CN116050515B - 一种基于XGBoost的平行推演多分支态势预测方法 - Google Patents

一种基于XGBoost的平行推演多分支态势预测方法 Download PDF

Info

Publication number
CN116050515B
CN116050515B CN202211735137.2A CN202211735137A CN116050515B CN 116050515 B CN116050515 B CN 116050515B CN 202211735137 A CN202211735137 A CN 202211735137A CN 116050515 B CN116050515 B CN 116050515B
Authority
CN
China
Prior art keywords
battlefield
situation
xgboost
future
data
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
CN202211735137.2A
Other languages
English (en)
Other versions
CN116050515A (zh
Inventor
关永胜
葛建军
张可
王星飞
林忠锐
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.)
CETC Information Science Research Institute
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
CETC Information Science Research Institute
Yangtze River Delta Research Institute of UESTC Huzhou
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 CETC Information Science Research Institute, Yangtze River Delta Research Institute of UESTC Huzhou filed Critical CETC Information Science Research Institute
Priority to CN202211735137.2A priority Critical patent/CN116050515B/zh
Publication of CN116050515A publication Critical patent/CN116050515A/zh
Application granted granted Critical
Publication of CN116050515B publication Critical patent/CN116050515B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明提供一种基于XGBoost的平行推演多分支态势预测方法，包括如下步骤：根据时间序列对战场态势数据进行排序并进行数据预处理和数据分配；其中，数据预处理包括对战场态势数据进行离散编码，并将离散编码后的战场态势数据进行稀疏编码；数据分配包括将战场态势数据集按照留出法划分成训练集和测试集；根据数据预处理的结果以及数据分配的结果训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率；建立贝叶斯网络，估计战场未来态势对应的作战效益；根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势。本发明的一个技术效果在于，设计合理，能够准确地预测并输出多分支态势。

