基于深度学习的战场态势高级理解模拟方法

当今军事领域问题的研究已步入了信息化主导的大数据时代,传统的智能辅助指挥员完成战场态势理解已遇到了瓶颈,亟需探索突破。认知智能中深度学习的提出可为该问题的突破提供契机。通常,指挥员进行战场态势理解是分层次的。其中的高级理解则需要深度学习来模拟。就此,展开了探索性研究。概述了战场态势评估的相关概念,分析了指挥员理解战场态势的思维模式,掌握了指挥员理解战场态势时的主要步骤,并结合深度学习运行原理,提出了一种基于深度学习的指挥员战场态势高级理解思维过程(以判断敌方对我方可能的主攻方向为例)模拟方法,该方法利用认知智能中的深度学习(以CNN为例)对指挥员战场态势高级理解过程进行非线性拟合处理,从而达到探索性模拟的目的,仿真实验结果验证了该方法的有效性。     

人工智能赋能军事训练

随着大数据、物联网和5G的不断发展,海量数据的获取变得越来越容易,人工智能技术利用GPU的强大计算能力和深度学习网络对高维数据和非线性模型的拟合能力,迎来了飞跃式发展,深刻改变着人类生产、生活和学习方式,出现了语音识别、机器翻译、无人驾驶及智能机器人等场景,计算、数据与模型的不断发展也成为推动人工智能前进的主要动力。本文分析了人工智能技术的主要发展方向,包括自然语言处理、语音识别和图像识别分析等,结合当前人工智能的主要技术方向和典型应用,展望了人工智能在军事训练领域的广阔应用前景,同时,聚焦发展智能化军事训练亟需解决的关键问题,针对解决网络、数据、模型等面临的问题提出措施建议,指出应通过模拟仿真训练提高训练效率,基于训练数据科学评价训练效果。     

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。     

空中进攻作战天基信息"云"支援体系建设研究

天基信息支援下的空中进攻作战对于夺取战场控制权、改变战争局面发挥着不可估量的作用.随着作战领域不断融合和人工智能、云计算、大数据等技术在军事领域的深入渗透应用,现代空中进攻作战展现出不同以往的样式与特征.基于新特征下的空中进攻作战对天基信息支援的作战需求设计了天基信息"云"支援体系,分析了空中进攻作战中天基信息支援技术体系支持,对人工智能、大数据等新技术在天基信息支援体系建设中的应用和未来空中战场发展方向进行了展望.     

人工智能技术在光学对地观测领域应用探讨

人工智能技术被各军事强国视为"改变游戏规则"的尖端技术之一,具有实现对地观测领域高效数据处理和快速提供战场态势信息的潜力。简要分析了人工智能的技术发展态势及其在光学对地观测领域的应用态势,并在此基础上,从信息采集、信息处理等环节,深入研究了人工智能在天基和空基光学对地观测领域的应用场景。归纳了人工智能在光学对地观测领域应用的趋势。本文可为我国发展人工智能技术在光学对地观测领域的应用提供参考。     

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。     

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。     

战场态势一致性技术专题讲座(一) 第1讲 战场数据融合概述

文章介绍了数据融合定义和模型发展历程,概述了基于JDL模型的五级战场数据融合模型及各层功能,简要分析了用于多目标跟踪的融合系统结构和关键技术,概括了数据融合系统评估、理论研究和应用现状。     

作战模拟态势显示中的通用性技术研究

态势显示是基于HLA的作战模拟系统中观察战场态势、辅助决策的关键一环.目前已经应用的态势显示系统暴露了态势显示通用性问题和态势显示适应性问题.这两个问题制约了态势显示手段在作战模拟领域中的应用.针对这些问题,提出了利用军标映射实现通用和仿真态势数据预处理方法两项关键技术来改进态势显示方法.随后实现了一个应用了这些技术的态势显示系统.最后总结了这种态势显示新方法的优势和不足并展望了态势显示系统下一步发展的方向.     

基于深度学习的自组织态势感知与决策系统

针对巡飞弹武器平台,如何提高态势感知的精准性和实时性以及作战任务自主决策的准确性,已成为当前的一个研究热点.结合以深度学习技术为代表的人工智能最新研究成果,提出基于深度学习的目标识别模型、任务自主决策模型和任务规划模型,并将模型应用于巡飞弹武器平台,提升巡飞弹武器平台协同作战任务的自主决策和智能规划能力.     

海洋水下战场态势仿真系统的设计与实现?

