虚拟物理人工智能多粒度水下态势感知研究

在分析水下多平台集群可变粒度态势感知发展的基础上,研究了多粒度水下态势感知的体系范畴提升及时空演进同步问题,提出虚拟物理人工智能多粒度水下态势感知原理及方法。通过内嵌多物理知识和上下文情景模型的动态虚拟物理神经网络,以时空数据与情景信息为驱动,实现了跨领域多粒度水下态势感知及跨时空同步态势演进分析,为有效遂行水下攻防对抗任务提供协同智能决策支持。理论分析及数值结果表明,多粒度水下态势感知及其同步态势演进分析可以通过有效融合集群资源,增强信息优势并动态优化所涵盖的功能领域和时空规模。所提出的原理及方法可为水下立体攻防体系的构建和发展提供理论依据与技术参考。     

基于机器学习的联合作战任务筹划模型

战争复杂性日益提高,快速完成作战任务筹划对于提高指挥效率至关重要。提出了联合作战任务矩阵分析模型,为作战任务筹划提供了一种理论方法;以此为基础,构建作战任务-支撑要素-威胁要素信念网络模型;设计了信念网络关键参数的贝叶斯学习方法,采用想象力机制来提高算法在自博弈学习中的收敛速度;给出了一种深度最小威胁生成树搜索算法,该算法能够通过平衡搜索误差和搜索速度,高效完成任务优先级排序。最后,通过仿真实验验证了上述模型和算法的有效性。     

基于在线学习的频谱感知次序策略*

认知无线电允许次级用户在频谱没有被主用户使用时动态地接入频谱进行数据传输。动态频谱接入是解决无线电频谱资源短缺和使用效率低下问题的有效方案,而频谱感知是实现动态频谱接入的关键挑战之一。次级用户的感知能力有限,为了快速找到频谱空闲概率最大的频段从而获得更多的频谱接入机会,研究了频谱感知次序问题。考虑到频谱空闲概率会随时间变化且对次级用户不可知,提出了一个在线学习框架,把频谱感知次序问题规约成经典多摇臂赌博机问题,并利用在线学习方法——满意折现汤普森抽样算法(satisficing discounted Thompson sampling)处理优化问题。仿真结果表明,和其他算法相比,所提算法可获得更多的频谱接入机会并且能够跟踪频谱空闲概率的变化。     

外军先进无人地面传感器

无人地面传感设备是现代战争战场态势感知不可或缺的重要手段之一。近年来,外军借助先进通信与网络技术,大力发展无人地面传感设备,扩展了传统传感器的效能。     

基于感知信息共享的C2网络特征分析

指挥控制（C2,Commandand Control）关系网络连接数的增加会增强指控节点之间的信息共享,但也会增加节点信息处理和交换负荷,如果达到一定程度,则会造成节点本身的“信息过载”从而影响C2网络性能。对此,通过研究C2网络在两种不同处理方式下的共享感知信息平均提交时间,用网络节点响应时间的均方差表征一个C2网络的共享态势感知时间的一致性,最后对两种不同结构C2网络特征参数的计算,说明了网络连接增加会导致信息提交时间的延长,但一致性会增强。     

通信网节点重要性的多指标评价方法

提出了一种评价通信网节点重要性的多指标评价方法。分析论证了现有评价方法中各单指标的优缺点,提出将"不连通节点对数"、"剩余节点对最短距离和增量"和"生成树数减少值"三个单指标进行归一化的综合方法。该方法能对令现有多种方法失效的网络进行节点重要性评价,克服了现有各种方法的缺陷。试验分析表明:该方法简单有效、鲁棒性强。     

海战场态势感知能力的度量方法研究

信息域的态势感知能力评估,通常是以融合中心生成的综合态势图为基础,来构建指标进行度量分析.这种度量往往忽略了态势使用用户对感知内容和感知要求的不同需求.在海战场环境下,尝试以各用户获得的感知态势图为基础,结合用户对感知的实际需求,研究了感知能力的三个重要指标:完备性、准确性、时效性,并以系统下所有用户的态势感知来反映最终态势感知能力.对实际作战中军队态势感知能力、信息优势的评估与度量具有参考价值.     

无线认知网络中一种分布式最大频谱分配算法

无线认知网络被认为是下一代无线网络的核心架构之一。该网络能解决日益增长的频谱使用需求和低下的频谱使用率之间的矛盾。通过伺机接入临时可用频谱资源,其频谱利用率能得到大幅的提高。由于频谱资源分配是影响频谱资源利用率的关键,因此如何对频谱资源进行高效的分配一直是无线认知网络的重要研究领域之一。我们证明了在异构频谱使用概率条件下的最优频谱分配是NP难的问题。为了有效解决该问题,本文提出了一种基于分布式最大加权独立集的频谱分配算法——DMWIS。该算法的时间复杂度为O(V2/2)。通过大量的仿真实验,验证了在90%以上的不同随机网络环境下算法能在3轮内收敛,并且该算法一般能获得最优解90%的性能。     

离散动态贝叶斯网络的递推算法

离散动态贝叶斯网络是对动态系统进行建模和定性推理的有力工具。由于观测证据会随时间增加,直接计算推理算法的公式会变得冗长而且推理速度还会下降。在直接计算推理算法的基础上推导出递推公式,并给出算例验证。递推计算公式简洁,仿真表明递推算法的推理速度较直接计算推理算法有明显提高,因而适合实时在线推理。最后将递推算法应用于航天器的态势感知。     

多输出性能下的重要性测度指标及其求解方法

针对基于马氏距离的重要性测度存在的问题,提出了基于谱分解加权摩尔彭罗斯马氏距离的重要性测度指标,通过构造多输出协方差阵的广义逆矩阵以及谱分解的策略,有效解决了协方差阵求逆奇异情况以及由于未能充分考虑多输出之间的相互关系而导致的错误识别重要变量的问题,克服了基于马氏距离指标的局限性。数值算例与工程算例结果表明:所提重要性测度可以更加准确地获得输入变量对结构系统多输出性能随机取值特征贡献的排序,从而为可靠性设计提供充分的信息。