CN112819265A - 一种基于潜在权重自适应分配的作战方案评估方法 - Google Patents
一种基于潜在权重自适应分配的作战方案评估方法 Download PDFInfo
- Publication number
- CN112819265A CN112819265A CN201911116486.4A CN201911116486A CN112819265A CN 112819265 A CN112819265 A CN 112819265A CN 201911116486 A CN201911116486 A CN 201911116486A CN 112819265 A CN112819265 A CN 112819265A
- Authority
- CN
- China
- Prior art keywords
- sample
- combat
- evaluation
- scheme
- distribution
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 78
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000011002 quantification Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 238000006467 substitution reaction Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于潜在权重自适应分配的作战方案评估方法,包括如下步骤:建立作战方案评估指标集合;样本集指标量化与样本标注;建立作战方案评估模型;数据代入推断。本发明的潜在权重自适应分配过程根源于主观的样本标签和客观的样本指标,本质是一种基于主客观综合赋权的评估方法,凭借贝叶斯方法的优势,它既避免了传统主观赋权的人力成本,可自适应推断出蕴含在样本标签中的潜在权重,又能借助先验信息抑制客观赋权在小样本时抽样偏差的影响;且本发明给出的方案评估结果不是固定值,而是一个随机变量,这样除了期望值可作为评估结果的直接指征外,其分布方差又能揭示评估结果的分散程度,间接提示风险因素的存在。
Description
技术领域
本发明涉及作战方案评估技术领域,尤其涉及一种基于潜在权重自适应分配的作战方案评估方法。
背景技术
作战方案是围绕特定作战目标,关于兵力部署、装备配置、作战阶段和行动协同等要素的一种形式化规范化描述,完善可行的作战方案必须依赖于指挥人员和参谋人员对于战场态势和作战进程的精准把握、预期与设计,这直接决定了军事行动的最终结果。作战方案评估则是一种可衡量方案合理性有效性,即方案潜在作战效能的定量化技术,它能够科学评估作战行动与打赢战争的总目标之间的系统性差距,对量化考核、方案优选、指挥决策和作战设计等现实问题具有重要的指导价值。
当前,作战方案评估多采用经典的如加权和法、层次分析法和模糊综合评价法等方法,这些方法均属于多属性评估决策理论框架,关键步骤包括:1、构建与量化评估指标;2、为评估指标赋权重;3、利用指标值与权重综合计算评估值。其中第2步作为核心步骤,所赋权重直接反应了指标间的相对重要关系,能显著影响评估结果及结果的可信性。现阶段广泛使用的赋权法包括主观赋权法(德尔菲法、相对比较法、特征向量法等)和客观赋权法(熵值法、变异系数法、主成分分析法等)。
然而,这些赋权法都存在固有的局限。首先,主观赋权法主要依赖评估者的主观判断与知识经验,虽然能够很好地反映评估者的个性化决策倾向与意图偏好,但随意性较大,具有模糊性的主观经验最多可决定指标的大致重要性排序,但无法满足指标重要性的精确量化需求,且随着指标数量增多,评估者赋权成本将显著增加;其次,客观赋权法基于给定样本集中指标的内在统计特征,权重信息完全来自于样本数据的客观贡献,本质上规避了主观赋权法的随意性和模糊性,但却无法反映评估者个性意图,导致无法融入合理的经验知识规则,而且样本集通常较为有限,指标统计特征难以避免各种抽样偏差。
发明内容
本发明的目的是提供一种基于潜在权重自适应分配的作战方案评估方法,在贝叶斯网络的框架下实现加权和评估策略,方法根据给定的样本集与评估者预设的样本标签,自适应分配指标潜在权重,利用贝叶斯方法的后验预测模式,得出新样本的评估结论。权重信息以非线性方式融合了主客观两方面因素,可克服单一采用主观或客观赋权法的固有局限。
本发明提出的一种基于潜在权重自适应分配的作战方案评估方法,包括如下步骤:
(1)建立作战方案评估指标集合;
(2)样本集指标量化与样本标注;
(3)建立作战方案评估模型;
(4)数据代入推断。
优选地,所述的步骤(1)包括通过文献综合或专家咨询等方式建立系统的、完备的、独立的、可量化的作战方案评估指标集合,确保每项指标均与作战目标和评估目的直接相关,且要合理控制指标集合的规模。
优选地,所述的步骤(2)包括:
(a)样本集指标量化;
所述的(a)包括针对特定作战方案,利用一次或多次作战演练或作战仿真的结果实采数据量化指标集合,综合形成一个D维的指标样本向量x,D为0指标个数。之后针对多套作战方案独立重复前述量化过程可获得一个样本集X。样本集中任意指标值x*需经过规范化处理,统一为效益型指标,并映射至相同的取值区间,即
(b)样本标注;
所述的(b)包括:首先,评估者依据实际战果并结合个人作战知识经验,将样本集X中每个样本标注为“达标”或“未达标”之一,表示样本作战方案所对应的军事行动达成或未达成预定作战目标;其次,根据样本标签,划分样本集X为达标样本子集XP和未达标样本子集XN。