在作战仿真领域，由于水下战场环境的特殊性以及水下作战对抗的复杂性，构建具有水下战场实景态势展现以及水下作战对抗演示分析等功能的仿真系统始终是一个难点问题。基于现代海战条件下水下对抗的应用背景，设计实现了海洋水下战场态势仿真系统，给出系统的功能结构、功能流程以及数据处理流程和方案，并对系统的开发部署进行了具体实现，应用情况表明系统能够实现对水下战场实景态势的高精度仿真，可作为海洋水下战场实景态势的演示分析研究平台和水下作战对抗的论证评估工具。     

战场要素的认知处理

针对多弹编队飞行时如何判断当前复杂战场环境下的战场态势问题,采用层次分析法、属性识别理论方法和数据融合的方法,研究了实时认知处理战场要素模型问题。首先,对复杂战场要素进行分析,对这些战场要素进行分类;对不同的战场要素分别建立数学模型;然后,采用层次分析法和属性识别理论方法对导弹认知的数据进行评估,得到数据的精度评估等级后,采用数据融合方法对数据进行融合,得到融合后数据,以此对导弹中的数据进行实时更新。最后,将所建立的战场要素模型进行实例化仿真,仿真结果表明该方法的有效性。     

基于SEA的战场态势一致性评估方法

战场态势一致性是影响作战效能的关键因素,也是获得信息优势的重要标志.针对战场态势一致性评估的特点和要求,提出绝对一致性和相对一致性的概念,并建立战场态势一致性评估指标体系.借鉴SEA方法,提出基于SEA的战场态势一致性评估方法,并对战场态势一致性评估中需求属性、系统属性、一致性程度计算等关键问题进行详细讨论.最后通过案例证明该方法的有效性.     

引入权重的防空战场态势分析模型

在防空作战中,战场态势的分析非常重要,是辅助决策的基础.为了分析和把握防空作战时的战场态势,针对战场态势的主要影响因素,应用集对分析理论和方法,以集对分析的同异反联系度和距离测度为基础,构造了防空战场态势的分析模型,并对该模型进行了深入探讨.最后,通过实例计算表明了应用该分析模型进行战场态势评估的可行性,为防空作战的战场态势评估提供了一种有效的方法,具有一定的应用价值.     

【专题】运用时空大数据增强战场态势感知能力

时空数据是同时具有时间、空间和专题属性的三维数据。近年来,时空大数据技术领域取得重大进展,时空大数据也开始逐渐应用于战场态势感知,辅助联合作战指挥决策,推动了智能化战争的快速演进。本文基于未来战场对一体化联合作战战场态势感知的新要求,从用于支撑战场态势感知的时空大数据平台构建、时空大数据来源拓展和平台的优化利用等三个层次,探讨了打造军事作战资源“一张图”以支撑一体化联合作战战场态势感知的可行性;同时,对时空数据结构、数据平台和数据分析计算方法等方面进行了深入分析和重点布局。研究成果可对解决“参战力量在哪里,可配合的友邻力量有哪些,能使用的军事资源有什么”等问题和提升基于时空大数据技术的联合作战、全域作战能力提供技术及理论支撑。     

运用时空大数据增强战场态势感知能力

时空数据是同时具有时间、空间和专题属性的三维数据。近年来,时空大数据技术领域取得重大进展,时空大数据也开始逐渐应用于战场态势感知,辅助联合作战指挥决策,推动了智能化战争的快速演进。本文基于未来战场对一体化联合作战战场态势感知的新要求,从用于支撑战场态势感知的时空大数据平台构建、时空大数据来源拓展和平台的优化利用等三个层次,探讨了打造军事作战资源"一张图"以支撑一体化联合作战战场态势感知的可行性;同时,对时空数据结构、数据平台和数据分析计算方法等方面进行了深入分析和重点布局。研究成果可对解决"参战力量在哪里,可配合的友邻力量有哪些,能使用的军事资源有什么"等问题和提升基于时空大数据技术的联合作战、全域作战能力提供技术及理论支撑。     

多传感器数据融合导论

多传感器数据融合是一项新涌现出的技术,可应用于国防领域,如自动化目标识别、战场监视、自治式运载器制导与控制;也可应用于非国防领域,如复杂机械监视、医疗诊断和新式建筑物。多传感器融合技术源于人工智能、模式识别、统计估计等广泛领域。本论文为数据融合提供了指导,它介绍了数据融合的应用、过程模型和对可应用技术的鉴别,并就数据融合方面的技术发展水平作了评述。     

基于双层变权的目标威胁评估

基于现代作战环境复杂和战场态势动态变化的特点,为解决战场评估难以及时有效地兼顾到所有目标,不能动态融合全部战场信息的问题,提出了基于双层变权融合的战场目标威胁评估方法。通过构造状态变权向量并调整实现第一层变权,得到多目标属性变权后再融合多个战场目标的平台信息,实现第二层变权并将两次结果进行融合,从而得到整体的目标属性权重。算例表明双层变权的方法能够适应战场动态变化的需求,获得合理的目标威胁度。     

态势评估中基于合同网的黑板模型研究

态势评估是对战场上战斗力量分配情况的评价过程。针对目前态势评估的局限性和面临的挑战，运用黑板模型和合同网理论研究态势评估问题。对当前态势评估黑板模型的主要工作进行比较，在此基础上引入合同网的思想，提出了基于合同网的态势评估黑板模型，并重点论述了该模型的结构和运行机制。该模型在一定程度上解决了黑板模型的不足，并且能更好地用于分布式信息融合环境。