Description

一种基于XGBoost的平行推演多分支态势预测方法
技术领域
本发明属于态势预测技术领域，具体涉及一种基于XGBoost的平行推演多分支态势预测方法。
背景技术
由于在时敏作战环境中，海量化以及敌我双方高强度博弈对抗的影响下，未来战场态势的变化具有多样性、难以预测性以及复杂性的特点，依托人员经验和素质的预测方法无法对未来态势进行全面、准确的预测。因此，设计一种合适的战场态势预测方法来预测战场未来的多分支态势成为亟需解决的技术问题。
目前，针对战场态势预测的方法通常采用贝叶斯网络以及专家系统进行预测，但由于目前信息化战场态势数据具有高纬度，海量化，捷频变的特点，构建贝叶斯网络需要较高的时间开销以及复杂的网络结构，难以确定最优的网络结构对态势进行预测。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于XGBoost的平行推演多分支态势预测方法的新技术方案。
根据本发明的一个方面，提供了一种基于XGBoost的平行推演多分支态势预测方法，包括如下步骤：
步骤S1，根据时间序列对战场态势数据进行排序并进行数据预处理和数据分配；其中，数据预处理包括对战场态势数据进行离散编码，并将离散编码后的战场态势数据进行稀疏编码；数据分配包括将战场态势数据集按照留出法划分成训练集和测试集；
步骤S2，根据数据预处理的结果以及数据分配的结果训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率；
步骤S3，利用历史战场态势数据以及专家先验知识建立贝叶斯网络，估计战场未来态势对应的作战效益；其中，贝叶斯网络输入为当前时刻的战场态势数据；
步骤S4，根据战场未来态势概率以及战场未来态势对应的作战效益加权求和计算战场未来态势得分并输出多分支态势。
可选地，训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率，包括：
首先，设置XGBoost模型的损失函数，定义决策树的初始结构参数以及模型的初始学习参数；
其次，利用网格搜索的方法进行参数调优，确定模型参数，并利用网格搜索迭代寻找最优参数向量，确定训练模型参数；
最后，XGBoost模型根据当前战场态势数据，输出下一时刻的每种战场未来态势发生的概率向量。
可选地，XGBoost模型的损失函数如下：
其中，上式第一项中表示第t-1轮的模型预测；ft(xi)表示本轮的树结构；yi表示第i个样本的类别标签；第二项Ω(ft)是正则项；
其中，T表示每棵树的叶子节点数量，w表示每棵树的叶子节点的分数组成的集合，γ和λ表示需要调参的系数；
确定损失函数的的二阶泰勒展开式为：
其中，G为一阶导数，H为二阶导数。
可选地，定义决策树的初始结构参数以及模型的初始学习参数包括：设置决策树的最大深度为5，最小叶子节点权重为1，特征随机采样的比例为0.8，模型的学习率为0.1；同时，提高对捷变特征采样率以及发生捷变的样本的权重；
参数调优包括：定义结构和学习参数向量矩阵W：
其中，参数向量矩阵中W的第一行向量为XGBoost模型中的CART决策树的数量，第二行向量为CART决策树的最大深度，第三行向量为XGBoost模型的学习率大小，第四行向量为XGBoost模型中的损失函数里的正则化参数γ取值大小。
可选地，网格搜索方法根据参数向量矩阵W，按照每个行向量的取值个数，随机排列共有256中向量组合方式，采取贪心算法穷举搜索每种组合，选择查准率、查全率以及F1-score三种评价指标，评估每种组合训练后的XGBoost模型，选择其中取得最优评价指标的XGBoost模型，其使用的参数向量组合就是最优参数向量组合。
可选地，建立贝叶斯网络，估计战场未来态势对应的作战效益，包括：
采用作战效益评估指标计算某个战场未来态势对应的作战效益；其中，作战效益评估指标的计算公式如下：
B(X)＝w1Y(X)+w2E(X)+w3M(X)
式中，Y(X)为战场未来态势为X时我方作战胜利率，E(X)为战场态势为X时的敌方作战单位损失率；M(X)为战场态势为X时的我方作战单位损失率；w1，w2，w3分别为我方作战胜利率、敌方作战单位损失率、我方作战单位损失率所对应的权重，各个权重之和等于1，且由专家经验确定；
利用历史战场态势数据以及专家先验知识构建出的贝叶斯网络，采用贝叶斯网络预测我方作战单位损失率达到50％及以上，则M(X)＝0.5；反之，M(X)＝1；当我方作战单位损失率达到50％及以上时，则E(X)＝1；反之，E(X)＝0.5。
可选地，Y(X)的计算公式如下：
Y(X)＝α1D(X)+α2A(X)+α3S(X)；
其中，D(X)，A(X)，S(X)，分别表示基于战场未来态势为X的距离、角度、速度的收益函数；α1，α2，α3分别表示各个收益函数所对应的权重，各个权重之和等于1，且由专家经验确定；d(xi)，a(xi)，s(xi)分别表示的是第i个飞机的距离收益、角度收益、速度收益。
可选地，距离收益函数的公式如下：
其中，R表示我方第δ个歼击机和敌方第j个飞机的距离；导弹的攻击距离应满足Rmin≤R≤Rmax；Rmin，Rmax分别指的是导弹攻击区的近边界和远边界；若dmax＝dmin＝0.95，则可得σ＝2(Rmin+Rmax)；
角度收益函数的公式如下：
其中，和/>分别为目标进入角和目标方位角；
速度收益函数的公式如下：
其中，Vg和Vm分别为攻击机和目标机的速度。
可选地，根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势，包括：
战场未来态势得分的计算公式如下：
Score(X)＝L(X)+λB(X)；
其中，L(X)为XGBoost模型输出的战场未来态势X所对应的概率，λ为权重因子，B(X)为战场未来态势X对应的作战效益。
