CN115796042A - 一种面向电子侦察的智能博弈对抗推演系统及方法 - Google Patents

Abstract

本发明涉及智能推演技术领域，具体公开了一种面向电子侦察的智能博弈对抗推演系统及方法；系统包括物理资源层、基础支撑层、数据资源层、核心技术层以及系统应用层，其中系统应用层包括对抗仿真推演子系统、智能推演决策子系统、以及推演效能评估子系统；对抗仿真推演子系统构建数字化孪生场景并向智能推演决策子系统提供仿真综合态势数据；智能推演决策子系统基于仿真综合态势数据实时推演决策，提供侦察指令；推演效能评估子系统对推演任务做综合效能评估。并公开了推演方法，本发明满足了强对抗电磁环境下智能化侦察能力提升需求，有力支撑侦察系统在强对抗电磁环境下侦察任务制定的科学有效性试验验证。

Description

一种面向电子侦察的智能博弈对抗推演系统及方法

技术领域

本发明涉及智能推演技术领域，更具体地讲，涉及一种面向电子侦察的智能博弈对抗推演系统及方法。

背景技术

电子侦察是获取敌方军事情报的一种面向电子侦察的智能博弈对抗推演系统特殊的军事侦察手段，是利用电子侦察装备截获敌方雷达、通信或其他设备发出的电磁波信号，并进行识别、分析和定位，为军事行动提供情报支持的一类行动。随着现代战争节奏不断加快且复杂性不断上升，人脑决策已很难适应战场态势快速更迭的趋势，未来战争急需快速、自动和自主决策，迫切需要智能化技术延伸人脑，以提升指挥信息系统能力，从而适应高速、复杂和多变的战场环境的需求。传统的作战方案推演严格根据想定中制定的作战规则进行推演，侦察决策体无法根据作战态势进行自主决策，往往导致仿真过程不合理，结果不可信，且现有仿真推演系统中战场态势预测大多以定性分析为主,辅助决策模型多为静态,缺乏动态调整、演化与行为预测功能,难以满足未来战场态势的瞬息变化与快节奏作战需求。因此,迫切需要提高指挥决策支持系统对态势准确预测与方案快速推演等能力,使指挥员能够提前“透视”未来并及时做出响应。

发明内容

本发明所要解决的技术问题是，提供一种面向电子侦察的智能博弈对抗推演系统及方法，满足了强对抗电磁环境下智能化侦察能力提升需求，能够自主实现仿真实体模型开发、智能决策算法开发、任意复杂场景构建，重点突破智能化军事应用基础和共性技术、指挥控制中作战方案生成、任务规划及临机决策等智能化的关键技术点，有力支撑侦察系统在强对抗电磁环境下侦察任务制定的科学有效性试验验证；实现从顶层侦察筹划到单侦察传感器精细控制的全纵向协同控制指挥，聚集跨平台、多传感器之间的协同配合，可有效支撑侦察协同概率研究、作战方案和演示方案评估、战法创新和验证评估、军事人工智能研究等领域。

本发明解决技术问题所采用的解决方案是：

一方面

本发明公开了一种面向电子侦察的智能博弈对抗推演系统，包括：

物理资源层，提供底层硬件支撑；

基础支撑层，提供基础研发平台框架支撑；

数据资源层，用于构建真实场景的数据库，提供基础数据资源支撑；

核心技术层，通过研究蓝方轨迹序列生成算法、基于注意力机制的态势关联方法、侦察效能综合评估方法、复杂电磁环境多体制信号模拟仿真方法、基于专家小样本先验知识的对抗训练引导方法、分布式并行训练方法、时间序列轨迹预测方法、奖励函数与状态空间设计方法，提供算法模型支撑；

系统应用层，用于提供数字化孪生场景、侦察训练评估功能、出情要素计算、推演效能评估服务、以及推演效能评估模型训练能力；

所述系统应用层包括对抗仿真推演子系统、智能推演决策子系统、以及推演效能评估子系统；

所述对抗仿真推演子系统构建面向目标信号辐射源协同侦察的数字化孪生场景并向智能推演决策子系统提供仿真综合态势数据；

所述智能推演决策子系统基于仿真综合态势数据实时推演决策，为对抗仿真推演子系统实时提供侦察指令；

所述推演效能评估子系统基于仿真推演子系统落盘的数据，对推演任务做综合效能评估。

在一些可能的实施方式中，

所述对抗仿真推演子系统包括仿真实体建模模块、推演场景编辑模块、仿真推演模块以及仿真态势展示模块；

所述仿真实体建模模块通过建模为推演场景编辑模块和仿真推演模块提供侦察传感器、目标平台、以及目标信号辐射源模型；

所述推演场景编辑模块将提供的作战计划转化为想定文件，并推演场景编辑和作战想定规划；

所述场景编辑和作战想定规划包括编辑侦察场景中的部署信息、环境特征信息、目标平台信息、以及目标信号辐射源；

所述仿真推演模块对仿真场景初始化，并在初始化后进行仿真推演将侦察传感器信息、环境特征信息、侦察目标信息以及目标信号辐射源信息基于电磁环境解算为仿真综合态势数据发送给智能推演决策子系统。

