CN116187169A - 基于动态贝叶斯网络的无人机集群意图推断算法及系统 - Google Patents

基于动态贝叶斯网络的无人机集群意图推断算法及系统 Download PDF

Info

Publication number
CN116187169A
CN116187169A CN202211735376.8A CN202211735376A CN116187169A CN 116187169 A CN116187169 A CN 116187169A CN 202211735376 A CN202211735376 A CN 202211735376A CN 116187169 A CN116187169 A CN 116187169A
Authority
CN
China
Prior art keywords
intention
unmanned aerial
aerial vehicle
bayesian network
dynamic bayesian
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
Application number
CN202211735376.8A
Other languages
English (en)
Inventor
段晓君
祁明泽
池艺妍
梁靖婕
晏良
黄彭奇子
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211735376.8A priority Critical patent/CN116187169A/zh
Publication of CN116187169A publication Critical patent/CN116187169A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于动态贝叶斯网络的无人机集群意图推断算法及系统。方法包括S1、根据无人机集群的作战意图和行为特征建立意图特征对照表；S2、以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型；S3、将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。本发明通过对无人机集群行为特征的观测数据推断集群意图特征，观测数据获取途径多，基于数据进行推断可靠性强。

Description

基于动态贝叶斯网络的无人机集群意图推断算法及系统
技术领域
本发明涉及无人机技术领域，更具体地说，特别涉及一种基于动态贝叶斯网络的无人机集群意图推断算法及系统。
背景技术
战场目标作战意图识别一直以来都是各级指挥员关注的重点，是决定下一步作战行动的基本依据。快速准确地分析战场态势要素间的联动关系，把握敌方作战意图，能够使得双方对抗局势按照我方理想战局的轨迹发展，从而夺得作战先机，实现快速制胜。在信息化条件下，战场信息剧增，敌我对抗复杂，空中威胁日益严峻，单纯依靠专家经验很难从多源战场数据中快速、准确地识别敌方目标的意图。如何利用先进的数据融合技术辅助指挥员识别敌方的作战意图，已经成为目前战场态势评估迫切需要解决的问题。目前用于复杂战场环境下解决敌方目标作战意图分析的方法主要有模板匹配、专家系统、贝叶斯网络、神经网络等。
随着无人机的应用领域不断推广，单架无人机和传统多无人机系统在执行任务时暴露出了灵活性差和任务完成效率低的短板，且无人机自主智能不断提高，因此使用无人机集群执行相关任务必将成为未来无人机发展的主要趋势。近年来的多场战争也体现了传统防空体系对于大规模无人机集群作战的几近失效，针对无人机集群的意图识别研究迫在眉睫。现有战场意图推断问题研究多针对战场整体态势分析敌进攻意图，推断所需的战场环境信息较多，针对无人机集群作战这种新型作战样式的意图推断研究还比较缺乏。薛锡瑞等人曾通过建立基于马尔可夫桥接分布的集群运动模型，进而提出基于可达域优化的贝叶斯意图推断方法，该方法更多的关注对集群攻击目标的预测，且对集群运动模型假设要求较高。
无人机集群的构成复杂多样，机动性强，可以在短时间内高强度达成饱和攻击的目的，若不依托于连续的观测数据和推断，极易错失关键细节，贻误战机。同时，无人机集群低、慢、小的特征，给雷达的连续准确观测带来了较大困难。现有的模板匹配、贝叶斯网络等方法只针对单一时刻战场状态进行推断，对于受到干扰，观测受限的时刻无法进行推断。无人机集群作战可利用集群优势，协同配合，完成单架无人机所不能完成的任务，或连续完成多项任务，分布式杀伤会显著增加防空防御难度，大幅提高防空决策难度及复杂度。对此需要对无人机集群进行连续的观测和动态的推断，现有的静态方法难以实现这一目的。
不同类型的无人机集群往往担负着不同的作战任务，对我方的威胁程度也不尽相同，对于不同的威胁类型，针对性地设计应对措施，更有助于对抗费效比的提升。同时，无人机集群的作战意图不是一成不变的，由于无人机集群具有自组织性，同一集群可以通过调整编队、改变飞行方式，实现多种功能，从而执行不同的任务。无人机集群也可以根据战场环境变化自适应的作出调整，或根据地面的指令改变行为特征及作战意图，在一次行动的不同阶段执行多个作战任务。受环境气候等条件影响，可能无法对无人机集群的行为进行连续的检测，会存在观测缺失或观测错误；且敌我双方的作战行动具有一定的隐蔽性、欺骗性和对抗性，为隐藏其作战企图，战场目标通常会释放一些带有欺骗性的虚假信息，因此依靠单一时刻的战场态势信息来推测目标的作战意图显然不够科学。