可选地，分别对每个战场未来态势进行计算并获得相应的态势得分，按照得分大小从高到底排序，输出前四种战场未来态势。
本发明的一个技术效果在于：
在本申请实施例中，利用XGBoost模型输出每种战场未来态势概率，而且，建立贝叶斯网络，估计战场未来态势对应的作战效益，并结合估计每种战场未来态势的作战效益和态势概率，计算态势得分完成多分支态势预测，态势得分作为一种新的作战效益评估指标，为时敏作战条件下的战术决策提供支持。
附图说明
图1为本发明一实施例的一种基于XGBoost的平行推演多分支态势预测方法的流程图；
图2为本发明一实施例的一种基于XGBoost的平行推演多分支态势预测方法中的贝叶斯网络结构图；
图3为本发明一实施例的一种基于XGBoost的平行推演多分支态势预测方法中的作战效益评估指标体系图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
下面将详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1至图3，本申请实施例提供一种基于XGBoost的平行推演多分支态势预测方法，其能够确定最优的网络结构对态势进行预测，从而实现对多分支态势进行准确的预测，为时敏作战条件下的战术决策提供支持。
具体地，该基于XGBoost的平行推演多分支态势预测方法包括如下步骤：
步骤S1，根据时间序列对战场态势数据进行排序并进行数据预处理和数据分配；其中，数据预处理包括对战场态势数据进行离散编码，并将离散编码后的战场态势数据进行稀疏编码；数据分配包括将战场态势数据集按照留出法划分成训练集和测试集；
步骤S2，根据数据预处理的结果以及数据分配的结果训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率；
步骤S3，利用历史战场态势数据以及专家先验知识建立贝叶斯网络，估计战场未来态势对应的作战效益；其中，贝叶斯网络输入为当前时刻的战场态势数据；
步骤S4，根据战场未来态势概率以及战场未来态势对应的作战效益加权求和计算战场未来态势得分并输出多分支态势。
在本申请实施例中，利用XGBoost模型输出每种战场未来态势概率，而且，建立贝叶斯网络，估计战场未来态势对应的作战效益，并结合估计每种战场未来态势的作战效益和态势概率，计算态势得分完成多分支态势预测，态势得分作为一种新的作战效益评估指标，为时敏作战条件下的战术决策提供支持。
在一个具体的实施方式中，以空战场为例，战场态势数据包括我方战场态势数据以及探测到的敌方战场态势数据，我方战场态势数据包括编队位置、航向角、速度、中程导弹数量、远程导弹数量、航炮数量、队形、飞机数量、飞机类型、雷达状态、作战行动、作战意图；敌方战场态势数据包括编队位置、航向角、速度、电磁信号、队形、飞机数量，共18个特征属性。战场多分支态势预测就是预测下一时刻我方的每种作战意图的概率以及相应的作战效益，并按态势得分从高到低排序，输出前四种作战意图。
进一步地，采用独热编码的方式，对战场态势数据中的离散属性(比如飞机类型、队形、作战行动)进行离散编码；采用简单编码的方式对作战意图进行编码。
其中，飞机类型离散编码后的格式如下：
飞机类型 歼击机 轰炸机 预警机 电子战机
标签 0001 0010 0100 1000
飞机队形离散编码后的格式如下：
飞机队形 梯形 楔形 纵队 横行 无队形 蛇形
标签 000001 000010 000100 001000 010000 100000
作战意图离散编码后的格式如下：
作战意图 指挥 攻击 撤退 巡逻 侦查 轰炸
标签 0 1 2 3 4 5
需要说明的是，将离散编码后的战场态势数据进行稀疏编码，转化为稀疏矩阵表征的形式，以加快模型训练速度。将战场态势数据集按照留出法划分成训练集和测试集时，80％为训练数据集，20％为测试数据集，训练数据集和测试数据集保持数据分布一致。
可选地，训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率，包括：
首先，设置XGBoost模型的损失函数，定义决策树的初始结构参数以及模型的初始学习参数；
其次，利用网格搜索的方法进行参数调优，确定模型参数，并利用网格搜索迭代寻找最优参数向量，确定训练模型参数；
最后，XGBoost模型根据当前战场态势数据，输出下一时刻的每种战场未来态势发生的概率向量。
在上述实施方式中，能够准确且快速地训练XGBoost模型，以更好地通过XGBoost模型输出战场未来态势概率，保证了战场未来态势概率输出的准确性。
可选地，XGBoost模型的损失函数如下：
其中，上式第一项中表示第t-1轮的模型预测；ft(xi)表示本轮的树结构；yi表示第i个样本的类别标签；第二项Ω(ft)是正则项，从而有利于控制树的复杂度，防止过拟合；/>
其中，T表示每棵树的叶子节点数量，w表示每棵树的叶子节点的分数组成的集合，γ和λ表示需要调参的系数；
确定损失函数的的二阶泰勒展开式为：
其中，G为一阶导数，H为二阶导数。
在上述实施方式中，通过设置XGBoost模型的损失函数，并通过确定损失函数的的二阶泰勒展开式，有助于更好地训练XGBoost模型，确保利用XGBoost模型输出战场未来态势概率的准确性。
可选地，定义决策树的初始结构参数以及模型的初始学习参数包括：设置决策树的最大深度为5，最小叶子节点权重为1，特征随机采样的比例为0.8，模型的学习率为0.1；同时，提高对捷变特征即雷达状态的采样率以及发生捷变的样本的权重；
参数调优包括：定义结构和学习参数向量矩阵W：
