CN110782039B - 一种基于分层结构、多模块的人工智能即时作战引导平台 - Google Patents

一种基于分层结构、多模块的人工智能即时作战引导平台 Download PDF

Info

Publication number
CN110782039B
CN110782039B CN201910963897.0A CN201910963897A CN110782039B CN 110782039 B CN110782039 B CN 110782039B CN 201910963897 A CN201910963897 A CN 201910963897A CN 110782039 B CN110782039 B CN 110782039B
Authority
CN
China
Prior art keywords
battlefield
guidance
data
combat
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910963897.0A
Other languages
English (en)
Other versions
CN110782039A (zh
Inventor
杨理想
王云甘
周亚
范鹏炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongguancun Technology Leasing Co ltd
Original Assignee
Nanjing Shixing Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Shixing Intelligent Technology Co ltd filed Critical Nanjing Shixing Intelligent Technology Co ltd
Priority to CN201910963897.0A priority Critical patent/CN110782039B/zh
Publication of CN110782039A publication Critical patent/CN110782039A/zh
Application granted granted Critical
Publication of CN110782039B publication Critical patent/CN110782039B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Processing Or Creating Images (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了一种基于分层结构、多模块的人工智能即时作战引导平台，包括基于多源数据的场景划分模块、基于深度强化学习的局部战场状态指引模块、基于蒙特卡洛树博弈的全局战场统筹指引和基于作战图谱推理的全局战场行为指引模块四个模块，其中分层结构设置为底层、战术层、战略层，四个模块间隔地处于分层结构中。是一种极少人工参与的作战指引系统的实现方法，通过本作战指引平台系统，可以高效地处理多源数据下的战术指引；采用人工智能的方法，可以减少人工的参与，并且提高作战指引的准确率，将作战的收益提高到最大；通过作战图谱的精确显示，可以直观地看到作战行为路线，在保证最大化局部战场利益的同时，保证全局战场的最大收益。

