基于深度学习的战役初始态势认知方法

战役初始态势不仅影响着整个战役进程,而且对战役筹划的影响也极为显著。以深度学习为代表的人工智能技术突飞猛进,为我们利用人工智能技术实现自动识别复杂的战役初始态势、模拟战役指挥员的经验知识带来了契机,作者就此问题进行初步探索性研究。对战役初始态势的概念及其类型进行了介绍,探讨了基于深度学习的战役初始态势认知模型构建,对模型构建步骤、输入和输出的设计进行了探讨,对卷积神经网络的基本思想、结构、训练进行了介绍,在示例中介绍了样本数据的录入程序、卷积神经网络的具体结构与应用程序,验证了方法的可行性与有效性。所提出的战役初始态势认知方法可以在一定程度上获得指挥员对战役初始态势的经验知识。     

基于大模型的态势认知智能体

针对战场态势信息众多、变化趋势认知困难的问题,提出基于大模型的态势认知智能体框架和智能态势认知推演方法。从认知概念出发,结合智能体的抽象性、具身性特点,明确了智能体构建的3个关键环节：学习环境、记忆方式和产生知识机制;设计了战场态势认知智能体架构,包括记忆部件、规划部件、执行部件、评估部件以及智能体训练要点。在长期记忆部件中,围绕战场复杂状态建模特点,分析大语言模型、多模态大模型、大序列模型的运用问题。     

信息化战场中基于智能体聚类的信息处理

研究了信息战条件下信息的处理问题,通过分析信息化战场条件下战场环境和人员的特点,提出了一种基于智能体聚类的信息处理方法,通过该方法来实现战场信息的通信、传输、交换从而协助指挥员决策。该方法的特点是可以根据战场的环境进行聚类,降低了信息的复杂度从而保证及时有效地传递消息。该方法通过智能体平台实现,具有一定智能性并减少了指挥员的决策难度,对指挥自动化而言是一个很好的实例。     

基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。     

海战场态势定量分析模型及其可视化方法

现代战争中如何对战场态势进行分析,辅助指挥员及时做出正确的决策成为各国军事领域研究的重点方向之一。提出一种海战场态势定量分析与评估模型,并针对该模型提出了基于等值线法与势场理论的可视化分析方法,既解决传统态势分析方法工程上难以实现的问题,又可以将态势判断的主动权交给指挥员,从而极大提高态势分析的可靠性与可信度。     

基于防空反导的战术级通用态势图分析研究

针对不同战场角色、作战任务、作战规模、战场级别、关键事件环境等情境因素中,指挥员无法准确而迅速地获取需要的信息等问题,在战术级指控系统与当前防空反导发展趋势的基础上,集中详细地阐述了通用态势图。在战场态势预测分析的基础上,进一步介绍了其关键技术,并通过仿真数据进行了验证。在帮助指挥员深入认知战场态势上提供了辅助,从而减少了冗余态势信息对指挥员的干扰,缩短了整个决策环的时间。     

径向基神经网络在潜艇战场态势判断中的应用

潜艇的战场态势判断是潜艇作战中的重要环节.一般情况下,对于战场态势是基于指挥员经验而判断的,其准确性不好,较强地依赖于战场指挥员的战术素养.由于不同潜艇战场态势决定不同目标的方位序列,提出了一种利用概率型径向基神经网络的方法,并通过目标方位序列与目标态势的一一对应关系,进行战场态势的判断.结果表明该方法具有较好的识别能力.     

基于深度学习的战场态势评估综述与研究展望

适用于大数据复杂系统的人工智能研究水平,已成为制约战场态势评估技术发展的瓶颈问题.2006年提出的人工智能新研究领域——深度学习,具备多层感知的深度网络模型,体现出非线性表达、多层学习、自主提取等优势,为研究大数据战场态势评估问题提供了技术支持.美军将机器学习作为重点发展的基础研究和应用开发领域,自2007年以来启动多个项目;我军应用与研究领域中,深度学习也得到重视并取得一些有益探索.展望未来,可从空间、时间角度研究大数据战场态势特征,并基于此构建基于深度学习的战场态势评估模型.     

基于作战知识的海战场对空防御深层态势分析

通过介绍作战知识的概念,分析了指挥员在作战指挥时获取作战知识的必要性,提出基于知识发现的战场态势层次化分析概念框架,并指出战场态势分析过程是从获取底层作战知识逐步上升到获取高层作战知识的逻辑结构。在此基础上,提出基于知识发现的海战场态势层次化建模框架,并对不同层次作战知识的获取方法提出了新的见解。研究结果有助于提高指挥员决策的速度和效能。     

基于GIS的战场电磁环境可视化研究

针对当前战场电磁环境不可见特征,部队指挥员对其认知的模糊性,运用地理信息系统GIS(Graphic Information System)探索战场电磁环境可视化问题。提出用空间聚类分析模型解决分析处理电磁辐射源空间分布上的一种或几种特征问题,并对系统数据库设计、功能模板设计、逻辑结构设计进行详细阐述。得到可视化系统设计方案,将为指挥员进行电磁态势分析、指挥作战提供有效的辅助决策工具。     

基于DRL与微分对策的无人机空战决策研究

随着无人机战场环境越来越复杂,空战对抗将逐渐成为主要的一种无人机作战方式.为了能够确保我方无人机在快速演变的战场态势下抓住先机、精确决策、快速致胜,需要根据实际作战环境、作战样式,建立无人机和环境进行交互的规则、无人机空战对抗中采用的战术使用规则,并结合规则,通过智能决策算法,达到提升无人机空战对抗胜率的目的.提出一种结合微分对策(Differential Games,DG)的深度强化学习方法(Deep Reinforcement Learning,DRL)解决此问题,利用深度强化学习的智能决策性以及微分对策的准确机动性,实现战术决策到机动决策.最后以空战对抗1V1为例,对提出的方法进行验证,结果证明方法可行有效.     