其中，参数向量矩阵中W的第一行向量为XGBoost模型中的CART决策树的数量，第二行向量为CART决策树的最大深度，第三行向量为XGBoost模型的学习率大小，第四行向量为XGBoost模型中的损失函数里的正则化参数γ取值大小。
在上述实施方式中，能够快速且准确地训练XGBoost模型，保证XGBoost模型具有较优的评价指标。
可选地，网格搜索方法根据参数向量矩阵W，按照每个行向量的取值个数，随机排列共有256中向量组合方式，采取贪心算法穷举搜索每种组合，选择查准率、查全率以及F1-score三种评价指标，评估每种组合训练后的XGBoost模型，选择其中取得最优评价指标的XGBoost模型，其使用的参数向量组合就是最优参数向量组合。通过参数向量矩阵W有助于选择具有最优评价指标的XGBoost模型，同时也有助于选择最优参数向量组合。
可选地，建立贝叶斯网络，估计战场未来态势对应的作战效益，包括：
采用作战效益评估指标计算某个战场未来态势对应的作战效益；其中，作战效益评估指标的计算公式如下：
B(X)＝w1Y(X)+w2E(X)+w3M(X)
式中，Y(X)为战场未来态势为X时我方作战胜利率，E(X)为战场态势为X时的敌方作战单位损失率；M(X)为战场态势为X时的我方作战单位损失率；w1，w2，w3分别为我方作战胜利率、敌方作战单位损失率、我方作战单位损失率所对应的权重，各个权重之和等于1，且由专家经验确定；
利用历史战场态势数据以及专家先验知识构建出的贝叶斯网络，采用贝叶斯网络预测我方作战单位损失率达到50％及以上，则M(X)＝0.5；反之，M(X)＝1；当我方作战单位损失率达到50％及以上时，则E(X)＝1；反之，E(X)＝0.5。
需要说明的是，由于下一时刻的战场态势X的E(X)与M(X)无法直接计算得出，所以本发明采用贝叶斯网络进行推理预测。利用历史战场态势数据以及专家先验知识构建出的贝叶斯网络结构如图3所示。
在上述实施方式中，通过作战效益评估指标公式计算某个战场未来态势对应的作战效益，计算过程简单可靠，有助于快速地估计战场未来态势对应的作战效益。另外，利用历史战场态势数据以及专家先验知识构建出的贝叶斯网络，保证了贝叶斯网络的准确性，从而便于准确地我方作战单位损失率以及敌方作战单位损失率。
可选地，Y(X)的计算公式如下：
Y(X)＝α1D(X)+α2A(X)+α3S(X)；
其中，D(X)，A(X)，S(X)，分别表示基于战场未来态势为X的距离、角度、速度的收益函数；α1，α2，α3分别表示各个收益函数所对应的权重，各个权重之和等于1，且由专家经验确定；d(xi)，a(xi)，s(xi)分别表示的是第i个飞机的距离收益、角度收益、速度收益。
在上述实施方式中，通过确定距离收益、角度收益、速收益，有助于准确地确定在某个战场未来态势下我方作战胜利率。
需要说明的是，距离、角度、速度的收益函数都是每个歼击机(战斗机)作战的收益总和。
可选地，距离收益函数的公式如下：
其中，R表示我方第i个歼击机和敌方第j个飞机的距离；导弹的攻击距离应满足Rmin≤R≤Rmax；Rmin，Rmax分别指的是导弹攻击区的近边界和远边界；若dmax＝dmin＝0.95，则可得σ＝2(Rmin+Rmax)。
需要说明的是，当R＞Rmax时，认为距离收益很小；随着相对距离的减少，攻击收益逐步扩大，时，距离收益达到最大；随着相对距离的进一步减少，距离收益又有逐步减小。由此，可以构造出类似于高斯分布的距离收益函数/>其中，R表示我方第δ个歼击机和敌方第j个飞机的距离。
角度收益函数的公式如下：
其中，和/>分别为目标进入角和目标方位角。
为了实现对目标的有效跟踪，要求保持目标方位角；同时，为了避免被攻击，最好的目标进入角为180°。由此，可以构造角度收益函数：
速度收益函数的公式如下：
其中，Vg和Vm分别为攻击机和目标机的速度。
空战中，速度越快，机动能力越强，相对也越占据作战优势。由此，可以构造速度收益函数
在上述实施方式中，各个收益函数的公式简单，便于准确且迅速地计算距离、角度、速度的收益，从而有助于准确地确定在某个战场未来态势下我方作战胜利率。
可选地，根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势，包括：
战场未来态势得分的计算公式如下：
Score(X)＝L(X)+λB(X)；
其中，L(X)为XGBoost模型输出的战场未来态势X所对应的概率，λ为权重因子，B(X)为战场未来态势X对应的作战效益。
在上述实施方式中，通过计算各种战场未来态势得分，有助于快速且准确地输出多分支态势，为时敏作战条件下的战术决策提供支持。
可选地，分别对每个战场未来态势进行计算并获得相应的态势得分，按照得分大小从高到底排序，输出前四种战场未来态势。通过输出前四种战场未来态势，有助于在时敏作战条件下进行快速的战术决策。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种基于XGBoost的平行推演多分支态势预测方法，其特征在于，包括如下步骤：
步骤S1，根据时间序列对战场态势数据进行排序并进行数据预处理和数据分配；其中，数据预处理包括对战场态势数据进行离散编码，并将离散编码后的战场态势数据进行稀疏编码；数据分配包括将战场态势数据集按照留出法划分成训练集和测试集；
步骤S2，根据数据预处理的结果以及数据分配的结果训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率；
步骤S3，利用历史战场态势数据以及专家先验知识建立贝叶斯网络，估计战场未来态势对应的作战效益；其中，贝叶斯网络输入为当前时刻的战场态势数据；
步骤S4，根据战场未来态势概率以及战场未来态势对应的作战效益加权求和计算战场未来态势得分并输出多分支态势。
2.根据权利要求1所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率，包括：
