CN113205215A - 一种基于知识的战场态势预测方法 - Google Patents
一种基于知识的战场态势预测方法 Download PDFInfo
- Publication number
- CN113205215A CN113205215A CN202110491491.4A CN202110491491A CN113205215A CN 113205215 A CN113205215 A CN 113205215A CN 202110491491 A CN202110491491 A CN 202110491491A CN 113205215 A CN113205215 A CN 113205215A
- Authority
- CN
- China
- Prior art keywords
- data
- situation prediction
- bayesian network
- battlefield
- fuzzy
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000014509 gene expression Effects 0.000 claims abstract description 7
- 238000013075 data extraction Methods 0.000 claims abstract description 4
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 230000007547 defect Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 1
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007619 statistical 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于知识的战场态势预测方法，包括以下步骤：S1，数据采集；S2，数据提取；S3，第一次数据检测；S4，第一次数据处理，对提取数据中存在的缺失部分与错误部分进行处理；S5，第二次数据检测；S6，第二次数据处理，对二次检测后的数据进行模糊化处理以得到模糊量化；S7，模型构建，对战场态势预测过程进行知识表达，构建关于战场预测的动态贝叶斯网络模型；S8，推理预测，将所述模糊变量输入至模糊动态贝叶斯网络，然后对所述模糊动态贝叶斯网络进行推理得到态势预测结果；通过设置多次数据检测与多次数据处理，对提取数据中检测出的缺失与错误进行多次补齐、剔除处理，加强了数据的有效性，提高了战场态势预测的精准度。
Description
技术领域
本发明涉及战场态势预测方法技术领域，具体涉及一种基于知识的战场态势预测方法。
背景技术
现代战场错综复杂，瞬息万变，战场信息具有高度的不确定性、不完备性。作战指挥人员需要考虑众多复杂因素，更要及时、准确地做出决策，所以对战场态势威胁情况进行估计和分析显得尤为重要。同时，战争是一种可与外部环境相互作用的开放系统，收集的信息可能包含一些不准确的数据，而且外部环境中细微因素的变化都会对战场的结果造成巨大影响。所以对战场态势预测评估时，需要收集大量信息进行处理，考虑众多复杂因素，实时地对信息进行统计分析。
但是在对战场态势预测时往往会出现数据缺失或者数据错误的情况，因此需要一种能够对缺失数据或错误数据进行修补、剔除的战场态势预测方法。
发明内容
本发明的目的就在于为了解决上述问题，而提供一种基于知识的战场态势预测方法。
本发明通过以下技术方案来实现上述目的，一种基于知识的战场态势预测方法，包括以下步骤：
步骤S1，数据采集，用于获取战场态势数据；
步骤S2，数据提取，从获取的战场态势数据中提取所要处理的数据；
步骤S3，第一次数据检测，对提取的数据进行检测，检测提取数据中是否存在缺失或错误；
步骤S4，第一次数据处理，对提取数据中存在的缺失部分进行补齐，对提取数据中存在的错误部分进行丢弃；
步骤S5，第二次数据检测，对经过处理的数据进行再次检测；
步骤S6，第二次数据处理，对二次检测后的数据进行模糊化处理以得到模糊量化；
步骤S7，模型构建，对战场态势预测过程进行知识表达，确定事件和属性的概念和表示，构建关于战场预测的动态贝叶斯网络模型；
步骤S8，推理预测，将所述模糊变量作为输入证据输入至所述动态贝叶斯网络模型以得到模糊动态贝叶斯网络，然后对所述模糊动态贝叶斯网络进行推理得到态势预测结果。
优选的，步骤S6中，所述动态贝叶斯网络模型包括态势预测和威胁评估两方面的语义表示。
本发明的有益效果是：
本发明一种基于知识的战场态势预测方法，通过设置多次数据检测，对提取数据进行多次检测，避免提取数据中存在缺失与错误，通过多次数据处理，对提取数据中检测出的缺失与错误进行多次补齐、剔除处理，加强了数据的有效性，提高了战场态势预测的精准度。
附图说明
图1为本发明一种基于知识的战场态势预测方法示意图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示：
本实施例中一种基于知识的战场态势预测方法，包括以下步骤：
步骤S1，数据采集，用于获取战场态势数据；
步骤S2，数据提取，从获取的战场态势数据中提取所要处理的数据；
步骤S3，第一次数据检测，对提取的数据进行检测，检测提取数据中是否存在缺失或错误；
步骤S4，第一次数据处理，对提取数据中存在的缺失部分进行补齐，对提取数据中存在的错误部分进行丢弃；
步骤S5，第二次数据检测，对经过处理的数据进行再次检测；
步骤S6，第二次数据处理，对二次检测后的数据进行模糊化处理以得到模糊量化；
步骤S7，模型构建，对战场态势预测过程进行知识表达，确定事件和属性的概念和表示，构建关于战场预测的动态贝叶斯网络模型；
步骤S8，推理预测，将所述模糊变量作为输入证据输入至所述动态贝叶斯网络模型以得到模糊动态贝叶斯网络，然后对所述模糊动态贝叶斯网络进行推理得到态势预测结果。
其中，步骤S6中，所述动态贝叶斯网络模型包括态势预测和威胁评估两方面的语义表示。
本发明一种基于知识的战场态势预测方法，通过设置多次数据检测，对提取数据进行多次检测，避免提取数据中存在缺失与错误，通过多次数据处理，对提取数据中检测出的缺失与错误进行多次补齐、剔除处理，加强了数据的有效性，提高了战场态势预测的精准度。