优选地,所述的步骤(3)包括:
(a)建立潜在权重产生过程;
所述的(a)包括建立指标潜在权重的先验分布,权重向量p的先验分布指定为:
p~Dirichlet(kα)
其中,Dirichlet(kα)是参数为kα的狄利克莱分布,它可保证p的分量非负,且和为1,参数α为一D维向量,每个分量代表权重的相对重要程度,由评估者根据主观经验确定,若无额外参考信息,一般可设α每个分量相同,实数k代表先验约束的强度因子,k值越大,权重受先验分布的影响也越大,适当调整k值可平抑小样本时抽样偏差的影响;
(b)建立评估结果产生过程;
yp=xp⊙p
yn=xn⊙p
其中,yp和yn分别为样本xp和xn的评估值,符号⊙代表向量内积运算,这样,样本评估值实际由指标加权和给出;
其次,建立新样本xpre(对应新作战方案)的评估结果产生过程。实施例中xpre也由新方案的作战仿真结果量化得出,其评估值计算遵循相同的加权和过程,即:
ypre=xpre⊙p
其中,ypre代表样本xpre的评估值;
(c)建立样本特征优化过程;
所述的(c)包括基于XP和XN两类评估结果数据,建立类间距特征优化过程和类内聚特征优化过程,设XP和XN中样本数分别为P和N,定义类间距特征sep和类内聚特征coh为:
sep=median({ypi|i=1~P})-median({ynj|j=1~N})
coh=max(mad({ypi|i=1~P}),mad({ynj|j=1~N}))
其中,median为中位数函数,mad为平均绝对偏差函数,定义为:
mad({z})=mean({z-median({z})})
这样,样本特征优化过程描述为:
O1~Laplace(sep,δ1)
O2~Laplace(coh,δ2)
其中,Laplace为拉普拉斯分布,也即双指数分布。则O1和O2分别是以类间距特征sep和类内聚特征coh为位置参数,以δ1和δ2为尺度参数的两个拉普拉斯分布的抽样值,分别代表sep和coh的优化目标。通过设置合理的O1和O2值,可同时使类间距特征sep最大化和类内聚特征coh最小化,这是通过权重p的自适应分配过程实现的。
优选地,所述的步骤(4)包括将达标样本子集XP、未达标样本子集XN和新样本xpre,以及必要的模型参数与随机变量观测值代入步骤(3)构建的作战方案评估模型中,启动对模型的抽样过程。潜在权重将根据模型的输入信息自适应收敛至恰当的后验概率分布,基于此得到新样本评估结果在区间[L,U]上的数值分布,此分布的期望值指征新方案评估结果,分布的方差揭示评估结果的不确定性,即潜在风险的大小。单方案评估时,期望值越高、方差越小,方案效能越高;多方案优选时,在期望结果类似的情况下,优选方差最小的方案。
本发明的有益效果在于:第一,本发明的潜在权重自适应分配过程根源于主观的样本标签和客观的样本指标,本质是一种基于主客观综合赋权的评估方法,凭借贝叶斯方法的优势,它既避免了传统主观赋权的人力成本,可自适应推断出蕴含在样本标签中的潜在权重,又能借助先验信息抑制客观赋权在小样本时抽样偏差的影响;第二,本发明给出的方案评估结果不是固定值,而是一个随机变量,这样除了期望值可作为评估结果的直接指征外,其分布方差又能揭示评估结果的分散程度,间接提示风险因素的存在。
附图说明
图1为本发明提出的一种基于潜在权重自适应分配的作战方案评估方法中采用的导弹部队作战方案评估指标集合;
图2为本发明提出的一种基于潜在权重自适应分配的作战方案评估方法中构建的基于潜在权重自适应分配的作战方案评估模型;
图3为本发明提出的一种基于潜在权重自适应分配的作战方案评估方法中得出的导弹部队作战方案评估结果数值分布。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例
参照图1-3,一种基于潜在权重自适应分配的作战方案评估方法,包括如下步骤:
(1)建立作战方案评估指标集合;
步骤(1)包括通过文献综合或专家咨询等方式建立系统的、完备的、独立的、可量化的作战方案评估指标集合,确保每项指标均与作战目标和评估目的直接相关,且要合理控制指标集合的规模,为简单起见,从导弹部队作战的人员、装备、阵地等方面梳理出图1所示的指标集合,共八项,即D=8。
(2)样本集指标量化与样本标注;
(a)样本集指标量化;
步骤(a)包括针对特定作战方案,利用一次或多次作战演练或作战仿真的结果实采数据量化指标集合,综合形成一个D维的指标样本向量x,D为指标个数。之后针对多套作战方案独立重复前述量化过程可获得一个样本集X。样本集中任意指标值x*需经过规范化处理,统一为效益型指标,并映射至相同的取值区间,即通过调整弹型、弹量、任务部队、打击目标、打击波次等因素,拟制多套不同的导弹部队作战方案,利用以这些方案为想定输入的作战仿真系统实采数据量化指标集合,形成一个7×8维的样本集矩阵X,包括表1中方案1~方案7的所有指标数据。X中任意指标值均经过规范化处理,统一为效益型指标,且映射至相同的取值区间[0,100],即L=0,U=100。
(b)样本标注;
步骤(b)包括:
首先,评估者依据实际战果并结合个人作战知识经验,将样本集X中每个样本标注为“达标”或“未达标”之一,表示样本作战方案所对应的军事行动达成或未达成预定作战目标,“达标”和“未达标”各自对应的样本个数不能低于1,实施例标注结果如表1所示。
