CN115909027A - 一种态势估计方法及装置 - Google Patents
一种态势估计方法及装置 Download PDFInfo
- Publication number
- CN115909027A CN115909027A CN202211427335.2A CN202211427335A CN115909027A CN 115909027 A CN115909027 A CN 115909027A CN 202211427335 A CN202211427335 A CN 202211427335A CN 115909027 A CN115909027 A CN 115909027A
- Authority
- CN
- China
- Prior art keywords
- situation
- information
- estimation
- enemy
- data information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 87
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 28
- 230000003068 static effect Effects 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 19
- 238000004088 simulation Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种态势估计方法及装置,该方法包括:获取态势估计多源样本数据信息;对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;对所述态势元素特征信息进行处理,得到态势势力图;对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。本发明方法能够提高态势估计的特征利用率和态势评估精度,保证模型的分类性能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种态势估计方法及装置。
背景技术
战场态势估计是作战指挥活动的核心环节,是实施作战指挥决策的前提和依据。信息化作战条件下,随着大量预警探测设备、传感器的广泛应用,仅靠人工手段已无法分析和处理所获取的大量战场态势数据,更保证不了态势估计的时效性和准确性。因此,必须要通过智能化手段来辅助指挥员完成态势估计。智能态势估计不仅可以大大提高态势估计的效率,又可以弥补指挥员主观判断的局限,增强态势估计的准确性。
人工智能和大数据技术的发展为解决智能态势估计问题提供新的技术手段,由于真实作战案例稀缺,以及不易获取战场态势数据,可以依托仿真系统生成实验数据开展态势估计研究。李曼等人提出一种基于根结点优先搜索的信度传输算法的态势估计方法,包括以下步骤:步骤一:输入战场情报系统中的关键节点,构造关键点集合;所述关键节点包括观察节点和证据节点;步骤二:利用SADBP算法搜索其他的节点,如果这个节点有一条路径可以到达任意一个所述关键节点,那么把它加入到重要节点中;步骤三:将所述重要节点重新建立一个贝叶斯网络,即精简网络;步骤四:根据初始的概率表,得到所述精简网络对应节点的概率表;步骤五:由初始观察节点和证据节点得到对应的精简网络的证据节点和观察节点;步骤六:对精简后的贝叶斯网络采用SADBP算法进行证据输入和推理计算,得到观察节点的态势估计推理结果;步骤七:获得态势结果,态势估计推理结束。
王光耀等人提出一种多域战场态势估计与威胁排序方法,属于态势估计技术领域。该方法包括建立战场态势信息模型、计算敌方目标对象的相似度、敌方目标对象分群、设置多域作战场景参数等步骤。通过分析多域作战环境敌方战场态势信息,设置描述敌方战术行为的相似性度量,运用改进的k-means聚类目标分群方法,实现了对敌方战场态势信息战术及分群分析,再通过划定资产威胁范围,牵引出敌方目标威胁类型,并给出了解析的拦截关键威胁判定方法,基于层次分析与威胁权重分解,提出了一种威胁等级排序方案。
上述方法有一定的创新性,能够作为战场态势估计分析的底层驱动算法,预期应用效果较好,但是要求设定大量的经验规则进行分类,通用性差,而且面对训练样本不足的情况下,如何进一步提升态势估计效果,仍需进一步研究。
发明内容
本发明所要解决的技术问题在于,提供一种态势估计方法及装置,能够通过把握态势估计的内在规律和特点,提出基于深度学习的态势估计方法,主要包括利用基于改进势力图的方法对敌方部署信息、火力打击范围、对我方威胁程度等信息进行估计,在此基础上,利用基于全局加权的深度卷积神经网络对敌方可能的进攻方向等战场态势特征进行特征提取;最后利用基于注意力补偿的极限学习机分类器进行分类,从而提高态势估计的效率和准确性。
本发明主要解决战场态势估计中的以下问题:
①样本数量稀疏导致模型训练不充分的问题
样本数量稀疏,指由于本数量较少无法满足机器学习模型训练的需要,使模型无法达到良好的精度和泛化性能。由于实际作战和作战演习的场次很有限,使得获取战争态势数据本身很难。同时战争的不确定性、战场的不透明性进一步加大了获取高质量战场态势数据的难度。机器学习方法需要大量高质量样本数据来进行模型训练才能够取得良好的态势估计效果,当样本数据较少时会导致模型训练不够充分,评估精度降低。
②标记样本不足导致态势估计准确性不高的问题
标记样本不足是指可以获得大量的样本数据,但是带标签的样本数量相对较少,从而无法有效支持有监督的机器学习模型训练。在战场态势估计环境下,要获得充足的满足模型训练要求的带标签样本数据是比较困难的。相对而言,我们能够获得较多的无标记样本数据,但是为这些数据添加标签则需要花费大量的人力和时间。在标记样本不足情况下,直接利用常规机器学习方法在少量有标记样本上进行训练,会造成评估准确性不高。
③误分代价不平衡容易造成误分代的问题
误分代价不平衡问题是指不同类别的分类错误会造成不同的误分类代价。战场态势估计具有明显的误分代价不平衡特点,将劣势态势误分为优势态势的代价要远远高于将优势态势误分为劣势态势的代价。但是,机器学习方法以提高模型总体准确率为目标,假定不同类别的误分代价是相同的。当常规的机器学习方法应用于具有误分代价不平衡的战场态势估计问题中,很容易造成误分代价高的样本错分,严重影响分析结果。
