CN113283110B - 一种用于智能化对抗仿真推演的态势感知方法 - Google Patents

一种用于智能化对抗仿真推演的态势感知方法 Download PDF

Info

Publication number
CN113283110B
CN113283110B CN202110656535.4A CN202110656535A CN113283110B CN 113283110 B CN113283110 B CN 113283110B CN 202110656535 A CN202110656535 A CN 202110656535A CN 113283110 B CN113283110 B CN 113283110B
Authority
CN
China
Prior art keywords
0thr
situation
awareness
target
confrontation
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
CN202110656535.4A
Other languages
English (en)
Other versions
CN113283110A (zh
Inventor
曾向荣
钟志伟
张政
刘衍
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110656535.4A priority Critical patent/CN113283110B/zh
Publication of CN113283110A publication Critical patent/CN113283110A/zh
Application granted granted Critical
Publication of CN113283110B publication Critical patent/CN113283110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于智能化对抗仿真推演的态势感知方法，该态势感知方法是基于深度学习的多模式态势感知，其中多模式态势感知包括全局态势感知、区域态势感知和第一视角态势感知，深度学习采用深度卷积神经网络把全局态势感知和区域态势感知融合，结合单一对抗单元的第一视角态势感知，用于对抗仿真推演中。本发明针对智能化对抗仿真推演过程中对抗场地环境复杂、对抗单元多的特点，提出了一种用于智能化对抗仿真推演的态势感知方法，有效的解决未来无人化对抗仿真需求。

