作战知识系统的使用方法、作战决策辅助方法

技术领域

本发明涉及信息化战争技术领域，特别涉及基于知识工程的作战知识系统的使用方法、基于知识工程的作战决策辅助方法。

背景技术

现代战争是信息化战争，整个战场呈现出多样化的作战方式、多元化的作战对象以及复杂多变的作战环境等特征，导致了指挥作战难度与日俱增。如何更加高效智能地指挥引导作战部署，是我国军队电子化、自动化发展的重要进程。

目前关于基于知识工程在信息化作战的智能决策辅助方面的研究还不够深入和成熟，主要还是集中在武器装备、内外情报信息、敌方作战情况等管理上，并且传统的功能引用也主要体现在以可视化的方式展示出这些信息以供作战指挥人员的检索查看，并未基于这些信息做更深入的分析研判工作，武器装备与各系统情报信息基本都是相互独立存在的，关联分析较少，因此导致很多作战信息没有被真正的整合利用起来。所以大多数的作战决策都还是基于有经验的指挥人员根据现有情报线下进行分析研判，这样效率较低。目前存在的问题可归纳为以下几点：

1.多源数据融合问题：目前作战体系中的信息来源呈多样化趋势，导致数据信息之间的交换、重用、冗余、冲突和共享等存在问题，如何实现多源数据的有效融合，为战场的态势分析和决策支持提供有效精准的信息是一大问题。

2.有“态”无“势”问题：目前的指挥作战系统对于战场态势的分析大都停留在客观数据的呈现上，欠缺对战场目标的体系性关联分析和敌方目标动向预测的能力，有态无势的现状严重制约了指挥员科学的决策与指挥。

3.规范化知识体系构建与利用不足：知识存储比较分散，没有统一的知识管理平台进行集中化管理，有些知识没有得到及时的总结归纳，尤其是经验型作战知识缺乏沉淀，知识的复用性差，导致存在大量的重复性工作，以及无法将知识高效运用于作战决策支持中。

4.指挥程序效率低：传统作战依靠真人参谋团队的作战方式难以整合战场全部的态势信息，指挥任务程序导致质控效率低下，作战指挥的协调性不足。

发明内容

本发明的目的在于对作战要素信息做更深入的分析研判工作，使武器装备与各情报信息相互关联，从而使信息化作战的数据融合、规范，提高指挥效率。因此提供一种基于作战知识系统的使用方法、作战决策辅助方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一方面，本方案提出了一种基于知识工程的作战知识系统的使用方法：

基于知识工程的作战知识系统的使用方法，其特征在于：包括以下步骤：

使用数据挖掘引擎获取战场实验数据，并从战场实验数据中挖掘出新的规则；通过规则引擎对所述数据挖掘引擎挖掘出的新的规则和已有的规则进行对象和属性的提取，以构建作战规则库；

通过规则引擎利用Rete算法对作战规则库进行规则推理调用，以生成推理结果；通过知识引擎将获取的战场实验数据以实体、关系、属性的三元素形成知识本体库；

使用知识引擎根据所述知识本体库和所述规则引擎生成的推理结果，对作战方案信息、作战经验信息、武器装备参数信息进行知识检索和知识推荐，以产生作战决策支持。

在上述方案中，所述作战知识系统主要用于构建作战规则库和知识本体库，为后续进行作战决策起到辅助作用。

所述使用数据挖掘引擎获取战场实验数据，并从战场实验数据中挖掘出新的规则的步骤，包括：

使用数据挖掘引擎获取战场实验数据，通过数据挖掘引擎的内置算法对战场实验数据进行处理；所述数据挖掘引擎的内置算法包括随机森林算法、K-means聚类算法、逻辑回归算法、神经网络算法，以一种或多种内置算法对战场实验数据依次进行数据预处理、特征提取、模型训练、模型评估的处理，以从战场实验数据中挖掘出新的规则。

所述通过规则引擎利用Rete算法对作战规则库进行规则推理调用，以生成推理结果的步骤，包括：

所述规则引擎利用Rete算法对作战规则库进行规则推理调用时，对规则进行冲突、死循环、重复的消除；并将规则推理调用的过程作为行为记录，使用随机森林算法对构建的所述作战规则库进行规则优化。