其次,根据样本标签,划分样本集X为达标样本子集XP和未达标样本子集XN,实施例中XP包括方案1~方案3的指标数据,XN包括方案4~方案7的指标数据。
(3)建立作战方案评估模型;
(a)建立潜在权重产生过程;
步骤(a)包括建立指标潜在权重的先验分布,权重向量p的先验分布指定为:
p~Dirichlet(kα)
其中,Dirichlet(kα)是参数为kα的狄利克莱分布,它可保证p的分量非负,且和为1,符合权重的定义。参数α为一D维向量,每个分量代表权重的相对重要程度,由评估者根据主观经验确定。若无额外参考信息,一般可设α每个分量相同。实数k代表先验约束的强度因子,k值越大,权重受先验分布的影响也越大,适当调整k值可平抑小样本时抽样偏差的影响。
(b)建立评估结果产生过程;
步骤(b)包括:
yp=xp⊙p
yn=xn⊙p
其中,yp和yn分别为样本xp和xn的评估值。符号⊙代表向量内积运算,这样,样本评估值实际由指标加权和给出。
其次,建立新样本xpre(对应新作战方案)的评估结果产生过程。
实施例中xpre也由新方案的作战仿真结果量化得出,其评估值计算遵循相同的加权和过程,即:
ypre=xpre⊙p
其中,ypre代表样本xpre的评估值。
(c)建立样本特征优化过程;
步骤(c)包括基于XP和XN两类评估结果数据,建立类间距特征优化过程和类内聚特征优化过程,设XP和XN中样本数分别为P和N,
定义类间距特征sep和类内聚特征coh为:
sep=median({ypi|i=1~P})-median({ynj|j=1~N})
coh=max(mad({ypi|i=1~P}),mad({ynj|j=1~N}))
其中,median为中位数函数,mad为平均绝对偏差函数,定义为:
mad({z})=mean({z-median({z})})
这样,样本特征优化过程描述为:
O1~Laplace(sep,δ1)
O2~Laplace(coh,δ2)
其中,Laplace为拉普拉斯分布,也即双指数分布。则O1和O2分别是以类间距特征sep和类内聚特征coh为位置参数,以δ1和δ2为尺度参数的两个拉普拉斯分布的抽样值,分别代表sep和coh的优化目标。通过设置合理的O1和O2值,可同时使类间距特征sep最大化和类内聚特征coh最小化,这是通过权重p的自适应分配过程实现的。
(4)数据代入推断;
步骤(4)包括将达标样本子集XP、未达标样本子集XN和新样本xpre,以及必要的模型参数与随机变量观测值代入步骤(3)构建的作战方案评估模型中,启动对模型的抽样过程。潜在权重将根据模型的输入信息自适应收敛至恰当的后验概率分布,基于此得到新样本评估结果在区间[L,U]上的数值分布,此分布的期望值指征新方案评估结果,分布的方差揭示评估结果的不确定性,即潜在风险的大小。单方案评估时,期望值越高、方差越小,方案效能越高;多方案优选时,在期望结果类似的情况下,优选方差最小的方案。
实施例中,可将表1的方案1~方案7样本和新方案样本代入模型,并设置模型参数k=2,α=[1,1,1,1,1,1,1,1],δ1=1,δ2=2,以及变量观测值O1=U-L=100,O2=0。本发明使用Stan概率建模工具实现步骤(3)的模型,借助其内置的no-U-turn sampler(NUTS)方法实现对模型的抽样过程。这里需要关注的新样本评估值ypre的后验预测分布为:
p(ypre|XP,XN,O1,O2)······(1)
利用(1)式后验分布的抽样样本得出作战方案评估值在区间[0,100]上的概率分布情况如图3。易看出,方案评估值76.7处于中等偏上区间,表明方案总体上是合理可行的,且方差3.3较小,分布非常集中,表示方案中风险因素较低,能以高置信性作为进一步军事行动的决策依据。
表1
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于潜在权重自适应分配的作战方案评估方法,其特征在于,包括如下步骤:
(1)建立作战方案评估指标集合;
(2)样本集指标量化与样本标注;
(3)建立作战方案评估模型;
(4)数据代入推断。
2.根据权利要求1所述的一种基于潜在权重自适应分配的作战方案评估方法,其特征在于,所述的步骤(1)包括通过文献综合或专家咨询等方式建立系统的、完备的、独立的、可量化的作战方案评估指标集合,确保每项指标均与作战目标和评估目的直接相关,且要合理控制指标集合的规模。
3.根据权利要求1所述的一种基于潜在权重自适应分配的作战方案评估方法,其特征在于,所述的步骤(2)包括:
(a)样本集指标量化;
所述的(a)包括针对特定作战方案,利用一次或多次作战演练或作战仿真的结果实采数据量化指标集合,综合形成一个D维的指标样本向量x,D为0指标个数。之后针对多套作战方案独立重复前述量化过程可获得一个样本集X。样本集中任意指标值x*需经过规范化处理,统一为效益型指标,并映射至相同的取值区间,即
(b)样本标注;
所述的(b)包括:首先,评估者依据实际战果并结合个人作战知识经验,将样本集X中每个样本标注为“达标”或“未达标”之一,表示样本作战方案所对应的军事行动达成或未达成预定作战目标;其次,根据样本标签,划分样本集X为达标样本子集XP和未达标样本子集XN。
4.根据权利要求1所述的一种基于潜在权重自适应分配的作战方案评估方法,其特征在于,所述的步骤(3)包括:
(a)建立潜在权重产生过程;
所述的(a)包括建立指标潜在权重的先验分布,权重向量p的先验分布指定为:
p~Dirichlet(kα)