在一些可能的实施方式中，

所述智能推演决策子系统包括分别与对抗仿真推演子系统进行数据交互的博弈对抗训练模块、智能任务规划模块、规则决策模块、以及任务计划编排模块；所述博弈对抗训练模块能够实现三种训练模式，具体为红方训练模式、蓝方训练模式以及博弈对抗训练模式。

在一些可能的实施方式中，

所述博弈对抗训练模块包括依次连接的控制中心模块、采样模块、采样池、以及模型训练模块。

在一些可能的实施方式中，

所述推演效能评估子系统包括依次与对抗仿真推演子体系连接的数据加载与预处理模块、效能评估指标体系构建模块、效能评估展示模块；

所述效能评估指标体系构建模块包括指标体系构建模块与评估算法构建模块。

另一方面：

本发明公开了一种面向电子侦察的智能博弈对抗推演方法，具体包括以下步骤：

步骤S1:对抗仿真推演子系统构建虚拟化场景和仿真推演场景，将推演过程数据解算所得到的仿真综合态势数据发送给智能推演决策子系统，将仿真综合态势数据中的可视化数据进行展示，同时将推演过程数据落盘到仿真数据库；

步骤S2:智能推演决策子系统根据接收的仿真综合态势数据生成的侦察指令，将侦察指令发送给对抗仿真推演子系统；

步骤S3:对抗仿真推演子系统接收并解析侦察指令，并将其解析为侦察传感器的工作参数，并修改侦察传感器的动作参数，推动后续仿真进程；

步骤S4:推演效能评估子系统基于侦察任务计划控制侦察传感器后融合生成的仿真综合态势数据与预先设置的测试场景数据进行对比评估。

在一些可能的实施方式中，

所述步骤S1具体包括以下步骤：

步骤S11:通过仿真实体建模模块对实体模型和组件模型的建模，为推演场景编辑模块和电磁环境解算模块提供侦察传感器、目标平台、目标信号辐射源模型；

步骤S12:通过推演场景编辑模块接收作战计划，将作战计划转化为想定文件，并提供用户界面进行推演场景编辑和作战想定规划；

所述场景编辑和作战想定规划包括编辑侦察场景中的部署信息、环境特征信息、目标平台信息、以及目标信号辐射源；

步骤S13:仿真推演模块加载想定文件，并对仿真场景初始化；初始化后进行仿真推演，将推演过程数据中的属性特征信息基于电磁环境解算为仿真综合态势数据，并发送给智能推演决策子系统；

步骤S14:仿真推演模块将仿真综合态势数据中的模型解算数据可视化，并将推演过程数据落盘到本地数据库。

在一些可能的实施方式中，

所述属性特征信息包括侦察传感器信息、环境特征信息、侦察目标平台信息、目标信号辐射源信息；

所述步骤S13中的将属性特征信息基于电磁环境解算为仿真综合态势数据，具体包括以下步骤：

步骤S131：以侦察传感器所处的地理位置、作战环境背景电磁噪声，并结合侦察手段与目标信号辐射源之间的相对位置关系进行电波传播计算，传播路径损耗；

步骤S132：根据辐射源辐射功率、天线、频率得计算到接收功率；

步骤S133：利用相关干涉仪测向原理计算目标信号辐射源的来波方位；

步骤S134：利用双站/三站交叉定位进行目标信号辐射源经纬度和定位精度计算。

在一些可能的实施方式中，

步骤S2具体包括以下步骤：

步骤S21：采样模块获取对抗仿真推演子系统推送的仿真综合态势数据，并将其存储到采样池中，通过模型训练模块加载仿真综合态势数据开展智能决策网络模型训练，将训练好的智能决策网络模型参数存储到模型管理模块；

步骤S22：利用深度强化学习算法预训练的决策智能体，接收仿真态势综合数据，基于效能评估约束实时生成侦察传感器的决策侦察计划，并同步预测评估目标平台的轨迹变化情况；

步骤S23：规则决策子模块接收仿真态势综合数据和侦察传感器的状态数据，采用行为树的方式进行决策，生成规则侦察计划；

步骤S24：任务计划编排模块接收决策侦察计划和规则侦察计划进行对比评估，选择侦察指令，并将侦测指令编码为侦察传感器适配的控制参数并下发给对抗仿真推演子系统。

在一些可能的实施方式中，

所述步骤S4具体包括以下步骤：

步骤S41：加载并解析对抗仿真推演子系统落盘到本地数据库的推演过程数据；

步骤S42：根据待评估的能力要求，构建评估指标体系，创建每一种评估指标体系的计算方式，包括目标识别能力、协同响应能力、传感器侦察识别能力、信号测向能力、定位能力以及跟踪引导能力；

