随着信息科技的飞速发展,现代战场已经步入了信息化的时代。对战场态势进行精准、快速地评估,是科学有效地做出战术决策的重要前提。基于贝叶斯网络的态势评估方法是目前广泛使用的一种态势评估方法,但在态势评估中贝叶斯网络结构主要依赖专家经验进行构建,成为其应用的主要瓶颈。本文依据现代战场态势评估复杂程度不断提升、信息量不断增大的新需求,进行了基于深度学习的态势评估方法研究。本文主要研究内容概括如下:(1)建立基于人工神经网络的态势威胁评估模型。人工神经网络作为深层神经网络的基础网络结构,其网络训练的复杂度远低于深层神经网络,可以有效验证深度学习技术在态势评估领域应用的可行性。本文以空海、空面态势为研究目标,分别构建了基于人工神经网络的空海、空面态势威胁评估模型。实验结果表明,基于人工神经网络的态势威胁评估模型具有良好的非线性处理能力,其态势评估准确率高于基于贝叶斯网络的态势评估方法,为下一步使用深层神经网络进行态势威胁评估提供了技术支持。(2)建立基于深层神经网络的态势威胁评估模型。本文以空海、空面态势为研究目标,分别构建了基于深层神经网络的空海、空面态势威胁评估模型。该模型是对基于人工神经网络的态势威胁评估模型的改进。实验结果表明,基于深层神经网络的态势评估方法有效解决了基于人工神经网络的态势评估方法均方误差拟合值偏大的问题,并在预测准确率上做出了进一步的提高,具有较高的应用价值。(3)针对深层神经网络的学习训练,本文采用对称金字塔模型训练方法。该方法先对各隐含层进行逐层训练,逐层训练结束后再将各层的训练结果结合在一起进行细微调整,从而有效避免了隐含层数目过大时容易发生的梯度弥散问题。(4)对基于深层神经网络的态势威胁评估模型进行鲁棒性测试。本文采用对原始测试样本集分别加入不同程度正态噪声的方法生成新的测试样本集,将新测试样本输入训练好的态势威胁评估深层神经网络模型进行威胁等级的预测。实验表明,加入不同程度的噪声后,基于深层神经网络的态势威胁评估模型依然具有较高的准确率。因此,基于深层神经网络的态势威胁评估模型具有较强的鲁棒性。综上,本文针对基于贝叶斯网络的态势评估方法中存在的不足提出了基于深度学习的态势评估方法,并使用了更高效和更优化的训练方法,提高了预测准确率。