另一方面，本方案提出了一种基于知识工程的作战决策辅助方法：

基于知识工程的作战决策辅助方法，包括以下步骤：

对作战要素信息进行采集，并对采集的作战要素信息进行知识抽取，以使作战目标对象关系融合；

根据对作战要素信息进行的知识抽取，利用所述的基于知识工程的作战知识系统的使用方法的任一实施方式构建作战知识体系，构建的作战知识体系包括本体知识库、作战规则库；

基于构建的作战知识体系进行战场态势评估推理、战场态势预测，并产生作战决策支持。

在上述方案中，使用上述基于知识工程的作战知识系统来构建作战知识体系，构建的作战知识体系即包括本体知识库、作战规则库。

所述对作战要素信息进行采集的步骤，包括：

通过多种传感器设备对战场目标信息进行采集，并通过接口接入其他作战子系统的相关数据，以及通过网络爬虫技术获取外部情报数据，从而形成采集的作战要素信息；

多种所述传感器设备包括雷达探测设备、通信侦查设备；

所述作战要素信息包括目标标识、目标型号、目标航迹、目标航向、目标作战能力。

本方案包括若干个作战子系统，各个作战子系统分别实时采集战场目标信息，并且各个作战子系统相互之间要传输相关数据，传输的相关数据即是作战子系统各自采集的战场目标信息。为了使作战要素信息更加全面，还要使用网络爬虫技术获取外部情报数据，因此作战要素信息主要包含内部采集的战场目标信息和外部爬取的外部情报数据。

所述对采集的作战要素信息进行知识抽取，以使作战目标对象关系融合的步骤，包括：

对采集的作战要素信息进行去重操作，将作战要素信息对同一作战目标对象的特征参数进行关联：将同一传感器设备对同一作战目标对象连续采集的信息进行信息综合、状态跟踪、验证修改；将不同传感器设备对同一作战目标对象采集的信息进行补充、协调修改；

将采集的作战要素信息中的非结构信息通过自然语言处理技术将其结构化处理：将非结构信息输入GATE信息抽取接口，所述GATE信息抽取接口利用语言资源组件、处理资源组件、可视化资源组件，对非结构信息进行基于词典规则、基于机器学习、基于复合方法的处理，从而将非结构信息转换为结构信息，同时对结构信息进行实体、关系、属性的抽取，以使作战目标对象关系融合。

在获取了作战要素信息后，需要作战要素信息进行处理，处理的目的主要是将作战要素信息进行清洗整合，并以实体、关系、属性三元数的形式提取出来，使得作战目标对象关系融合，实现多源数据融合。

考虑到作战要素信息中战场目标对象较多，信息采集方式多样的特点，可能存在多数据源下的同一对象数据融合问题，因此需要对来自读个传感器和信息源的数据在同一框架下进行异构数据整合、消歧、加工、推理验证和更新等操作。进行目标关系融合的目的是准确进行战场目标识别，包括目标身份、敌我属性等，融合得到识别结果及其可信度，再通过侦查、探测信息和融合得到的识别结果对当前态势进行综合评定，包括敌我战术战略的部署，战斗行驶的变化，部署和变化幕后的作战意图等。

构建的所述本体知识库用于通过知识图谱技术构建作战要素本体模型，在构建作战要素本体模型时，需要结合军事要素、环境要素、社会要素；所述军事要素包括敌我双方的武器装备、兵力部署、作战方案、伤亡损失；所述环境要素包括地形地貌信息、气象信息、水文信息、地磁电磁信息；所述社会要素包括经济因素、时政因素、人文因素；

构建的所述作战规则库用于将作战方案信息、作战经验信息、武器装备参数信息进行规则化表达，在进行规则化表达时，将作战方案信息、作战经验信息、武器装备参数信息作为模型对象输入规则的组织编辑，进行规则冲突检测，检测结果记录入作战规则库。

在上述方案中，使用作战知识系统构建作战知识体系，构建的作战知识体系即包括本体知识库、作战规则库，构建的方法即是所述作战知识系统的使用方法。其中军事要素和环境要素主要来源于无人机侦察、雷达、卫星等装备采集到的数据信息；社会要素则主要通过网络信息的抓取分析获得，社会要素可以作为侧面要素用于战场态势的分析。

构建的作战知识体系还包括作战流程库、作战案例库、作战预案库，其中，

所述作战流程库通过流程引擎技术根据流程模板对作战指挥过程中的各项任务指令进行分级管理；

所述作战案例库对历史作战事件依次对研判分析阶段、处置阶段、处置方式、处置效果的关键要素进行抽取整理，以形成结构化案例信息；

所述作战预案库根据所述作战规则库对于作战方案信息、作战经验信息、武器装备参数信息的规则化表达，安排作战事件的相关作战单元、人员、物资装备、行动以及指挥协调。

所述作战知识系统除了可以构建本体知识库、作战知识库外，还可以构建作战流程库、作战案例库、作战预案库。通过多库建立使知识体系构建规范化，以便于高效的利用。

所述基于构建的作战知识体系进行战场态势评估推理、战场态势预测的步骤，包括：

利用概率论的贝叶斯网络分析方法进行的所述战场态势评估推理包括目标聚类合并计算、敌我作战能力分析、协同关系推理、重要敌目标的位置和行动估计、战场主动权指数估计、敌我友兵力部署；