Description

一种基于分层结构、多模块的人工智能即时作战引导平台
技术领域
本发明属于人工智能领域，特别涉及一种基于分层结构、多模块的人工智能即时作战引导平台。
背景技术
现有的即时作战引导均是通过人工编写的软件系统，辅助军队指挥员进行的。这种传统的作战引导系统可以通过接受一定的数据信息，进行内部代码的运算，最终输出给指挥员作战的方案。但是，战场环境千变万化，这些传统的作战引导系统是不够健壮的。具体表现在，面对复杂繁多的战场环境，若传统作战引导系统中没有编写相应环境的规则，则应对该种环境时，引导失效。
同时，在大规模作战中，战场空间，资源空间等是无比巨大的，这种战场局面下，通过编写规则的方式进行作战引导效果极大地依赖于作战指挥员的知识流程全景能力，系统建立的过程中需要大量的作战指挥员的参与，因为规则无法兼顾每种战场状态中的局部利益和全局利益的最大化，无法有效地协同各部队之间的作战，并且引导系统的代码规模会非常大，不利于后期维护。
发明内容
为了解决上述规则的缺点，本发明建立了一种基于知识驱动的智能作战引导技术，从分层结构、多模块涉及的人工智能方法出发，提供了一种基于分层结构、多模块的人工智能即时作战引导平台，包括基于多源数据的场景划分模块、基于深度强化学习的局部战场状态指引模块、基于蒙特卡洛树博弈的全局战场统筹指引和基于作战图谱推理的全局战场行为指引模块四个模块，其中分层结构设置为底层、战术层、战略层，四个模块间隔地处于分层结构中。
作为改进，所述场景划分模块设置为底层，用于多源数据知识图谱构建后输出战术场景划分；所述局部战场状态指引模块设置为战术层，用于战术场景划分基础上进行深度强化学习的局部战场状态指引；所述全局战场统筹指引模块和全局战场行为指引模块均设置为战略层，通过在局部战场状态指引模块基础上，采用蒙特卡洛树博弈和作战图谱推理相应地进行全局战场统筹指引和全局战场行为指引。
作为改进，所述场景划分模块，输入数据进行通过块抽样和神经网络进行特征提取，将神经网络的输出结果应用于编码映射，将映射好的数据编码输入到下一个卷积神经网络或者深层全连接神经网络，或循环神经网络中，分类出不同的战术场景。
作为改进，所述数据包括空间对抗数据、通信保障数据、网电对抗数据、气象水文数据、机要保障数据、测绘导航数据、情报综合数据、作战值班数据、装备保障数据、综合态势数据、争执工作数据、后勤保障数据、作战筹划数据。
作为改进，还包括作战知识图谱，是基于所述数据构建的，包括两个子模块，知识萃取与关联模块、知识融合模块。
作为改进，局部战场状态指引模块，使用深度强化学习算法，通过深度学习与强化学习的优势，深度学习感知战场态势，利用强化学习确定当前执行的战术状态，使得局部战场损失最小，战斗力最大情况下做出包括打击、撤退、观望中至少一项的决策。
作为改进，基于蒙特卡洛树博弈的全局战场统筹指引模块，是以通过在训练过程中，在当前局部战场状态下，模拟接下来的一系列动作与决策，最终获得一个作战结果，根据模拟出作战结果，获得一个最优的决策序列方法的模块。
作为改进，基于作战图谱推理的全局战场行为指引模块，是以通过联合全局战场统筹指引的结果与作战图谱进行知识推理，给出局部战场最优的行为指引，再结合子图匹配和基于空间分布的表示推理方法，通过上层的动作指引，在作战图谱中给出最优的行为路线方法的模块。
有益效果：本发明提供的基于分层结构、多模块的人工智能即时作战引导平台，是一种极少人工参与的作战指引系统的实现方法，通过本作战指引系统，可以高效地处理多源数据下的战术指引；通过采用人工智能的方法，可以减少人工的参与，并且可以提高作战指引的准确率，将作战的收益提高到最大；通过作战图谱的精确显示，可以直观地看到作战行为路线，在保证最大化局部战场利益的同时，保证全局战场的最大收益。具有广泛的应用前景。
附图说明
图1为本发明作战引导整体设计图。
图2为本发明基于多源数据的场景划分图。
图3为本发明基于深度强化学习的局部战场状态指引图。
图4为本发明基于蒙特卡洛树博弈的全局战场统筹指引图。
图5为本发明基于多源数据的作战知识图谱。
图6为本发明基于作战图谱推理的全局战场行为指引图。
图7(a)、图7(b)分别为本发明智能作战引导与指战员模拟引导作战的比较结果图。
具体实施方式
下面对本发明附图结合实施例作出进一步说明。
本发明中作战引导整体设计为，首先是底层的数据输入，通过构建多源数据输入模块，可接收不同来源的数据。然后在战术层，根据上层划分好的场景，进行局部战场状态指引，具体表现为作战资源的分配指引。在战略层进行全局战场状态的统筹指引和全局战场行为指引。所有的指引动作包括打击、撤退最优路线、重点监视区域推理等都是通过作战知识图谱进行展示，见图1。
其中系统即平台接收的输入多源数据包括空间对抗数据、通信保障数据、网电对抗数据、气象水文数据、机要保障数据、测绘导航数据、情报综合数据、作战值班数据、装备保障数据、综合态势数据、争执工作数据、后勤保障数据、作战筹划数据，但不限于以上数据。基于上述数据进行场景划分见图2所示。
基于这些数据，可以将当前战场状态划分为不同的战术场景。由于场景划分中，使用了深度学习的一些神经网络，所以该部分需要将一部分已有的数据划分为训练集和测试集，基于这些训练数据，进行深度学习的训练，训练过程中，采用Adam优化器，利用Tensorflow框架，可以高效地完成这一部分分类工作的训练。在神经网络的设计中，由于数据格式的不统一(有音频数据、文本数据、图像数据等等)，采用多模态训练的方式，利用多个子神经网络，进行数据的接受，然后提取数据特征，将这些不同数据的特征输入到一个整合神经网络中，进行分类的同步训练。然后将训练好的神经网络模型通过TensorflowServing的方式整合到系统中。