因此，为了针对来袭未知无人机集群，根据雷达等侦测设备观测到的集群行为特征，推断集群的作战意图，从而对来袭集群做出拦截或反干扰等适当的响应，确有必要开发一种基于动态贝叶斯网络的无人机集群意图推断算法及系统。
发明内容
本发明的目的在于提供一种基于动态贝叶斯网络的无人机集群意图推断算法及系统，以克服现有技术所存在的缺陷。
为了达到上述目的，本发明采用的技术方案如下：
基于动态贝叶斯网络的无人机集群意图推断算法，包括：
S1、根据无人机集群的作战意图和行为特征建立意图特征对照表；
S2、以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型；
S3、将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。
进一步地，所述根据无人机集群的作战意图和行为特征建立意图特征对照表包括：
获取N种无人机集群的作战意图和M种行为特征；
对所述行为特征的取值进行离散化；
对所述无人机集群在不同的作战意图下的行为特征的取值进行匹配，形成意图特征对照表。
进一步地，将所述意图特征对照表采用矩阵表示，针对行为特征Cr的意图特征匹配矩阵为
Figure BDA0004032622800000021
Figure BDA0004032622800000022
进一步地，所述步骤S2具体为：在单时间片中以意图特征对照表中的作战意图为根节点，以行为特征为子节点，将各自节点均与根节点相连，并令毗邻时间片间根节点存在一阶状态转移，以建立意图特征对照表。
进一步地，所述步骤S2中还包括：设置所述动态贝叶斯网络推断模型的参数，包括单时间片内根节点的先验概率、单时间片内子节点的条件概率和根节点的状态转移概率；
所述单时间片内根节点的先验概率通过统计战例数据库中各作战意图的出现概率得到，表示为：
Figure BDA0004032622800000031
式中，ni为战例数据库中意图Ii出现的频数，n为数据库中总案例数；
所述单时间片内子节点的条件概率为：
Figure BDA0004032622800000032
式中，
Figure BDA0004032622800000033
表示特征Cr的取值中与意图Ii匹配的个数，nF＝pr-nT；
所述根节点的状态转移概率为：
Figure BDA0004032622800000034
式中，a为无人机集群继续保持先前作战意图的概率取值，i，j为节点I的状态，n为I的状态维数。
进一步地，所述步骤S3包括：对所述观察数据进行离散化预处理并将预处理后的数据输入至所述动态贝叶斯网络推断模型中进行推断。
本发明还提供一种根据上述的基于动态贝叶斯网络的无人机集群意图推断算法的系统，包括：
构建模块，用于根据无人机集群的作战意图和行为特征建立意图特征对照表；
模型模块，用于以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型；
推断模块，用于将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。
与现有技术相比，本发明的优点在于：本发明提供的一种基于动态贝叶斯网络的无人机集群意图推断算法及系统，通过对无人机集群行为特征的观测数据推断集群意图特征，观测数据获取途径多，基于数据进行推断可靠性强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明基于动态贝叶斯网络的无人机集群意图推断算法的流程图。
图2是本发明的动态贝叶斯网络推断模型图。
图3是本发明利用GeNIe软件建立推断网络。
图4是本发明推断结果示意图。
图5是本发明利用GeNIe软件建立动态贝叶斯网络推断模型。
图6是本发明的动态贝叶斯网络模型推断结果示意图。
图7是DBN模型和BN模型推断结果对比图。
图8是本发明基于动态贝叶斯网络的无人机集群意图推断系统的框架图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例一
参阅图1所示，本实施例公开了基于动态贝叶斯网络的无人机集群意图推断算法，包括：
步骤S1、根据无人机集群的作战意图和行为特征建立意图特征对照表。
具体的，步骤S1包括：
获取N种无人机集群的作战意图和M种行为特征。随着技术的发展，无人机集群执行的任务不断拓宽，防空侦测设备也在不断升级，所以主流作战意图和集群行为特征应根据当前时代具体情况进行总结。
对所述行为特征的取值进行离散化。无人机的行为特征多为连续型变量，而贝叶斯网络处理连续性变量较为复杂，应先将无人机集群的行为特征取值进行划分，离散化处理为定性变量，定性取值的个数p可根据数据集大小确定，取值数越多推断精度越高，但取值数过多会大大增加网络推断复杂度。
对所述无人机集群在不同的作战意图下的行为特征的取值进行匹配，形成意图特征对照表。通过对战例数据库的统计分析，结合专家经验，对无人机集群在不同作战任务下各行为特征的取值进行匹配，各作战意图对应的行为特征取值可以是单一取值，也可以是双取值或多取值。
而且，为便于后续处理，意图特征对照表采用矩阵表示，针对行为特征Cr的意图特征匹配矩阵为
Figure BDA0004032622800000051
Figure BDA0004032622800000052
步骤S2、以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型。
