编者按：
两年前的今天，即2016年4月19日，中共中央总书记、国家主席、中央军委主席、中央网络安全和信息化领导小组组长习近平，在京主持召开网络安全和信息化工作座谈会并发表重要讲话。
两年来，网信事业蓬勃发展，国家出台了一系列政策，关键技术亦取得了重大突破。值此两周年之际，“网信科技前沿”公众号将持续五天，聚焦〖国家政策〗、〖趋势动态〗、〖院士观点〗、〖领域突破〗、〖数字中国〗五方面，特推出“网信专刊”，以飨读者。
在“4·19”重要讲话发表两周年之际，网信科技前沿公众号平台举办有奖征稿活动！
活动在19日至23日五天，选取围绕“网信”主题的投稿文章，在公众号平台推送，以2018年4月27日17点为截止点统计数据，阅读量排名前5者，获得精美礼品一份。
助力智能空战——深度学习的一种打开方式
作者：周亚楠，中国电子科技集团公司电子科学研究
两年前，习总书记的“4·19”重要讲话为网信事业的发展腾飞注入的强大动力。无须扬鞭自奋蹄，网信领域的小伙伴们深受鼓舞，积极投身代表着新时代先进生产力的网信事业中。
在关于网信的讨论中，一个共识是，智能化将是网信最突出的特征之一。AlphaGo 在围棋界大杀四方，成为最接近“围棋之神”的选手；语音识别和机器翻译技术突飞猛进，人们可以越来越轻松地跨越“上帝设置的”语种障碍；无人驾驶从天方夜谭走进现实，“工作将被机器取代”成为新的社会焦虑。仿佛一夜之间，万物互联，万物智能。
在近十年的这一轮人工智能发展热潮中，深度学习成为最闪耀的技术，催生出一批具有跨时代意义的智能应用案例。而身处网信事业中的我们，不禁会思考，如何更好地利用深度学习技术，助力网信的智能化发展？
本文通过深度学习应用在智能空战领域的两个小案例，介绍深度学习技术的一种应用思路，为研究深度学习应用的伙伴们提供参考。
在介绍案例之前，不得不介绍案例背后的技术主角——循环神经网络。
LSTM：深度学习领域的一朵奇葩
鉴于空战数据的时序特征，这里采用的是能够形成“记忆”的循环神经网络。不同于普通前向神经网络，循环网络的隐层节点之间存在互相连接，其输出既取决于当前时刻的输入，也受过往时刻状态的影响。因此，前向神经网络的“深度”来自于空间维度（网络层数），而 循环神经网络的“深度”则来自于时间维度（过往状态），这使它成为深度学习领域的一朵奇葩。
前向神经网络 vs. 循环神经网络
循环神经网络中，大名鼎鼎的 LSTM (Long Short-Term Memory) 最为成功。LSTM 网络的每个隐层节点都采用下图所示的网络结构，关于LSTM更详细的介绍可移步 Colah 大神的博客（http://colah.github.io/posts/2015-08-Understanding-LSTMs/）。
LSTM网络单元内部结构
案例1：识别空战目标的机动类型
空战中，战斗机会做出各种类型的空战机动，例如斤斗、盘旋、半滚倒转等等。如果能够识别目标的空战机动类型，那么就能够进一步理解目标的意图，并对目标的行为做出预测，从而使我方先敌一步完成作战决策的OODA环。
先看结果
下图展示了利用深度学习技术，识别一段目标飞行轨迹中机动类型的结果，识别出的类型包括盘旋、斤斗、半滚倒转和翻滚等。识别算法不仅判断出了机动类型，还明确给出了各机动的起止时间。
利用深度学习模型识别空战机动
应用思路
选取能够表征飞行状态的7维飞行数据作为特征数据，即识别模型的输入，分别为垂直速率、空速、滚转角、俯仰角、滚转角速率、俯仰角速率和偏航角速率等。选取四类典型飞行机动作为待识别机动类型，分别为盘旋、斤斗、半滚倒转以及横滚机动。这四种机动类别外加无机动的平飞状态，组成了要识别的五种机动类型。
构建下图所示的神经网络模型，其中第一层采用LSTM网络，接收7维飞行状态作为输入，输出为20维；随后接Softmax层作为分类输出层，输出五种机动类型的识别概率。
空战机动识别模型的网络结构
很显然，识别空战机动类型属于机器学习中的分类问题。除了识别空战机动类型，LSTM应对机器学习中的拟合问题也得心应手，例如下面的模拟飞行员操纵战机的案例。
案例2：模拟飞行员操纵战机
操纵战机飞出各种空战机动，这对于飞行员来说属于基本训练科目，但对于人工智能AI来说可有点困难。因为空战机动的操纵技巧，是飞行员通过大量模拟训练和实际飞行训练形成的，是一种肌肉记忆，就像体操运动员苦练得来的体操动作技巧一样。
那么，深度学习的表现如何呢？
先看结果
下面的动图展示的就是经过训练的深度学习模型（右边蓝色窗口），根据飞机的实时状态生成飞机的操纵量（主要是驾驶杆的偏转幅度），实时操纵飞行模拟器中的 F-16 飞机（左边窗口）做出斤斗机动的过程！ 模型操纵 F-16 完成了拉起、360度斤斗、改出转平飞的一系列操纵过程。
[video]https://v.qq.com/iframe/player.html?vid=g13377cj5np&auto=0[/video]
利用深度学习模型模拟飞行员操纵战机执行斤斗战术机动
应用思路
没错，上面的飞行员操纵战机的模型也是用 LSTM 实现的。构建这种模型的过程可按下图所示的三个阶段开展：
在数据记录阶段，记录下飞行员操纵飞行模拟器进行空战机动时的数据，包括飞机的状态序列以及相应的飞行员操纵数据序列；
在模型离线训练阶段，利用记录的数据训练 LSTM 模型，使其能够拟合飞行员的操纵数据；
在模型在线运行阶段，用训练出的 LSTM 模型代替飞行员，与飞行模拟器连接，获取飞机的实时状态，并产生对飞机的操纵量。
三步构建模拟飞行员操纵战机的LSTM模型
总结
上面的两个案例分别展示了深度学习在空战机动识别和空战机动操纵方面的应用。不得不说，这两个案例相比于成熟的应用，目前只能算是搭积木的水平。但本文的目标在于，通过简单的案例展示深度学习等人工智能方法一种可能的应用方式。
本文的两个案例所使用的数据是通过飞行模拟器 FlightGear 采集的，而在网络信息体系中，数据的采集、存储将真正采用大数据的方式。可以预见，深入挖掘数据的价值将会是网络信息体系研究的重要手段。
微信扫一扫◆