利用概率论的贝叶斯网络分析方法进行的所述战场态势预测包括预测敌作战平台未来位置、预测敌目标可能位置、预测可能作战事件；

并以网络图的形式来表达所述战场态势评估推理和战场态势预测的关联和因果关系。

利用概率论的贝叶斯网络分析方法进行战场态势评估推理、战场态势预测，并以网络图的形式表达关联和因果关系，从而具备对战场目标的体系性关联分析和敌方目标动向预测的能力，解决有态无势的问题，提高指挥员科学的决策和指挥效果。

所述产生作战决策支持的步骤，包括：

根据获得的所述战场态势评估推理，按照规则推理调用产生作战决策支持；

所述规则推理调用的过程为：

将上一次的战场态势评估推理的信息作为条件参数输入规则推理引擎，利用Rete算法将条件参数与建立好的所述作战规则库中的规则进行条件匹配，若条件匹配成功，则生成推理结果作为作战决策支持。

所述若条件匹配成功，则生成推理结果作为作战决策支持的步骤，包括：

若条件匹配成功，则判断条件参数与所述作战规则库中的规则是否冲突，若有冲突，则消除冲突后，取出作战规则库中规则与条件参数进行匹配；

计算条件参数的结论置信度T，若结论置信度T小于置信度阈值，则生成推理结果作为作战决策支持；若结论置信度T不小于置信度阈值，再判断结论置信度T是否为中间结论，若不是中间结论，则生成推理结果作为作战决策支持，若是中间结论，则输出条件参数存入所述作战规则库中作为规则。

所述基于构建的作战知识体系进行战场态势评估推理、战场态势预测，并产生作战决策支持的步骤之后，还包括步骤：根据所述作战决策支持，结合所述作战要素本体模型，将作战决策支持转换为知识结构，以进行作战流程控制。

与现有技术相比，本发明的有益效果：

本发明通过知识工程技术，实现了多源作战知识的有机融合，构建起一套完整有效的作战知识体系，充分发挥知识在作战过程中的价值；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，以此达到增强战场信息透明，提升战场态势感知能力和认知水平的效果，从而依托战场态势、作战任务、作战规则等信息进行最终的作战辅助决策。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例作战知识系统及其使用方法、作战决策辅助方法的总体示意图；

图2为本发明实施例数据挖掘引擎结构框图；

图3为本发明实施例规则引擎结构框图；

图4为本发明实施例知识引擎结构框图；

图5为本发明实施例作战知识系统的使用方法的流程图；

图6为本发明实施例作战决策辅助方法的流程图；

图7为本发明实施例作战要素信息结构化处理示意图；

图8为本发明实施例作战规则库处理示意图；

图9为本发明实施例作战知识体系结构框图；

图10为本发明实施例规则推理调用过程的流程图；

图11为本发明实施例作战流程控制示意图；

图12为本发明实施例模拟作战演练服务系统结构框图；

图13为本发明实施例基于贝叶斯的态势过程推理。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性，或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

实施例1：

本发明通过下述技术方案实现，请参见图1，本方案基于知识工程提出一种作战知识系统，该作战知识系统用于构建作战知识体系，同时给出作战知识系统构建作战知识体系的方法，并且根据构建出的作战知识体系进行作战决策辅助，生成作战决策支持。

首先，提出一种基于知识工程的作战知识系统，请参见图1，包括数据挖掘引擎、规则引擎、知识引擎，其中：

所述数据挖掘引擎，如图2所示，用于获取战场实验数据，并使用内置算法对战场实验数据进行处理，以从战场实验数据中挖掘出新的规则。所述战场实验数据除了包括真实的战场实验数据，比如已发生过的作战，还包括模拟的战场实验数据，比如演练时的作战。

所述数据挖掘引擎的内置算法包括随机森林算法、K-means聚类算法、逻辑回归算法、神经网络算法，以一种或多种内置算法对战场实验数据依次进行数据预处理、特征提取、模型训练、模型评估的处理，以从战场实验数据中挖掘出新的规则。

比如使用神经网络模型对战场实验数据进行数据预处理、特征提取、模型训练、模型评估的处理时，可直接使用现有的方式进行，最后的目的即是从战场实验数据中挖掘出新的规则。同时也可以使用K-means聚类算法在特征提取时进行特征聚类，故对于数据预处理、特征提取、模型训练、模型评估的具体处理过程不在此进行赘述和保护，使用现有技术即可。并且随机森林算法、K-means聚类算法、逻辑回归算法、神经网络算法也已是成熟的技术。

规则引擎，用于对所述数据挖掘引擎挖掘出的新的规则和已有的规则进行对象和属性的提取，以构建作战规则库，并利用Rete算法对作战规则库进行规则推理调用，以生成推理结果。

所述规则引擎，如图3所示，主要用于构建作战规则库，作战规则库中包括若干条规则，当数据挖掘引擎挖掘的新的规则用于构建作战规则库后，即成为了作战规则库中的已有规则。因此构建作战规则库的过程相当于是根据挖掘的新的规则不断更新作战规则库的过程。

