CN117933752A - 基于贝叶斯估计的任务完成率预测方法及装置 - Google Patents
基于贝叶斯估计的任务完成率预测方法及装置 Download PDFInfo
- Publication number
- CN117933752A CN117933752A CN202410114587.2A CN202410114587A CN117933752A CN 117933752 A CN117933752 A CN 117933752A CN 202410114587 A CN202410114587 A CN 202410114587A CN 117933752 A CN117933752 A CN 117933752A
- Authority
- CN
- China
- Prior art keywords
- task
- threat
- formation
- completion rate
- aerial vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 112
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000013139 quantization Methods 0.000 claims abstract description 26
- 230000004931 aggregating effect Effects 0.000 claims abstract description 12
- 238000013398 bayesian method Methods 0.000 claims abstract description 10
- 230000002195 synergetic effect Effects 0.000 claims abstract description 10
- 238000011002 quantification Methods 0.000 claims description 22
- 230000004083 survival effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 15
- 230000019771 cognition Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于贝叶斯估计的任务完成率预测方法及装置。所述方法包括:根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值;根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据当前态势和先验概率分布构建任务完成率预测模型;利用任务完成率预测模型待估计的任务编队进行任务完成率预测。采用本方法能够实现任务完成率预测。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种基于贝叶斯估计的任务完成率预测方法及装置。
背景技术
在信息化场景下,信息海量化、空间复杂化、侦察对象多元化为无人机指挥员的精准研判带来了巨大挑战。特别是随着大量的预警探测设备、传感器的广泛应用,获取的大量场景态势数据已经远远超出了指挥员的分析和处理能力,而无人机信息化侦察的快节奏又对态势评估的时效性和准确性提出了更高要求。传统仅基于人经验或认知的指挥模式已难以适应瞬息万变的无人机侦察形势。
然而,基于态势认知算法研究现状及人机混合智能认知的必然趋势,为了更好地辅助指挥员理解复杂环境态势,进而准确研判任务完成率,提出了一种任务完成率预测方法,任务完成率预测是指对任务预期计划最终完成程度的预测,是指挥员把握任务完成状况、理解态势、调整侦察决策的重要依据。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现任务完成率预测的基于贝叶斯估计的任务完成率预测方法及装置。
一种基于贝叶斯估计的任务完成率预测方法,所述方法包括:
获取侦察环境中无人机的单机威胁评估指标;单机威胁评估指标包括侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力;
根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值;
根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据当前态势和先验概率分布构建任务完成率预测模型;利用任务完成率预测模型待估计的任务编队进行任务完成率预测。
在其中一个实施例中,根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,包括:
根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型为
其中,Iaj为单实体在第j个指标下的威胁度,p(aj)为单实体取得第j个指标下侦察效果的概率。
在其中一个实施例中,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度,包括:
将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度为
其中,Iij=NiIaj,Iij代表第i型实体在第j个指标下的威胁度,Ni为编组中第i型实体数量,C为一致性指数,Ej为任务编队在第j个指标的威胁度,I为编组数量,aij为幂指数,表示第i个编组对于第j个指标的重要性。
在其中一个实施例中,利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值,包括:
利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值为
Vij=ρEj