步骤S43：通过指标权重计算方法，包括层次分析法、ADC方法、权重配置法，计算得到各项指标的权重；

步骤S44：评估结果展示与报告生成。

与现有技术相比，本发明的有益效果：

本发明通过对抗仿真推演系统的系统组成、工作原理与信息流程，实现将真实作战场景虚拟化，构建面向强对抗电磁环境的仿真场景；基于想定设定和战场规则约束对侦察行为任务仿真推演，对系统训练完成的智能决策网络模型进行覆盖性测试验证，验证其对复杂场景的应急侦察决策计划制定的正确性，并优选出智能决策网络模型；

本发明通过智能推演决策系统的系统组成、工作原理与信息流程，基于对抗仿真推演系统提供的仿真综合态势数据，实现虚拟环境下的侦察超短波、微波、电子和主动侦察雷达等传感器等控制指令，通过仿真演练提升侦察资源综合调度能力和协同控制能力，并将优化完善后的任务规划方案，平移到真实环境中开展应用，实现虚拟环境到真实环境的软件移植和无缝衔接应用，促进侦察资源统一调度和协同控制能力的综合提升；

本发明推演效能评估系统的系统组成、工作原理与信息流程；接入相应模式下的测试结果数据，基于任务设定文件，对总结指标包括目标属性识别、定位结果、辐射源识别结果、航迹连续覆盖性比例、反应延时等进行分析计算，展示当前推演任务的总体执行效能，实现不同视角、不同维度的传感器侦察效能对比，并以量化的指标集更直观地为呈现协同侦察能力提升的效果，指出协同资源运筹方案与预想的能力差距和能力提升方向；

本发明支持侦察决策智能体算法构建和博弈训练，使仿真平台具备智能化推演能力以提高“人在回路”干预的效率，使得构建“平行战场”成为可能，同时智能化模型的构建也使“人不在回路”的自主决策推演更加合理真实，提高了作战实验的准确度；

本发明可自主实现仿真实体模型开发、智能决策算法开发、任意复杂场景构建，重点突破智能化军事应用基础和共性技术、指挥控制中作战方案生成、任务规划及临机决策等智能化的关键技术点，有力支撑侦察系统在强对抗电磁环境下侦察任务制定的科学有效性试验验；

本发明采取分布式仿真服务方式，以应对定制多种仿真应用、运行不同精度仿真模型、外接多种外部系统、提供整个系统柔性可组合的需求，提高了仿真平台的运行效率及柔性。

附图说明

图1为本发明中智能博弈对抗推演系统的架构示意图；

图2为本发明中对抗仿真推演子系统工作原理与信息流程示意；

图3为本发明中智能推演决策子系统工作原理与信息流程示意图；

图4为本发明中推演效能评估子系统工作原理与信息流程示意图；

图5为本发明智能博弈对抗推演系统部署方式示意图；

具体实施方式

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。本申请所提及的"第一"、"第二"以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，"一个"或者"一"等类似词语也不表示数量限制，而是表示存在至少一个。在本申请实施中，“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个定位柱是指两个或两个以上的定位柱。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面对本发明进行详细说明。

如图1-图5所示：

一方面

本发明公开了一种面向电子侦察的智能博弈对抗推演系统，包括：

物理资源层，包括高性能工作站、高性能计算服务器阵列、训练服务器阵列、数据管理服务器、网络交换设备、显示设备等硬件资源，并能提供智能云平台分布式云服务；

基础支撑层，主要包括软件开发相关专用软件工具，如PyTorch机器学习框架、Numpy计算库、PyYaml文件解析库、Oracle数据库、以及CUDA等通用并行计算架构等，基础支撑层为本发明提供基础研发平台框架支撑。

数据资源层，用于构建真实场景的数据库，提供基础数据资源支撑；数据资源层针对模型训练构建真实场景的装备模型数据、场景想定数据、历史仿真综合态势数据、仿真综合态势数据、智能决策网络模型、信号文本数，通过构建相应数据库并进行统一组织管理，为本发明提供基础数据资源支撑。

核心技术层，通过研究蓝方轨迹序列生成算法、基于注意力机制的态势关联技术、侦察效能综合评估技术、复杂电磁环境多体制信号模拟仿真技术、基于专家小样本先验知识的对抗训练引导技术、分布式并行训练技术、时间序列轨迹预测技术、奖励函数与状态空间设计技术，为红蓝双方方智能体构建、红蓝双方智能博弈对抗训练、多传感器协同侦察任务自动规划、战场态势智能预测、基于本发明提供算法模型支撑。

系统应用层，用于提供多传感器混合协同侦察数字化孪生场景、侦察训练评估功能、出情要素计算、推演效能评估服务、以及推演效能评估模型训练能力；

所述系统应用层包括对抗仿真推演子系统、智能推演决策子系统、以及推演效能评估子系统；

所述对抗仿真推演子系统构建面向目标信号辐射源协同侦察的数字化孪生场景并向智能推演决策子系统提供仿真综合态势数据；对抗仿真推演子系统在仿真运行过程中通过内存、文件等交互方式实现不同模块/子系统之间的数据交互，完成仿真参数的实时同步更新。