具体的，在单时间片中以意图特征对照表中的作战意图为根节点I，取值为步骤S1中所总结的N种作战意图；以行为特征为子节点Cr,r＝1,2,…,M，子节点Cr的取值为步骤S1中离散化出的pr个定性取值，将各自节点均与根节点相连，并令毗邻时间片间根节点存在一阶状态转移，以建立意图特征对照表，具体网络结构如图2所示。
具体的，步骤S2中还包括：设置所述动态贝叶斯网络推断模型的参数，包括单时间片内根节点的先验概率、单时间片内子节点的条件概率和根节点的状态转移概率；
所述单时间片内根节点的先验概率通过统计战例数据库中各作战意图的出现概率得到，表示为：
Figure BDA0004032622800000053
式中，ni为战例数据库中意图Ii出现的频数，n为数据库中总案例数；
单时间片内子节点的条件概率：子节点的条件概率根据意图特征对照表设置，同时对未连接取值设置0.05的泄露概率，以保证推断过程中所有节点均打开，在意图Ii下，特征Cr的各取值出现概率为：
Figure BDA0004032622800000054
式中，
Figure BDA0004032622800000055
表示特征Cr的取值中与意图Ii匹配的个数，nF＝pr-nT；
所述根节点的状态转移概率为：
Figure BDA0004032622800000056
式中，a为无人机集群继续保持先前作战意图的概率取值，i，j为节点I的状态，n为I的状态维数。
步骤S3、将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。
具体的，步骤S3包括：
对所述观察数据进行离散化预处理。从观测数据到模型的输入数据要先根据步骤S1中的离散化量表进行预处理，使其符合网络模型中节点的取值集合。对观测到的无人机集群，若无人机间表现出了集群间的趋同特性则认为是同一集群，否则认为是不同集群。对于同一集群中的各架无人机，若各特征参量的数值相差不大且处于同一定性化区间，则取该值作为集群的定性特征，若相差较大，且处于多个定性区间则忽略该特征节点。
将预处理后数据输入至所述动态贝叶斯网络推断模型中进行推断。推断过程可以看做给定一组有限的T个顺序时间的特征观测变量
Figure BDA0004032622800000061
对于作战意图隐变量序列
Figure BDA0004032622800000062
的条件概率分布
Figure BDA0004032622800000063
进行计算。推断过程可以通过前向传播或后向传播算法完成。
本实施例中，步骤S2中的网络模型建立和步骤S3的推断过程均可利用GeNIe软件实现，GeNIe软件是一个用于构建图形决策理论模型的开发环境，可以实现贝叶斯网络等图模型的结构建模、推断和学习，并将它用于不确定性下的概率推理和决策，软件中建立的网络模型和推断结果示意图如附图3和附图4。
参阅图8所示，本实施例还提供一种根据上述的基于动态贝叶斯网络的无人机集群意图推断算法的系统，包括：构建模块1，用于根据无人机集群的作战意图和行为特征建立意图特征对照表；模型模块2，用于以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型；推断模块3，用于将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。
本发明从对无人机集群行为特征的观测出发，基于集群行为特征和作战意图的匹配，推断来袭无人机集群作战意图，所需观测信息全部依赖于对无人机集群的观测，可依托防空侦测系统，易于获取，对战场态势依赖小。
本发明在定义网络的条件概率时，设置一定的泄露概率，保证推断过程中所有节点均打开。
本发明通过建立动态贝叶斯网络推断模型，通过根节点的状态转移使前后时刻产生联系，能够处理时序连续的观测值，同时可以有效处理对无人机集群行为特征的观测存在缺失和错误的情况，模型稳健性高。且定义根节点存在一阶马尔可夫性，动态贝叶斯网络在静态贝叶斯网络的基础上，结合时间信息，并引入先后时间片的状态转移概率，将前一时间片对其后续事件的影响考虑在内。动态贝叶斯网络推断通过引入时序概念，节点的马尔科夫性有效弥补了单次观测对推断结果的影响，提高了系统的稳健性。同时，动态贝叶斯网络的时序延续性可以有效弥补对无人机集群行为特征的观测存在缺失和错误的问题，使模型的鲁棒性大大提高。
本发明给非匹配特征设置一定的泄露概率，保证推断过程中所有节点均打开，增强模型的容错率和普适性。
实施例二
建立贝叶斯网络推断模型也可基本实现利用无人机集群行为特征推断其作战意图的目的，但贝叶斯网络无时序延续性，动态推断能力差，且模型的鲁棒性相比动态模型较差，贝叶斯网络推断模型如图5，推断效果示意如附图6，相同输入下，动态贝叶斯网络推断模型和贝叶斯网络推断模型推断结果对比如附图7。具体实施方案为：
实施例二中建立贝叶斯网络推断模型，网络建立方式与动态贝叶斯网络的单时间片内网络结构相同。
网络参数定义与实施例一中单时间片内根节点的先验概率和单时间片内子节点的条件概率中概率定义相同，无状态转移。
将实施例一步骤S3中的推断过程使用变分推断方法，取无人机集群的真实意图为潜变量，构造观测变量的似然函数，基于变分推断将似然函数改写为变分下界和KL散度之和，迭代求解潜变量的分布，使得观测的后验概率取极大值。
其余步骤均与动态贝叶斯网络推断模型技术方案中相同。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (7)