基于多源数据构建出作战知识图谱见图7(a)、图7(b)。该部分中使用知识图谱来为作战行为路线提供推理环境。分为两个子模块，一部分为知识萃取与关联，另一部分为知识融合，通过实体识别、实体关系抽取和实体属性抽取，通过自动地抽取式方法获得战场中的关键实体要素。然后通过知识融合的方法，进行实体之间的链接，分别进行数据层的链接融合以及模式层的链接融合。
在战术层中，由于在不同的作战场景下，作战状态又是千变万化的。基于人工编写规则，几乎是不可能的。在该部分，本发明使用深度强化学习的方法进行模型的训练与决策的部署，见图3。首先本发明会根据现实的作战环境建立相应的拟态环境，在拟态环境中，使用一个浅层的卷积神经网络，将连续的多帧特征图整合为一个batch，输入到神经网络中，同时设置相应的奖励函数，使用eplison贪婪原则，进行平衡与利用。通过这种训练方式，可以很好的结合深度学习的感知能力和强化学习的决策能力，从而获得很好的决策准确率。
由于单个的局部战场利益最大化不等于全局战场利益的最大化，所以对于全局战场需要进行统筹引导。本发明对此采用蒙特卡洛树在博弈空间中进行启发式搜索见图4，在训练过程中，通过在当前局部战场状态下，模拟接下来的一系列动作与决策，最终获得一个作战结果，根据模拟出作战结果，获得一个最优的决策序列。
基于上述数据构建作战图谱推理的全局战场行为指引图，见图6。在此部分中，联合全局战场统筹指引的结果与作战图谱进行知识推理，从而给出局部战场最优的行为指引。结合子图匹配和基于空间分布的表示推理方法，通过上层的动作指引，在作战图谱中给出最优的行为路线。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于分层结构、多模块的人工智能即时作战引导平台，其特征在于：包括基于多源数据的场景划分模块、基于深度强化学习的局部战场状态指引模块、基于蒙特卡洛树博弈的全局战场统筹指引和基于作战图谱推理的全局战场行为指引模块四个模块，其中分层结构设置为底层、战术层、战略层，四个模块间隔地处于分层结构中；
所述场景划分模块，输入数据进行通过块抽样和神经网络进行特征提取，将神经网络的输出结果应用于编码映射，将映射好的数据编码输入到下一个卷积神经网络或者深层全连接神经网络，或循环神经网络中，分类出不同的战术场景；
所述数据包括空间对抗数据、通信保障数据、网电对抗数据、气象水文数据、机要保障数据、测绘导航数据、情报综合数据、作战值班数据、装备保障数据、综合态势数据、争执工作数据、后勤保障数据、作战筹划数据。
2.根据权利要求1所述的基于分层结构、多模块的人工智能即时作战引导平台，其特征在于：所述场景划分模块设置为底层，用于多源数据知识图谱构建后输出战术场景划分；所述局部战场状态指引模块设置为战术层，用于战术场景划分基础上进行深度强化学习的局部战场状态指引；所述全局战场统筹指引模块和全局战场行为指引模块均设置为战略层，通过在局部战场状态指引模块基础上，采用蒙特卡洛树博弈和作战图谱推理相应地进行全局战场统筹指引和全局战场行为指引。
3.根据权利要求1所述的基于分层结构、多模块的人工智能即时作战引导平台，其特征在于：还包括作战知识图谱，是基于所述数据构建的，包括两个子模块，知识萃取与关联模块、知识融合模块。
4.根据权利要求1所述的基于分层结构、多模块的人工智能即时作战引导平台，其特征在于：局部战场状态指引模块，使用深度强化学习算法，通过深度学习与强化学习的优势，深度学习感知战场态势，利用强化学习确定当前执行的战术状态，使得局部战场损失最小，战斗力最大情况下做出包括打击、撤退、观望中至少一项的决策。
5.根据权利要求1所述的基于分层结构、多模块的人工智能即时作战引导平台，其特征在于：基于蒙特卡洛树博弈的全局战场统筹指引模块，是以通过在训练过程中，在当前局部战场状态下，模拟接下来的一系列动作与决策，最终获得一个作战结果，根据模拟出作战结果，获得一个最优的决策序列方法的模块。
6.根据权利要求1所述的基于分层结构、多模块的人工智能即时作战引导平台，其特征在于：基于作战图谱推理的全局战场行为指引模块，是以通过联合全局战场统筹指引的结果与作战图谱进行知识推理，给出局部战场最优的行为指引，再结合子图匹配和基于空间分布的表示推理方法，通过上层的动作指引，在作战图谱中给出最优的行为路线方法的模块。
CN201910963897.0A 2019-10-11 2019-10-11 一种基于分层结构、多模块的人工智能即时作战引导平台 Active CN110782039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910963897.0A CN110782039B (zh) 2019-10-11 2019-10-11 一种基于分层结构、多模块的人工智能即时作战引导平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910963897.0A CN110782039B (zh) 2019-10-11 2019-10-11 一种基于分层结构、多模块的人工智能即时作战引导平台