于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种基于知识的战场态势预测方法，其特征在于，包括以下步骤：
步骤S1，数据采集，用于获取战场态势数据；
步骤S2，数据提取，从获取的战场态势数据中提取所要处理的数据；
步骤S3，第一次数据检测，对提取的数据进行检测，检测提取数据中是否存在缺失或错误；
步骤S4，第一次数据处理，对提取数据中存在的缺失部分进行补齐，对提取数据中存在的错误部分进行丢弃；
步骤S5，第二次数据检测，对经过处理的数据进行再次检测；
步骤S6，第二次数据处理，对二次检测后的数据进行模糊化处理以得到模糊量化；
步骤S7，模型构建，对战场态势预测过程进行知识表达，确定事件和属性的概念和表示，构建关于战场预测的动态贝叶斯网络模型；
步骤S8，推理预测，将所述模糊变量作为输入证据输入至所述动态贝叶斯网络模型以得到模糊动态贝叶斯网络，然后对所述模糊动态贝叶斯网络进行推理得到态势预测结果。
2.根据权利要求1所述的一种基于知识的战场态势预测方法，其特征在于：步骤S6中，所述动态贝叶斯网络模型包括态势预测和威胁评估两方面的语义表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110491491.4A CN113205215A (zh) | 2021-05-06 | 2021-05-06 | 一种基于知识的战场态势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110491491.4A CN113205215A (zh) | 2021-05-06 | 2021-05-06 | 一种基于知识的战场态势预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113205215A true CN113205215A (zh) | 2021-08-03 |
Family
ID=77030127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110491491.4A Withdrawn CN113205215A (zh) | 2021-05-06 | 2021-05-06 | 一种基于知识的战场态势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113205215A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050515A (zh) * | 2022-12-30 | 2023-05-02 | 中国电子科技集团公司信息科学研究院 | 一种基于XGBoost的平行推演多分支态势预测方法 |
-
2021
- 2021-05-06 CN CN202110491491.4A patent/CN113205215A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050515A (zh) * | 2022-12-30 | 2023-05-02 | 中国电子科技集团公司信息科学研究院 | 一种基于XGBoost的平行推演多分支态势预测方法 |
| CN116050515B (zh) * | 2022-12-30 | 2023-11-07 | 中国电子科技集团公司信息科学研究院 | 一种基于XGBoost的平行推演多分支态势预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
| CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
| CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
| CN110197288A (zh) | 故障影响下设备的剩余使用寿命预测方法 | |
| CN108921301A (zh) | 一种基于自学习的机器学习模型更新方法及系统 | |
| CN111611294B (zh) | 星敏感器数据异常检测方法 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN109815149A (zh) | 一种基于Weibull分布引进故障的软件可靠性增长模型 | |
| CN113297044B (zh) | 一种运维风险预警方法及装置 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN116880397A (zh) | 工艺控制参数优化方法、装置、电子设备和存储介质 | |
| CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
| CN113205215A (zh) | 一种基于知识的战场态势预测方法 | |
| CN112949711B (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
| CN111126477A (zh) | 一种混合贝叶斯网络的学习与推理方法 | |
| CN111565118B (zh) | 基于多观测维度hmm的虚拟化网元故障分析方法及系统 | |
| Pang et al. | Detecting continual anomalies in monitoring data stream based on sampling GPR algorithm | |
| Hayder et al. | Applications of artificial neural networks with input and output degradation data for renewable energy systems fault prognosis | |
| CN117592870B (zh) | 基于水环境监测信息的综合分析系统 | |
| CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210803 |
|
| WW01 | Invention patent application withdrawn after publication |