在第四次工业革命推动下，先进技术与人工智能的发展正为社会各领域带来深刻变革。然而，要将人工智能应用于以保卫公民生命财产安全为目标的国防领域，确保结果准确性及底层思维过程的可靠性至关重要。因此，各国及相关研究机构正研究可解释人工智能，以期应用于国防部门。本文提出一种新的可解释预测模型，该模型结合逻辑数据分析与神经网络来解释预测结果，重点关注基于"观察、判断、决策、行动"循环的实时军事决策过程中的敌方威胁预测。逻辑数据分析是一种结合布尔函数与组合论的可解释二元分类方法。通过将其与高精度神经网络相结合，我们能够准确预测数据并通过模式解释预测背后的原因，使该过程可归类为可解释人工智能。最终，我们提出的方法将虚拟敌方单元信息二值化，然后利用神经网络生成变量模式以预测敌方威胁。为验证新提出模型的性能，我们将其应用于成熟数据集，并与现有预测模型进行比较。结果表明，我们提出的方法性能优于或与现有模型相当。
在第四次工业革命驱动下，社会各领域的技术进步正在改变国防领域的战场环境。无人机集群、精确打击系统等先进技术正在改变步枪、坦克等传统武器主导战场的方式。在国防领域，人工智能应用实例包括用于定位敌情的科学海岸边境系统。然而，由于对推理过程及结果可靠性的信任缺失，将人工智能应用于计算出现敌军威胁的认知领域尚不普遍。因此，美国国防高级研究计划局自2016年以来持续研究可解释人工智能在国防领域的应用。通过此项研究，该局旨在为人类思维提供学习过程并对推导结果进行解释。若存在可应用于国防领域的人工智能，我们便可构想开发一套系统，用于收集、分析并整合军事地面作战信息，以增强态势感知、规划行动并指挥控制部队。
军事决策系统的研究由来已久，方式多样，其中一种代表性应用系统是由美国军事战略家、空军上校约翰·博伊德开发的"观察、判断、决策、行动"循环。该循环指的是一种由该循环构成的作战行动，目标在于在战斗中比敌人更快地循环此过程以获取优势。通过在"观察、判断、决策、行动"循环中运用人工智能，我们可以在涉及观察与判断的态势感知领域获得优势。这进而使我们能够提升决策的全面性与时效性。
在战场态势感知领域，一项可与人工智能结合的典型任务是基于认知手段的敌方威胁预测。敌方威胁预测是指在作战区域内收集敌军信息，并从定性与定量两方面分析评估敌军将对己方部队产生的影响。预测敌方威胁时考虑的定量因素包括敌方部队的类型、位置、规模与战斗力，定性因素则包括敌军活动状态、敌方指挥官意图、己方所判定的敌军优缺点以及对平民的任何潜在影响。敌方威胁预测成为与人工智能集成的典型任务的主要原因之一在于，可利用从各种情报资产收集的海量数据集成多种预测模型。例如，利用从天气、地形及作战情况中获取的数据，可以更快更准确地分析预测敌军的动向、攻击潜力及兵力部署，从而及时预判其意图。此外，通过由人工智能技术驱动的多样化监视与探测设备的智能化操作，可以预测敌军的机动路线与行为模式，有效监控敌军活动并实时掌握作战态势。预测敌方威胁的过程包含三个步骤：通过各类监视与侦察装备获取敌军的定量与定性信息；提炼所收集信息并递交给指挥与参谋人员；据此预测敌方威胁。图像与视频识别等尖端信息技术的运用，已提升了初始信息获取阶段的速度与准确性。最终的敌方威胁预测步骤仍依赖于指挥与参谋人员的认知过程，这可能影响地面作战的节奏。人工智能不易应用于定性领域的一个原因在于，其在解释指挥与参谋人员认知过程方面存在局限。然而，若人工智能能够学习并解释指挥与参谋人员的认知过程，作战节奏便可进一步提升。图2比较了当前系统的敌方威胁预测过程与运用人工智能分析历史敌方威胁数据以提升威胁预测结果速度与准确性的替代方案。
因此，本文提出一种新的预测模型，该模型结合逻辑数据分析与神经网络，旨在准确模拟指挥与参谋人员的决策过程，同时提供可解释性。逻辑数据分析由彼得·L·哈默于1986年提出，是一种结合布尔函数与组合论的可解释二元分类方法。逻辑数据分析的布尔函数将输入变量二值化，并基于组合论生成模式，然后用于进行基于模式的分类预测。神经网络是一种模仿人脑的机器学习算法，其由多个处理和学习信息的神经元组成，具有学习和预测复杂数据模式的优势。结合逻辑数据分析与神经网络具有以下优势：首先，逻辑数据分析是一种从数据中提取逻辑关系并加以解释的方法，可使神经网络结合并利用数据的各种特征。其次，通过将逻辑数据分析等模式生成过程整合到神经网络中，模型引入了分支变量，从而允许在最优值处对变量进行最优划分，进而最大化其性能。第三，尽管神经网络是难以解释其预测结果的"黑箱"模型，但通过使用逻辑数据分析的模式来提取数据中的逻辑关系，便有可能解释神经网络的预测结果。所提出方法的优势如下：
通过输入变量的逻辑组合提供可解释的预测结果。
- 利用考虑两个变量（即二阶模式）或三个变量（即三阶模式）间相互作用的模式，分析变量间的各种关系。
- 通过利用涵盖从输入到输出全过程的端到端学习，实现同时发现最优模式与准确预测输出。
- 无需任何归一化过程（不同于大多数使用归一化方法以防止偏差的预测模型），并能利用逻辑数据分析的二值化技术处理连续、分类及其他类型的数据。
在与传统预测模型性能相当或更优的同时，保证结果的可解释性。
·点击左下角“阅读原文”或复制以下网址查阅
https://www.zhuanzhiai.com/vip/a03e3be570e571ed5b60ea3ec31410f6