所述智能推演决策子系统基于仿真综合态势数据实时推演决策，为对抗仿真推演子系统实时提供侦察指令；提供侦察训练评估功能。

智能推演决策子系统和对抗仿真推演子系统之间进行仿真综合态势数据和传感器侦察任务计划的交互，对抗仿真推演子系统模拟真实侦察环境和目标信号辐射源的数据信息，数据信息包括短波/超短波信号、微波信号、电子信号等，然后将仿真综合态势数据发送给智能推演决策子系统，智能推演决策子系统根据接收的态势信息生成相应的侦察动作，然后将生成的侦察指令发送给对抗仿真推演子系统。

所述推演效能评估子系统基于仿真推演子系统落盘的数据，对推演任务做综合效能评估；提供出情要素计算、推演效能评估服务，以及推演效能评估模型训练能力。

推演过程数据包括对抗仿真推演子系统基于决策智能体输出的侦察任务计划控制侦察传感器执行侦察任务，并调用定位跟踪专家库、侦察识别专家库、任务调度响应专家库等综合处理融合生成的仿真综合态势数据、以及对抗仿真推演子系统在仿真初始化时构建测试场景的设置参数作为真值，包括设置的目标平台的真实轨迹，真实辐射源挂载信息。

推演效能评估子系统实现在对抗仿真推演模式下对系统侦察识别能力、目标平台识别能力、定位能力、跟踪能力以及协同响应能力进行评估。推演效能评估子系统基于决策智能体输出的侦察任务计划控制侦察传感器后融合生成的仿真综合态势数据与预先设置的测试场景数据进行对比评估，以评估智能化任务规划的适用性、可行性和能力增量。

所述决策智能体包括基于博弈对抗训练模块得到的多传感器混合协同决策智能体和时间序列轨迹预测智能体；

在一些可能的实施方式中，

所述对抗仿真推演子系统包括仿真实体建模模块、推演场景编辑模块、仿真推演模块以及仿真态势展示模块；

所述仿真实体建模模块通过建模为推演场景编辑模块和仿真推演模块提供侦察传感器、目标平台、目标信号辐射源模型；

所述推演场景编辑模块，设置有外部作战想定导入接口，用于将用户提供的作战计划转化为想定文件，并提供用户界面进行推演场景编辑和作战想定规划；

所述场景编辑和作战想定规划包括编辑侦察场景中的部署信息、环境特征信息、目标平台信息、以及目标信号辐射源；

所述仿真推演模块通过加载演场景编辑模块所指定的想定文件，对仿真场景初始化；

仿真推演模块的作用为在完成初始化后，提供基于时间推进和事件触发机制的仿真驱动引擎进行仿真推演，将侦察传感器信息、环境特征信息、侦察目标等实体的属性特征基于电磁环境解算为仿真综合态势数据，通过网络接口发送给智能推演决策子系统；接收并解析智能推演决策子系统发送的侦察指令后，解析为侦察传感器的工作参数，并修改侦察传感器的动作参数，推动后续仿真进程；

仿真综合态势数据为信号态势数据和目标仿真综合态势数据；其中，信号态势数据为目标信号辐射源识别结果包括目标信号辐射源的类型，频率，带宽、方位，幅度值，调制类型，重点信号标识等，目标仿真综合态势数据包括目标平台的类型、属性、经纬度、高度、航向、首次发现时间等等；

在进行电磁环境解算时，以侦察传感器所处的地理位置，作战环境背景电磁噪声等，结合侦察传感器与辐射源目标间的相对位置关系进行电波传播计算，传播路径损耗；

再根据辐射源辐射功率、天线、频率等参数得到接收功率，信号接收功率PW＝TransPower+Gain-PathLoss；其中TransPower为辐射源功率、Gain为辐射源源天线增益，PathLoss根据辐射源与侦察阵地相对位置调用传播模型计算得到。

结合侦察识别专家库中的接收机噪声基底计算方法，得到噪声接收机噪声基底，

dBm＝10*log(1.38*10^-23*T₀)+10*logB_n+NF；

式中：T0为温度，Bn信号带宽，单位为Hz,NF为接收机噪声系数，单位为dB，10*log1.38*10^-23*T₀项，常温20℃时，可简化为-174dBm。

基于上述计算可得到信号接收信噪比SNR＝信号接收功率Pw-接收机噪声基底。

本发明中信号测向采用相关干涉仪测向原理，以侦察传感器测向阵列天线实际测向能力，这里所描述的实际测向能力为测向精度与测向模糊性，建立测向精度与信噪比的关系库，仿真过程中根据计算出的测向精度结合目标位置，进行测向数据输出和态势展示；