为了解决上述技术问题,本发明实施例第一方面公开了一种态势估计方法,所述方法包括:
S1,获取态势估计多源样本数据信息;所述态势估计多源样本数据信息包括环境数据信息、作战单元数据信息和历史数据信息;所述作战单元数据信息包括敌方作战单元数据信息和我方作战单元数据信息;
S2,对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;
S3,对所述态势元素特征信息进行处理,得到态势势力图;所述态势势力图包括静态信息层、经验信息层和动态信息层;所述态势势力图包括若干个网格;
S4,对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;
S5,利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;
S6,利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息,包括:
S21,对所述环境数据信息中的作战地形图进行态势分析,得到P×Q个网格,P、Q为整数;
S22,在所述网格中设置若干个代表数据属性信息的图层,将所述环境数据信息表示为图像像素点阵;
S23,根据所述图像像素点阵,将所述作战单元数据信息用不同的网格层表示,得到态势元素特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述态势元素特征信息进行处理,得到态势势力图,包括:
S31,对所述态势元素特征信息中的静态地图信息、兵力配置信息、可见实体信息进行处理,得到静态信息层;
S32,对所述态势元素特征信息中的历史战斗信息进行处理,得到经验信息层;
S33,对所述态势元素特征信息中的敌方位置信息、观察视野信息、火力覆盖信息进行处理,得到动态信息层。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述态势势力图进行处理,得到态势势力图数据信息,包括:
S41,利用敌方位置估计模型,对所述态势势力图进行处理,得到敌方位置估计信息μ(e,gridi);
所述敌方位置估计模型为:
其中,gridi为态势势力图中的第i个网格,i=1,2,…,N,N为网格数;Ve_hpos为经验位置概率,为敌方视野对第i个网格的影响值,为敌方作战单元机动能力对第i个网格的影响值;W1、W2、W3为影响权重,e为敌方作战单元;
S42,利用我方火力覆盖范围计算模型,对所述态势势力图进行处理,得到我方火力覆盖范围信息l(gridi);
所述我方火力覆盖范围计算模型为:
其中,uk为我方第k个作战单元,k=1,2,…,M;M为我方作战单元数,firelevel(uk,gridi)用来计算我方第k个作战单元的火力威胁度;
S43,利用敌方火力覆盖估计模型,对所述态势势力图进行处理,得到敌方火力覆盖估计信息l(gridj,u);
所述敌方火力覆盖估计模型为:
其中,为在gridj方格的第k个敌方作战单元;ek为第k个敌方作战单元,M为敌方作战单元数;μ(ek,gridj)为敌方作战单元ek在势力图上的gridj方格的位置估计,u为我方作战单元。
作为一种可选的实施方式,在本发明实施例第一方面中,所述基于全局加权的卷积神经网络模型为全局加权结构;
所述全局加权结构包括在所述卷积神经网络模型的卷积层添加全局加权模块;
所述全局加权模块利用自适应阈值消除所述卷积神经网络模型的噪声;
所述基于全局加权的卷积神经网络模型的卷积核利用特征叠加的方式进行卷积运算;
所述基于全局加权的卷积神经网络模型的损失函数L为:
其中,λ参数用于控制类间离散度的程度,xi为当前神经元输出的预测值,cyi为真实样本标签值,为神经元的权重,bj为神经元的偏置,n为神经元的个数,m为输入样本的特征数量。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果,包括:
S61,获取激活函数其中,xj为态势特征参数的第j个数据信息,j=1,2,…,N j=1,2,…,N,N为态势特征参数的参数数量,是第i个隐层神经元的输入权重,T表示矩阵转置,L为神经元数量,表示ωi为n维实序列,bi是第i个隐层神经元的偏置;
S62,对所述激活函数进行处理,得到基于注意力补偿的极限学习机分类器隐含层的输出H为:
S63,对所述基于注意力补偿的极限学习机分类器隐含层的输出进行处理,得到标签T:
其中是第i个神经元的输出权重,为第j个态势估计结果的标签,表示tj是m维实序列,根据所述标签T得到对应的态势估计结果。
本发明第二方面公开了一种态势估计装置,所述装置包括:
数据获取模块,用于获取态势估计多源样本数据信息;所述态势估计多源样本数据信息包括环境数据信息、作战单元数据信息和历史数据信息;所述作战单元数据信息包括敌方作战单元数据信息和我方作战单元数据信息;
态势元素特征信息计算模块,用于对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;
态势势力图计算模块,用于对所述态势元素特征信息进行处理,得到态势势力图;所述态势势力图包括静态信息层、经验信息层和动态信息层;所述态势势力图包括若干个网格;
态势势力图数据信息计算模块,用于对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;
态势特征参数提取模块,用于利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;
态势估计模块,用于利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息,包括:
S21,对所述环境数据信息中的作战地形图进行态势分析,得到P×Q个网格,P、Q为整数;
S22,在所述网格中设置若干个代表数据属性信息的图层,将所述环境数据信息表示为图像像素点阵;
S23,根据所述图像像素点阵,将所述作战单元数据信息用不同的网格层表示,得到态势元素特征信息。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对所述态势元素特征信息进行处理,得到态势势力图,包括:
S31,对所述态势元素特征信息中的静态地图信息、兵力配置信息、可见实体信息进行处理,得到静态信息层;
S32,对所述态势元素特征信息中的历史战斗信息进行处理,得到经验信息层;
S33,对所述态势元素特征信息中的敌方位置信息、观察视野信息、火力覆盖信息进行处理,得到动态信息层。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对所述态势势力图进行处理,得到态势势力图数据信息,包括:
S41,利用敌方位置估计模型,对所述态势势力图进行处理,得到敌方位置估计信息μ(e,gridi);
所述敌方位置估计模型为:
其中,gridi为态势势力图中的第i个网格,i=1,2,…,N,N为网格数;Ve_hpos为经验位置概率,为敌方视野对第i个网格的影响值,为敌方作战单元机动能力对第i个网格的影响值;W1、W2、W3为影响权重,e为敌方作战单元;
S42,利用我方火力覆盖范围计算模型,对所述态势势力图进行处理,得到我方火力覆盖范围信息l(gridi);
所述我方火力覆盖范围计算模型为:
其中,uk为我方第k个作战单元,k=1,2,…,M;M为我方作战单元数,firelevel(uk,gridi)用来计算我方第k个作战单元的火力威胁度;
S43,利用敌方火力覆盖估计模型,对所述态势势力图进行处理,得到敌方火力覆盖估计信息l(gridj,u);
所述敌方火力覆盖估计模型为:
其中,为在gridj方格的第k个敌方作战单元;ek为第k个敌方作战单元,M为敌方作战单元数;μ(ek,gridj)为敌方作战单元ek在势力图上的gridj方格的位置估计,u为我方作战单元。
作为一种可选的实施方式,在本发明实施例第二方面中,所述基于全局加权的卷积神经网络模型为全局加权结构;
所述全局加权结构包括在所述卷积神经网络模型的卷积层添加全局加权模块;
所述全局加权模块利用自适应阈值消除所述卷积神经网络模型的噪声;
所述基于全局加权的卷积神经网络模型的卷积核利用特征叠加的方式进行卷积运算;
所述基于全局加权的卷积神经网络模型的损失函数L为:
其中,λ参数用于控制类间离散度的程度,xi为当前神经元输出的预测值,cyi为真实样本标签值,为神经元的权重,bj为神经元的偏置,n为神经元的个数,m为输入样本的特征数量。
作为一种可选的实施方式,在本发明实施例第二方面中,所述利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果,包括:
S61,获取激活函数其中,xj为态势特征参数的第j个数据信息,j=1,2,…,N j=1,2,…,N,N为态势特征参数的参数数量,是第i个隐层神经元的输入权重,T表示矩阵转置,L为神经元数量,表示ωi为n维实序列,bi是第i个隐层神经元的偏置;
S62,对所述激活函数进行处理,得到基于注意力补偿的极限学习机分类器隐含层的输出H为:
S63,对所述基于注意力补偿的极限学习机分类器隐含层的输出进行处理,得到标签T:
其中是第i个神经元的输出权重,为第j个态势估计结果的标签,表示tj是m维实序列,根据所述标签T得到对应的态势估计结果。
本发明第三方面公开了另一种态势估计装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的态势估计方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的态势估计方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明把握态势估计的内在规律和特点,提出基于深度学习的态势估计方法,主要包括利用态势势力图方法对敌方部署信息、火力打击范围、对我方威胁程度等信息进行估计,在此基础上,利用基于全局加权的深度卷积神经网络对敌方可能的进攻方向等战场态势特征进行特征提取;最后利用基于注意力补偿的极限学习机分类器进行分类。
通过本发明所提出的方法,将态势势力图数据信息作为卷积神经网络的输入,能够提高态势估计的特征利用率和态势评估精度。同时,将经验规则推理与深度学习方法融合进行态势估计,能够有效提高态势估计的准确度,提高态势估计的模型训练速度,尤其是在训练样本不足的情况下,保证模型的分类性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种态势估计方法的流程示意图;
图2是本发明实施例公开的在卷积层中添加全局加权模块示意图;
图3是本发明实施例公开的输入与输出的维度相同时卷积神经网络的架构示意图;
图4是本发明实施例公开的输入与输出的维度不同时卷积神经网络的架构示意图;
图5是本发明实施例公开的基于注意力补偿的极限学习机分类器结构示意图;
图6是本发明实施例公开的一种态势估计装置的结构示意图;
图7是本发明实施例公开的另一种态势估计装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种态势估计方法及装置,能够通过获取态势估计多源样本数据信息;对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;对所述态势元素特征信息进行处理,得到态势势力图;对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。本发明方法能够提高态势估计的特征利用率和态势评估精度,保证模型的分类性能。
实施例一
请参阅图1,图1是本发明实施例公开的一种态势估计方法的流程示意图。其中,图1所描述的态势估计方法应用于人工智能技术领域,如战场态势估计或军事领域的态势分析与评估,本发明实施例不做限定。如图1所示,该态势估计方法可以包括以下操作:
S1,获取态势估计多源样本数据信息;所述态势估计多源样本数据信息包括环境数据信息、作战单元数据信息和历史数据信息;所述作战单元数据信息包括敌方作战单元数据信息和我方作战单元数据信息;
S2,对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;
S3,对所述态势元素特征信息进行处理,得到态势势力图;所述态势势力图包括静态信息层、经验信息层和动态信息层;所述态势势力图包括若干个网格;
S4,对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;
