CN114912741A - 一种作战体系结构效能评估方法、装置以及存储介质 - Google Patents
一种作战体系结构效能评估方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN114912741A CN114912741A CN202210294454.9A CN202210294454A CN114912741A CN 114912741 A CN114912741 A CN 114912741A CN 202210294454 A CN202210294454 A CN 202210294454A CN 114912741 A CN114912741 A CN 114912741A
- Authority
- CN
- China
- Prior art keywords
- index data
- capability
- combat
- data
- data set
- 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 91
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000002790 cross-validation Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000035899 viability Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization 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
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种作战体系结构效能评估方法、装置以及存储介质，属于仿真技术领域，方法包括：导入作战任务效能评估指标数据集，并对作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和作战任务效能评估指标数据集作为待处理数据集；对待处理数据集进行预测分析，得到作战体系结构效能评估结果。本发明能够使得训练速度和预测精度大大的提高，评估过程中无需人的参与，实现了效能自动化的评估，克服了评估过程中人为因素多，主观性强，耗时长以及成本高的缺点。
Description
技术领域
本发明主要涉及仿真技术领域，具体涉及一种作战体系结构效能评估方法、装置以及存储介质。
背景技术
目前，体系结构作战是世界各军事大国训练、演习、作战的重要理论依据。体系结构作战就是利用互联网络将指挥作战系统、情报收集系统和武器装备系统连接成一个整体，形成一个高效、统一的作战体系。把信息优势转化为作战行动优势。当前，在空军系统任务作战体系结构中，指挥员直接根据作战经验对作战效能进行评分，本质上是经验驱动的效能评估方法，人为因素较多，主观性强，且耗时长、成本高。随着高新技术在军事领域的应用，现代战争呈现出前所未有的复杂性，战争态势瞬息万变，战场数据海量增长，要求效能评估有更高的速度和精度，经验驱动方法已无法适应现代战争的要求。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种作战体系结构效能评估方法、装置以及存储介质。
本发明解决上述技术问题的技术方案如下：一种作战体系结构效能评估方法，包括如下步骤：
导入作战任务效能评估指标数据集，并对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和所述作战任务效能评估指标数据集作为待处理数据集；
对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果。
本发明解决上述技术问题的另一技术方案如下：一种作战体系结构效能评估装置，包括：
数据集划分模块，用于导入作战任务效能评估指标数据集，并对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和所述作战任务效能评估指标数据集作为待处理数据集；
评估结果获得模块，用于对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果。
本发明解决上述技术问题的另一技术方案如下：一种作战体系结构效能评估装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的作战体系结构效能评估方法。
本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的作战体系结构效能评估方法。
本发明的有益效果是：通过对作战任务效能评估指标数据集的数据集划分分析得到多个目标能力指标数据，并将所有的目标能力指标数据和作战任务效能评估指标数据集作为待处理数据集，对待处理数据集的预测分析得到作战体系结构效能评估结果，能够使得训练速度和预测精度大大的提高，评估过程中无需人的参与，实现了效能自动化的评估，克服了评估过程中人为因素多，主观性强，耗时长以及成本高的缺点。
附图说明
图1为本发明实施例提供的一种作战体系结构效能评估方法的流程示意图；
图2为本发明实施例提供的作战任务效能评估指标数据集的划分过程图；
图3为本发明实施例提供的对待处理数据集进行预测分析的流程示意图；
图4为本发明实施例提供的一种作战体系结构效能评估装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种作战体系结构效能评估方法的流程示意图。