目标信号辐射源定位，根据双站/三站交叉定位专家库，基于测向方位进行定位精度计算，并结合实际目标位置模拟出定位结果进行态势展示。

在一些可能的实施方式中，

所述智能推演决策子系统包括分别与对抗仿真推演子系统进行数据交互的博弈对抗训练模块、智能任务规划模块、规则决策模块、以及任务计划编排模块；所述博弈对抗训练模块能够实现三种训练模式，具体为红方训练模式、蓝方训练模式以及博弈对抗训练模式。

红方训练模式是在蓝方采用固定的通信和雷达侦察策略情况下，训练红方智能体侦察任务规划决策模型；

蓝方训练模式是在红方采用固定的侦察任务规划策略的情况下，训练蓝方智能体通信和雷达侦察决策模型；

博弈对抗训练模式是在红蓝双方都不固定策略的情况下，采用相互博弈的方式积累数据进行训练；

其中，博弈对抗训练模块，主要功能为数据采样、模型训练、控制中心、模型管理；

智能任务规划模块利用深度强化学习算法预训练的多传感器混合协同决策智能体和时间序列轨迹预测智能体，接收仿真态势综合数据，基于效能评估约束条件实时生成侦察传感器的侦察计划，并同步预测评估目标平台的轨迹变化情况；这里所描述的效能评估约束条件为侦察资源消耗最小、侦察效能最大、目标平台定位精度优先、定位时效优先等；

本发明中智能任务规划模块适配性要强，以适应实际使用过程中参数变化、侦察平台种类、数量变化等情况。同时智能任务规划模块利用CUDA对GPU的使用，可以极大的加速智能决策网络模型的计算，从而缩短任务规划时间。

规则决策模块为专家规则决策模块，采用行为树的方式来进行专家决策；规则决策模块接收仿真综合态势数据和侦察传感器的状态数据，根据每一个层级的状态判断，进行逐层级的判断决策，直到最终的叶子节点，生成侦察计划。

任务计划编排模块，将专家规则决策模块输出的侦察计划与决策智能体输出的侦察计划进行对比评估，优选侦察指令，并将侦测策略编码为侦察传感器适配的控制参数并下发给对抗仿真推演子系统。

在一些可能的实施方式中，

所述博弈对抗训练模块包括依次连接的控制中心模块、采样模块、采样池、模型训练模块以及模型管理模块。

对抗博弈训练针对训练对象的不同，博弈对抗训练模块分为三种训练模型，包含红方训练模式、蓝方训练模式和博弈对抗训练模式。

红方训练模式是在蓝方采用固定的通信和雷达侦察策略情况下，训练红方智能体侦察任务规划决策模型。蓝方训练模式是在红方采用固定的侦察任务规划策略的情况下，训练蓝方智能体通信和雷达侦察决策模型。红蓝博弈对抗训练模式是在红蓝双方都不固定策略的情况下，采用相互博弈的方式积累数据进行训练。

采样模块通过采样配置解析读取采样单机上的采样配置信息，包括目标平台的轨迹生成方法、控制中心模块的网络地址、对抗仿真推演子系统的端口和数量等信息。模型训练模块通过训练配置解析获取训练用的所有初始化参数配置信息，如网络模型定义、训练频率等信息，并根据模型参数信息初始化智能决策网络模型；模型管理模块完成对预训练智能决策网络模型的保存、发布等。

采样模块主要任务是获取对抗仿真推演子系统推送的仿真态势综合数据，并将仿真态势综合数据存储到采样池中，当进行一定的时间步长时，进行模型权重参数更新，然后利用新的模型继续进行仿真态势综合数据操作；

模型训练模块主要任务是利用加载采样池中的仿真态势综合数据开展智能决策网络模型训练；模型训练模块是采样模块与模型训练模块交互的统一入口，由于数据的采样需要与训练时决策智能体的模型保持一致，因此当采样模块初始化启动时，采样模块会持续向控制中心模块发送请求，控制中心模块将初始化的网络参数、状态动作设置等信息发送给采样模块，用于采样端的模型初始化(亦或是决策规则的选择)。当智能体开始训练时，采样模块与对抗仿真推演子系统持续交互，通过采样模块所设置的单次仿真结束条件，例如设置每20分钟为虚拟单次仿真，当虚拟仿真结束时，将这次虚拟仿真期间产生的所有状态动作数据发送到控制中心模块，再由控制中心模块转发给模型管理模块。当数据量满足训练条件时，控制中心模块通知模型训练模块开启训练，将训练好的模型参数等信息存储到模型管理模块中，模型训练模块还具有更新训练参数到参数服务器和存储损失函数到日志服务器的作用。

在一些可能的实施方式中，

所述推演效能评估子系统包括依次与对抗仿真推演子体系连接的数据加载与预处理模块、效能评估指标体系构建模块、效能评估展示模块；

数据加载与预处理模块主要用于加载并解析对抗仿真推演子系统落盘到本地数据库的推演过程数据；

所述效能评估指标体系构建模块包括指标体系构建模块与评估算法构建模块。

指标体系构建模块构建评估指标体系，创建每一种评估指标体系的计算方式，包括目标识别能力、协同响应能力、传感器侦察识别能力、信号测向能力、定位能力以及跟踪引导能力；评估算法构建模块构建指标评估算法，并通过指标评估算法，计算得到各项指标的权重，指标评估算法包括层次分析法、ADC方法、权重配置法。