S5,利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;
S6,利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。
可选的,所述态势估计多源样本数据信息从仿真系统中获得,仿真系统中通过仿真模型进行快速推演,产生大量的态势估计多源样本数据信息,不仅解决了态势样本数据不足的问题,而且为态势分析提供了算法研究的实验平台,可尝试不同的算法模型进行研究。在仿真系统中,在数千次对抗仿真过程中生成大量的战场态势样本数据,对态势样本数据进行分类和预处理,形成战场态势的多维数据,可以将这些数据规范处理成深度神经网络的训练样本集。
对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息,包括:
S21,对所述环境数据信息中的作战地形图进行态势分析,得到P×Q个网格,P、Q为整数;
S22,在所述网格中设置若干个代表数据属性信息的图层,将所述环境数据信息表示为图像像素点阵;
S23,根据所述图像像素点阵,将所述作战单元数据信息用不同的网格层表示,得到态势元素特征信息。
可选的,数据属性信息如高程和地形类型等。对作战单元数据的处理,方法是基于地形图网格,将作战单元的属性、位置和火力范围利用不同的网格层表示。所有数据层转换为多维张量的形式,作为态势信息的特征表示。
作战仿真过程中,智能体根据掌握的战场态势制定战术策略,并指挥所属分队执行战术行动,战场态势随之变化。
对所述态势元素特征信息进行处理,得到态势势力图,包括:
S31,对所述态势元素特征信息中的静态地图信息、兵力配置信息、可见实体信息进行处理,得到静态信息层;
S32,对所述态势元素特征信息中的历史战斗信息进行处理,得到经验信息层;
S33,对所述态势元素特征信息中的敌方位置信息、观察视野信息、火力覆盖信息进行处理,得到动态信息层。
可选的,静态信息层不仅包含地图数据、兵力配置等初始静态数据的势力图层,还包括从对抗仿真的历史数据中挖掘敌方位置概率等信息,将其量化形成的势力图层;动态信息层指在敌我双方对抗博弈中推理分析出敌方位置、观察视野、火力覆盖等概率数据,将其量化形成的势力图层。
可选的,态势势力图按照下面的顺序生成:首先,提取环境数据和作战单元的初始信息,按信息类型分类为若干静态信息层,包括静态地图信息、可见实体信息等;接着对仿真数据库中数千场的历史战斗信息进行挖掘分析得到战术要点和通常的机动路线等热点信息,这些信息形成经验信息层,利用经验信息可以提高对敌方不确定位置的预测准确度,为火力打击提供目标位置参考;最后,在对抗仿真过程中,通过数学模型推理分析敌方作战单元的不完全、不确定信息,主要包括敌方作战单元的概略位置、视野信息以及火力覆盖范围等,这些信息形成动态势力图层。
在静态信息层包含的重要信息是仿真的历史经验信息,其网格影响值可表示某点是战术要点或是行军途经关键点的概率值等。以从历史数据中提取敌方作战单元在某一网格的出现概率为例,进行数据统计分析和有效信息提取。比如,可对历史数据进行清洗、筛选处理,获取敌方某一类型作战单元在某一作战时间段、某一位置区域的数值为V,则该位置区域的作战单元出现热度h(e,gridi)可表示为:
其中,e指某一类型的作战单元;指作战单元是否处于某一位置网格;stagej指整个对抗进程中的某一作战时间段;M,N为网格的横纵尺寸,网格的个数为M×N,gridi指地图规则化分割的其中某一网格区域。
可选的,态势势力图分为若干信息层,一些来自环境和兵力部署信息,一些来自历史数据的挖掘分析,而动态信息层则来自于实时的模型运算。算法分析分为我方信息的计算和敌方信息的估计:我方信息的计算包括观察视野以及火力覆盖范围计算;敌方信息的估计,包括敌方位置估计、观察视野估计和火力覆盖估计等。
可选的,对战场态势的准确估计,是取得作战胜利的基础条件。而这些估计建立在对侦察、机动、火力等因素分析的基础上。侦察因素,主要分析通过观察或者侦察,一方所能感知到的战场环境区域以及在此范围内的作战单元。侦察感知到的战场区域可称之为“视野”,我方的视野是通过叠加每个作战单元的可视范围来计算的,敌方的视野通过其作战单元在某一位置的概率与其侦察范围的加权计算获得。机动因素主要分析作战单元的机动范围,以及机动过程中可能遭遇的敌方威胁情况。作战单元机动到目标点,需要求解起始点和目标点之间的最优路径。主要考虑两个因素:机动时间最短以及敌方威胁最小。智能体使用基于势力图的算法计算到达目标的路径;机动过程中,综合考虑敌方火力覆盖与路径长度等因素进行路线调整。
对所述态势势力图进行处理,得到态势势力图数据信息,包括:
S41,利用敌方位置估计模型,对所述态势势力图进行处理,得到敌方位置估计信息μ(e,gridi);
所述敌方位置估计模型为:
其中,gridi为态势势力图中的第i个网格,i=1,2,…,N,N为网格数;Ve_hpos为经验位置概率,为敌方视野对第i个网格的影响值,为敌方作战单元机动能力对第i个网格的影响值;W1、W2、W3为影响权重,可由经验值设置,e为敌方作战单元。
敌方位置估计指对敌方作战单元位置的推测计算。如果敌方单位在我方视野之内,则其位置是确定的;如果在我方视野之外,敌方位置估计需要综合考虑由经验数据分析的概略位置、敌方视野、敌方作战单元的机动能力等因素。在敌方的位置不确定的情况下可以使用敌方位置估计模型。
S42,利用我方火力覆盖范围计算模型,对所述态势势力图进行处理,得到我方火力覆盖范围信息l(gridi);
所述我方火力覆盖范围计算模型为:
其中,uk为我方第k个作战单元,k=1,2,…,M;M为我方作战单元数,firelevel(uk,gridi)用来计算我方第k个作战单元的火力威胁度;
可选的,firelevel(uk,gridi)的计算方法为根据目标属性,选择对敌毁伤效果最大的武器,得到的火力威胁度。
S43,利用敌方火力覆盖估计模型,对所述态势势力图进行处理,得到敌方火力覆盖估计信息l(gridj,u);
所述敌方火力覆盖估计模型为:
其中,为在gridj方格的第k个敌方作战单元;ek为第k个敌方作战单元,M为敌方作战单元数;μ(ek,gridj)为敌方作战单元ek在势力图上的gridj方格的位置估计,u为我方作战单元。