如图1所示，一种作战体系结构效能评估方法，包括如下步骤：
导入作战任务效能评估指标数据集，并对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和所述作战任务效能评估指标数据集作为待处理数据集；
对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果。
应理解地，对所述作战任务效能评估指标数据集进行数据集划分的分析是为了构建评估指标体系。
上述实施例中，通过对作战任务效能评估指标数据集的数据集划分分析得到多个目标能力指标数据，并将所有的目标能力指标数据和作战任务效能评估指标数据集作为待处理数据集，对待处理数据集的预测分析得到作战体系结构效能评估结果，能够使得训练速度和预测精度大大的提高，评估过程中无需人的参与，实现了效能自动化的评估，克服了评估过程中人为因素多，主观性强，耗时长以及成本高的缺点。
可选地，作为本发明的一个实施例，在导入作战任务效能评估指标数据集之前，还包括：
导入作战任务信息，并基于DoDAF作战体系结构模型对所述作战任务信息进行建模，得到概述和摘要信息图、高级作战概念图、能力构想视图以及能力分解视图，并通过所述概述和摘要信息图、所述高级作战概念图、所述能力构想视图以及所述能力分解视图得到作战任务效能评估指标数据集。
应理解地，所述DoDAF作战体系结构模型是美国国防部在C4ISR体系结构框架基础上开发的系统架构规范，其体系结构的原则和适用性已拓展到了所有联合能力域，而不仅限于C4ISR领域。它不仅定义了描述体系结构的方法，还为体系结构的了解、使用、对比、集成与互操作提供了通用的指南--开发和描述架构的指导原则和数据模型规范，逐渐成为体系结构设计和需求分析描述的建模标准。DoDAF 2.02版是体系结构开发的顶层、总体框架和概念模型，体现了“以数据为中心”的体系建模思想，强调使用体系结构数据来支撑分析和决策制定，在该框架中定义了一种体系结构描述的可视化形式视图模型。视图模型包括全景视图(All Viewpoint，AV)，能力视图(Capability View-point，CV)，数据与信息视图(Data and Information Viewpoint，DIV)，作战视图(Operational Viewpoint，OV)，项目视图(Project Viewpoint，PV)，服务视图(Services Viewpoint，SvcV)，标准视图(Standards Viewpoint，StdV)和系统视图(System Viewpoint，SV)。每一个视图都由一系列选定的体系结构数据组成，这些数据采用仪表板、融合式、文本式、合成式或图形式等可视化方式体现，代表了开发过程中收集的数据和导出的信息。
应理解地，通过人工方式从所述概述和摘要信息图、所述高级作战概念图、所述能力构想视图以及所述能力分解视图中提取出作战任务效能评估指标数据集。
具体地，根据下达的作战任务(即所述作战任务信息)和DoDAF模型(即所述DoDAF作战体系结构模型)要求，建模概述和摘要信息AV-1图(即所述概述和摘要信息图)。根据空战概念建模形成的文字说明，通过着重说明作战区域、作战环境、作战时间、威胁目标以及作战决策产生的使命任务等综合作战要素的具体内容，详细刻画了作战想定任务。
根据下达的作战任务(即所述作战任务信息)和DoDAF模型(即所述DoDAF作战体系结构模型)要求，建模高级作战概念图OV-1图(即所述高级作战概念图)。在作战概念建模成果的基础上对AV-1作战全局背景描述和架构概览的勾画，是空战作战概念下空战系统的总体设计。
根据下达的作战任务(即所述作战任务信息)和DoDAF模型(即所述DoDAF作战体系结构模型)要求，建模能力构想视图CV-1图(即所述能力构想视图)。对体系作战能力的战略背景和高层范围进行描述。
根据下达的作战任务(即所述作战任务信息)和DoDAF模型(即所述DoDAF作战体系结构模型)要求，建模能力分解视图CV-2图(即所述能力分解视图)。从能力范围出发对能力进行逐层分解，得到能力要素即底层子能力，建立能力结构树，描述了能力的层级和组成关系。
具体地，本发明选取战斗机及其作战体系为对象，通过研究战斗机的预警机支援下，单机突入敌前线纵深，利用隐身、超音速等能力带来的攻击优势，消灭敌护航编队的同时对敌方预警机进行远程空空导弹进行打击的作战过程，设计空战体系结构，实现空战系统任务模型的构建。首先AV-1模型(即所述概述和摘要信息图)主要根据空战作战任务概念建模形成的文字说明，通过着重说明作战区域、作战环境、作战时间、威胁目标以及作战决策产生的使命任务等综合作战要素的具体内容，详细刻画了作战想定任务，如突破敌方边界，包括突破敌方边界描述、目的、作战模式和任务完成标准。然后OV-1模型(即所述高级作战概念图)从任务执行层面以高层次图形给出了空战想定的解决方案，包括空战系统各个作战单元以及各单元之间的信息数据的交互情况。我方预警体系捕获敌方情报后，地面指挥中心和预警机进行协同任务规划和任务分配；预警机获取战斗机指挥控制权，进行态势感知、航路规划和突防引导；战斗机突破敌方边界后识别、跟踪、锁定敌预警机及护航编队进行超视距打击等任务。
在空战任务概念分析、AV-1模型(即所述概述和摘要信息图)和OV-1模型(即所述高级作战概念图)辅助下，建立CV-1模型(即所述能力构想视图)，将体系架构生命周期划分为地面准备、起飞组编、引导飞行、突入领空、探测识别、超视距攻击和返航7个体系发展阶段，对各个阶段能力需求进行概括总结，得出任务规划、指挥控制、通信、目标感知、火力打击、防御、保障和机动8项二级能力，并建立阶段与能力之间的归属关系。再通过CV-2模型(即所述能力分解视图)从能力范围出发对能力进行逐层分解，得到能力要素即底层子能力，建立能力结构树，描述了能力的层级和组成关系。以目标感知能力为例，突袭战斗机能够独立或联合搜索目标，根据搜索信号建立目标跟踪，满足态势需求。所以将一级目标感知作战能力进行细化分为威胁警告、目标识别和目标定位3项二级能力，再将目标识别划分为可见光识别、雷达识别和红外识别3项三级能力。为后续步骤中构建评估指标体系提供能力指标选择。