效能评估展示模块用于评估结果展示与报告生成，展示要素包括曲线、统计图表、饼图、雷达图等，并生成评估报告。

本发明中对抗仿真推演子系统部署于商用PC机，用于对抗推演软件的操作和推演过程展示；智能推演决策子系统部署于高性能训练服务器，用于多传感器协同侦察智能决策网络模型训练和推演测试；推演效能评估子系统部署于数据管理服务器，用于加载数据库落盘数据进行效能评估；三大子系统通过网络交换机进行数据交互。

另一方面：

本发明公开了一种面向电子侦察的智能博弈对抗推演方法，具体包括以下步骤：

步骤S1:对抗仿真推演子系统通过仿真实体建模孪生出面向信号侦察的虚拟化场景，再通过推演场景编辑、电磁环境解算、仿真推演、仿真态势综合展示构建面向目标信号辐射源协同侦察定位的仿真推演场景，将推演过程数据解算所得到的仿真综合态势数据发送给智能推演决策子系统，将仿真综合态势数据中的可视化数据进行展示，同时将推演过程数据落盘到仿真数据库；具体包括以下步骤：

步骤S11:通过仿真实体建模模块对实体模型和组件模型的建模，为推演场景编辑模块和电磁环境解算模块提供侦察传感器、目标平台、目标信号辐射源模型；

仿真实体建模模块包括侦察传感器实体建模、目标平台建、侦察平台建模、侦察环境建模；侦察传感器实体建模包括短波、超短波、卫星、微波、电子、主动侦察雷达等；目标平台建模包括陆基、空基、海基、天基等目标平台，以及设置它们的经纬高、速度、航迹、辐射源挂载等；侦察平台建模包括平台的经纬高、地理位置、侦察传感器部署关系等；侦察环境建模包括地理位置信息、背景电磁噪声、山川河流、天气变化等。

步骤S12:通过推演场景编辑模块接收作战计划，将作战计划转化为想定文件，并提供用户界面进行推演场景编辑和作战想定规划；

推演场景编辑模块具体编辑侦察传感器的部署地理位置、数量、开关机状态、隶属关系、侦察范围等；编辑目标平台的数量、运动航迹、搭载的辐射源类型，搭载的辐射源开关机状态等；编辑环境中电磁杂波信息，电磁杂波信息具体杂波的数量、频率、幅度，地理分布等；编辑地理环境的天气信息，天气信息包括雨天、晴天、雪天、雾天等。

所述场景编辑和作战想定规划包括编辑侦察场景中的部署信息、环境特征信息、目标平台信息、以及目标信号辐射源；

步骤S13:仿真推演模块加载想定文件，并对仿真场景初始化；初始化后通过基于时间推进和事件触发机制的仿真驱动引擎进行仿真推演，将推演过程数据中的属性特征信息基于电磁环境解算为仿真综合态势数据，并发送给智能推演决策子系统；

所述属性特征信息包括侦察传感器信息、环境特征信息、侦察目标平台信息、目标信号辐射源信息；

目标平台信息指的是敌飞机、船等信息。

目标信号辐射源信息指的是敌飞机、船上发射的信号信息。

在本发明中主要是对目标平台上挂载的辐射源信号进行捕获，并进一步识别出目标；

所述步骤S13中的将属性特征信息基于电磁环境解算为仿真综合态势数据，具体包括以下步骤：

步骤S131：以侦察传感器所处的地理位置、作战环境背景电磁噪声，并结合侦察手段与目标信号辐射源之间的相对位置关系进行电波传播计算，传播路径损耗；

步骤S132：根据辐射源辐射功率、天线、频率得计算到接收功率；

步骤S133：利用相关干涉仪测向原理计算目标信号辐射源的来波方位；

步骤S134：利用双站/三站交叉定位进行目标信号辐射源经纬度和定位精度计算。

仿真推演模块通过在二三维地理信息系统上显示侦察效能结果、目标侦察综合结构、以及三维电磁渲染，侦察效能结果包括目标信号辐射源的频率、带宽、幅度值、方位、辐射源类型等，目标平台侦察综合结果包括目标平台的类别、敌我属性、经纬高、速度、首次发现时间等。

步骤S2:智能推演决策子系统根据接收的仿真综合态势数据生成的侦察指令，将侦察指令发送给对抗仿真推演子系统；步骤S2具体包括以下步骤：

步骤S21：采样模块获取对抗仿真推演子系统推送的仿真综合态势数据，并将其存储到采样池中，通过模型训练模块加载仿真综合态势数据开展智能决策网络模型训练，将训练好的智能决策网络模型参数存储到模型管理模块；

步骤S22：智能任务规划模块利用深度强化学习算法预训练的决策智能体接收仿真态势综合数据，基于效能评估约束实时生成侦察传感器的决策侦察计划，并同步预测评估目标平台的轨迹变化情况；