敌方视野估计:根据敌方的位置概率估计,叠加每一作战单元的视野范围,综合计算出敌方在地图上的视野范围,并推测出可能观察到的我方作战单元。
我方视野:叠加每个作战单元的视野范围,计算视野范围内的敌方作战单元。
基于全局加权的卷积神经网络模型为全局加权结构,在卷积层中添加全局加权模块,利用注意力机制对阈值进行改进,使网络根据数据本身自动生成相对应的阈值来消除噪声,每组数据都可以根据样本自身的重要程度不同,进行独特的特征通道加权调整。该自适应阈值的生成过程如图2所示,数据先经过全局卷积处理,而后经过批量归一化与激活层,用Sigmoid函数使输出映射到[0,1]之内,该映射缩放系数记为a,最终的阈值可以表示为a×A,则不同的样本对应不同的阈值。将自适应阈值块加入到残差网络中改进为残差收缩模块,从而达到剔除或减弱噪声的目的。
所述全局加权结构包括在所述卷积神经网络模型的卷积层添加全局加权模块,如图2所示;由于全连接层是将卷积层展开,然后对每个特征映射图分类,这样的参数计算量巨大,往往全连接层的参数计算量占据了网络总参数计算量的大部分,使神经网络的训练速度非常慢。为解决训练速度慢的问题将全局卷积引入到网络中,全局卷积是直接将每个通道的特征映射图做卷积处理,即一个特征映射图输出一个值,然后将结果输入到分类器中进行分类。在识别任务中,全局卷积能够为最后的卷积层中的每一个特定的类别生成一个特征映射图。
全局加权模块加入到原来的全连接层,其所需要计算的参数大大减少,这很大程度的提升了网络的计算速度全局加权模块不需要像全连接层那样大量的训练调优参数,如此避免了过拟合问题。全局加权模块汇总了空间信息,因此对输入的空间转换更为鲁棒。
所述全局加权模块利用自适应阈值消除所述卷积神经网络模型的噪声;
所述基于全局加权的卷积神经网络模型的卷积核利用特征叠加的方式进行卷积运算;
可选的,基于全局加权的卷积神经网络模型为:
在不考虑过拟合问题的情况下,通常采用增加网络层数的方法来提高识别准确度。但随着CNN的神经网络层数的加深,其网络更新的梯度也会减小,导致神经网络失去更新方向,其特点是:训练集loss不断下降,此时再增加网络深度,训练集loss几乎不再减小甚至会增大。
如果在卷积核进行卷积的时候,不仅接受上一层的输出,而且接受上一层进行卷积之前的特征,就能有效缓解梯度发散的问题。设计特征叠加网络结构如图3和图4所示。
如果输入与输出的维度相同,则卷积神经网络的架构如图3所示,该架构共2层,每层包括2D卷积操作、批归一化操作,激活函数为ReLU函数。图中,X(shortcut)是直连方式,下一层网络在进行激活之前,将其与上一层网络的输入相加,然后再进行激活,这样就能将浅层的梯度或者特征传递到深层。
如果输入与输出的维度不同,则卷积神经网络的架构如图4所示,该架构共3层,每层包括2D卷积操作、批归一化操作,激活函数为ReLU函数。X(shortcut)是直连方式,在直连过程中增加一层网络,包括2D卷积操作、批归一化操作。
CNN进行分类,边界较为明显,但很难明确指出哪里是某一类的中心,某个类中的某个数据反而与其相邻类的类中心更近,距离“类内离散度小,类间离散度大”的理想效果有明显差距,可通过优化损失函数对分类结果进行优化。
设L为损失函数,Ls是softmax-loss,促使损失函数的类内离散度小,Lc是center-loss,促使损失函数的类间离散度变大。则损失函数L变成了:
L=Ls+λLc
所述基于全局加权的卷积神经网络模型的损失函数L为:
其中,λ参数用于控制类间离散度的程度,xi为当前神经元输出的预测值,cyi为真实样本标签值,为神经元的权重,bj为神经元的偏置,n为神经元的个数,m为输入样本的特征数量。L给每个类别定义了一个center,并引导每个类别都向着center靠拢,并在每次计算时,更新center的值。
利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果,包括:
S61,获取激活函数其中,xj为态势特征参数的第j个数据信息,j=1,2,…,N j=1,2,…,N,N为态势特征参数的参数数量,是第i个隐层神经元的输入权重,T表示矩阵转置,L为神经元数量,表示ωi为n维实序列,bi是第i个隐层神经元的偏置;
S62,对所述激活函数进行处理,得到基于注意力补偿的极限学习机分类器隐含层的输出H为:
S63,对所述基于注意力补偿的极限学习机分类器隐含层的输出进行处理,得到标签T:
其中是第i个神经元的输出权重,为第j个态势估计结果的标签,表示tj是m维实序列,根据所述标签T得到对应的态势估计结果。
基于注意力补偿的极限学习机分类器(ELM)随机分配输入权重和隐层偏置,同时不需要向神经网络中误差反向传播那样调整参数。ELM网络模型的输出权重直接通过求解线性模型确定,因此ELM的训练阶段只通过一次迭代完成,训练速度极快。ELM的网络结构包含:输入层,隐含层和输出层,输入层与隐含层之间的连接通过输入权重ω建立,隐含层与输出层之间的连接由输出权重β建立。本发明中的ELM采用注意力补偿的方式进行加权,通过在卷积层中的注意力模块,对ELM中间层的输出进行加权,如图5所示。
可选的,可以使用改进的YOLOV5模型代替基于注意力补偿的极限学习机分类器,YOLOV5在Backbone阶段引入了Focus结构,该结构可以对输入图片信息进行切片操作,该操作可以使其分辨率降低而channel升高。YOLOV5的改进有两点:
(1)加入ECA注意力机制
首先,在YOLOV5官方代码中的common.py中加入ECA注意力机制模块,随后在yolo.py文件中的parse_model解析模块加入注意力机制的功能,最后在yolov5s.yaml文件中将配置文件中的backbone模块的最后一层中引入ECA注意力机制。
(2)更换YOLOV5的主干网络
将YOLOV5的主干网络更换成ShuffleNetV2。首先,是将包含InvertedResidual类以及InvertedResidual类的Channel_shuffle函数导入到YOLOV5官方代码中的common.py中。并在解析模块Parse_model中加入上述两个类。最后更改yolov5s.yaml中的backbone模块加入Channel_shuffle功能。