上述实施例中，基于DoDAF作战体系结构模型对作战任务信息的建模得到作战任务效能评估指标数据集，为后续数据处理提供能力指标的选择，实现了效能自动化的评估，克服了评估过程中人为因素多，主观性强，耗时长以及成本高的缺点。
可选地，作为本发明的一个实施例，如图1至2所示，所述对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据的过程包括：
对所述作战任务效能评估指标数据集进行第一次划分，得到多个第一能力指标数据；
按照第一次划分的先后顺序对多个所述第一能力指标数据进行编号，得到与各个所述第一能力指标数据对应的第一能力指标编号；
分别将各个所述第一能力指标数据进行第二次划分，得到与各个所述第一能力指标数据对应的多个第二能力指标数据；
分别将各个所述第二能力指标数据进行第三次划分，得到与各个所述第二能力指标数据对应的多个第三能力指标数据；
按照第三次划分的先后顺序对多个所述第三能力指标数据再次进行编号，得到与各个所述第三能力指标数据对应的第二能力指标编号；
分别对各个所述第三能力指标数据、与各个所述第三能力指标数据对应的第二能力指标编号以及与各个所述第三能力指标数据对应的第一能力指标编号进行归一化分析，得到与各个所述第三能力指标数据对应的目标能力指标数据。
应理解地，如图2所示，首先，建立层次化评估指标集合V，效能层只有空战作战任务总体效能E(即所述作战任务效能评估指标数据集)一个指标，E的数值表示空战作战任务的总体效能。接着，能力层将系统的总体效能(即所述作战任务效能评估指标数据集)划分为3个不相关联的能力(即所述第一能力指标数据)包括探测追踪能力、杀伤能力和生存能力。然后，指标层将能力层的各种能力与指标集合中相应的指标对应起来，其中包括任务规划能力、指挥控制能力、通信能力、目标感知能力、火力打击能力、防御能力、综合保障能力和机动能力(即多个所述第二能力指标数据)。最后，对指标集合V(即多个所述第三能力指标数据)中的所有定性或定量指标进行归一量化得到对应得能力数值(即所述目标能力指标数据)。
具体地，采用层次分析法建立评估指标体系图，该体系分为四个层次。按照自底向上、分层集成的原则，从最底层的量化指标开始，通过计算模型逐层向上集成，最终得到空战作战任务的总体能力(即所述作战任务效能评估指标数据集)。根据空战作战任务效能评估指标体系，建立层次化评估指标集合V，其中，效能层只有空战作战任务总体效能E(即所述作战任务效能评估指标数据集)一个指标，E(即所述作战任务效能评估指标数据集)的数值表示空战作战任务的总体效能；能力层将系统的总体效能划分为3个不相关联的能力Ai(i＝1,2,3)(即所述第一能力指标数据)，且E(即所述作战任务效能评估指标数据集)可由Ai(即所述第一能力指标数据)计算得出，即E＝fE(A1,A2,A3)，式中fE为Ai(即所述第一能力指标数据)到E(即所述作战任务效能评估指标数据集)的映射函数；指标层将能力层的各种能力与指标集合中相应的指标对应起来，且任意能力Ai(即所述第一能力指标数据)都可由一个或多个指标计算得出，即Ai＝fi(vi,1,vi,2,…,vi,j)，式中vi,j(i＝1,2,3)(j＝1,2,…,Ni)为影响能力Ai的性能指标(即所述第二能力指标数据)，Ni为与能力Ai相关的性能指标个数，fi为vi,j到Ai的映射函数。
上述实施例中，对作战任务效能评估指标数据集的数据集划分分析得到多个目标能力指标数据，能够获取更加精确的数据，为后续数据处理提供保障，使得训练速度和预测精度大大的提高。
可选地，作为本发明的一个实施例，所述分别对各个所述第三能力指标数据、与各个所述第三能力指标数据对应的第二能力指标编号以及与各个所述第三能力指标数据对应的第一能力指标编号进行归一化分析，得到与各个所述第三能力指标数据对应的目标能力指标数据的过程包括：
分别判断各个所述第一能力指标编号以及所述第二能力指标编号是否满足条件，所述条件包括所述第一能力指标编号等于多个预设第一能力指标编号中的任一个，且所述第二能力指标编号等于多个预设第二能力指标编号中的任一个；
若满足，则通过第一式对所述第三能力指标数据进行归一化计算，得到与所述第三能力指标数据对应的第五能力指标数据，所述第一式为：
其中，v′k为第五能力指标数据，vk为第三能力指标数据，
为指标额定值，并将所述第五能力指标数据作为目标能力指标数据；
若不满足，则通过第二式对所述第三能力指标数据进行归一化计算，得到与所述第三能力指标数据对应的第六能力指标数据，所述第二式为：
其中，v″k为第六能力指标数据，vk为第三能力指标数据，
为指标额定值，并将所述第六能力指标数据作为所述目标能力指标数据。
优选地，所述预设第一能力指标编号可以为1或2，所述预设第二能力指标编号可以为1或2或3。
应理解地，在效能评估之前，需将指标集合V(即多个所述第三能力指标数据)中的所有定性或定量指标进行归一量化，即选取V(即多个所述第三能力指标数据)中的任意指标vk(k＝1,2,…,K)(即所述第三能力指标数据)，如果vk(即所述第三能力指标数据)是定量指标，需判断指标vk(即所述第三能力指标数据)与其相应能力Ai(即所述第一能力指标数据)的变化关系。