步骤S23：规则决策子模块接收仿真态势综合数据和侦察传感器的状态数据，采用行为树的方式进行决策，生成规则侦察计划；

规则决策子模块为专家规则决策子模块，专家规则决策子模块采用行为树的方式来进行决策，接收仿真态势综合数据和侦察传感器的状态数据，根据每一个层级的状态判断，进行逐层级的判断决策，直到最终的叶子节点，生成跨平台多侦察传感器的规则侦察计划；多侦察传感器主要包括超短波侦察传感器、微波侦察传感器、电子侦察传感器、主动侦察雷达侦察传感器。

步骤S24：任务计划编排模块接收决策侦察计划和规则侦察计划进行对比评估，选择侦察指令，并将侦测指令编码为侦察传感器适配的控制参数并下发给对抗仿真推演子系统。

步骤S3:对抗仿真推演子系统接收并解析侦察指令，并将其解析为侦察传感器的工作参数，并修改侦察传感器的动作参数，推动后续仿真进程；

动作参数包括侦察传感器的工作模式、侦察传感器的起始/终止频率、侦察传感器的侦察方位；

步骤S4:推演效能评估子系统基于侦察任务计划控制侦察传感器后融合生成的仿真综合态势数据与预先设置的测试场景数据进行对比评估；步骤S4具体包括以下步骤：

步骤S41：数据分析与预处理模块加载并解析对抗仿真推演子系统落盘到本地数据库的推演过程数据；

步骤S42：指标体系构建模块根据待评估的能力要求，构建评估指标体系，创建每一种评估指标体系的计算方式，包括目标识别能力的计算方式、协同响应能力的计算方式、传感器侦察识别能力的计算方式、信号测向能力的计算方式、定位能力的计算方式以及跟踪引导能力的计算方式；

步骤S43：评估算法构建模块通过指标权重计算方法，包括层次分析法、ADC方法、权重配置法，计算得到各项指标的权重；

步骤S44：效能评估展示模块评估结果展示与报告生成，展示要素包括曲线、统计图表、饼图、雷达图等，并生成评估报告。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (10)

1.一种面向电子侦察的智能博弈对抗推演系统，其特征在于，包括：

物理资源层，提供底层硬件支撑；

基础支撑层，提供框架支撑；

数据资源层，用于构建真实场景的数据库，提供基础数据资源支撑；

核心技术层，通过研究蓝方轨迹序列生成算法、基于注意力机制的态势关联方法、侦察效能综合评估方法、复杂电磁环境多体制信号模拟仿真方法、基于专家小样本先验知识的对抗训练引导方法、分布式并行训练方法、时间序列轨迹预测方法、奖励函数与状态空间设计方法，提供算法模型支撑；

系统应用层，用于提供数字化孪生场景、侦察训练评估功能、出情要素计算、推演效能评估服务、以及推演效能评估模型训练能力；

所述系统应用层包括对抗仿真推演子系统、智能推演决策子系统、以及推演效能评估子系统；

所述对抗仿真推演子系统构建面向目标信号辐射源协同侦察的数字化孪生场景并向智能推演决策子系统提供仿真综合态势数据；

所述智能推演决策子系统基于仿真综合态势数据实时推演决策，为对抗仿真推演子系统实时提供侦察指令；

所述推演效能评估子系统基于仿真推演子系统落盘的数据，对推演任务做综合效能评估。

2.根据权利要求1所述的一种面向电子侦察的智能博弈对抗推演系统，其特征在于，所述对抗仿真推演子系统包括仿真实体建模模块、推演场景编辑模块、仿真推演模块以及仿真态势展示模块；

所述仿真实体建模模块通过建模为推演场景编辑模块和仿真推演模块提供侦察传感器、目标平台、以及目标信号辐射源模型；

所述推演场景编辑模块将提供的作战计划转化为想定文件，并推演场景编辑和作战想定规划；

所述场景编辑和作战想定规划包括编辑侦察场景中的部署信息、环境特征信息、目标平台信息、以及目标信号辐射源信息；

所述仿真推演模块对仿真场景初始化，并在初始化后进行仿真推演将侦察传感器信息、环境特征信息以及侦察目标信息基于电磁环境解算为仿真综合态势数据发送给智能推演决策子系统。

3.根据权利要求1所述的一种面向电子侦察的智能博弈对抗推演系统，其特征在于，所述智能推演决策子系统包括分别与对抗仿真推演子系统进行数据交互的博弈对抗训练模块、智能任务规划模块、规则决策模块、以及任务计划编排模块；所述博弈对抗训练模块能够实现红方训练模式或蓝方训练模式或博弈对抗训练模式。

4.根据权利要求3所述的一种面向电子侦察的智能博弈对抗推演系统，其特征在于，所述博弈对抗训练模块包括依次连接的控制中心模块、采样模块、采样池、以及模型训练模块。

5.根据权利要求3所述的一种面向电子侦察的智能博弈对抗推演系统，其特征在于，所述推演效能评估子系统包括依次与对抗仿真推演子体系连接的数据加载与预处理模块、效能评估指标体系构建模块、效能评估展示模块；