首先，设置XGBoost模型的损失函数，定义决策树的初始结构参数以及模型的初始学习参数；
其次，利用网格搜索的方法进行参数调优，确定模型参数，并利用网格搜索迭代寻找最优参数向量，确定训练模型参数；
最后，XGBoost模型根据当前战场态势数据，输出下一时刻的每种战场未来态势发生的概率向量。
3.根据权利要求2所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，XGBoost模型的损失函数如下：
其中，上式第一项中表示第t-1轮的模型预测；ft(xi)表示本轮的树结构；yi表示第i个样本的类别标签；第二项Ω(ft)是正则项；
其中，T表示每棵树的叶子节点数量，w表示每棵树的叶子节点的分数组成的集合，γ和λ表示需要调参的系数；
确定损失函数的的二阶泰勒展开式为：
其中，G为一阶导数，H为二阶导数。
4.根据权利要求3所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，定义决策树的初始结构参数以及模型的初始学习参数包括：设置决策树的最大深度为5，最小叶子节点权重为1，特征随机采样的比例为0.8，模型的学习率为0.1；同时，提高对捷变特征采样率以及发生捷变的样本的权重；
参数调优包括：定义结构和学习参数向量矩阵W：
其中，参数向量矩阵中W的第一行向量为XGBoost模型中的CART决策树的数量，第二行向量为CART决策树的最大深度，第三行向量为XGBoost模型的学习率大小，第四行向量为XGBoost模型中的损失函数里的正则化参数γ取值大小。
5.根据权利要求4所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，网格搜索方法根据参数向量矩阵W，按照每个行向量的取值个数，随机排列共有256中向量组合方式，采取贪心算法穷举搜索每种组合，选择查准率、查全率以及F1-score三种评价指标，评估每种组合训练后的XGBoost模型，选择其中取得最优评价指标的XGBoost模型，其使用的参数向量组合就是最优参数向量组合。
6.根据权利要求5所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，建立贝叶斯网络，估计战场未来态势对应的作战效益，包括：
采用作战效益评估指标计算某个战场未来态势对应的作战效益；其中，作战效益评估指标的计算公式如下：
B(X)＝w1Y(X)+w2E(X)+w3M(X)
式中，Y(X)为战场未来态势为X时我方作战胜利率，E(X)为战场态势为X时的敌方作战单位损失率；M(X)为战场态势为X时的我方作战单位损失率；w1,w2,w3分别为我方作战胜利率、敌方作战单位损失率、我方作战单位损失率所对应的权重，各个权重之和等于1，且由专家经验确定；
利用历史战场态势数据以及专家先验知识构建出的贝叶斯网络，采用贝叶斯网络预测我方作战单位损失率达到50％及以上，则M(X)＝0.5；反之，M(X)＝1；当我方作战单位损失率达到50％及以上时，则E(X)＝1；反之，E(X)＝0.5。
7.根据权利要求6所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，Y(X)的计算公式如下：
Y(X)＝α1D(X)+α2A(X)+α3S(X)；
其中，D(X)，A(X)，S(X)，分别表示基于战场未来态势为X的距离、角度、速度的收益函数；α1,α2,α3分别表示各个收益函数所对应的权重，各个权重之和等于1，且由专家经验确定；d(xβ)，a(xβ)，s(xβ)分别表示的是第β个飞机的距离收益、角度收益、速度收益。
8.根据权利要求4所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，距离收益函数的公式如下：
其中，R表示我方第δ个歼击机和敌方第j个飞机的距离；导弹的攻击距离应满足Rmin≤R≤Rmax；Rmin，Rmax分别指的是导弹攻击区的近边界和远边界；若dmax＝dmin＝0.95，则可得σ＝2(Rmin+Rmax)；
角度收益函数的公式如下：
其中，和/>分别为目标进入角和目标方位角；
速度收益函数的公式如下：
其中，Vg和Vm分别为攻击机和目标机的速度。
9.根据权利要求1所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势，包括：
战场未来态势得分的计算公式如下：
Score(X)＝L(X)+λB(X)；
其中，L(X)为XGBoost模型输出的战场未来态势X所对应的概率，λ为权重因子，B(X)为战场未来态势X对应的作战效益。
10.根据权利要求9所述的基于XGBoost的平行推演多分支态势预测方法，其特征在于，分别对每个战场未来态势进行计算并获得相应的态势得分，按照得分大小从高到底排序，输出前四种战场未来态势。
CN202211735137.2A 2022-12-30 2022-12-30 一种基于XGBoost的平行推演多分支态势预测方法 Active CN116050515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211735137.2A CN116050515B (zh) 2022-12-30 2022-12-30 一种基于XGBoost的平行推演多分支态势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211735137.2A CN116050515B (zh) 2022-12-30 2022-12-30 一种基于XGBoost的平行推演多分支态势预测方法

