2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。     

生成对抗网络及其在无人系统中的应用

生成对抗网络（GAN）在无人系统多个层次上的应用提高了其智能化、自主化水平,具有巨大的应用价值和发展潜力。对GAN在无人系统技术中的应用进行了综合评述并且进行了展望。首先介绍了GAN的基本概念、训练方式和传统GAN的模型结构,并且从模型结构的变动、目标损失的变化以及适用的领域等方面详细介绍了深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CylcleGAN）、生成对抗模仿学习（GAIL）、序列生成对抗网络（SeqGAN）等GAN的8种衍生模型。接着概述了与无人系统OODA回路相关的智能感知、智能判断、智能决策、人机交互等方向上GAN方法的实际应用。最后基于无人系统共性技术的发展趋势,对GAN在无人系统的单体智能、多体或群体智能以及人机混合智能等方向上的应用进行了展望。     

2022年深度学习技术主要发展动向分析

深度学习正逐渐成为新一代人工智能最核心的技术之一。对2022年深度学习热门领域的主要发展动向进行了综合评述。首先,介绍小数据小样本深度学习研究领域的最新进展;其次,探讨量子计算与深度学习的融合路径;然后,概述强化学习对通用智能的推动作用;最后,盘点深度学习在多模态学习方向的进展。综述表明,面向小数据、小样本的深度学习技术正在引领深度学习向自监督方向不断迈进,深度学习与其他先进计算范式（例如量子计算等）深入融合趋势愈发明显,强化学习在一定程度上具备解决复杂问题的通用智能,多模态深度学习技术已迎来关键性突破。     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%～18.2%,并且具有更好的识别稳定性。     

人机混合智能技术主要发展动向分析

人机混合智能是由“人-机-环境”相互作用而产生的新型智能系统。对人机混合智能领域的最新研究与应用动向与进展进行了综合评述。首先介绍DARPA近年来在人机混合智能领域的加速布局;然后盘点了脑机接口、可信人工智能、虚拟现实、环境感知等人机混合智能核心技术的最新科研与应用进展;最后讨论人机混合智能面临的挑战与对未来军事发展的启示。综述表明,机器在未来将更多地用作人类“同事”,而不仅仅是“工具”,人机混合智能的各项核心技术已经不同程度地产生实战应用,而人、机之间的权责分工、能力分配、交互接口、伦理规制等将是人机混合智能进一步发展所需解决的关键问题,人机混合智能将加速军事变革进程,对作战样式、装备体系、战斗力生成模式等带来根本性变化。     

基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法

针对智能船舶的自主航行障碍物视觉快速检测与测距需求,提出一种基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法。从障碍物检测速度和计算量的角度出发,该方法可提升智能船舶环境感知能力。首先,针对障碍物检测问题,在Yolov4检测模型的框架下,构建基于MobileNet特征提取网络的DIS-Yolo水面障碍物检测模型,实现模型网络结构的轻量化改进。其次,针对障碍物测距问题,基于所构建的障碍物检测模型和COMS成像模型,提出水面障碍物测距机制,实现水面障碍物的高精度测距。最后,通过模拟实验验证所改进模型的有效性与测距函数的精确度。所提出的方法可提升智能船舶的航行安全性,同时可为智能船舶环境感知需求提供新的思路。     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。     

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AHP-DQN的作战效能优化方法研究

针对舰艇编队威胁海域安全的案例,设计了红方突防攻击、蓝方防空反导的想定以及陆、海、空3种反航母作战策略,基于墨子系统开展多方案作战仿真,获得了双方战损数据。在此基础上,建立了以引诱、攻击等性能参数为基础的指标体系,以层次分析法(AHP)分析了3种策略的作战效能。进一步提出了一种以AHP权重定奖励的深度强化学习(DQN)算法,对海基策略进行了优化,作战效能提高了5.36%。研究结果表明,基于墨子系统这一类作战仿真软件开展想定设计、作战策略仿真,再建立AHP-DQN进行作战效能优化的方法可为反舰作战提供参考。     

基于深度强化学习的作战概念能力需求分析

作战能力需求分析是作战概念开发过程中的关键环节,在形式化描述作战概念能力需求分析问题的基础上,通过定性与定量结合,设计了一种基于深度强化学习的作战概念能力需求分析方法。该方法通过模拟仿真实验,获取高可信度的仿真小样本数据集;基于经验数据构建作战概念的代理模型,并以高可信度仿真数据集为输入,应用多目标优化算法对代理模型进行优化训练;最后,将训练得到的代理模型与深度强化学习框架进行交互寻优,实现作战概念能力需求的反向探索。选取“超越式登陆”为实例进行验证,实验结果表明方法可行。