其中,Dirichlet(kα)是参数为kα的狄利克莱分布,它可保证p的分量非负,且和为1,参数α为一D维向量,每个分量代表权重的相对重要程度,由评估者根据主观经验确定,若无额外参考信息,一般可设α每个分量相同,实数k代表先验约束的强度因子,k值越大,权重受先验分布的影响也越大,适当调整k值可平抑小样本时抽样偏差的影响;
(b)建立评估结果产生过程;
yp=xp⊙p
yn=xn⊙p
其中,yp和yn分别为样本xp和xn的评估值,符号⊙代表向量内积运算,这样,样本评估值实际由指标加权和给出;
其次,建立新样本xpre(对应新作战方案)的评估结果产生过程。实施例中xpre也由新方案的作战仿真结果量化得出,其评估值计算遵循相同的加权和过程,即:
ypre=xpre⊙p
其中,ypre代表样本xpre的评估值;
(c)建立样本特征优化过程;
所述的(c)包括基于XP和XN两类评估结果数据,建立类间距特征优化过程和类内聚特征优化过程,设XP和XN中样本数分别为P和N,定义类间距特征sep和类内聚特征coh为:
sep=median({ypi|i=1~P})-median({ynj|j=1~N})
coh=max(mad({ypi|i=1~P}),mad({ynj|j=1~N}))
其中,median为中位数函数,mad为平均绝对偏差函数,定义为:
mad({z})=mean({z-median({z})})
这样,样本特征优化过程描述为:
O1~Laplace(sep,δ1)
O2~Laplace(coh,δ2)
其中,Laplace为拉普拉斯分布,也即双指数分布。则O1和O2分别是以类间距特征sep和类内聚特征coh为位置参数,以δ1和δ2为尺度参数的两个拉普拉斯分布的抽样值,分别代表sep和coh的优化目标。通过设置合理的O1和O2值,可同时使类间距特征sep最大化和类内聚特征coh最小化,这是通过权重p的自适应分配过程实现的。
5.根据权利要求1所述的一种基于潜在权重自适应分配的作战方案评估方法,其特征在于,所述的步骤(4)包括将达标样本子集XP、未达标样本子集XN和新样本xpre,以及必要的模型参数与随机变量观测值代入步骤(3)构建的作战方案评估模型中,启动对模型的抽样过程。潜在权重将根据模型的输入信息自适应收敛至恰当的后验概率分布,基于此得到新样本评估结果在区间[L,U]上的数值分布,此分布的期望值指征新方案评估结果,分布的方差揭示评估结果的不确定性,即潜在风险的大小。单方案评估时,期望值越高、方差越小,方案效能越高;多方案优选时,在期望结果类似的情况下,优选方差最小的方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116486.4A CN112819265A (zh) | 2019-11-15 | 2019-11-15 | 一种基于潜在权重自适应分配的作战方案评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116486.4A CN112819265A (zh) | 2019-11-15 | 2019-11-15 | 一种基于潜在权重自适应分配的作战方案评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819265A true CN112819265A (zh) | 2021-05-18 |
Family
ID=75851459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911116486.4A Pending CN112819265A (zh) | 2019-11-15 | 2019-11-15 | 一种基于潜在权重自适应分配的作战方案评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819265A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011007A1 (en) * | 2015-07-08 | 2017-01-12 | National Tsing Hua University | Land battle process evaluation method and system thereof |
CN108615122A (zh) * | 2018-05-11 | 2018-10-02 | 北京航空航天大学 | 一种防空反导体系作战能力评估方法 |
CN110059932A (zh) * | 2019-03-25 | 2019-07-26 | 南京邮电大学 | 基于svm的对地攻击型无人机作战效能评估方法 |
CN110175773A (zh) * | 2019-05-24 | 2019-08-27 | 南京邮电大学 | 基于贝叶斯网络的侦查无人机作战效能评估方法 |
-
2019
- 2019-11-15 CN CN201911116486.4A patent/CN112819265A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011007A1 (en) * | 2015-07-08 | 2017-01-12 | National Tsing Hua University | Land battle process evaluation method and system thereof |