所述效能评估指标体系构建模块包括指标体系构建模块与评估算法构建模块。

6.根据权利要求1-5任一项所述的一种面向电子侦察的智能博弈对抗推演方法，其特征在于，具体包括以下步骤：

步骤S1:对抗仿真推演子系统构建虚拟化场景和仿真推演场景，将推演过程数据解算所得到的仿真综合态势数据发送给智能推演决策子系统，将仿真综合态势数据中的可视化数据进行展示，同时将推演过程数据落盘到仿真数据库；

步骤S2:智能推演决策子系统根据接收的仿真综合态势数据生成的侦察指令，将侦察指令发送给对抗仿真推演子系统；

步骤S3:对抗仿真推演子系统接收并解析侦察指令，并将其解析为侦察传感器的工作参数，并修改侦察传感器的动作参数，推动后续仿真进程；

步骤S4:推演效能评估子系统基于侦察任务计划控制侦察传感器后融合生成的仿真综合态势数据与预先设置的测试场景数据进行对比评估。

7.根据权利要求6所述的一种面向电子侦察的智能博弈对抗推演方法，其特征在于，所述步骤S1具体包括以下步骤：

步骤S11:通过仿真实体建模模块对实体模型和组件模型的建模，为推演场景编辑模块和电磁环境解算模块提供侦察传感器、目标平台、目标信号辐射源模型；

步骤S12:通过推演场景编辑模块接收作战计划，将作战计划转化为想定文件，并提供用户界面进行推演场景编辑和作战想定规划；

所述场景编辑和作战想定规划包括编辑侦察场景中的部署信息、环境特征信息、目标平台信息、以及目标信号辐射源；

步骤S13:仿真推演模块加载想定文件，并对仿真场景初始化；初始化后进行仿真推演，将推演过程数据中的属性特征信息基于电磁环境解算为仿真综合态势数据，并发送给智能推演决策子系统；

步骤S14:仿真推演模块将仿真综合态势数据中的模型解算数据可视化并将推演过程数据落盘到本地数据库。

8.根据权利要求7所述的一种面向电子侦察的智能博弈对抗推演方法，其特征在于，所述属性特征信息包括侦察传感器信息、环境特征信息、侦察目标平台信息、目标信号辐射源信息；

所述步骤S13中的将属性特征信息基于电磁环境解算为仿真综合态势数据，具体包括以下步骤：

步骤S131：以侦察传感器所处的地理位置、作战环境背景电磁噪声，并结合侦察手段与目标信号辐射源之间的相对位置关系进行电波传播计算，传播路径损耗；

步骤S132：根据辐射源辐射功率、天线、频率得计算到接收功率；

步骤S133：利用相关干涉仪测向原理计算目标信号辐射源的来波方位；

步骤S134：利用双站/三站交叉定位进行目标信号辐射源经纬度和定位精度计算。

9.根据权利要求6所述的一种面向电子侦察的智能博弈对抗推演方法，其特征在于，所述步骤S2具体包括以下步骤：

步骤S21：获取对抗仿真推演子系统推送的仿真综合态势数据，并将其存储到采样池中，通过模型训练模块加载仿真综合态势数据开展智能决策网络模型训练，将训练好的智能决策网络模型参数存储到模型管理模块；

步骤S22：利用深度强化学习算法预训练的决策智能体，接收仿真态势综合数据，基于效能评估约束实时生成侦察传感器的决策侦察计划，并同步预测评估目标平台的轨迹变化情况；

步骤S23：规则决策子模块接收仿真态势综合数据和侦察传感器的状态数据，采用行为树的方式进行决策，生成规则侦察计划；

步骤S24：任务计划编排模块接收决策侦察计划和规则侦察计划进行对比评估，选择侦察指令，并将侦测指令编码为侦察传感器适配的控制参数并下发给对抗仿真推演子系统。

10.根据权利要求9所述的一种面向电子侦察的智能博弈对抗推演方法，其特征在于，所述步骤S4具体包括以下步骤：

步骤S41：加载并解析对抗仿真推演子系统落盘到本地数据库的推演过程数据；

所述推演过程数据包括对抗仿真推演子系统基于决策智能体输出的侦察任务计划控制侦察传感器执行侦察任务，并调用定位跟踪专家库、侦察识别专家库、任务调度响应专家库综合处理融合生成的仿真综合态势数据；

步骤S42：根据待评估的能力要求，构建评估指标体系，创建每一种评估指标体系的计算方式，包括目标识别能力、协同响应能力、传感器侦察识别能力、信号测向能力、定位能力以及跟踪引导能力；

步骤S43：通过指标权重计算方法，包括层次分析法、ADC方法、权重配置法，计算得到各项指标的权重；

步骤S44：评估结果展示与报告生成。

Images