用户的交通模式等。
虽然群智感知技术目前更多致力于民用研究，如环境监测、公共安全、城市管理、智能交通、社交服务等，但是这种利用群体智慧感知更全面情境信息的思维模式近年来在发展军事力量研究中也是初见端倪。为了提高部队在可视化程度较低的夜间战斗力，美军在伊拉克战争中为每一名士兵提供了单兵头盔夜视系统，以及其它类似的热成像设备（如Lion、Sophie系统等）;以单兵设备为感知节点，大量节点所采集到的图像数据汇总上传到后台数据处理中心，通过数据挖掘、数学建模等技术手段及时呈现出当前整个战场环境。此外，美国第1陆战师为支援陆战队员在巴格达城市环境中作战采购了单兵电台，该电台具备头盔内置耳机、麦克风以及能连接到枪上的按键式通话系统，其原理也是通过以人为中心的感知节点来采集数据，并从中分析获取有用知识。由此看来，这类“单兵”系统不仅用于近距离战斗中的监视和目标搜索，而且其内置传感器也改善了整个系统的共享态势感知能力。此类系统大部分是在阿富汗战争中有过出色表现后，通过紧急作战需求程序专为伊拉克战争而设计的。因此，无论是从顺应时代发展潮流的角度而言，还是从加强军队信息化建设与国际化水平接轨的角度来讲，研究群智感知技术在战场上的应用具有非常深远的意义。
2 面向战场的群智感知模型的构建
无论是传统战场还是现代战场，作战环境对军队的运动、使用、防护和作战都会产生不可避免的影响。所谓作战环境是指与作战活动有关的外部空间及其影响作战活动的各种因素和条件的统称，包括时间、自然环境、基础设施、信息、政治、社会等多个变量[5];美国军方认为，作战环境是所有军事行动的基本条件。因此，基于作战环境的相关理论并结合群智感知的基本架构，本文提出了一种可拓展的面向战场的群智感知应用模型，如图2所示。
该模型不仅涉及到群智感知相关理论，还涉及到了数据挖掘关键技术，包括多源化感知数据获取、特征信息的提取、移动节点的集群行为分析、智能服务推送等。为了提高模型的可用性，应用场景应至少满足以下两个条件：1）以参与式为感知方式的节点间是相互信任并能够接收、转发和传递任何数据的;2）伴随着附着在作战节点上的各种移动设备功能不断发展与完善，越来越多的嵌入式微型传感器可配置其中。
2.1 多源化感知数据的获取
在面向战场的群智感知模型中，除了作战人员外，作战工具也可以被用作感知节点。无论是传统的装甲车、运输车，还是未来作战武器中的无人地面作战车、侦察机器人、微型无人侦察机等均是由作战人员进行操控，作战工具的当前状态、移动状态以及工具之间的交互状态很明显具有人的意志;由此可见，作战工具完全可以胜任移动节点的所有感知任务。结合作战环境的相关理论，考虑到两军交战可能发生在人烟稀少的热带山林或者高寒山地等，也可能发生在人口密集的城市环境;在人口比例相对密集的作战空间中，人文环境在作战活动中也占据着举足轻重的地位。为了避免不必要的冲突与伤亡，可以选择非作战人员（即普通用户）为感知节点来更好地实时监测当地居民情况。对于非作战人员，数据的安全性在信息采集过程中显得尤为重要;其感知方式的设定可以区别于作战人员的参与式感知方式，采用机会式感知，即用户在无意识的行为中进行数据收集。
2.2 特征信息的提取
由于移动节点本身属性的差异性以及节点所处环境的复杂性，必然会导致原始数据集存在冗余、异构的现象。为了解决模型中感知数据的分析问题，需要数据分析方法相关理论的支撑。数据挖掘是一个结合了数据库技术、人工智能、机器学习、统计、知识工程和信息检索等技术的多学科领域，融合了大量最新研究成果。数据挖掘技术可以应用于提取战场特征信息，其目的是自动分析作战数据并从中获取隐含情报，以帮助指挥员做出相对准确的作战决策。譬如在城市空间环境中作战，人口相对比较密集且非作战人员（即普通用户）的行为是不受控制的;基于尽量避免出现不必要伤亡的作战原则，对非作战人员的行为预测也是一项不能忽视的任务;因此，可以对众多普通用户的历史移动轨迹数据建立马尔科夫预测模型，分析移动节点的集群行为，以达到侦察作战人文环境的目的。
2.3 作战方案智能推送
作战指挥的核心是作战决策，作战环境的复杂性决定了人仍然是现代战争中的主导决策者;然而，信息化战场中态势的瞬息变化却是人力目前所无法企及的;因此，面向战场的群智感知模型在某种情况下能够有效辅助指挥员进行作战决策。
首先，建立决策问题库用以存储诸多军事专家进行决策的经验数据;其次，根据大量的战场实时数据不断拟合与训练作战模型;然后，由AI输出几套最优候选方案;最后，指挥员根据具体战场情况并结合自身作战经验来确定最终的作战方案，该方案通过模型被下发至各级指战员。
3 结束语
移动智能终端设备的飞速发展，使得更多嵌入式传感器得到应用;感知节点可以获取到更全面的情景信息，从海量多方位的感知数据中能够挖掘出更加准确有效的数据知识，更好地满足作战需求。新型移动智能终端设备也为群智感知技术在战场中的应用带来了更艰巨的新挑战。本文仅仅是群智感知技术战场应用的冰山一角，更多疑问还需致力于该研究领域的工作人员共同努力。
参考文献：
[1] 徐哲， 李卓， 陈昕.面向移动群智感知的多任务分发算法[J]. 计算机应用， 2017， 37（1）：18-23.
[2] 张继德， 袁印， 刘亚志，等.一种面向信息质量的移动群智感知协作方法[J]. 计算机工程， 2017， 43（7）：15-21.
[3] 郭瑞， 贺筱媛. 面向战场态势数据智能分析的预处理方法[J]. 电子技术与软件工程， 2017（16）：157-157.
[4] 刘琰， 郭斌， 吴文乐，等.移动群智感知多任务参与者优选方法研究[J]. 计算机学报， 2017， 40（8）：1872-1887.
[5] 杨俊， 肖国辉， 郝禹辰.美军作战环境研究现状[J]. 火箭军军事学术， 2017 （2）： 29-31.
【通联编辑：张薇】
