战役态势认知的概念框架

战役指挥人员根据态势认知进行决策,态势认知不足将导致决策错误。如何开发战役态势认知智能辅助系统,以辅助战役指挥官动态认知战役态势是一个亟待解决的问题。对态势认知概念进行了介绍;对战役态势概念和要素进行了分析;根据战役态势特点构建了战役态势认知框架,描述了框架各个组成部分的功能、作用和主要模型。所提出的战役态势认知的概念框架可以为战役态势认知智能辅助系统提供指导。     

作战协同关系超图模型

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。     

联合战役兵棋AI体系框架设计及关键技术分析

深度强化学习在游戏智能决策领域取得了令人瞩目的突破。多智能体深度强化学习、分层深度强化学习等领域的研究工作正将深度强化学习研究引向深入。由于联合战役兵棋博弈复杂的问题构成难以仅依靠深度强化学习方法解决,因而需要将人的知识经验有机融入强化学习过程中。对深度强化学习算法进行综合分析,并系统总结梳理联合战役兵棋AI的军事运用需求,在此基础上设计联合战役兵棋AI的体系框架并就框架中的相关技术进行探讨。     

基于异态集成学习的飞行目标辅助识别模型

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%。     

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。     

基于时序特征编码的目标战术意图识别算法?

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。     

美军红队评估体系建设现状及启示

本文简单介绍了美军红队的组建背景和红队评估体系的构成以及美军红队评估的应用,分析了红队人员的能力需求及训练,探讨了红队评估的军事价值和发展趋势,提出了美军红队评估对军队模拟蓝军建设的启示。