北京
该四维熵模型出自人机环境系统深度态势感知理论，将香农信息熵拓展为人机融合认知不确定性度量，对应态势感知「态—势—感—知」四阶段，分别量化客观环境、演化趋势、信号采集、语义认知四层混乱度。
一、态熵（State Entropy）：客观现实的静态无序度
核心定义
表征某一时刻物理环境、实体分布、原始数据集合的不确定性，是客观世界可观测快照的信息混乱程度，纯数据相关性维度。
度量对象
1. 空间实体分布：兵力部署、设备拓扑、交通车流、网络资产位置；
2. 多源原始传感器数据冗余、冲突、缺失概率；
3. 系统当前所有微观状态的概率分布复杂度。
高低表现
- 高态熵：数据杂乱、多源冲突、目标混杂无法区分，环境快照模糊；
- 低态熵：态势要素清晰、坐标明确、数据一致性强。
本质
态是相关，态熵就是客观相关性的无序程度，是机器计算的输入底座。
二、势熵（Trend Entropy）：时间演化的因果不确定性
核心定义
由当前状态推演未来走向的不确定性，刻画因果推演、趋势潜势、风险/机会演化的混乱度，连接静态态与动态未来。
度量对象
1. 状态随时间变化的梯度随机性；
2. 多分支演化路径的概率发散程度；
3. 威胁动向、对手意图、系统演化方向不可预测性。
高低表现
- 高势熵：发展方向模糊，存在多种可能性，无法预判下一步行为；
- 低势熵：演化路径收敛，趋势明确，可稳定预测短中期态势。
本质
势是因果，势熵衡量因果链条断裂、多路径分叉带来的不确定性。
三、感熵（Perception Entropy）：具身采集的感知噪声熵
核心定义
人机传感器、感知通道在信号采集环节引入的不确定性，属于具身物理感知层误差与混乱。
度量对象
1. 传感器噪声、观测误差、遮挡漏检概率；
2. 人机注意力分散、信息通道过载导致的感知失真；
3. 原始信号到结构化数据转换中的信息损耗。
高低表现
- 高感熵：信号干扰大、漏检误报多，机器与人无法稳定捕获有效状态；
- 低感熵：感知信号纯净，观测结果稳定可靠。
本质
感是具身，感熵是物理信号交互过程中产生的噪声不确定性。
四、知熵（Cognition Entropy）：离身语义的认知歧义熵
核心定义
人类经验、价值判断、语义理解层面的不确定性，是认知算计层的混乱，区别于机器纯计算。
度量对象
1. 同一态势数据产生的多语义解读分歧；
2. 经验、文化、决策偏好带来的认知偏差；
3. 数据事实与决策意义之间的语义裂缝。
高低表现
- 高知熵：同样数据多人得出完全相反判断，决策逻辑不收敛；
- 低知熵：态势语义共识统一，决策方向清晰。
本质
知是离身，知熵是超越客观数据，主观语义解读带来的不确定性，也是人机融合智能的核心难点。
四熵闭环耦合关系（类比麦克斯韦方程组）
1. 态 ↔ 势互生：空间态的分布梯度催生时间势；势的演化反过来重塑新的系统态，二者熵值动态联动；
2. 感 ↔ 知驱动：感知信号的熵变，会影响认知解读的歧义度；认知先验知识，又会反向筛选感知有效信号；
3. 完整态势感知总熵 = 态熵+势熵+感熵+知熵，人机协同的目标就是全局降熵：
- 机器计算降低态熵、感熵（数据与信号层面）；
- 人类算计降低势熵、知熵（因果与语义层面）。
工程应用场景
1. 军事指控：评估战场实体混乱（态熵）、敌军动向不可预测性（势熵）、雷达侦察误差（感熵）、指挥员判断分歧（知熵）；
2. 网络安全态势感知：资产分布熵、攻击演化熵、流量采集噪声熵、威胁研判语义熵；
3. 自动驾驶：路况静态态熵、车辆行驶趋势熵、传感器感知熵、复杂场景决策认知熵。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