具体地，如果随着vk(即所述第三能力指标数据)的增大，Ai(即所述第一能力指标数据)也随之增大(即所述第一能力指标编号等于多个预设第一能力指标编号中的任一个，且所述第二能力指标编号等于多个预设第二能力指标编号中的任一个)，则vk归一化后的数值(即所述第五能力指标数据)如下式：
其中，
为空战作战任务满足通信需求所规定的指标vk的额定值；
如果随着vk(即所述第三能力指标数据)的增大，Ai(即所述第一能力指标数据)保持不变或随之减小(即所述第一能力指标编号不等于多个预设第一能力指标编号中的任一个，或所述第二能力指标编号不等于多个预设第二能力指标编号中的任一个)，则：
如果vk(即所述第三能力指标数据)是定性指标，根据专家经验法对vk(即所述第三能力指标数据)进行模糊处理，得出vk(即所述第三能力指标数据)在评判集中的等级，并将每一等级映射到0到1之间的一个数值，此数值即为vk(即所述第三能力指标数据)归一量化后的指标值v′k。
上述实施例中，分别对各个第三能力指标数据、第二能力指标编号以及第一能力指标编号的归一化分析得到目标能力指标数据，能够根据不同的数据进行针对性的处理，提高了数据的准确性，为后续数据处理提供保障，使得训练速度和预测精度大大的提高。
可选地，作为本发明的一个实施例，如图1和3所示，所述对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果的过程包括：
按照预设比例对所述待处理数据集进行待处理数据集的划分，得到训练集、验证集和测试集；
按照预设划分份数对所述训练集进行训练集的划分，得到多个训练子集；
构建随机梯度下降法模型，将所述验证集、所述测试集以及多个所述训练子集一并导入所述随机梯度下降法模型中，并利用五折交叉验证法对所述随机梯度下降法模型进行训练，得到第一预测值以及与各个所述训练子集对应的第二预测值；
构建支持向量回归模型，将所述验证集、所述测试集以及多个所述训练子集一并导入所述支持向量回归模型中，并利用五折交叉验证法对所述支持向量回归模型进行训练，得到第三预测值以及与各个所述训练子集对应的第四预测值；
构建随机森林回归模型，将所述验证集、所述测试集以及多个所述训练子集一并导入所述随机森林回归模型中，并利用五折交叉验证法对所述随机森林回归模型进行训练，得到第五预测值以及与各个所述训练子集对应的第六预测值；
构建线性回归模型，将多个所述第二预测值、多个所述第四预测值以及多个所述第六预测值一并导入所述线性回归模型中进行训练，得到训练后的模型；
通过所述训练后的模型对所述第一预测值、所述第三预测值和所述第五预测值进行预测，得到作战体系结构效能评估结果。
优选地，所述预设比例可以为6：2：2，所述预设划分份数可以为5。
应理解地，所述随机梯度下降法模型即随机梯度下降法(Stochastic gradientdescend，SGD)模型，是一种最优化算法，它是用迭代的方法求解目标函数得到最优解，是在最小二乘法cost function(成本函数)的基础上，利用梯度迭代求出局部最优解。对应的更新公式是:
对于训练速度来说，随机梯度下降法由于每次仅仅采用一个样本来迭代，训练速度很快，而批量梯度下降法在样本量很大的时候，训练速度不能让人满意。对于准确度来说，随机梯度下降法用于仅仅用一个样本决定梯度方向，导致解很有可能不是最优。对于收敛速度来说，由于随机梯度下降法一次迭代一个样本，导致送代方向变化很大，不能很快的收敛到局部最优解。
具体地，所述支持向量回归模型即支持向量回归(support vector regression，SVR)，是支持向量机(support vector machine，SVM)的一种实现方式，与传统回归模型相似，其基本思想是，求解一个最优的超平面，使所有样本点到该超平面的误差最小。SVR模型在解决小样本高维问题时有一定优势。在构建SVR模型时，选择不同核函数会影响模型的精度，通常，选用核函数有两种方式:一是对数据集的特征有一定先验知识的情况下,基于先验知识选择核函数；二是通过试用不同的核函数，选择使用误差最小的核函数。在解决不同问题时，各数据集特征有较大差异，因此本文采用第二种方法，以线性核函数、多项式核函数、RBF核函数、Sigmoid核函数分别建立SVR模型，选择R指标最好的核函数，建立SVR基元模型。
应理解地，所述随机森林回归模型即随机森林回归(Random Forest Algorithm,RF)，是一种集成学习技术，它将森林中收集的多个去相关决策树的结果聚集起来输出分类结果。极度随机树的每棵决策树都是由原始训练样本构建的。在每个测试节点上，每棵树都有一个随机样本，样本中有k个特征，每个决策树都必须从这些特征集中选择最佳特征，然后根据一些数学指标(一般是基尼指数)来拆分数据。这种随机的特征样本导致多个不相关的决策树的产生。在构建森林的过程中，对于每个特征，计算用于分割特征决策的数学指标(如使用基尼指数)的归一化总缩减量，这个值称为基尼要素的重要性。基尼重要性按降序排列后，可根据需要选择前k个特征。
应理解地，所述线性回归模型即为线性回归(Linear Regression)，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y＝w'x+e，e为误差服从均值为0的正态分布。