Publications (2)

Publication Number Publication Date
CN116050515A CN116050515A (zh) 2023-05-02
CN116050515B true CN116050515B (zh) 2023-11-07

Family

ID=86123161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211735137.2A Active CN116050515B (zh) 2022-12-30 2022-12-30 一种基于XGBoost的平行推演多分支态势预测方法

Country Status (1)

Country Link
CN (1) CN116050515B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833401A (zh) * 2018-06-11 2018-11-16 中国人民解放军战略支援部队信息工程大学 基于贝叶斯演化博弈的网络主动防御策略选取方法及装置
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
CN110766140A (zh) * 2019-10-22 2020-02-07 电子科技大学 一种基于XGBoost与LSTM的多传感器实时威胁等级分类方法
CN111144946A (zh) * 2019-12-27 2020-05-12 上海携程商务有限公司 航空公司的收益管理方法、系统、介质和电子设备
CN112329348A (zh) * 2020-11-06 2021-02-05 东北大学 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
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
CN113205215A (zh) * 2021-05-06 2021-08-03 慧谷人工智能研究院（南京)有限公司 一种基于知识的战场态势预测方法
CN113313258A (zh) * 2021-05-10 2021-08-27 中国人民解放军空军工程大学 一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法
CN114465758A (zh) * 2021-12-14 2022-05-10 哈尔滨理工大学 一种基于贝叶斯决策网络的网络态势感知方法
CN114818853A (zh) * 2022-03-10 2022-07-29 中国人民解放军空军工程大学 基于双向门控循环单元和条件随机场的意图识别方法
CN115204286A (zh) * 2022-07-11 2022-10-18 西北工业大学 模拟环境中基于深度学习的目标战术意图在线识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3150209A1 (en) * 2021-02-28 2022-08-28 Patrick James WHELAN Predicting future occurences of targeted events using trained artificial-intelligence processes