基于数据挖掘的海战场态势可视化平台构建

可视化和数据挖掘是进行海战场态势评估、实现战场可视化的两项关键技术。海战场态势可视化能提高指挥员的战场态势感知能力,有效辅助指挥员进行当前态势评估和未来态势预测。而数据挖掘技术是对海量战场态势数据进行知识发现的有效工具,基于数据挖掘技术从顶层构建了海战场态势数据可视化挖掘平台,并对其中的各子模块进行了具体研究。     

海战场态势评估问题的研究

对海战场综合态势进行态势评估和威胁分析是信息融合系统的最高层级,态势评估结果将对指挥员的指挥决策起到非常重要的作用。根据海军作战理论分析了海战场态势的表示方法,并基于模板方法设计了一种战场当前态势与模板数据库中态势进行匹配的算法。该算法特别适用于高层推理如态势或威胁评估。     

实兵演习战场态势研究

实兵演习战场态势是指挥员通过实战化训练提升获取战场情况、指挥部队行动能力的重要支撑和手段。首先针对当前实兵演习战场态势存在的数据结构、传输机制、系统架构和聚合显示等重点难点问题进行了详细地阐述和分析，然后在此基础上提出了态势数据结构的层次化设计、按需公布订购的数据传输机制、态势框架的柔性化设计和基于作战能力的态势聚合机制等相关的解决方法。以期能够建立一个支持大规模、分布式联合应用，并且可以显示综合战场态势和专用战场态势的战场态势系统。     

基于Demster-Shafer证据融合的战场态势判断模型

战场态势是指挥员制定作战计划、实施作战部署的主要依据,长期以来战场态势主要依靠指挥员和参谋人员的作战经验来判断,判断结果的可信性与适时性难以得到保证.在战场态势问题分解的基础上,针对各子问题相关信息"模糊性"大的特点,通过隶属函数进行处理,并采用Demster-Shafer证据融合模型融合决定性相关信息,实现战场态势的快速准确推理.最后,在这一模型的基础上利用计算机仿真进行了态势图景推理示例.     

编队辐射源威胁估计研究

针对编队辐射源威胁估计结果在用途上的不同要求,以编队辐射源识别过程为依据,提出了便于编队指挥员把握战场电磁态势的宏观辐射源威胁等级划分方法,并以此为基础,利用多属性决策理论研究了微观编队辐射源威胁系数的计算方法,并以编队电子对抗中的融合识别为例给出了仿真实例。实例表明,该方法可实现编队辐射源威胁估计结果在宏观与微观使用上的统一。     

通用作战态势图的构成与实现方法

通用作战态势图根据来自兵力级的多源信息,处理、显示目标航迹、身份、任务、地理信息等,形成战场态势综合显示,支持指挥员的战术态势分析、战术决策等任务,改善指挥员的态势感知能力,提高信息处理能力和速度,减轻压力和减少失误。面向态势感知的通用战术态势图(COP)的认知设计体系,描述了形成COP的数据来源及相应的数据关联和态势感知可视化的软件结构,并对COP中的战术目标群分类和目标数据采用模糊处理的方法,对COP工程化实现具有一定的借鉴意义。     

基于可信度理论的一种态势估计方法

态势估计是战场决策的基础,而如何进行正确的战场决策对战斗有着重要的影响。在对态势估计进行分析的基础上,根据可信度理论,提出了一种对态势估计问题进行推理的方法。该方法能够进行融合推理得到态势假设和事件之间的潜在关系,为决策提供依据。实例验证的结果表明,此方法对当前战场态势可给出有效的综合评价和理解,具有较高的可信性。     

战场态势及态势估计的新见解

为理解战场态势本质,从信息交互角度,结合耗散结构理论对战场态势和态势估计进行了全新诠释.提出战场态势本质是战场信息的有限“无序”呈现,将其视为能够出现“有序”状态的动态开放系统.由此指出态势估计即分析理解各种战场信息,利用已有知识减小战场态势熵;同时指出态势估计的研究重点是战场态势内、外交换熵.最后介绍了新的理解下态势估计的理论基础——Brusselator模型,指出了通过建立影响战场态势熵的指标体系对战场态势进行量化分析的技术途径,并说明了计算战场态势正、负熵的方法及其是否形成耗散结构的判据.     

动态贝叶斯网络的无人机炮火校射

动态贝叶斯网络(Dynamic Bayesian Networks-DBNs),是对具有随机过程性质的不确定性问题进行建模和处理的一个有力工具.提出将隐马尔可夫模型(Hidden Markov Models-HMMs)图形模式与贝叶斯网络结合起来构成DBN,将其用于无人机照相侦察情报的推理分析,决定炮火优先打击区域.首先建立动态贝叶斯网络的战场态势变化模型,而后应用HMM的推理算法获得当前隐含序列最优估计,且可预测出未来战场态势.最后应用模糊推理获得优先打击的区域号.仿真结果表明了模型的可行性.该方法有效解决了贝叶斯网络对于瞬间变化战场态势推理的不足的缺陷,为炮兵指挥员更好地运用火力,分出主次奠定了基础.