其中,Vij表示任务编队的威胁量化值,ρ表示无人机编队的能力量化与分析协同系数,Ej表示任务编队威胁度,edi表示第i个基本编组中第d项协同度值,αdi和βdi分别表示edi的最大和最小值,λi为第i个编组在联合任务中的权重,i为编组序号,I为编组数量。
在其中一个实施例中,根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布,包括:
基于专家知识和历史推演数据确定先验概率分布为
其中,Γ为Gamma函数,α代表当前任务倾向于完成的程度,β代表倾向于未完成的程度,α、β之和代表对于先验概率分布总的置信度,r为任务完成率。
在其中一个实施例中,根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,包括:
根据实时侦察环境中的任务编队的威胁量化值迭代当前态势为
其中,T0表示初始时刻,T表示当前时刻,|T|表示时间戳数量,G包含当前时刻已经开展的任务集合,g表示当前时刻已经开展的任务序号,Y代表关联任务影响程度,Wgj表示子任务g在指标j上的任务完成率,αgj表示其子任务g对于指标j贡献度,Vij表示任务编队的威胁量化值。
在其中一个实施例中,根据当前态势和先验概率分布构建任务完成率预测模型,包括:
根据当前态势和先验概率分布构建任务完成率预测模型为
其中,α代表当前任务倾向于完成的程度,β代表倾向于未完成的程度,Γ为Gamma函数,r为任务完成率,T表示当前时刻,|T|表示时间戳数量,H表示当前态势,即无人机编队所面临的威胁程度的已实际完成任务量。
在其中一个实施例中,当前任务倾向于完成的程度和倾向于未完成的程度分别为
α=Pj×γ
β=(1-Pj)×γ
其中,Pj表示第j个指标下的初始完成概率,γ代表对于初始完成概率的信任度。
一种基于贝叶斯估计的任务完成率预测装置,所述装置包括:
单机威胁评估指标获取模块,用于获取侦察环境中无人机的单机威胁评估指标;单机威胁评估指标包括侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力;
威胁量化值计算模块,用于根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值;
任务完成率预测模块,用于根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据当前态势和先验概率分布构建任务完成率预测模型;利用任务完成率预测模型待估计的任务编队进行任务完成率预测。
上述基于贝叶斯估计的任务完成率预测方法及装置,本申请基于贝叶斯估计方法提出了专家知识与侦察区域实时态势相融合的解决思路,填补了当前对于态势认知的空缺,从实体威胁着手,以任务实施为中心,随着任务时间的推进,不断基于当前侦察区域态势对先验概率进行调整构建任务完成率预测模型,能够得到合理可靠的任务完成率预测结果。
附图说明
图1为一个实施例中一种基于贝叶斯估计的任务完成率预测方法的流程示意图;
图2为一个实施例中贝叶斯估计的流程示意图;
图3为一个实施例中不同参数条件下的任务完成预测结果密度图;
图4为一个实施例中一种基于贝叶斯估计的任务完成率预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于贝叶斯估计的任务完成率预测方法,包括以下步骤:
步骤102,获取侦察环境中无人机的单机威胁评估指标;单机威胁评估指标包括侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力。
根据无人机联合侦察中任务编队的侦察特点,对其威胁评估主要针对其侦察效能,威胁程度分析中依据侦察实际特点可划分为单机、编组和集群3个层次,其中为充分反映实体威胁程度,选取侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力等指标体系。
步骤104,根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值。
无人机在单机威胁评估指标下,侦察效果对应的侦察效能也越大,对应的威胁程度也越大,因此利用侦察效率构建单实体威胁度模型。进而根据侦察实际,实体编组就是由具有相同类型的设置的基本侦察单位按照一定的组成和规模构成的能够执行一定任务的侦察单位。因而将执行同一任务的相同侦察无人机作为一个编组处理。实际侦察任务过程中,任务编队通常由多个编组组成,不同编组因其平台属性不同,其威胁值的重要性不同,对于威胁度的贡献度也不同。且考虑边缘递减效应及量纲一致性,无法采用加权和法直接聚合,因而采用幂指数模型将任务编队中的不同实体编组的威胁度进行聚合,得到任务编队威胁度。同时由于联合侦察任务中,任务编队通常遂行多种任务,因而任务编队威胁度的聚合不能简单相加或相乘,需进一步引入协同度进行修正,故根据各个编组的协同度值,协同度值包括编组的时间协同等;以及编组在联合任务中的权重设计协同系数。通过协同系数修正得到的最终任务编队的威胁量化值。
步骤106,根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据当前态势和先验概率分布构建任务完成率预测模型;利用任务完成率预测模型待估计的任务编队进行任务完成率预测。
由于侦察地域中的态势认知预测是在不断变化的动态过程,为了进一步增强认知判断的准确性,需要构建一个动态可更新的概率估计模型。本申请基于贝叶斯估计算法来构建此过程如图2所示,为便于描述,定义当前所有任务完成情况信息为H,最终任务完成率为r,则贝叶斯估计公式可描述为
式中p(r|H)为后验估计概率,P(H|r)为估计似然概率,p(r)为先验分布,P(H)为边缘分布。其中似然函数P(H|r)为在给定任务完成率r的基础上发生当前态势状况的概率。直观理解为当前侦察环境中每一件任务的完成情况都是一随机事件,其完成的概率即为r,此时似然函数可数学表达为:
其中N为当前任务背景下总要求,H为当前已完成任务的总任务量。