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833401A (zh) * 2018-06-11 2018-11-16 中国人民解放军战略支援部队信息工程大学 基于贝叶斯演化博弈的网络主动防御策略选取方法及装置
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
CN110766140A (zh) * 2019-10-22 2020-02-07 电子科技大学 一种基于XGBoost与LSTM的多传感器实时威胁等级分类方法
CN111144946A (zh) * 2019-12-27 2020-05-12 上海携程商务有限公司 航空公司的收益管理方法、系统、介质和电子设备
CN112329348A (zh) * 2020-11-06 2021-02-05 东北大学 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
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
CN113205215A (zh) * 2021-05-06 2021-08-03 慧谷人工智能研究院（南京)有限公司 一种基于知识的战场态势预测方法
CN113313258A (zh) * 2021-05-10 2021-08-27 中国人民解放军空军工程大学 一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法
CN114465758A (zh) * 2021-12-14 2022-05-10 哈尔滨理工大学 一种基于贝叶斯决策网络的网络态势感知方法
CN114818853A (zh) * 2022-03-10 2022-07-29 中国人民解放军空军工程大学 基于双向门控循环单元和条件随机场的意图识别方法
CN115204286A (zh) * 2022-07-11 2022-10-18 西北工业大学 模拟环境中基于深度学习的目标战术意图在线识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An XGBoost‑based casualty prediction method for terrorist attacks;Yi Feng等;《Complex & Intelligent Systems》;第6卷;721-740 *
基于XGBoost决策树的空中目标战术意图识别;王磊等;《Journal of Measurement Science and Instrumentation》;第9卷(第2期);148-152 *
基于贝叶斯网络算法的空中目标可信度计算;王新富等;《国防科技》;第30卷(第4期);34-37 *
空天态势推演与预测分析方法;尹江丽等;《第19届中国系统仿真技术及其应用学术年会》;第19卷;293-296 *

Also Published As

Publication number Publication date
CN116050515A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Yang et al. UAV air combat autonomous maneuver decision based on DDPG algorithm
CN111240353B (zh) 基于遗传模糊树的无人机协同空战决策方法
Liu et al. A deep reinforcement learning based intelligent decision method for UCAV air combat
CN109063819B (zh) 基于贝叶斯网络的任务共同体的识别方法
Hu et al. Improved ant colony optimization for weapon‐target assignment
CN114330115B (zh) 一种基于粒子群搜索的神经网络空战机动决策方法
CN116050515B (zh) 一种基于XGBoost的平行推演多分支态势预测方法
CN113625569B (zh) 一种基于混合决策模型的小型无人机防控决策方法及系统
CN114638339A (zh) 基于深度强化学习的智能体任务分配方法
CN116501086B (zh) 一种基于强化学习的飞行器自主规避决策方法
CN113962012A (zh) 无人机对抗策略优化方法及装置
Dantas et al. Engagement decision support for beyond visual range air combat
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
Gong et al. Dynamic threat assessment of air multi-target based on DBN-TOPSIS method
Ximeng et al. Threat assessment in air combat based on ELM neural network
CN115097861B (zh) 一种基于cel-maddpg的多无人机围捕策略方法
CN115186378A (zh) 一种空战模拟环境中的战术控制距离实时解算方法
CN116011315A (zh) 一种基于k-稀疏自编码svm的导弹不可逃逸区快速解算
Guo et al. Uav air combat algorithm based on bayesian probability model
CN110930054A (zh) 一种基于数据驱动的作战体系关键参数快速优化方法
Yu et al. Research on airspace target threat assessment model in sea battlefield based on GA-RBF
Xi-cheng et al. Air-attack weapon identification model of weighted Navie Bayes based on SOA
Hu et al. Multi-target Attack Decision-Making in Time-Sensitive Missions Based on Artificial Potential Field and Entropy-AHP Method
CN109866931B (zh) 一种基于自编码器的飞机油门控制方法
Liu et al. Threat Evaluation in Air Defense Based on Improved KPCA-TOPSIS

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