应理解地，所述五折交叉验证法即为交叉验证法，是先将数据集划分为k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致性，即从数据集中通过分层采样得到。然后，每次用k-1个子集的并集作为训练集，余下的那个子集作为测试集，这样就可以获得k组训练集/测试集，从而可以进行k次训练和测试，最终返回的是这k个测试结果的均值。显然，交叉验证法评估结果的稳定性和保真性在很大程度上取决于k的取值，为强调这一点，通常把交叉验证法称为“k折交叉验证”，本发明中，将k值设置为5，故为五折交叉验证。交叉校验法；cross validation method也可以理解为随机从一组测定数据中抽取一部分数据来建立模型，用其余的数据来检验此模型的方法。如在人工神经网络法中，随机从一组测定数据中抽取一部分数据来训练网络，获得权系数，根据所得到的权系数进行预测，以预测值与实验值的差值作为评价参数，来校验所建立的网络模型，而这一部分数据是训练集的k分之一就是k折交叉验证，本发明取的k值为5。
应理解地，所述五折交叉验证法即为k值为5的交叉验证法，其可以理解为：
1、在训练模型时，如果已经预先指定好超参数了，这时候k交叉验证训练出来的模型只是不同数据训练出来的参数不同的相同结构的模型。一些文章中预先指定了超参数，再用k交叉验证只能单单说明在这组超参数下，模型的准确率是这样的，并不能说明当下的这组超参数是比其他的好。2、k交叉验证的用法是分别对自己想要尝试的n组超参数进行k交叉验证训练模型，然后比较n组超参数下用k交叉验证方法得到的n个平均误差，然后选出误差较小的那组超参数。3、在做实验时，比如要比较不同学习算法的效果，要先分别对不同算法用k交叉验证方法确定一组较好的超参数，然后在测试集上比较他们的准确率。
应理解地，所述五折交叉验证法即为k值为5的交叉验证法的步骤为：
1.把整个数据集随机分成K“层”
2.对于每一份来说：
1).以该份作为测试集，其余作为训练集；(用其中K-1层训练模型，然后用第K层验证)
2).在训练集上得到模型；
3).在测试集上得到生成误差，这样对每一份数据都有一个预测结果；(记录从每个预测结果获得的误差)
3.记录下的k个误差的平均值，被称为交叉验证误差(cross-validation error)。可以被用做衡量模型表现的标准
4.取误差最小的那一个模型。
应理解地，二级学习器在很大程度上影响了Stacking集成学习的泛化能力，二级学习器的输入特征，即一级基元模型的输出特征，非常接近数据的真实标记，使用简单的模型作为二级学习器可以降低过拟合风险。
应理解地，使用线性回归(即所述线性回归模型)作为二级学习器的算法。线性回归模型是最基础的回归模型，模型复杂度低，它通过连续的直线、平面或超平面拟合数据集，使得训练数据集的残差最小，能高效解决数据间有线性相关特征的问题。因此，选择线性回归模型建立二级学习器模型，对上述3个基元模型(即所述随机梯度下降法模型、所述支持向量回归模型和所述随机森林回归模型)进行组合。
应理解地，首先，选择与构建基元模型需要同时考虑各模型的准确性和多样性主要使用随机梯度下降法(Stochastic gradient descend，SGD)模型、支持向量回归(support vector regression，SVR)模型、随机森林回归(Random Forest Algorithm,RF)模型等元模型；其次，选择线性回归模型建立二级学习器模型，对上述3个基元模型(即所述随机梯度下降法模型、所述支持向量回归模型和所述随机森林回归模型)进行组合；最后，将训练好的所有基模型对整个训练集进行预测，第1层通过训练多种分类器将其作为Stacking算法的基分类器，用第2层的输出结果当作第2层的元分类器的输入，训练得到Stacking模型。同理，预测的过程也要先经过所有基模型的预测形成新的测试集(即所述第一预测值、所述第三预测值和所述第五预测值)，最后再对测试集(即所述第一预测值、所述第三预测值和所述第五预测值)进行预测。
应理解地，数据集(即所述待处理数据集)共包含2000个样本，每个样本都有22个实测网络指标，其中探测追踪能力8个指标，杀伤能力6个指标，生存能力8个指标。训练数据的组织方式采用通用格式。
具体地，如图3所示，第一步，将数据集(即所述待处理数据集)以6：2：2的比例划分为了训练集、验证集和测试集。将训练集分成5份(即多个所述训练子集)，分别为T1、T2、T3、T4、T5。
第二步，依次使用T1、T2、T3、T4、T5验证集，其余4份作为训练集，进行5折交叉验证，进行模型训练；然后再在测试集上进行预测。得到由SGD模型训练出来的5份预测值P1i(i＝1、2、3、4、5)(即所述第二预测值)和一份在测试集上的预测值B1(即所述第一预测值)，将这五份纵向重叠合并起来得到新的训练集A1，重复第二步的操作对SVR模型和RF模型训练得到新的训练集A2(即多个所述第四预测值)、A3(即多个所述第六预测值)和在测试集上的预测值B2(即所述第三预测值)、B3(即所述第五预测值)。
第三步，将三个基模型训练完毕后得到的预测值分别作为3个新的特征(A1,A2,A3),使用LR模型进行训练，建立LR模型(即所述训练后的模型)。
第四步，使用训练好的LR模型(即所述训练后的模型)对三个基模型在测试集上预测值所构建的3个新的预测值(B1,B2,B3)(即所述第一预测值、所述第三预测值和所述第五预测值)进行预测，得出最终的预测效能评估值(即所述作战体系结构效能评估结果)。
上述实施例中，对待处理数据集的预测分析得到作战体系结构效能评估结果，降低了过拟合的风险以及模型的复杂度，使得训练数据集的残差最小,能够高效地解决数据间有线性相关特征的问题。
可选地，作为本发明的另一个实施例，本发明的一种作战体系结构效能评估方法，针对空军系统任务作战体系结构的新特点以及研究中存在的问题，以空军系统任务作战体系为研究对象，采用DoDAF规范化描述了空军系统任务作战体系及其作战指挥流程，同时引入集成学习方法构建评估模型，评估过程无需人的参与,相关参数可以自动寻优，使得训练速度和预测精度大大提高，最终实现效能自动评估。