可见,通过本发明所提出的方法,将态势势力图数据信息作为卷积神经网络的输入,能够提高态势估计的特征利用率和态势评估精度。同时,将经验规则推理与深度学习方法融合进行态势估计,能够有效提高态势估计的准确度,提高态势估计的模型训练速度,尤其是在训练样本不足的情况下,保证模型的分类性能。
实施例二
请参阅图6,图6是本发明实施例公开的一种态势估计装置的流程示意图。其中,图6所描述的态势估计装置应用于人工智能技术领域,如战场态势估计或军事领域的态势分析与评估,本发明实施例不做限定。如图6所示,该态势估计装置可以包括以下操作:
S301,数据获取模块,用于获取态势估计多源样本数据信息;所述态势估计多源样本数据信息包括环境数据信息、作战单元数据信息和历史数据信息;所述作战单元数据信息包括敌方作战单元数据信息和我方作战单元数据信息;
S302,态势元素特征信息计算模块,用于对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;
S303,态势势力图计算模块,用于对所述态势元素特征信息进行处理,得到态势势力图;所述态势势力图包括静态信息层、经验信息层和动态信息层;所述态势势力图包括若干个网格;
S304,态势势力图数据信息计算模块,用于对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;
S305,态势特征参数提取模块,用于利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;
S306,态势估计模块,用于利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。
可选的,所述对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息,包括:
S21,对所述环境数据信息中的作战地形图进行态势分析,得到P×Q个网格,P、Q为整数;
S22,在所述网格中设置若干个代表数据属性信息的图层,将所述环境数据信息表示为图像像素点阵;
S23,根据所述图像像素点阵,将所述作战单元数据信息用不同的网格层表示,得到态势元素特征信息。
可选的,所述对所述态势元素特征信息进行处理,得到态势势力图,包括:
S31,对所述态势元素特征信息中的静态地图信息、兵力配置信息、可见实体信息进行处理,得到静态信息层;
S32,对所述态势元素特征信息中的历史战斗信息进行处理,得到经验信息层;
S33,对所述态势元素特征信息中的敌方位置信息、观察视野信息、火力覆盖信息进行处理,得到动态信息层。
可选的,所述对所述态势势力图进行处理,得到态势势力图数据信息,包括:
S41,利用敌方位置估计模型,对所述态势势力图进行处理,得到敌方位置估计信息μ(e,gridi);
所述敌方位置估计模型为:
其中,gridi为态势势力图中的第i个网格,i=1,2,…,N,N为网格数;Ve_hpos为经验位置概率,为敌方视野对第i个网格的影响值,为敌方作战单元机动能力对第i个网格的影响值;W1、W2、W3为影响权重,e为敌方作战单元;
S42,利用我方火力覆盖范围计算模型,对所述态势势力图进行处理,得到我方火力覆盖范围信息l(gridi);
所述我方火力覆盖范围计算模型为:
其中,uk为我方第k个作战单元,k=1,2,…,M;M为我方作战单元数,firelevel(uk,gridi)用来计算我方第k个作战单元的火力威胁度;
S43,利用敌方火力覆盖估计模型,对所述态势势力图进行处理,得到敌方火力覆盖估计信息l(gridj,u);
所述敌方火力覆盖估计模型为:
其中,为在gridj方格的第k个敌方作战单元;ek为第k个敌方作战单元,M为敌方作战单元数;μ(ek,gridj)为敌方作战单元ek在势力图上的gridj方格的位置估计,u为我方作战单元。
可选的,所述基于全局加权的卷积神经网络模型为全局加权结构;
所述全局加权结构包括在所述卷积神经网络模型的卷积层添加全局加权模块;
所述全局加权模块利用自适应阈值消除所述卷积神经网络模型的噪声;
所述基于全局加权的卷积神经网络模型的卷积核利用特征叠加的方式进行卷积运算;
所述基于全局加权的卷积神经网络模型的损失函数L为:
其中,λ参数用于控制类间离散度的程度,xi为当前神经元输出的预测值,cyi为真实样本标签值,为神经元的权重,bj为神经元的偏置,n为神经元的个数,m为输入样本的特征数量。
可选的,所述利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果,包括:
S61,获取激活函数其中,xj为态势特征参数的第j个数据信息,j=1,2,…,N j=1,2,…,N,N为态势特征参数的参数数量,是第i个隐层神经元的输入权重,T表示矩阵转置,L为神经元数量,表示ωi为n维实序列,bi是第i个隐层神经元的偏置;
S62,对所述激活函数进行处理,得到基于注意力补偿的极限学习机分类器隐含层的输出H为:
S63,对所述基于注意力补偿的极限学习机分类器隐含层的输出进行处理,得到标签T:
其中是第i个神经元的输出权重,为第j个态势估计结果的标签,表示tj是m维实序列,根据所述标签T得到对应的态势估计结果。
实施例三
请参阅图7,图7是本发明实施例公开的另一种态势估计装置的流程示意图。其中,图7所描述的态势估计装置应用于人工智能技术领域,如战场态势估计或军事领域的态势分析与评估,本发明实施例不做限定。如图7所示,该态势估计装置可以包括以下操作:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一所描述的态势估计方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的态势估计方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种态势估计方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种态势估计方法,其特征在于,所述方法包括:
S1,获取态势估计多源样本数据信息;所述态势估计多源样本数据信息包括环境数据信息、作战单元数据信息和历史数据信息;所述作战单元数据信息包括敌方作战单元数据信息和我方作战单元数据信息;
S2,对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;
