美国海军用基于知识的实时系统进行态势评估

本文分析了海上态势和威胁评估过程,使用一种被称之为MUSE的基于知识的实时系统提供了某种态势评估子函数执行的数字的结果。文中首先简单介绍了MUSE系统,介绍了MUSE仿真器,这种仿真器如远程雷达,中程雷达,火控雷达和电子支援措施(ESM),敌我识别(IFF)以及数据链传感器产生实时空中航迹。提供了一幅海上态势和威胁评估的功能图,同时提供了这两个过程的最重要的子功能。论述了这些子功能在防空驱逐舰的操纵室里的任务以及如何使用MUSE基于知识的系统来为这些子功能进行电脑建模。论述了统计实验。在统计实验中,用仿真器在SUN SPARC10工作站上产生了三百秒的实时空中航迹数据,通过以太网传送到在SUN SPARC5工作站上运行的MUSE基于知识的态势评估系统。文中也对这个基于知识的系统所产生结果进行了评价。     

不确定条件下作战筹划态势研判风险预测方法

针对战场态势不确定、复杂繁多导致研判过程风险预测准确性差的问题,提出构建态势-风险模型并构造风险可能性分布以实现对风险的精准预测。首先,从敌情、我情以及战场环境态势研判内容入手建立风险预测指标体系;其次,剖析态势信息对风险的作用方式,构建指数、Z型、正切等风险模型并计算风险取值区间;然后,以可能性理论中模糊函数构造法为基础,以权重差和不确定性测度为依托,在风险取值区间内构造风险可能性分布;最后,采用某防御任务实例,结合专家系统及云模型方法进行实验,验证了所提方法的可行性和合理性。结果表明,在风险预测时所提方法能够充分考虑态势信息的不确定性,为后续筹划决策制定提供了重要依据。     

战略决策模拟中的态势表现

战略决策模拟中,态势表现是实现模拟可视化的关键,具有举足轻重的作用,其研究与实现是一项具有相当难度的课题.首先分析战略态势表现所要解决的两个基本问题,即态势数据和可视化表现;其次着眼于两者的分离,按照面向对象的设计思想,提出了一种面向对象的战略态势表现实现思路;最后,给出了开发战略态势表现系统的基本工作思路.在决胜系列战略决策模拟系统的开发中,按照该思路实现了态势表现子系统,较好的满足了模拟需求.     

基于改进压缩感知的战勤网络状态监测模型

为提高战勤网络信息感知节点状态的监测效率,对经典压缩感知理论进行了改进,构造了一种适合于测量战勤网络状态的行和为零的贝努利测量矩阵,理论证明了原始重构算法依然适用于改进后的目标函数,同时提出了基于压缩感知的战勤网络状态监测模型。将改进后的压缩感知方法应用于提出的检测模型,对Hadoop进度跟踪机制进行改进,并在仿真环境下对解码精度、压缩比率、定位效率进行了测试和分析。测试结果表明：在保持与传统方法相同的监测精度下,新方法有效检测的战勤网络规模可提高约16倍。     

基于指数试探的稀疏度自适应匹配追踪算法

针对贪婪算法需要以信号稀疏度作为先验信息的问题,基于指数试探思想提出了一种稀疏度自适应重构算法。利用指数函数特性分段试探信号稀疏度,使其快速逼近真实值,通过筛选回退锁定信号的有效支撑集,再采取弱匹配剪枝精确重构出原始信号。能够摆脱对稀疏度的依赖,以高概率自适应重构信号。实验表明,该算法的试探结果更加准确和稳定,重构成功率提高,特别是当稀疏比小于0.25时,算法最少只需3次试探,便可快速估计出信号稀疏度,且成功重构成功率不低于97%。     

复杂阵地态势可视化关键技术研究

为更好地部署武器,把握战场信息,提升空间环境感知能力,研究三维态势可视化技术与二维态势可视化及两者的实时联动,集具体、抽象为一体,来更丰富地展现空间环境,把握整个战场形势全局,为固定核心阵地作战指挥员提供了更灵活的使用方式和更完善、更逼真的信息展现,从而大大提升作战效率。     

基于逆强化学习的空战态势评估函数优化方法

为提高无人作战飞机(UCAV)自主决策效能,提出基于逆强化学习的空战态势评估函数优化方法。以现有的正例与反例两类空战数据为样本训练一个RBF网络,采用逆强化学习得到不同态势下的态势值,实现了对现有空战数据的知识提取;利用Sigmoid函数的压缩作用,降低了整体态势值,加快了UCAV学习的收敛速度;采用自适应粒子群算法求解优化了态势评估函数中的权重参数,提升了对复杂空战态势的适应能力;仿真结果表明该方法能够优化态势评估函数,提高机动决策的收敛速度,在UCAV自主决策中具有一定现实意义。     

变分自编码器结合聚类算法在空战态势评估问题上的应用

针对传统态势评估方法确定权值的主观性强、处理大数据能力弱、特征提取能力不足等问题,提出基于改进变分自编码器和聚类算法的无监督空战态势评估方法。根据态势变化连续性特点,提出基于时间段的空战态势分类方法,将敌我双方态势划分为四类。在变分自编码器的基础上,提出了VAE-WRBM-MDN特征提取模型,即使用混合密度网络优化变分自编码器的特征提取能力和生成数据的相似度,使用权值不确定限制玻尔兹曼机优化网络的初始权值。将提取的特征分别输入到两种典型的聚类算法中进行聚类,并结合态势函数和实际战场情况修正聚类结果,形成正确的态势分类标准。在实验部分,分别进行了最优参数调整、关键特征提取、聚类以及修正实验。实验结果表明,模型态势分类正确率和运行时间均满足应用需求,实例评估结果与客观态势一致性强,所提方法具有实际应用价值。     

基于深度学习的战场态势评估综述与研究展望

适用于大数据复杂系统的人工智能研究水平,已成为制约战场态势评估技术发展的瓶颈问题.2006年提出的人工智能新研究领域——深度学习,具备多层感知的深度网络模型,体现出非线性表达、多层学习、自主提取等优势,为研究大数据战场态势评估问题提供了技术支持.美军将机器学习作为重点发展的基础研究和应用开发领域,自2007年以来启动多个项目;我军应用与研究领域中,深度学习也得到重视并取得一些有益探索.展望未来,可从空间、时间角度研究大数据战场态势特征,并基于此构建基于深度学习的战场态势评估模型.     

实兵演习战场态势研究

实兵演习战场态势是指挥员通过实战化训练提升获取战场情况、指挥部队行动能力的重要支撑和手段。首先针对当前实兵演习战场态势存在的数据结构、传输机制、系统架构和聚合显示等重点难点问题进行了详细地阐述和分析,然后在此基础上提出了态势数据结构的层次化设计、按需公布订购的数据传输机制、态势框架的柔性化设计和基于作战能力的态势聚合机制等相关的解决方法。以期能够建立一个支持大规模、分布式联合应用,并且可以显示综合战场态势和专用战场态势的战场态势系统。