Description

一种用于智能化对抗仿真推演的态势感知方法
技术领域
本发明属于对抗仿真推演技术领域，尤其涉及一种用于智能化对抗仿真推 演的态势感知方法。
技术背景
在数字化对抗中，由于对抗目标形式的多样性、机动性，使得获取到的对 抗场地信息复杂多样，协调人员面临着如何从海量数据中提取出有效数据，并 分析得出准确的对抗场地态势的难题。庞大的对抗场地数据不仅不利于协调人 员正确分析对抗场地态势，而且随着时间的推移，数据量不断的增多，导致协 调人员很难进行实时的对抗决策。随着智能化对抗仿真推演的发展，对态势感 知也就越来越重要。
协调员需要对对抗场地环境、对抗双方的人员分布、对抗意图有着充分的 了解后，才能制定决策。但是在真实对抗场地环境下，参与对抗的目标众多、 对抗目标种类多样、对抗场地范围广等特征增大了制定合理决策的难度，使得 仅仅依靠协调人员的个人能力很难做出实时、准确的判断。传统的态势估计是 在对抗双方已经了解情况下，实时性较差，因此，急切需要态势估计技术对瞬 息万变的对抗场地进行处理，从而辅助我方协调人员进行决策制定。态势估计 是将观测所得到的对抗场地环境、对抗力量分布、对方目标对抗意图、对方机 动性有机的结合在一起，分析事件发生的原因，得出关于对方对抗人员结构、 资源部署、战术行动方向与行动路线的估计，最终形成一张关于对抗活动、事 件、时间、位置和人员要素的综合态势图。态势估计技术解释了对抗场地中人 员分布和态势变化，并对对方目标的行为意图进行推断，预测未来态势走势， 制定最优决策。随着无人化、智能化的广泛应用，新的态势感知成为研究的重 点。
发明内容
有鉴于此，本发明的目的为了能够更加可靠地反映在复杂多变对抗场地环 境中仿真对抗推演中的态势感知，本发明提出了一种基于深度学习的多模式态 势感知，其中多模式的态势感知包括全局态势感知、区域态势感知和第一视角 态势感知部分。采用一个深度卷积神经网络把全局态势感知和区域态势感知融 合，结合单一对抗单元的第一视角态势感知，可有效的用于对抗仿真推演中。
本发明公开的一种用于智能化对抗仿真推演的态势感知方法，所述态势感 知方法是基于深度学习的多模式态势感知，其中所述多模式态势感知包括全局 态势感知、区域态势感知和第一视角态势感知，所述深度学习采用深度卷积神 经网络把所述全局态势感知和所述区域态势感知融合，结合单一对抗单元的所 述第一视角态势感知，用于对抗仿真推演中。
进一步地，所述全局态势感知、区域态势感知和第一视角态势感知的态势 步骤包括：
采用深度卷积神经网络识别对抗单元和识别对抗单元所处的环境；
根据目标和所述对抗单元所处的环境识别的结果估计对抗单元当前的状 态；
构建态势感知的时序图，预测对抗单元的下一步行动。
进一步地，采用深度卷积神经网络把全局态势感知和区域态势感知融合的 具体步骤为：
采用小卷积神经网络对全局图像进行目标识别，识别存在较多目标的区域、 识别环境场景的类型，所述小卷积神经网络不识别目标类型；
对多目标较多的区域进行区域提取，在提取的区域进行目标类型Thr识别， 确定目标的中心点pos0thr＝(x0thr,y0thr,z0thr)和目标所在的区域环境场景识别，并通 过查表获得目标的威胁半径，其中x0thr，y0thr和z0thr是目标的三维空间坐标值；
存储区域位置和区域状态信息，构建区域的态势感知时序图，预测该区域 中对抗单元的行动。
进一步地，所述区域提取的方法采用SSD网络结构对目标进行识别，把目 标和场景放入SSD网络中进行训练。
进一步地，单一对抗单元的第一视角态势感知，主要为单一对抗单元的自 动化对抗，通过第一视角的图像识别图像中目标和环境场景，存储目标位置和 目标状态信息，构建态势感知时序图，预测视角中对抗单元的行动。
进一步地，所述构建态势图包括对对抗单元建立态势感知图和对环境建立 态势感知图。
进一步地，所述对抗单元构建立态势感知图的方法如下：
将对抗单元的威胁统一作为一个半球形三维空间来进行描述，所述半球形 三维空间的数学模型如下：
假设威胁所在的中心位置坐标为pos0thr＝(x0thr,y0thr,z0thr)，其威胁半径为Rthr，其威胁半径根据目标类型定义；
威胁模型所覆盖的空间关系定义为：
(x-x0thr)2+(y-y0thr)2+(z-z0thr)2＝Rthr 2
建立对抗单元的参数模型为
THR＝[x0thr，y0thr，z0thr，Rthr，hitthr]
hitthr代表攻击能力，x，y，z为对抗单元的坐标。
进一步地，所述对环境建立态势感知图的方法如下:
对环境建立态势感知图，建立一个有地理位置、山的大小和山的高度特征 的圆锥体模型，所述圆锥体的数学模型为：
Figure BDA0003113100670000041
其参数模型为：MOU＝[x0mou,y0mou,Hmou,Rmou]
其中(x0mou,y0mou)为山的中心点位置，Hmou为山的最高点，Rmou为山的半径， h为高度，x，y为对抗单元的坐标。
本发明主要针对智能化对抗仿真推演过程中对抗场地环境复杂、对抗单元 多的特点，提出了一种用于智能化对抗仿真推演的态势感知方法，有效的解决 未来无人化对抗仿真需求。