除了根据新的规则更新作战规则库外，还需要对作战规则库进行优化，因此规则引擎利用Rete算法对作战规则库进行规则推理调用时，对规则进行冲突、死循环、重复的消除；并将规则推理调用的过程作为行为记录，使用随机森林算法对构建的所述作战规则库进行规则优化。优化处理的情况主要包括：1）作战规则库中的规则一直不出发；2）输入的不同参数，都出发同一条规则；3）不同规则路径触发得到同一结果。

所述知识引擎，如图4所示，用于将获取的所述战场实验数据以实体、关系、属性的三元素形成知识本体库，并根据知识本体库和所述规则引擎生成的推理结果，对作战方案信息、作战经验信息、武器装备参数信息进行知识检索和知识推荐，以产生作战决策支持。

知识引擎主要用于构建知识本体库，构建的依据是数据挖掘引擎获取的战场实验数据和规则引擎生成的推理结果，依照这样的模式对作战方案信息、作战经验信息、武器装备参数信息这三类数据进行知识检索和知识推荐。

在对作战方案信息、作战经验信息、武器装备参数信息进行知识检索和知识推荐时，通过知识引擎内置的推理机来完成，最终产生作战决策支持。此时知识本体库中的作战方案信息、作战经验信息、武器装备参数信息都是已实体、关系、属性的三元素形式呈现，设置推理机后，即可进行知识检索和知识推荐，从而产生作战决策支持。

在上述方案中，所述作战知识系统包括数据挖掘引擎、规则引擎、知识引擎，其中数据挖掘引擎用于从战场实验数据中挖掘出新的规则，规则引擎用于根据规则构建作战规则库。规则包括新挖掘出的规则和已有的规则，当新挖掘出的规则用于构建作战规则库后，即会成为已有的规则。知识引擎用于根据战场实验数据构建知识本体库，知识本体库中的内容以实体、关系、属性的三元素形式呈现，涉及知识图谱的应用。知识本体库中的内容即是作战方案信息、作战经验信息、武器装备参数信息这三类数据以实体、关系、属性的三元素形式呈现。

其次，本方案提出一种基于知识工程的作战知识系统的使用方法，请参见图5，包括以下步骤：

步骤S1：使用数据挖掘引擎获取战场实验数据，并从战场实验数据中挖掘出新的规则；通过规则引擎对所述数据挖掘引擎挖掘出的新的规则和已有的规则进行对象和属性的提取，以构建作战规则库。

使用数据挖掘引擎获取战场实验数据，通过数据挖掘引擎的内置算法对战场实验数据进行处理；所述数据挖掘引擎的内置算法包括随机森林算法、K-means聚类算法、逻辑回归算法、神经网络算法，以一种或多种内置算法对战场实验数据依次进行数据预处理、特征提取、模型训练、模型评估的处理，以从战场实验数据中挖掘出新的规则。

内置算法的作用是在原本没有积累任何经验规则，或现有的规则无法对当前的数据做出任何有意义的判断，可以通过数据挖掘引擎，从大量的战场实验数据或真实作战数据中挖掘新的规则模式。作战知识系统提供一个可视化操作的基础算法模型平台，该平台涵盖了聚类、分类、回归分析、时间序列、关联规则分析、特征偏差分析、深度学习等诸多算法模型，可以基于这些算法模型对作战数据进行特征提取，形成特征向量，这些特征值包括敌方信息、外界环境信息、我方作战指挥信息以及最终作战效果信息，通过机器学习算法进行模型训练，挖掘出作战效果较好的特征向量，从中抽取特征值构建新的规则模式，新的规则传入规则引擎，再经由新的实验数据不断调优，最终形成规则保存在作战规则库中。

步骤S2：通过规则引擎利用Rete算法对作战规则库进行规则推理调用，以生成推理结果；通过知识引擎将获取的战场实验数据以实体、关系、属性的三元素形成知识本体库。

所述规则引擎利用Rete算法对作战规则库进行规则推理调用时，对规则进行冲突、死循环、重复的消除；并将规则推理调用的过程作为行为记录，使用随机森林算法对构建的所述作战规则库进行规则优化。

构建知识本体库首先要明确作战双方所涉及到的所有实体对象，如武器装备、作战人员、作战事件、作战环境，同时还需要明确各实体对象所涉及到的属性，如表1、表2所示是有关武器装备的知识本体库：

表1

表2

获取的战场实验数据转换为知识本体库时，所涉及到的过程如下：

1）进行数据清洗，包括去重、格式统一、数据补全等；

2）进行数据转换，转换成实体、关系、属性三元组的数据形式（如、<蓝方指挥所，地理位置，高山斜坡>等）传给推理机进行本体的构建；

3）推理机通过本体解析器对本体层三元组信息进行读取解析生成本体模型，推理注册机根据创建好的作战规则创建对应推理机，经由模式工厂将本体模型与推理机相结合，构成可供查询语言查询的新的本体推理模型以及模型对象InfGraph，该模型包含了所有的实体对象静态信息以及经过规则推理后得到的推理信息，所有的本体信息最后都可以基于Ontology API 和 Model API进行访问获取得到。