CN108615122A (zh) * | 2018-05-11 | 2018-10-02 | 北京航空航天大学 | 一种防空反导体系作战能力评估方法 |
CN110059932A (zh) * | 2019-03-25 | 2019-07-26 | 南京邮电大学 | 基于svm的对地攻击型无人机作战效能评估方法 |
CN110175773A (zh) * | 2019-05-24 | 2019-08-27 | 南京邮电大学 | 基于贝叶斯网络的侦查无人机作战效能评估方法 |
Non-Patent Citations (2)
Title |
---|
曾家有 等: "潜射反舰导弹作战效能评估研究", 《国防科技》, vol. 37, no. 2, 30 April 2016 (2016-04-30), pages 105 - 109 * |
李聪 等: "基于潜在权重自适应分配的作战方案评估模型", 《电光与控制》, vol. 29, no. 2, 28 February 2022 (2022-02-28), pages 49 - 52 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7340440B2 (en) | Hybrid neural network generation system and method | |
CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
Li et al. | A meta-learning based distribution system load forecasting model selection framework | |
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
CN110826774A (zh) | 母线负荷预测方法、装置、计算机设备及存储介质 | |
CN110119846A (zh) | 一种用于中期电力负荷预测的多目标深度信念网络 | |
Zhang et al. | Short‐term load forecasting based on wavelet neural network with adaptive mutation bat optimization algorithm | |
CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
CN106485069A (zh) | 康复信息推送的方法及系统 | |
Li et al. | An advanced framework for net electricity consumption prediction: Incorporating novel machine learning models and optimization algorithms | |
Dao et al. | Compact artificial bee colony | |
Johnson et al. | Adaptive regulation of waterfowl harvests: lessons learned and prospects for the future | |
CN112819265A (zh) | 一种基于潜在权重自适应分配的作战方案评估方法 | |
Igbinedion | Oil price volatility and infrastructural growth: Evidence from an oil-dependent economy | |
CN117407880A (zh) | 基于合成生物安全数据库的风险评估平台 | |
Chong et al. | Stock price forecasting: hybrid model of artificial intelligent methods | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
Umar et al. | Taxonomy of Fuzzy Multi-Attribute Decision Making Systems in Terms of Model, Inventor and Data Type | |
CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 | |
EP3682301B1 (en) | Randomized reinforcement learning for control of complex systems | |
Jain et al. | Short term load forecasting using fuzzy inference and ant colony optimization | |
Li et al. | Optimizing multi-objective uncertain multi-stage weapon target assignment problems with the risk measure CVaR | |
He | Bank Customer Churn Prediction Analysis Based on Improved WOA-SVM |
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 |