附图说明
图1态势感知功能图；
图2基于深度学习的全局态势感知和区域态势感知融合；
图3对抗单元建立态势感知图；
图4环境建立态势感知图。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限 制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
本发明提供了一种用于智能化对抗仿真推演的态势感知方法，为了能够更 加可靠地反映在复杂多变对抗环境中仿真对抗推演中的态势感知，本发明提出 了一种基于深度学习的多模式态势感知，其中多模式的态势感知包括全局态势 感知、区域态势感知和第一视角态势感知部分。全局态势感知和区域态势感知 的区别在于一个全局的、一个是局部的，在对抗仿真中，一般态势包括对抗单 元的类型、威胁半径或者威胁程度、周围环境情况，可以自己定义威胁等级， 如导弹在有效射程范围类在随着距离越近可能击中目标的概率越大。采用一个 深度卷积神经网络把全局态势感知和区域态势感知融合，结合单一对抗单元的 第一视角态势感知，可有效的用于对抗仿真推演中。本发明主要针对智能化对 抗仿真推演过程中对抗场地环境复杂、对抗单元多的特点，提出了一种用于智 能化对抗仿真推演的态势感知方法，有效的解决未来智能化、无人化对抗仿真 需求。
如图1所示为态势感知功能图，态势感知可以认为是一个高度动态变化环 境下态势信息的处理过程，这一过程我们可以解释为决策者对当前对抗场地态 势的一种思维模式。在真实的环境下态势感知功能的对象是对抗区域中随时间 推移而不断动作并变化着的对抗实体，而态势实际上就是对这样一个动态变化 的对象感知并提取出来的态势元素进行察觉、理解和预测的处理过程。根据上 述的定义，因此态势重构的功能模型，包括三级功能模型：当前态势的觉察、 当前态势的理解和未来态势的预测模块。态势感知每一级要完成的功能具体包 括：
(1)在态势察觉的过程中需要对融合后的数据进行精炼、目标聚类分析 和目标行为分析并处理，形成态势觉察模块的输出战术事件说明，将之输出给 火力分配模块和态势重构的态势理解部分。
(2)在态势理解的过程中需要对战术事件进行分析，形成态势假设，并 验证此态势假设，验证后将形成的态势描述的情况输出给火力分配和态势重构 的态势预测部分。
(3)在态势预测的过程中需要对态势理解部分的态势进行分析，结合目 标状态和高层态势演变的过程，通过动态贝叶斯网络的方法预测下一时刻的对 抗场地的态势和各个元素的态势，即未来态势，并将此作为对抗意图输出给火 力分配模块。
根据态势感知模块化功能，本发明采用基于深度学习的全局态势感知和区 域态势感知融合，如图2所示：其具体步骤为：
(1)首先采用小卷积神经网络对全局图像进行目标识别，识别存在较多目 标的区域、识别环境场景的类型，该卷积网络不识别目标类型，以避免网络的 过拟合，因为在全局范围内，由于场景较大，目标就会变的很小，不容易识别 目标的类型；场景的识别+目标类型的识别不属于同样类型的目标，因此可能 造成网络的过拟合。输入图像为128*128，经过三层卷积神经网络每层卷积神 经网络包括卷积层、池化层和激活函数，三层卷积神经网络后连接全连接层， 最后用SoftMax对目标进行分类，识别图像中的区域为目标区域还是环境区域， 对目标统称为Tar类、环境包括山MOU、河流Riv、高原Plateau、平原Plain， 并确定相应的中心点坐标和范围。
(2)对存在目标的区域进行区域提取，采用SSD(Single Shot MultiBox Dector)网络结构对目标进行识别，把目标和场景放入SSD网络中进行训练， 对提取的区域进行目标类型Thr识别，目标所在的区域环境场景识别，确定对 应目标和场景的中心点坐标和范围，在提取的区域进行目标类型Thr识别，确 定目标的中心点pos0thr＝(x0thr,y0thr,z0thr)和目标所在的区域环境场景识别，并通过 查表获得目标的威胁半径和和攻击能力值hitthr，其中x0thr，y0thr和z0thr是目标 的三维空间坐标值。威胁半径是根据现有的单元自身的配置确定的，类似于先 验知识，如导弹的威胁半径大于坦克的威胁半径，一般由专门的机构提供，在 游戏中就强制认为一个值，星际争霸中机枪的攻击范围就大于步兵。
(3)存储区域位置和区域状态信息，构建区域的态势感知时序图，预测 该区域中对抗单元的行动。
预测可以根据深度强化学习获取，有多种方法可以确定。本实施例优选当 前的态势感知状态Q，下一步的运动后的态势感知状态Q'，下一步的运动可 能在N种组合产生，Q'最佳时对应的是第i组运动，此时的i为预测行动值。
构建态势图，包括对对抗单元建立态势感知图如图3所示和对环境建立态 势感知图如图4所示。
(1)对对抗单元建立态势感知图，将对抗单元的威胁统一作为一个半球形 三维空间来进行描述。假设威胁所在的中心位置坐标为pos0thr＝(x0thr,y0thr,z0thr)， 其威胁半径为Rthr，其威胁的半径根据目标类型定义。威胁模型所覆盖的空间 关系定义为：
(x-x0thr)2+(y-y0thr)2+(z-z0thr)2＝Rthr 2
建立该单元的参数模型为