S3,对所述态势元素特征信息进行处理,得到态势势力图;所述态势势力图包括静态信息层、经验信息层和动态信息层;所述态势势力图包括若干个网格;
S4,对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;
S5,利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;
S6,利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。
2.根据权利要求1所述的态势估计方法,其特征在于,所述对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息,包括:
S21,对所述环境数据信息中的作战地形图进行态势分析,得到P×Q个网格,P、Q为整数;
S22,在所述网格中设置若干个代表数据属性信息的图层,将所述环境数据信息表示为图像像素点阵;
S23,根据所述图像像素点阵,将所述作战单元数据信息用不同的网格层表示,得到态势元素特征信息。
3.根据权利要求1所述的态势估计方法,其特征在于,所述对所述态势元素特征信息进行处理,得到态势势力图,包括:
S31,对所述态势元素特征信息中的静态地图信息、兵力配置信息、可见实体信息进行处理,得到静态信息层;
S32,对所述态势元素特征信息中的历史战斗信息进行处理,得到经验信息层;
S33,对所述态势元素特征信息中的敌方位置信息、观察视野信息、火力覆盖信息进行处理,得到动态信息层。
4.根据权利要求1所述的态势估计方法,其特征在于,所述对所述态势势力图进行处理,得到态势势力图数据信息,包括:
S41,利用敌方位置估计模型,对所述态势势力图进行处理,得到敌方位置估计信息μ(e,gridi);
所述敌方位置估计模型为:
其中,gridi为态势势力图中的第i个网格,i=1,2,…,N,N为网格数;Ve_hpos为经验位置概率,为敌方视野对第i个网格的影响值,为敌方作战单元机动能力对第i个网格的影响值;W1、W2、W3为影响权重,e为敌方作战单元;
S42,利用我方火力覆盖范围计算模型,对所述态势势力图进行处理,得到我方火力覆盖范围信息l(gridi);
所述我方火力覆盖范围计算模型为:
其中,uk为我方第k个作战单元,k=1,2,…,M;M为我方作战单元数,firelevel(uk,gridi)用来计算我方第k个作战单元的火力威胁度;
S43,利用敌方火力覆盖估计模型,对所述态势势力图进行处理,得到敌方火力覆盖估计信息l(gridj,u);
所述敌方火力覆盖估计模型为:
6.根据权利要求1所述的态势估计方法,其特征在于,所述利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果,包括:
S61,获取激活函数其中,xj为态势特征参数的第j个数据信息,j=1,2,…,N,N为态势特征参数的参数数量,是第i个隐层神经元的输入权重,T表示矩阵转置,L为神经元数量,表示ωi为n维实序列,bi是第i个隐层神经元的偏置;
S62,对所述激活函数进行处理,得到基于注意力补偿的极限学习机分类器隐含层的输出H为:
S63,对所述基于注意力补偿的极限学习机分类器隐含层的输出进行处理,得到标签T:
7.一种态势估计装置,其特征在于,所述装置包括:
数据获取模块,用于获取态势估计多源样本数据信息;所述态势估计多源样本数据信息包括环境数据信息、作战单元数据信息和历史数据信息;所述作战单元数据信息包括敌方作战单元数据信息和我方作战单元数据信息;
态势元素特征信息计算模块,用于对所述态势估计样本数据信息进行态势分析,得到态势元素特征信息;
态势势力图计算模块,用于对所述态势元素特征信息进行处理,得到态势势力图;所述态势势力图包括静态信息层、经验信息层和动态信息层;所述态势势力图包括若干个网格;
态势势力图数据信息计算模块,用于对所述态势势力图进行处理,得到态势势力图数据信息;所述态势势力图数据信息包括敌方位置估计信息、敌方视野估计信息、我方火力覆盖范围信息、敌方火力覆盖估计信息;
态势特征参数提取模块,用于利用基于全局加权的卷积神经网络模型对所述态势势力图数据信息进行处理,得到态势特征参数;
态势估计模块,用于利用基于注意力补偿的极限学习机分类器对所述态势特征参数进行处理,得到态势估计结果。
8.一种态势估计装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的态势估计方法。
9.一种计算机可存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-6任一项所述的态势估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211427335.2A CN115909027B (zh) | 2022-11-14 | 2022-11-14 | 一种态势估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211427335.2A CN115909027B (zh) | 2022-11-14 | 2022-11-14 | 一种态势估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909027A true CN115909027A (zh) | 2023-04-04 |
CN115909027B CN115909027B (zh) | 2023-06-09 |
Family
ID=86489068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211427335.2A Active CN115909027B (zh) | 2022-11-14 | 2022-11-14 | 一种态势估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909027B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680542A (zh) * | 2023-06-27 | 2023-09-01 | 北京五木恒润科技有限公司 | 一种主干分支态势与旁路分支态势生成方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210063120A1 (en) * | 2018-07-05 | 2021-03-04 | Mikael Bror Taveniku | System and method for active shooter defense |