步骤S3：使用知识引擎根据所述知识本体库和所述规则引擎生成的推理结果，对作战方案信息、作战经验信息、武器装备参数信息进行知识检索和知识推荐，以产生作战决策支持。

最后，本方案提出一种基于知识工程的作战决策辅助方法，请参见图6，包括以下步骤：

步骤P1：对作战要素信息进行采集，并对采集的作战要素信息进行知识抽取，以使作战目标对象关系融合。

在采集作战要素信息时，通过多种传感器设备（包括但不限于雷达探测设备、通信侦查设备）对战场目标信息进行采集，并通过接口接入其他作战子系统的相关数据（即其他作战子系统采集的战场目标信息），以及通过网络爬虫技术获取外部情报数据，从而形成采集的作战要素信息。

对采集的作战要素信息进行去重操作，将作战要素信息对同一作战目标对象的特征参数进行关联：将同一传感器设备对同一作战目标对象连续采集的信息进行信息综合、状态跟踪、验证修改；将不同传感器设备对同一作战目标对象采集的信息进行补充、协调修改。

目前采集到的作战要素信息主要是通过可见光、红外线、雷达、通信侦查等方式进行采集，对采集到的作战要素信息进行处理，实现对作战目标对象关系的融合，主要的需求包括：

1，对于多传感器上传的同一作战目标、同一时刻的不同方位不同格式的情报信息，如何确定这些信息属于同一作战目标；

2，同一传感器上传的同一作战目标、不同时刻的情报信息，如何确定这些信息属于该同一作战目标；

3，多传感器上传的同一作战目标，不同时刻不同方位不同格式的情报信息，如何确定这些信息属于同一目标；

4，同一时刻采集到多个目标的多种信息，如何把这些不同的作战目标区分开来。

请参见图7，将采集的作战要素信息中的非结构信息通过自然语言处理技术将其结构化处理：将非结构信息输入GATE信息抽取接口，所述GATE信息抽取接口利用语言资源组件、处理资源组件、可视化资源组件，对非结构信息进行基于词典规则、基于机器学习、基于复合方法的处理，从而将非结构信息转换为结构信息，同时对结构信息进行实体、关系、属性的抽取，以使作战目标对象关系融合。

步骤P2：根据对作战要素信息进行的知识抽取，构建作战知识体系。

在构建作战知识体系时，即使用前述提出作战知识系统来实现，根据所述作战知识系统的使用方法来构建作战知识体系，构建的作战知识体系即包括本体知识库、作战规则库。

所述本体知识库用于通过知识图谱技术构建作战要素本体模型，在构建作战要素本体模型时，需要结合军事要素、环境要素、社会要素；所述军事要素包括敌我双方的武器装备、兵力部署、作战方案、伤亡损失；所述环境要素包括地形地貌信息、气象信息、水文信息、地磁电磁信息；所述社会要素包括经济因素、时政因素、人文因素。

本体知识库包含战场静态要素和战场动态要素之间的概念集合、关联属性、态势实例等，作用是对各类战场态势要素进行描述，并表达战场态势要素之间的关联关系，是通过知识图谱技术进行构建，为武器转呗、作战人员、作战环境等对象进行本体建模，同时建立所有作战要素信息的关联关系，并以一种综合视图的方式将这些侦查到的战场要素展示给作战人员，方便作战人员高效快速查看各类作战信息，从而为后续的战场态势分析与决策提供支持。

请参见图8，所述作战规则库用于将作战方案信息、作战经验信息、武器装备参数信息进行规则化表达，在进行规则化表达时，将作战方案信息、作战经验信息、武器装备参数信息作为模型对象输入规则的组织编辑，进行规则冲突检测，检测结果记录入作战规则库。

构建模型对象时，完成特定的作战任务需要根据战场态势和各方信息的变化进行攻防作战决策，如目标信息、作战环境、作战状态等因素，构建规则前，首先得为这些信息创建模型对象，并为其设置相关的参数属性。这样当真实的作战数据传到系统后，系统才能将数据封装成能触发规则的条件参数。模型对象的构建可参考知识本体库的构建。

对于模型对象的属性，提供多种属性值的类型，包括字符型、数值型、布尔型、对象型等。如构建一个无人机对象模型，需要考虑到它的最大起飞重量、最大巡航速度、最大巡航时间、武器挂载能力、最大飞行高度等属性。