THR＝[x0thr,y0thr,z0thr,Rthr,hitthr]
hitthr代表攻击能力，x，y，z为对抗单元的坐标。
(2)对环境建立态势感知图，建立一个圆锥体模型，有地理位置、山的大 小和山的高度的特征。它的数学模型为：
Figure BDA0003113100670000071
其参数模型为：
MOU＝[x0mou,y0mou,Hmou,Rmou]
其中(x0mou,y0mou)为山的中心点位置，Hmou为山的最高点，Rmou为山的半径，h 为高度，x，y为对抗单元的坐标。
本发明主要针对智能化对抗仿真推演过程中对抗场地环境复杂、对抗单元 多的特点，提出了一种用于智能化对抗仿真推演的态势感知方法，有效的解决 未来无人化对抗仿真需求。
上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实 施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、 代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种用于智能化对抗仿真推演的态势感知方法，其特征在于，所述态势感知方法是基于深度学习的多模式态势感知，其中所述多模式态势感知包括全局态势感知、区域态势感知和第一视角态势感知，所述深度学习采用深度卷积神经网络把所述全局态势感知和所述区域态势感知融合，结合单一对抗单元的所述第一视角态势感知，用于对抗仿真推演中；
其中，采用深度卷积神经网络把全局态势感知和区域态势感知融合的具体步骤为：
采用小卷积神经网络对全局图像进行目标识别，识别存在较多目标的区域、识别环境场景的类型，所述小卷积神经网络不识别目标类型；
对目标较多的区域进行区域提取，在提取的区域进行目标类型Thr识别，确定目标的中心点pos0thr＝(x0thr,y0thr,z0thr)和目标所在的区域环境场景识别，并通过查表获得目标的威胁半径，其中x0thr，y0thr和z0thr是目标的三维空间坐标值；存储区域位置和区域状态信息，构建区域的态势感知时序图，预测该区域中对抗单元的行动；
单一对抗单元的第一视角态势感知，为单一对抗单元的自动化对抗，通过第一视角的图像识别图像中目标和环境场景，存储目标位置和目标状态信息，构建态势感知时序图，预测视角中对抗单元的行动。
2.根据权利要求1所述用于智能化对抗仿真推演的态势感知方法，其特征在于，所述全局态势感知、区域态势感知和第一视角态势感知的态势步骤包括：
采用深度卷积神经网络识别对抗单元和识别对抗单元所处的环境；
根据目标和所述对抗单元所处的环境识别的结果估计对抗单元当前的状态；
构建态势感知的时序图，预测对抗单元的下一步行动。
3.根据权利要求1所述用于智能化对抗仿真推演的态势感知方法，其特征在于，所述区域提取的方法采用SSD网络结构对目标进行识别，把目标和场景放入SSD网络中进行训练。
4.根据权利要求1所述用于智能化对抗仿真推演的态势感知方法，其特征在于，所述构建态势感知时序图包括对对抗单元建立态势感知图和对环境建立态势感知图。
5.根据权利要求4所述用于智能化对抗仿真推演的态势感知方法，其特征在于，所述对抗单元构建立态势感知图的方法如下：
将对抗单元的威胁统一作为一个半球形三维空间来进行描述，所述半球形三维空间的数学模型如下：
假设威胁所在的中心位置坐标为pos0thr＝(x0thr,y0thr,z0thr)，其威胁半径为Rthr，其威胁半径根据目标类型定义；
威胁模型所覆盖的空间关系定义为：
(x-x0thr)2+(y-y0thr)2+(z-z0thr)2＝Rthr 2
建立对抗单元的参数模型为
THR＝[x0thr,y0thr,z0thr,Rthr,hitthr]
hitthr代表攻击能力，x，y，z为对抗单元的坐标。
6.根据权利要求5所述用于智能化对抗仿真推演的态势感知方法，其特征在于，所述对环境建立态势感知图的方法如下:
对环境建立态势感知图，建立一个有地理位置、山的大小和山的高度特征的圆锥体模型，所述圆锥体的数学模型为：
Figure FDA0003589762610000021
其参数模型为：MOU＝[x0mou,y0mou,Hmou,Rmou]
其中(x0mou,y0mou)为山的中心点位置，Hmou为山的最高点，Rmou为山的半径，h为高度，x，y为对抗单元的坐标。
CN202110656535.4A 2021-06-11 2021-06-11 一种用于智能化对抗仿真推演的态势感知方法 Active CN113283110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110656535.4A CN113283110B (zh) 2021-06-11 2021-06-11 一种用于智能化对抗仿真推演的态势感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110656535.4A CN113283110B (zh) 2021-06-11 2021-06-11 一种用于智能化对抗仿真推演的态势感知方法