Publications (2)

Publication Number Publication Date
CN110782039A CN110782039A (zh) 2020-02-11
CN110782039B true CN110782039B (zh) 2021-10-01

Family

ID=69385130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910963897.0A Active CN110782039B (zh) 2019-10-11 2019-10-11 一种基于分层结构、多模块的人工智能即时作战引导平台

Country Status (1)

Country Link
CN (1) CN110782039B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460730A (zh) * 2020-03-26 2020-07-28 中国电子科技集团公司第二十八研究所 一种未来作战智能化技术应用设计方法
US20230409993A1 (en) * 2022-05-19 2023-12-21 Raytheon Company Identification of simulation-driven optimized indication and warning (i&w) cutoffs for situation-specific courses of action

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002893A (zh) * 2018-07-17 2018-12-14 东北大学 一种序贯同步时序蒙特卡洛搜索算法
CN109597839A (zh) * 2018-12-04 2019-04-09 中国航空无线电电子研究所 一种基于航电作战态势的数据挖掘方法
CN109598342A (zh) * 2018-11-23 2019-04-09 中国运载火箭技术研究院 一种决策网络模型自博弈训练方法及系统
CN109636699A (zh) * 2018-11-06 2019-04-16 中国电子科技集团公司第五十二研究所 一种基于深度强化学习的无监督智能作战推演系统
CN110119773A (zh) * 2019-05-07 2019-08-13 中国科学院自动化研究所 战略博弈系统的全局态势评估方方法、系统、装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9589210B1 (en) * 2015-08-26 2017-03-07 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002893A (zh) * 2018-07-17 2018-12-14 东北大学 一种序贯同步时序蒙特卡洛搜索算法
CN109636699A (zh) * 2018-11-06 2019-04-16 中国电子科技集团公司第五十二研究所 一种基于深度强化学习的无监督智能作战推演系统
CN109598342A (zh) * 2018-11-23 2019-04-09 中国运载火箭技术研究院 一种决策网络模型自博弈训练方法及系统
CN109597839A (zh) * 2018-12-04 2019-04-09 中国航空无线电电子研究所 一种基于航电作战态势的数据挖掘方法
CN110119773A (zh) * 2019-05-07 2019-08-13 中国科学院自动化研究所 战略博弈系统的全局态势评估方方法、系统、装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于知识图谱的网络信息体系智能参考架构设计;周丽娜等;《中国电子科学研究院学报》;20180831;第13卷(第4期);正文第1-4节 *
基于蒙特卡洛树搜索方法的空战机动决策;何旭等;《火力与指挥控制》;20180331;第43卷(第3期);正文第2节 *

Also Published As

Publication number Publication date
CN110782039A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
Lv et al. Artificial intelligence for securing industrial-based cyber–physical systems
Nusantoro et al. Generation smart education learning process of blockchain-based in universities
CN113961718A (zh) 一种基于工业机械故障诊断知识图谱的知识推理方法
KR102210504B1 (ko) 빅데이터 기반의 ai 교육 플랫폼을 이용한 맞춤형 교육 프로그램 시스템
CN110992227A (zh) 一种校企结合职业技能人才培养系统和方法
CN106780116A (zh) 电力应急演练方法、装置及其情景模型的构建方法、装置
CN110782039B (zh) 一种基于分层结构、多模块的人工智能即时作战引导平台
CN101819661A (zh) 复杂系统的决策支持能力评估分析方法
Li et al. Wartime industrial logistics information integration: Framework and application in optimizing deployment and formation of military logistics platforms
Garcia-Magarino et al. Survivability strategies for emerging wireless networks with data mining techniques: A case study with NetLogo and RapidMiner
Jian et al. Enhancing power grid security: A comprehensive study on cybersecurity measures and fault diagnosis strategies amid dynamic system variations
Yuksek et al. Intelligent wargaming approach to increase course of action effectiveness in military operations
CN117272835A (zh) 数字孪生兵棋推演气象数据仿真及智能决策方法和系统
Happe et al. CoUAV: a multi-UAV cooperative search path planning simulation environment.
Halepoto et al. Design of Integrated Analytical Process Framework for Smart City Transformation based on Strengths-Weaknesses-Opportunities-Threats Analysis.
Abdrakhmanov et al. Development of a Framework for Predicting Students' Academic Performance in STEM Education using Machine Learning Methods.
Simpson et al. Foundational aspects of system complexity reduction
Maleki et al. Big data: A Coevolutionary strategic roadmap
Jingjing Layered Network Architecture Micro-Propagation Mode Java System Assists the Construction of Big Data Online Education System
CN114490061B (zh) 基于语义威胁模型的无人机通信干扰任务生成方法
de Castro et al. Selection of software development good practices in micro and small enterprises: an approach using knowledge-based systems
CN116070714B (zh) 基于联邦学习和神经架构搜索的云边协同训练方法及系统
CN110717383B (zh) 遥感检测方法、装置和系统
Liang et al. Optimization of spatiotemporal clustering for target tracking from multisensor data
Alabdulkareem et al. The Multidimensional Hierarchically Integrated Framework (MHIF) for Modeling Complex Engineering Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230925

Address after: 610, Floor 6, Block A, No. 2, Lize Middle Second Road, Chaoyang District, Beijing 100102

Patentee after: Zhongguancun Technology Leasing Co.,Ltd.

Address before: Room 1211, building C, Xingzhi Science Park, 6 Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 210000

Patentee before: Nanjing Shixing Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right