文给出了一种基于深度学习算法的态势理解方法，分析了该智能算法在态势理解中的应用方本式；提出了基于知识发现方法的态势理解技术路径；介绍了基于大数据、智能算法的态势理解知识发现的流程。最后，以战术层级作战意图识别问题为例，对比分析了传统作战意图识别方法和基于深度学习算法的作战意图识别方法；以合成部队坦克分队战术意图识别问题为例，探讨了深度学习长短时记忆（LSTM）网络算法在态势理解作战意图识别中的应用，试验结果证明，深度学习LSTM网络算法对作战意图识别问题具有较高的识别准确率和较好的收敛函数值，能有效提高复杂战场环境下作战指挥态势理解效率。
应用方法
图1智能算法在态势理解中应用
1.1知识发现方法池
基于智能算法的态势理解方法主要通过构建知识发现方法池实现，包括关联规则发现方法、粗糙集方法、深度学习算法以及数据库方法。根据情境分析任务的不同需要和数据的特点，选择适当方法或综合采用不同方法。还可根据实际问题对现有的知识发现方法进行改进，使改进后的方法更有利于应对新环境和新问题。利用知识发现技术，挖掘隐含的、有用的、未被发现的信息和知识（如规则、模型和约束等），并提供给决策者。基于知识发现方法池的智能态势理解流程如图2所示。
图2基于知识发现方法池的智能态势理解流程
知识发现方法池主要技术方法对比如表1所示。不同的知识发现方法具有不同指标特征，导致不同知识发现方法的应用领域也不同。知识发现的输出是规则、模式、模型和约束等知识元素。规则可划分为关联规则、分类规则以及聚类规则；模式可分为频繁模式、子图模式和序列模式。同样，这些知识发现结果也有不同的特点和用途。
表1知识发现方法池主要技术方法对比
1.2知识发现流程
图3态势理解知识发现流程
2)态势数据处理。首先，通过对态势数据的整理、整合、变换和归约等方式对态势数据进行预处理，处理内容包括噪声数据去除、数据不完整性以及数据不一致性处理等；其次，对数据采取平滑和聚集等规范化处理，这是数据压缩和转换的必要步骤。
3)态势数据挖掘。数据挖掘是从战场态势信息数据中，通过智能算法搜索隐含的高价值信息的过程，是态势理解知识发现的重要环节。通过对数据分类、聚类、预测和关联的分析和研究，将原始数据从基础信息抽象为符合用户需求的高级知识，实现从大量、不完全和模糊的数据中发现战场态势知识。
5)态势知识呈现。通过研究、提取和可视化最有价值的战场态势知识，把态势理解知识以知识图谱、虚拟现实和增强现实等易于用户理解的方式传递给用户。其中，知识图谱是一种基于图的真实世界语义描述模型，它为态势理解知识的呈现提供了一种新技术。
应用实例
2.1基于模板匹配的作战意图识别
Gw.Hopple等的战场情报信息准备系统和David.F.Noble的基于规划模板的海战意图识别系统都通过模板匹配来实现敌方作战意图识别。
图4模板匹配器结构
2.2基于深度学习算法的作战意图识别
与传统方法相比，基于深度学习算法的作战意图识别方法在战场态势理解
图5基于深度学习算法的作战意图识别模型
2.3基于深度学习算法的作战意图识别仿真试验
试验以合成部队坦克分队与敌遭遇战斗为背景，以作战筹划过程中态势理解阶段对敌方坦克分队战术行动意图识别为研究对象。在智能作战试验平台上运用深度学习算法，采用作战仿真训练数据进行作战意图识别试验。智能作战试验平台是集成了人工智能算法的综合试验平台。
2.3.1模型设计与实现
图6基于深度学习算法作战意图识别模型应用
表2长短时记忆网络算法参数
2.3.2试验结果
在试验过程中，将坦克分队7种战术行动意图共2000个样本数据随机分为80%训练集和20%测试集。图7显示了LSTM网络算法模型在上述7种战术行动意图数据集上的综合训练与测试结果。如图7所示，对敌7种战术行动意图识别准确率随着训练次数的增加而增加，在训练1200步以后趋于稳定接近于100%；随着训练次数的增加，损失函数的值逐渐减小，1200步后趋于0。该结果符合一般深度学习算法模型的训练过程。可以看出，LSTM网络算法对于敌方坦克分队战术行动意图识别问题具有良好的识别准确率和收敛性。