图4为本发明实施例提供的一种作战体系结构效能评估装置的模块框图。
可选地，作为本发明的另一个实施例，如图4所示，一种作战体系结构效能评估装置，包括：
数据集划分模块，用于导入作战任务效能评估指标数据集，并对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和所述作战任务效能评估指标数据集作为待处理数据集；
评估结果获得模块，用于对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果。
可选地，作为本发明的一个实施例，在所述数据集划分模块之前还包括建模分析模块，所述建模分析模块具体用于：
导入作战任务信息，并基于DoDAF作战体系结构模型对所述作战任务信息进行建模，得到概述和摘要信息图、高级作战概念图、能力构想视图以及能力分解视图，并通过所述概述和摘要信息图、所述高级作战概念图、所述能力构想视图以及所述能力分解视图得到作战任务效能评估指标数据集。
可选地，作为本发明的一个实施例，所述数据集划分模块具体用于：
对所述作战任务效能评估指标数据集进行第一次划分，得到多个第一能力指标数据；
按照第一次划分的先后顺序对多个所述第一能力指标数据进行编号，得到与各个所述第一能力指标数据对应的第一能力指标编号；
分别将各个所述第一能力指标数据进行第二次划分，得到与各个所述第一能力指标数据对应的多个第二能力指标数据；
分别将各个所述第二能力指标数据进行第三次划分，得到与各个所述第二能力指标数据对应的多个第三能力指标数据；
按照第三次划分的先后顺序对多个所述第三能力指标数据再次进行编号，得到与各个所述第三能力指标数据对应的第二能力指标编号；
分别对各个所述第三能力指标数据、与各个所述第三能力指标数据对应的第二能力指标编号以及与各个所述第三能力指标数据对应的第一能力指标编号进行归一化分析，得到与各个所述第三能力指标数据对应的目标能力指标数据。
可选地，本发明的另一个实施例提供一种作战体系结构效能评估装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的作战体系结构效能评估方法。该装置可为计算机等装置。
可选地，本发明的另一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的作战体系结构效能评估方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种作战体系结构效能评估方法，其特征在于，包括如下步骤：
导入作战任务效能评估指标数据集，并对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和所述作战任务效能评估指标数据集作为待处理数据集；
对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果。
2.根据权利要求1所述的作战体系结构效能评估方法，其特征在于，在导入作战任务效能评估指标数据集之前，还包括：
导入作战任务信息，并基于DoDAF作战体系结构模型对所述作战任务信息进行建模，得到概述和摘要信息图、高级作战概念图、能力构想视图以及能力分解视图，并通过所述概述和摘要信息图、所述高级作战概念图、所述能力构想视图以及所述能力分解视图得到作战任务效能评估指标数据集。
3.根据权利要求1所述的作战体系结构效能评估方法，其特征在于，所述对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据的过程包括：
对所述作战任务效能评估指标数据集进行第一次划分，得到多个第一能力指标数据；
按照第一次划分的先后顺序对多个所述第一能力指标数据进行编号，得到与各个所述第一能力指标数据对应的第一能力指标编号；
分别将各个所述第一能力指标数据进行第二次划分，得到与各个所述第一能力指标数据对应的多个第二能力指标数据；
分别将各个所述第二能力指标数据进行第三次划分，得到与各个所述第二能力指标数据对应的多个第三能力指标数据；
按照第三次划分的先后顺序对多个所述第三能力指标数据再次进行编号，得到与各个所述第三能力指标数据对应的第二能力指标编号；
分别对各个所述第三能力指标数据、与各个所述第三能力指标数据对应的第二能力指标编号以及与各个所述第三能力指标数据对应的第一能力指标编号进行归一化分析，得到与各个所述第三能力指标数据对应的目标能力指标数据。
4.根据权利要求3所述的作战体系结构效能评估方法，其特征在于，所述分别对各个所述第三能力指标数据、与各个所述第三能力指标数据对应的第二能力指标编号以及与各个所述第三能力指标数据对应的第一能力指标编号进行归一化分析，得到与各个所述第三能力指标数据对应的目标能力指标数据的过程包括：
分别判断各个所述第一能力指标编号以及所述第二能力指标编号是否满足条件，所述条件包括所述第一能力指标编号等于多个预设第一能力指标编号中的任一个，且所述第二能力指标编号等于多个预设第二能力指标编号中的任一个；
若满足，则通过第一式对所述第三能力指标数据进行归一化计算，得到与所述第三能力指标数据对应的第五能力指标数据，所述第一式为：
其中，v′k为第五能力指标数据，vk为第三能力指标数据，
为指标额定值，并将所述第五能力指标数据作为目标能力指标数据；
若不满足，则通过第二式对所述第三能力指标数据进行归一化计算，得到与所述第三能力指标数据对应的第六能力指标数据，所述第二式为：
其中，v″k为第六能力指标数据，vk为第三能力指标数据，
为指标额定值，并将所述第六能力指标数据作为所述目标能力指标数据。
5.根据权利要求1所述的作战体系结构效能评估方法，其特征在于，所述对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果的过程包括：