Publications (2)

Publication Number Publication Date
CN113283110A CN113283110A (zh) 2021-08-20
CN113283110B true CN113283110B (zh) 2022-05-27

Family

ID=77284608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110656535.4A Active CN113283110B (zh) 2021-06-11 2021-06-11 一种用于智能化对抗仿真推演的态势感知方法

Country Status (1)

Country Link
CN (1) CN113283110B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017677B (zh) * 2022-04-27 2023-07-25 中国人民解放军军事科学院战略评估咨询中心 一种面向推演仿真的行动策略预判方法及系统
CN116842127B (zh) * 2023-08-31 2023-12-05 中国人民解放军海军航空大学 一种基于多源动态数据的自适应辅助决策智能方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111523177A (zh) * 2020-04-17 2020-08-11 西安科为实业发展有限责任公司 一种基于智能学习的空战对抗自主决策方法及系统
CN112560332A (zh) * 2020-11-30 2021-03-26 北京航空航天大学 一种基于全局态势信息的航空兵体系智能行为建模方法
CN112749516A (zh) * 2021-02-03 2021-05-04 江南机电设计研究所 适应多类型数据特征的体系组合模型可信度智能评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018211992A1 (en) * 2017-01-27 2019-07-11 Ohuku Llc Method and system for simulating, predicting, interpreting, comparing, or visualizing complex data
US11514668B2 (en) * 2018-09-04 2022-11-29 Seadronix Corp. Method and device for situation awareness

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111523177A (zh) * 2020-04-17 2020-08-11 西安科为实业发展有限责任公司 一种基于智能学习的空战对抗自主决策方法及系统
CN112560332A (zh) * 2020-11-30 2021-03-26 北京航空航天大学 一种基于全局态势信息的航空兵体系智能行为建模方法
CN112749516A (zh) * 2021-02-03 2021-05-04 江南机电设计研究所 适应多类型数据特征的体系组合模型可信度智能评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Threat Assessment in Air Combat Based on ELM Neural Network;Ximeng X 等;《2019 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA)》;20191231;第114-120页 *
人机智能融合的陆军智能化作战指挥模型体系;周胜利 等;《火力与指挥控制》;20200331;第34-41页 *
战场感知系统目标识别技术的进展;强勇 等;《火控雷达技术》;20080131;第1-9页 *

Also Published As

Publication number Publication date
CN113283110A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113283110B (zh) 一种用于智能化对抗仿真推演的态势感知方法
CN112580217A (zh) 基于复杂网络的通信体系结构参数化建模方法
CN112307622A (zh) 一种用于计算机生成兵力的自主规划系统及规划方法
Chmielewski et al. Methods and analytical tools for assessing tactical situation in military operations using potential approach and sensor data fusion
Kusyk et al. AI and game theory based autonomous UAV swarm for cybersecurity
Ting et al. A computational model of situation awareness for MOUT simulations
CN117453841A (zh) 一种三维地理信息大模型辅助的兵棋推演系统及方法
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
Ceranowicz et al. Adapting to urban warfare
CN114548674B (zh) 面向多智能体对抗场景的威胁态势评估方法、装置及设备
WO2023038605A1 (en) Autonomous virtual entities continuously learning from experience
CN115964640A (zh) 一种改进的基于模板匹配的二次目标分群方法
Lynch et al. Representing the ballistic missile defense system using agent-based modeling
Perusich et al. Understanding and modeling information dominance in battle management: Applications of fuzzy cognitive maps
Poropudas et al. Influence diagrams in analysis of discrete event simulation data
Maroon et al. Predicting Enemy Squad Positions Based on Environmental Data, Unit Objectives, Tactics and Observed Entities
Liang et al. Optimization of spatiotemporal clustering for target tracking from multisensor data
CN114529205B (zh) 马赛克战体系能力需求满足度评估方法及相关设备
Tolk Modeling Communications, Command, and Control
Severson Advanced Terrain Reasoning and Automated Maneuver Planning
Strickland Using math to defeat the enemy: combat modeling for simulation
CN108614938B (zh) 一种考虑作战过程的飞机生存力提升方法
Xu et al. Optimal multi-objective urban tactical position selection
Prihatmanto et al. Strategy and behavior models of non-playable character using computational intelligence approach
Qin et al. Confrontation Simulation Platform Based on Spatio-temporal Agents

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