1.基于动态贝叶斯网络的无人机集群意图推断算法，其特征在于，包括：
S1、根据无人机集群的作战意图和行为特征建立意图特征对照表；
S2、以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型；
S3、将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。
2.根据权利要求1所述的基于动态贝叶斯网络的无人机集群意图推断算法，其特征在于，所述根据无人机集群的作战意图和行为特征建立意图特征对照表包括：
获取N种无人机集群的作战意图和M种行为特征；
对所述行为特征的取值进行离散化；
对所述无人机集群在不同的作战意图下的行为特征的取值进行匹配，形成意图特征对照表。
3.根据权利要求2所述的基于动态贝叶斯网络的无人机集群意图推断算法，其特征在于，将所述意图特征对照表采用矩阵表示，针对行为特征Cr的意图特征匹配矩阵为
Figure FDA0004032622790000011
Figure FDA0004032622790000012
4.根据权利要求2所述的基于动态贝叶斯网络的无人机集群意图推断算法，其特征在于，所述步骤S2具体为：在单时间片中以意图特征对照表中的作战意图为根节点，以行为特征为子节点，将各自节点均与根节点相连，并令毗邻时间片间根节点存在一阶状态转移，以建立意图特征对照表。
5.根据权利要求2所述的基于动态贝叶斯网络的无人机集群意图推断算法，其特征在于，所述步骤S2中还包括：设置所述动态贝叶斯网络推断模型的参数，包括单时间片内根节点的先验概率、单时间片内子节点的条件概率和根节点的状态转移概率；
所述单时间片内根节点的先验概率通过统计战例数据库中各作战意图的出现概率得到，表示为：
Figure FDA0004032622790000013
式中，ni为战例数据库中意图Ii出现的频数，n为数据库中总案例数；
所述单时间片内子节点的条件概率为：
Figure FDA0004032622790000021
式中，
Figure FDA0004032622790000022
表示特征Cr的取值中与意图Ii匹配的个数，nF＝pr-nT；
所述根节点的状态转移概率为：
Figure FDA0004032622790000023
式中，a为无人机集群继续保持先前作战意图的概率取值，i，j为节点I的状态，n为I的状态维数。
6.根据权利要求1所述的基于动态贝叶斯网络的无人机集群意图推断算法，其特征在于，所述步骤S3包括：对所述观察数据进行离散化预处理并将预处理后的数据输入至所述动态贝叶斯网络推断模型中进行推断。
7.一种根据权利要求1-6任意一项所述的基于动态贝叶斯网络的无人机集群意图推断算法的系统，其特征在于，包括：
构建模块，用于根据无人机集群的作战意图和行为特征建立意图特征对照表；
模型模块，用于以意图特征对照表中的作战意图为根节点，以行为特征为子节点，令根节点一阶状态转移建立动态贝叶斯网络推断模型；
推断模块，用于将观测数据输入至所述动态贝叶斯网络推断模型中进行推断得到作战意图。
CN202211735376.8A 2022-12-30 2022-12-30 基于动态贝叶斯网络的无人机集群意图推断算法及系统 Pending CN116187169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211735376.8A CN116187169A (zh) 2022-12-30 2022-12-30 基于动态贝叶斯网络的无人机集群意图推断算法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211735376.8A CN116187169A (zh) 2022-12-30 2022-12-30 基于动态贝叶斯网络的无人机集群意图推断算法及系统