按照预设比例对所述待处理数据集进行待处理数据集的划分，得到训练集、验证集和测试集；
按照预设划分份数对所述训练集进行训练集的划分，得到多个训练子集；
构建随机梯度下降法模型，将所述验证集、所述测试集以及多个所述训练子集一并导入所述随机梯度下降法模型中，并利用五折交叉验证法对所述随机梯度下降法模型进行训练，得到第一预测值以及与各个所述训练子集对应的第二预测值；
构建支持向量回归模型，将所述验证集、所述测试集以及多个所述训练子集一并导入所述支持向量回归模型中，并利用五折交叉验证法对所述支持向量回归模型进行训练，得到第三预测值以及与各个所述训练子集对应的第四预测值；
构建随机森林回归模型，将所述验证集、所述测试集以及多个所述训练子集一并导入所述随机森林回归模型中，并利用五折交叉验证法对所述随机森林回归模型进行训练，得到第五预测值以及与各个所述训练子集对应的第六预测值；
构建线性回归模型，将多个所述第二预测值、多个所述第四预测值以及多个所述第六预测值一并导入所述线性回归模型中进行训练，得到训练后的模型；
通过所述训练后的模型对所述第一预测值、所述第三预测值和所述第五预测值进行预测，得到作战体系结构效能评估结果。
6.一种作战体系结构效能评估装置，其特征在于，包括：
数据集划分模块，用于导入作战任务效能评估指标数据集，并对所述作战任务效能评估指标数据集进行数据集划分的分析，得到多个目标能力指标数据，并将所有的目标能力指标数据和所述作战任务效能评估指标数据集作为待处理数据集；
评估结果获得模块，用于对所述待处理数据集进行预测分析，得到作战体系结构效能评估结果。
7.根据权利要求6所述的作战体系结构效能评估装置，其特征在于，在所述数据集划分模块之前还包括建模分析模块，所述建模分析模块具体用于：
导入作战任务信息，并基于DoDAF作战体系结构模型对所述作战任务信息进行建模，得到概述和摘要信息图、高级作战概念图、能力构想视图以及能力分解视图，并通过所述概述和摘要信息图、所述高级作战概念图、所述能力构想视图以及所述能力分解视图得到作战任务效能评估指标数据集。
8.根据权利要求6所述的作战体系结构效能评估装置，其特征在于，所述数据集划分模块具体用于：
对所述作战任务效能评估指标数据集进行第一次划分，得到多个第一能力指标数据；
按照第一次划分的先后顺序对多个所述第一能力指标数据进行编号，得到与各个所述第一能力指标数据对应的第一能力指标编号；
分别将各个所述第一能力指标数据进行第二次划分，得到与各个所述第一能力指标数据对应的多个第二能力指标数据；
分别将各个所述第二能力指标数据进行第三次划分，得到与各个所述第二能力指标数据对应的多个第三能力指标数据；
按照第三次划分的先后顺序对多个所述第三能力指标数据再次进行编号，得到与各个所述第三能力指标数据对应的第二能力指标编号；
分别对各个所述第三能力指标数据、与各个所述第三能力指标数据对应的第二能力指标编号以及与各个所述第三能力指标数据对应的第一能力指标编号进行归一化分析，得到与各个所述第三能力指标数据对应的目标能力指标数据。
9.一种作战体系结构效能评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至5任一项所述的作战体系结构效能评估方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至5任一项所述的作战体系结构效能评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294454.9A CN114912741A (zh) | 2022-03-23 | 2022-03-23 | 一种作战体系结构效能评估方法、装置以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210294454.9A CN114912741A (zh) | 2022-03-23 | 2022-03-23 | 一种作战体系结构效能评估方法、装置以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912741A true CN114912741A (zh) | 2022-08-16 |
Family
ID=82762783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210294454.9A Pending CN114912741A (zh) | 2022-03-23 | 2022-03-23 | 一种作战体系结构效能评估方法、装置以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912741A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115374392A (zh) * | 2022-10-26 | 2022-11-22 | 北京方州科技有限公司 | 获取目标事件的对象参数的方法、电子设备和存储介质 |
| CN116362607A (zh) * | 2023-03-30 | 2023-06-30 | 中国人民解放军军事科学院系统工程研究院 | 一种物资储备效能评估方法及装置 |
| CN117973684A (zh) * | 2024-01-29 | 2024-05-03 | 中国人民解放军军事科学院系统工程研究院 | 装备体系效能的智能评估装置 |
-
2022