规则的组织编辑是在模型对象创建好后，根据具体的应用场景选择合适的模型，通过组合条件因子的方式（如最简单的示例：when a>0 then b），将作战方案信息、作战经验信息、武器装备参数信息等知识梳理成能够识别的规则形式。规则是由推理对象、推理条件与推理结论组成，在进行具体的规则构建前，可以先将作战规则进行梳理规整，便于后期创建使用，如表3所示：

表3

规则引擎的功能就是对上述梳理内容进行规则的组织构建，支持规则多属性设置和复杂条件的编写，不同类型的属性提供不同的匹配方式。比如对于数值型属性的规则提供了“大于”“等于”“小于”“包含”“大于等于”等判断条件，字符型属性则是“等于”“不等于”等判断条件。不同的规则根据作战需求的不同分配在不同的分组中，便于管理和调用；可设置规则成立的条件是满足所有分支条件，还是满足任意分支条件；可设置规则是否可循环触发还是一次性触发；可设置当前规则结论是否可作为其他规则的触发条件；可以根据作战任务的紧急情况设置规则的优先级别；可设置规则的置信度，计算复杂作战态势下某规则结论的可信度。

规则冲突检测是在规则构建好后，在使用规则进行决策辅助之前，需要确保规则的可靠性，规则检测包括规则重复性检测、死循环推理和规则冲突消解等。

重复性检测：随着后期录入的规则越来越多，加上工作人员难免出现的误输入，可能会造成一些重复规则或错误规则的录入。对于重复规则，系统会进行语义相似计算（判断条件、规则结论），找到与当前工作人员正在输入的规则相似度较高的规则，提供对比呈现，如果相似度高于特定的阈值，可以建议用户不用保存这条新规则。

死循环检测：某些规则的结论可以作为其他规则的条件，当这些规则构成一个闭环而且设置为循环执行时，会导致死循环状态的发生，对于死循环规则，通过统计循环次数以及循环参数检查的方式进行判断。

冲突规则消解：当一个数据可能触发多个规则，得到多个结论，而这多个结论又可能存在一定的冲突时，可以根据规则权重的设置进行消解，权重高的规则先执行，权重低的冲突规则被关闭；或者通过活动组的形式消解，同在一个活动组中的规则，触发一条规则后，其他规则立即被关闭。

检测结果记录入作战规则库，对构建好的规则进行模拟测试，通过自定义的模拟数据对规则进行检测，发现规则缺陷，及时修改，合格的规则最终存储在库中以供调用。系统还提供规则调用统计功能，规则被触发后，系统会自动记录规则触发的顺序、次数、参数信息和时间等，方便用户查看一次调用过程中规则的触发过程，为以后的规则维护和优化提供帮助；无效过时的规则可通过回收站回收。

有了作战规则库后，当战事发生时，能够快速对其进行识别，并根据作战要素信息准确匹配到作战规则库的规则中，通过对规则的调用，能够快速地对作战要素信息的状态条件进行推理判断，从而启动相应的作战处置预案进行指挥响应。

请参见图9，构建的作战知识体系除了包括本体知识库和作战规则库外，还包括作战流程库、作战案例库、作战预案库，其中：

所述作战流程库通过流程引擎技术根据流程模板对作战指挥过程中的各项任务指令进行分级管理。

作战流程库通过流程引擎技术对作战指挥过程中的各项任务指令进行管理，具有较高的灵活性，对于已经有的作战指挥流程，可以从流程模板中选择发布并执行，重新定义流程规则，使流程仍然能适应新的作战任务流，不需要对系统大规模的更改耗费人力财力，减少了系统的维护时间和维护成本。作战流程库的引入可以用来引导规范作战指挥人员的任务操作流程，拆解细化任务，明确各级作战人员的职责，实现作战处理的流程化管理，提高作战协同效率。

所述作战案例库对历史作战事件依次对研判分析阶段、处置阶段、处置方式、处置效果的关键要素进行抽取整理，以形成结构化案例信息。

作战案例库实现对过去作战事件的经验性总结，通过对作战事件的研判分析阶段、处置阶段、处置方式、处置效果、经验教训等关键要素的抽取整理，形成结构化案例信息，对往后可能发生的作战事件的预警分析和决策处置具有参考意义。作战知识系统提供案例模板用于作战事件案例信息的快速编辑，根据具体的作战关联要素对象不同提供不同的案例模板以供选择，支持对案例模板的增删改查基本操作。

所述作战预案库根据所述作战规则库对于作战方案信息、作战经验信息、武器装备参数信息的规则化表达，安排作战事件的相关作战单元、人员、物资装备、行动以及指挥协调。

作战预案库完成对作战事件相关作战单元、人员、物资装备、行动及指挥协调做出的具体安排，预案的内容主要来自指挥人员的作战经验、现有的作战手册方法，以及相关军队管理办法等内容的梳理。针对作战预案，系统提供以下功能：预案模板管理、预案编制、预案审核、预案管理、预案调用、预案优化等功能。