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 |
CN112749806A (zh) * | 2020-12-31 | 2021-05-04 | 厦门渊亭信息科技有限公司 | 一种战场态势评估方法、终端设备及存储介质 |
CN113159266A (zh) * | 2021-05-21 | 2021-07-23 | 大连大学 | 基于麻雀搜索神经网络的空战机动决策方法 |
-
2022
- 2022-11-14 CN CN202211427335.2A patent/CN115909027B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210063120A1 (en) * | 2018-07-05 | 2021-03-04 | Mikael Bror Taveniku | System and method for active shooter defense |
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 |
CN112749806A (zh) * | 2020-12-31 | 2021-05-04 | 厦门渊亭信息科技有限公司 | 一种战场态势评估方法、终端设备及存储介质 |
CN113159266A (zh) * | 2021-05-21 | 2021-07-23 | 大连大学 | 基于麻雀搜索神经网络的空战机动决策方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680542A (zh) * | 2023-06-27 | 2023-09-01 | 北京五木恒润科技有限公司 | 一种主干分支态势与旁路分支态势生成方法及系统 |
CN116680542B (zh) * | 2023-06-27 | 2024-01-09 | 北京五木恒润科技有限公司 | 一种主干分支态势与旁路分支态势生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115909027B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329348B (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
CN111507378A (zh) | 训练图像处理模型的方法和装置 | |
CN110134774A (zh) | 一种基于注意力决策的图像视觉问答模型、方法和系统 | |
CN113033520A (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
CN109902018A (zh) | 一种智能驾驶系统测试案例的获取方法 | |
CN102222240B (zh) | 一种基于DSmT的图像目标多特征融合识别方法 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN113435644A (zh) | 基于深度双向长短期记忆神经网络的突发事件预测方法 | |
CN113254927B (zh) | 一种基于网络防御的模型处理方法、装置及存储介质 | |
CN115909027A (zh) | 一种态势估计方法及装置 | |
Jaafra et al. | Context-aware autonomous driving using meta-reinforcement learning | |
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 | |
CN113705402A (zh) | 视频行为预测方法、系统、电子设备及存储介质 | |
Lu et al. | Counting crowd by weighing counts: A sequential decision-making perspective | |
CN112926739A (zh) | 一种基于神经网络模型的网络对抗效能评估方法 | |
CN113379063B (zh) | 基于在线增强学习模型的全流程任务时序智能决策方法 | |
CN113468046B (zh) | 一种面向多目标的dnn模型的诱导输入生成的方法 | |
CN115392434A (zh) | 一种基于图结构变异测试的深度模型加固方法 | |
CN114627085A (zh) | 目标图像的识别方法和装置、存储介质及电子设备 | |
CN111062484B (zh) | 基于多任务学习的数据集选取方法及装置 | |
CN113780027A (zh) | 一种基于增广图卷积的多标签物体识别方法、装置及设备 | |
CN113344071A (zh) | 一种基于深度策略梯度的入侵检测算法 | |
Venu et al. | Disease Identification in Plant Leaf Using Deep Convolutional Neural Networks | |
Vincent et al. | Machine Learning for Geospatial Analysis: Enhancing Spatial Understanding and Decision-Making | |
Duhamel et al. | A Transfer Learning Method for Goal Recognition Exploiting Cross-Domain Spatial Features |
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 |