Publications (1)

Publication Number Publication Date
CN116187169A true CN116187169A (zh) 2023-05-30

Family

ID=86435785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211735376.8A Pending CN116187169A (zh) 2022-12-30 2022-12-30 基于动态贝叶斯网络的无人机集群意图推断算法及系统

Country Status (1)

Country Link
CN (1) CN116187169A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993010A (zh) * 2023-07-28 2023-11-03 南通大学 一种基于贝叶斯神经网络的固定翼无人机态势预测方法
CN117113216A (zh) * 2023-07-25 2023-11-24 北京理工大学重庆创新中心 基于动态贝叶斯网络的异构多无人机打击决策方法及装置
CN117540626A (zh) * 2023-10-30 2024-02-09 南通大学 一种基于贝叶斯神经网络的固定翼无人机态势预测方法
CN118549971A (zh) * 2024-07-29 2024-08-27 北京领云时代科技有限公司 基于hmm模型的无人机蜂群进攻意图识别系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113216A (zh) * 2023-07-25 2023-11-24 北京理工大学重庆创新中心 基于动态贝叶斯网络的异构多无人机打击决策方法及装置
CN116993010A (zh) * 2023-07-28 2023-11-03 南通大学 一种基于贝叶斯神经网络的固定翼无人机态势预测方法
CN116993010B (zh) * 2023-07-28 2024-02-06 南通大学 一种基于贝叶斯神经网络的固定翼无人机态势预测方法
CN117540626A (zh) * 2023-10-30 2024-02-09 南通大学 一种基于贝叶斯神经网络的固定翼无人机态势预测方法
CN117540626B (zh) * 2023-10-30 2024-05-14 南通大学 一种基于贝叶斯神经网络的固定翼无人机态势预测方法
CN118549971A (zh) * 2024-07-29 2024-08-27 北京领云时代科技有限公司 基于hmm模型的无人机蜂群进攻意图识别系统及方法

Similar Documents

Publication Publication Date Title
CN116187169A (zh) 基于动态贝叶斯网络的无人机集群意图推断算法及系统
CN110929394B (zh) 基于超网络理论的联合作战体系建模方法以及存储介质
CN110099045B (zh) 基于定性微分博弈和演化博弈的网络安全威胁预警方法及装置
CN110175773A (zh) 基于贝叶斯网络的侦查无人机作战效能评估方法
CN109597839B (zh) 一种基于航电作战态势的数据挖掘方法
CN112600795B (zh) 一种不完全信息下的作战网络瓦解方法及系统
CN109960863B (zh) 一种基于网络拓扑路径的复杂仿真系统可信度评估方法
CN113743509A (zh) 一种基于不完全信息的在线作战意图识别方法及装置
CN115047907B (zh) 一种基于多智能体ppo算法的空中同构编队指挥方法
CN114139550B (zh) 一种基于活动语义文本消息的态势智能认知方法
CN109299491B (zh) 一种基于动态影响图对策的元模型建模方法及使用方法
CN116151492B (zh) 一种联合作战体系辅助决策分析系统
CN113312789A (zh) 基于多信息融合的仿真系统及方法
CN116307794A (zh) 一种基于复杂网络的民航信息协同体系建模与评估方法
Lin et al. Target recognition and behavior prediction based on Bayesian network
CN114792072A (zh) 一种基于功能的装备决策行为仿真建模方法及系统
Han et al. Deep relationship graph reinforcement learning for multi-aircraft air combat
CN116628449B (zh) 基于图的邻接点优先的联合树saad-jt算法的态势评估方法
Wang et al. A LSTM-Based Method for Prediction of Network Security Situation in Smart Electric Power Grid
CN115113642B (zh) 一种多无人机时空关键特征自学习协同对抗决策方法
CN116112490B (zh) 一种低复杂度可扩展的拜占庭容错方法及装置、存储介质
Cai et al. Consensus of multi-vehicle cooperative attack with switching topology and stochastic fault
Zhang et al. Soldier Threat Assessment Method Based on Bayesian Network
Wang et al. Decision-making Control in Military Combat System of Systems: A Prospect Theory Approach
Ma et al. A Casual-Based Operational Analysis Framework for Multi-UAV Systems

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