步骤P3：基于构建的作战知识体系进行战场态势评估推理、战场态势预测，并产生作战决策支持。

战场态势评估推理和战场态势预测时根据当前的作战双方态势觉察阶段生成的态势要素，主要包括兵力部署情况、装备情况、作战动向、地理环境、天气条件等，结合领域专家的均是知识所做的预测分析，用于判断地方战场部署（比如进攻、侦查、欺骗、干扰等）和行动企图（击毁、迂回、逃跑等），是地方意图和作战计划的判断。

比如战场态势预测的需要可以包括：

1，根据地图道路信息预测地方机动车未来的行进路线；

2，根据当前车速、车辆性能等信息预测到达某地可能的时间点；

3，根据某一兵种部署、编制推断出相关协同作战兵种的规模和部署区域；

4，根据地方当前的兵力部署，判断其后面的行动企图。

利用概率论的贝叶斯网络分析方法进行的所述战场态势评估推理包括目标聚类合并计算、敌我作战能力分析、协同关系推理、重要敌目标的位置和行动估计、战场主动权指数估计、敌我友兵力部署。

贝叶斯网络的理论依据是概率论，推理的基础是基于贝叶斯定理的概率推理，并以网络图的形式来表达和描述数据实例中的关联或因果关系，比如整个态势过程可以如图13所示。

1，确定节点变量：贝叶斯网络由多个关联的节点组成，节点对应不同的状态或事件，包括战场环境信息、敌我双方行为等。这些军事事件中有些是必然发生的，有些则是有发生的可能性，通过对战场事件和态势估计的分析推理，筛选出需要表达并加入网络中的节点。

2，确定节点关系：在态势评估推理的知识表示中，通过贝叶斯网络结构中的有向边表示节点变量间的因果和相互影响的关系。比如，其中第0层态势是导致了全局态势的原因，根据双方兵力和武器情况的对比做出进攻与撤退的决策；第１层是全局态势，表示敌方的最终目标，如进攻、撤退、防守等；第２层表示了全局态势的子态势，这一层表示局部战术以及目的，如攻击态势包括主攻、佯攻、掩护、支援等子态势；第３层是战场事件是由传感器获得数据并加工得到的信息或情报组成，如飞行器机载雷达开机、飞行器武器等。

3，构造条件概率表：所有节点都需要给出指定的条件概率，对于没有父节点的一些节点，就需要为其分配先验概率。贝叶斯网络需要确定每个节点在其父节点的状态取值为条件的条件概率参数，如果节点为离散变量，则该参数构成条件概率表。条件概率表示了节点之间的相互关系的关系强度，在态势估计中，它表示了敌方想要完成某个军事意图或作战计划时，其所采取的某项行动的概率值。

4，叶斯推理：态势预测过程就是从检测到事件的发生开始，事件发生后，事件对态势的影响可以通过贝叶斯网络的逻辑关系自下而上的传播，来估计态势与事件间的关系。通过前项推理可以对未来事件预测从而得到事件或者态势的置信度的更新，如果有新的事件或者证据发生时，将发生新一轮的态势估计。

利用概率论的贝叶斯网络分析方法进行的所述战场态势预测包括预测敌作战平台未来位置、预测敌目标可能位置、预测可能作战事件。

并以网络图的形式来表达所述战场态势评估推理和战场态势预测的关联和因果关系。

利用概率论的贝叶斯网络分析方法进行战场态势评估推理、战场态势预测，并以网络图的形式表达关联和因果关系，从而具备对战场目标的体系性关联分析和敌方目标动向预测的能力，解决有态无势的问题，提高指挥员科学的决策和指挥效果。

根据获得的所述战场态势评估推理，按照规则推理调用产生作战决策支持；

请参见图10，所述规则推理调用的过程为：

将上一次的战场态势评估推理的信息作为条件参数输入规则推理引擎，利用Rete算法将条件参数与建立好的所述作战规则库中的规则进行条件匹配，若条件匹配成功，则生成推理结果作为作战决策支持。

更进一步地，若条件匹配成功，则判断条件参数与所述作战规则库中的规则是否冲突，若有冲突，则消除冲突后，取出作战规则库中规则与条件参数进行匹配。

计算条件参数的结论置信度T，若结论置信度T小于置信度阈值，则生成推理结果作为作战决策支持；若结论置信度T不小于置信度阈值，再判断结论置信度T是否为中间结论，若不是中间结论，则生成推理结果作为作战决策支持，若是中间结论，则输出条件参数存入所述作战规则库中作为规则。

步骤P4：根据所述作战决策支持，结合所述作战要素本体模型，将作战决策支持转换为知识结构，以进行作战流程控制。

根据战场侦查所获取到的战场要素，整合战场态势信息，将信转化为知识，并迅速实现信息数据的流通与共享，以动态灵活的流程驱动方式完成作战决策指挥，有助于减少作战过程中无效等待时间、非关键处理时间、错误查找数据时间等，能够有效缩短作战指挥的周期。

