排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
在分析超图和作战协同相关概念基础上,采用形式化方式对抽象化的作战协同关系进行了描述,定义了协同关系矩阵,创新性地根据超图相关概念构建了作战协同超图模型,并根据模型定义了顶点度和关联系数等支持作战协同关系分析的特征参数。通过实验建立了某想定数据中的火力协同关系超图模型,并进行了度和关联系数的分析,实验结果证明了作战协同关系超图模型的可用性。 相似文献
3.
4.
对飞行目标类型的准确识别是空中作战意图识别的前提和基础。针对当前各类识别模型在训练样本较少时,较难同时获得模型的稳定性和较好的泛化能力且在线学习能力较差的问题,提出了一种基于异态集成学习的飞行目标辅助识别模型,将k近邻学习模型与BP神经网络模型进行整合,使模型兼具训练稳定性与较好的泛化能力;通过算法设计,模型具有了整体动态更新的能力。基于某作战仿真系统完成飞行目标识别实验,对比了该模型与各类模型的性能表现。实验结果显示所提出的模型识别正确率稳定在90%左右,且在个体学习器的基础上至少提高2%。 相似文献
5.
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。 相似文献
6.
对战场目标战术意图的快速、准确和自动识别,是智能决策的前提和基础。目标战术意图通常由多个战术动作组合完成,因而目标状态呈现动态、时序变化特征。本文针对目标意图识别问题的特点,提出一种基于栈式自编码器( SAE)的智能识别模型,设计智能识别模型的基本框架,提出一种基于时序特征的输入信号编码方法及相应的模式解析机制,通过将目标状态在多个时刻的时序特征和战场环境、目标属性等信息统一编码为输入信号,将军事专家的知识经验封装为模式标签,模拟人的推理模式与认知经验,实现对目标战术意图的智能识别。最后通过实验,分析预训练过程和网络深度对算法性能的影响,并通过与多层感知机(MLP)和逻辑回归分类器(LRC)识别准确率的比较,验证所提SAE算法的有效性。 相似文献
8.
1