- 2022-03-23 CN CN202210294454.9A patent/CN114912741A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115374392A (zh) * | 2022-10-26 | 2022-11-22 | 北京方州科技有限公司 | 获取目标事件的对象参数的方法、电子设备和存储介质 |
| CN115374392B (zh) * | 2022-10-26 | 2023-11-24 | 北京方州科技有限公司 | 获取目标事件的对象参数的方法、电子设备和存储介质 |
| CN116362607A (zh) * | 2023-03-30 | 2023-06-30 | 中国人民解放军军事科学院系统工程研究院 | 一种物资储备效能评估方法及装置 |
| CN116362607B (zh) * | 2023-03-30 | 2023-11-03 | 中国人民解放军军事科学院系统工程研究院 | 一种物资储备效能评估方法及装置 |
| CN117973684A (zh) * | 2024-01-29 | 2024-05-03 | 中国人民解放军军事科学院系统工程研究院 | 装备体系效能的智能评估装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hodges et al. | Wildland fire spread modeling using convolutional neural networks | |
| CN114912741A (zh) | 一种作战体系结构效能评估方法、装置以及存储介质 | |
| CN110532859A (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
| CN108805430A (zh) | 一种防空反导体系作战能力评估方法与装置 | |
| CN113159264B (zh) | 一种入侵检测方法、系统、设备及可读存储介质 | |
| CN109241377A (zh) | 一种基于深度学习话题信息增强的文本文档表示方法和装置 | |
| CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
| CN115759754A (zh) | 基于动态博弈变权的超视距空战模拟目标威胁评估方法 | |
| CN115293022A (zh) | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 | |
| CN117540156A (zh) | 面向任务的复杂装备体系能力分析方法和模拟对抗系统 | |
| CN115909027B (zh) | 一种态势估计方法及装置 | |
| CN115759346B (zh) | 一种基于ao算法的碳排放量预测方法、装置及设备 | |
| Johansson et al. | Implementation and integration of a Bayesian Network for prediction of tactical intention into a ground target simulator | |
| CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
| Kouhalvandi et al. | Algorithms for speeding-up the deep neural networks for detecting plant disease | |
| Gatian et al. | Enabling technology portfolio selection through quantitative uncertainty analysis | |
| Mandli et al. | Selection of most relevant features from high dimensional data using ig-ga hybrid approach | |
| CN115374392B (zh) | 获取目标事件的对象参数的方法、电子设备和存储介质 | |
| Pradana et al. | Comparison of Multi Layer Perceptron, Random Forest & Logistic Regression on Students Performance Test | |
| CN110941904A (zh) | 一种基于不同作战天气下的感知设备组合搭配方法 | |
| CN117932977B (zh) | 一种可计算作战概念模型的构建方法及系统 | |
| CN115563861B (zh) | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 | |
| CN117786469A (zh) | 基于网络可解释性分析的空战规则生成方法和装置 | |
| US20230351146A1 (en) | Device and computer-implemented method for a neural architecture search | |
| LiCausi | Modeling, Simulation, and Analysis of MOPs, MOEs, and MOOs. The Analysis Pyramid Reimagined |
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 |