请参见图11，将作战流程控制分为任务规划、任务分发、任务调整、任务执行、任务评估。整个作战流程控制基于系统内置的流程引擎完成，由作战指挥人员根据作战需求进行作战任务划分，然后在可视化的操作界面上，创建bpmn文件画出具体的业务流程图，并根据此流程文件进行流程的部署操作，当系统接收到事件指令时，会启动相应的作战处置流程，并按流程任务给指定的人员下发任务，任务完成后关闭流程，返回任务执行结果给系统。

其中任务规划是指接收已有作战指挥平台的作战指令，结合前期的战场态势分析结果进行作战任务规划，具体可以包括对作战目标分析、任务分析、作战方案的推演与评估、联合拟定正式的作战计划，作战计划包括如何进行目标的分配、武器装备如人员如何配备、如何对锁定的目标进行打击计划、如何同步协调支援计划，最后形成最终的作战指令进行下发；

任务分发会根据不同指令的不同性质，针对性将各任务进行细分派发，细分到每个作战单元上。不同的目标设置导致不同的指挥编组，例如日常值班状态的编组与战备状态的编组就存在很大差异。任务下达按照人员的组织结构层级分发，例如宏观任务层对应战区值班员层级，战区值班员可以给各部门负责人指派任务，部门负责人给相应部门小组内部成员指派可具体开展的工作业务。每个作战人员都有一个任务空间来接收这些任务指令，同时每个任务都有不同的状态来显示任务的完成情况，若多个任务间存在协同关系，系统会将这些任务一并发给对应的操作人员，便于他们协同操作。

任务调整提供计划流程动态反馈的功能，即作战意图形成流程设计方案，流程设计检验通过实现流程执行，流程执行对流程加以管控，流程结束进行流程评估和数据学习，通过学习得到的流程数据再应用于下一次的流程生命周期的开始，循环往复，能力不断提升，期间与联合情报获取和态势综合存在信息交互，如最新的战场环境信息或者前一阶段攻击后的反馈信息都会及时得反馈到系统，系统根据不断更新的战场信息，适时调整作战指令，确保下达的作战指令的科学合理性。

任务执行是作战人员在个人任务空间接收下达的任务，系统会推送执行该任务所需的装备或人员详情信息，同时还会推荐历史相似作战案例以供参考，并会根据当前战场态势信息触发规则引擎进行推理，系统提供辅助决策支持。作战人员执行完成任务后，回填相关信息反馈作战效果给系统，作战任务状态会相应改变，指挥中心可以全局总览所有子任务的完成进度及效果，并根据反馈回的作战效果实时调整更新作战指令。

任务评估是指在规定条件下执行指定任务，其结果满足指定任务预期目标的程度，规定的条件指系统执行任务的环境、时间、人员等因素。

请参见图12，前面的步骤都是针对实际的作战场景的，除此之外，还提供一种模拟作战演练服务系统，让作战人员对模拟战场进行操作，设计模拟各种条件下可能发生的情况，并对各种情况研究相对应的战术方案，进行战术训练，加强作战人员对各类战场战术的掌握及应变能力。

模拟作战演练服务系统由想定制作模块、数据处理模块、视景显示模块、导调控制模块、任务规划模块组成，其中：

想定制作模块：主要负责生成作战想定，内容包含红方参战单元、蓝方参战单元及部署情况，生成轨迹数据等；

数据处理模块：包含日志文件记录、数据库交互、命令处理和轨迹数据融合功能；

视景显示模块：基在界面直观的显示想定中所有数据并且及时响应数据的更改，前端数据交互层包含轨迹数据处理、指令交互、信息通信、雷达控制交互等；

导调控制模块：主要控制想定的演练流程，包括选择想定、开始、暂停、继续、设置演练步长、环境特性分析、目标威胁评估等；

任务规划模块：对整个模拟作战进行任务控制，包括任务规划、任务的分发、任务调整、任务执行、任务评估等。

模拟作战演练服务系统通过对作战过程中产生的各类数据进行建模分析，以达到作战效果评估的目的，分析的数据主要包括指挥员下达决策执行的动作序列、动作序列执行完后的生成新的规划问题文件，对新生成规划问题进行规划求解的次优结果的动作序列、指挥员下达决策之前由规划器求解规划问题得到的动作序列、以及最终的作战反馈结果数据等。通过对上述动作序列的分析从而对指挥操作人员在作战推演过程中的决策能力进行整体评估，决策评估参考因素有信息收集合理性得分、决策开销得分、时间合理性得分、目标达成情况得分等等。该系统支持对经验实战案例和演练案例进行数据保存和复盘操作，复盘操作过程中支持对已有的作战决策进行不断的优化，优化后的作战方案会同步更新到本体知识库中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。