对于先验函数而言,其反应了算法对于任务完成率的初始认知,是指挥员先验信息的集中体现。算法可以通过设计不同的先验函数参数及置信度来表征当前经验知识对于任务完成率的不同认识。结合概率论相关理论及任务完成率预测背景,Beta分布在表征这一领域问题有着较好的效果,且因其与P(H|r)所使用的二项分布为共轭分布,因而有解析数学分布表达式,因而选择其作为先验概率分布,可数学表示为
其中,Γ为Gamma函数,其中α和β是Beta分布中的参数,用以控制该分布的具体分布情况及置信度。如图3所示,在不同参数条件下的任务完成率概率密度函数。其中α可以理解为当前任务倾于完成的程度,β则代表倾向于未完成的程度,α、β之和则代表对于先验概率分布总的置信度,其中α=1,β=1表示没有任何先验知识,因而退化为均匀分布。α=2,β=3表示有一定的先验知识,且r取值倾向于[0.2,0.4],任务倾向于较低概率完成。α=10,β=10表示有较多的先验知识,且r取值倾向于[0.4,0.6],任务完成与否概率参半。α=36,β=4表示有充分的先验知识,且r取值倾向于[0.8,1.0],任务倾向于完成。可以看出,置信度(α、β之和)越大,先验概率分布越尖锐,表示先验信息越确定,而置信度(α、β之和)越小,先验概率分布越平缓,表示先验信息越不确定,因而其更容易受到后续观察的影响。对于贝叶斯公式中的边缘分布P(H),其本质上是一标准化参数,用以确保最终得到的后验分布为标准概率密度函数,计算方式为将r在取值范围内将先验分布于似然函数乘积进行积分。对于最终得到的后验概率密度函数,其本质上是结合最新观察得到的任务完成情况对原有先验分布的更新,是经验知识与实际观察的有机结合。结合上述推导,为便于表示,首先将标准化因子(边缘概率分布)先省去可表示为
p(r|H)∝P(H|r)p(r) (4)
带入上述相关表达式可得,
由于先验分布与似然函数为共轭分布,根据其数学特性可得,其后验分布一定为Beta分布,
其中δ=H+α,γ=N-H+β,最终公式可表示为:
同理,根据贝叶斯估计算法来对任务完成率预测对于某一侦察任务假定有完整的侦察筹划,即已确认任务下辖子任务及相应子任务开始和结束时间以及各任务实体划分情况,并形成任务规划甘特图。结合任务场景,可对公式中具体的参数细节进行确定。以某协同任务R为例,该任务共包含n个子任务,记为J1,J2…Jn,对于每一时刻Tt可获取截面任务集合为G,其中G包含当前时间点已经开展的任务集合。以其中某一时刻为例,当前时刻共包含m个子任务G={g1,g2,…,gm},对于G中子任务g,可定义其完成率为Wgj,其中Wgj表示子任务g在指标j上的任务完成率。对于主任务R而言,其包含n个任务完成指标,算法最终计算完成率预测结果为R1,R2...Rn。在各个指标上的初始完成概率可定义为P1,P2…Pn,定义αgj表示其子任务g对于指标j贡献度,|T|代表当前时间戳数量,γ代表对于初始完成概率的信任度,γ数值越大,初始完成概率越难被否定,Y代表关联任务影响程度,Vij表示任务编队的威胁量化值,可以定义H代表当前有利态势,即考虑当前编队所面临的威胁程度的侦察区域已实际完成任务量:
则在时间T时刻可计算得到任务完成率预估概率为:
其中α、β表示专家经验及历史推演信息相结合的认知结果
α=Pj×γ (10)
β=(1-Pj)×γ
根据贝叶斯估计对任务完成率预测模型进行建模,通过专家知识与侦察实时态势相融合的解决思路填补了当前对于态势认知的空缺,从实体威胁着手,以任务实施为中心,随着任务时间的推进,不断基于当前侦察区域态势对先验概率进行调整,能够大大提高任务完成率的预测准确率。
上述基于贝叶斯估计的任务完成率预测方法中,本申请基于贝叶斯估计方法提出了专家知识与侦察区域实时态势相融合的解决思路,填补了当前对于态势认知的空缺,从实体威胁着手,以任务实施为中心,随着任务时间的推进,不断基于当前侦察区域态势对先验概率进行调整构建任务完成率预测模型,能够得到合理可靠的任务完成率预测结果。
在其中一个实施例中,根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,包括:
根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型为
其中,Iaj为单实体在第j个指标下的威胁度,p(aj)为单实体取得第j个指标下侦察效果的概率。
在其中一个实施例中,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度,包括:
将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度为
其中,Iij=NiIaj,Iij代表第i型实体在第j个指标下的威胁度,Ni为编组中第i型实体数量,C为一致性指数,Ej为任务编队在第j个指标的威胁度,I为编组数量,aij为幂指数,表示第i个编组对于第j个指标的重要性。
在其中一个实施例中,利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值,包括:
利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值为
Vij=ρEj
其中,Vij表示任务编队的威胁量化值,ρ表示无人机编队的能力量化与分析协同系数,Ej表示任务编队威胁度,edi表示第i个基本编组中第d项协同度值,αdi和βdi分别表示edi的最大和最小值,λi为第i个编组在联合任务中的权重,i为编组序号,I为编组数量。
在其中一个实施例中,根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布,包括:
基于专家知识和历史推演数据确定先验概率分布为
其中,Γ为Gamma函数,α代表当前任务倾向于完成的程度,β代表倾向于未完成的程度,α、β之和代表对于先验概率分布总的置信度,r为任务完成率。
在其中一个实施例中,根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,包括:
根据实时侦察环境中的任务编队的威胁量化值迭代当前态势为
其中,T0表示初始时刻,T表示当前时刻,|T|表示时间戳数量,G包含当前时刻已经开展的任务集合,g表示当前时刻已经开展的任务序号,Y代表关联任务影响程度,Wgj表示子任务g在指标j上的任务完成率,αgj表示其子任务g对于指标j贡献度,Vij表示任务编队的威胁量化值。
在其中一个实施例中,根据当前态势和先验概率分布构建任务完成率预测模型,包括:
根据当前态势和先验概率分布构建任务完成率预测模型为
其中,α代表当前任务倾向于完成的程度,β代表倾向于未完成的程度,Γ为Gamma函数,r为任务完成率,T表示当前时刻,|T|表示时间戳数量,H表示当前态势,即无人机编队所面临的威胁程度的已实际完成任务量。
在其中一个实施例中,当前任务倾向于完成的程度和倾向于未完成的程度分别为
α=Pj×γ
β=(1-Pj)×γ
其中,Pj表示第j个指标下的初始完成概率,γ代表对于初始完成概率的信任度。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于贝叶斯估计的任务完成率预测装置,包括:单机威胁评估指标获取模块402、威胁量化值计算模块404和任务完成率预测模块406,其中:
单机威胁评估指标获取模块402,用于获取侦察环境中无人机的单机威胁评估指标;单机威胁评估指标包括侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力;
威胁量化值计算模块404,用于根据无人机在单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值;
任务完成率预测模块406,用于根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据当前态势和先验概率分布构建任务完成率预测模型;利用任务完成率预测模型待估计的任务编队进行任务完成率预测。
关于基于贝叶斯估计的任务完成率预测装置的具体限定可以参见上文中对于基于贝叶斯估计的任务完成率预测方法的限定,在此不再赘述。上述基于贝叶斯估计的任务完成率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于贝叶斯估计的任务完成率预测方法,其特征在于,所述方法包括:
获取侦察环境中无人机的单机威胁评估指标;所述单机威胁评估指标包括侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力;
根据无人机在所述单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用所述任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值;
根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据所述当前态势和先验概率分布构建任务完成率预测模型;利用所述任务完成率预测模型待估计的任务编队进行任务完成率预测。
2.根据权利要求1所述的方法,其特征在于,根据无人机在所述单机威胁评估指标下的侦察效率构建单机威胁度模型,包括:
根据无人机在所述单机威胁评估指标下的侦察效率构建单机威胁度模型为
其中,Iaj为单实体在第j个指标下的威胁度,p(aj)为单实体取得第j个指标下侦察效果的概率。
3.根据权利要求1所述的方法,其特征在于,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度,包括:
将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度为
其中,Iij=NiIaj,Iij代表第i型实体在第j个指标下的威胁度,Ni为编组中第i型实体数量,C为一致性指数,Ej为任务编队在第j个指标的威胁度,I为编组数量,aij为幂指数,表示第i个编组对于第j个指标的重要性。
4.根据权利要求3所述的方法,其特征在于,利用所述任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值,包括:
利用所述任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值为
Vij=ρEj
其中,Vij表示任务编队的威胁量化值,ρ表示无人机编队的能力量化与分析协同系数,Ej表示任务编队威胁度,edi表示第i个基本编组中第d项协同度值,αdi和βdi分别表示edi的最大和最小值,λi为第i个编组在联合任务中的权重,i为编组序号,I为编组数量。
5.根据权利要求1所述的方法,其特征在于,根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布,包括:
基于专家知识和历史推演数据确定先验概率分布为
其中,Γ为Gamma函数,α代表当前任务倾向于完成的程度,β代表倾向于未完成的程度,α、β之和代表对于先验概率分布总的置信度,r为任务完成率。
6.根据权利要求1所述的方法,其特征在于,根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,包括:
根据实时侦察环境中的任务编队的威胁量化值迭代当前态势为
其中,T0表示初始时刻,T表示当前时刻,|T|表示时间戳数量,G包含当前时刻已经开展的任务集合,g表示当前时刻已经开展的任务序号,Y代表关联任务影响程度,Wgj表示子任务g在指标j上的任务完成率,αgj表示其子任务g对于指标j贡献度,Vij表示任务编队的威胁量化值。
7.根据权利要求1所述的方法,其特征在于,根据所述当前态势和先验概率分布构建任务完成率预测模型,包括:
根据所述当前态势和先验概率分布构建任务完成率预测模型为
其中,α代表当前任务倾向于完成的程度,β代表倾向于未完成的程度,Γ为Gamma函数,r为任务完成率,T表示当前时刻,|T|表示时间戳数量,H表示当前态势,即无人机编队所面临的威胁程度的已实际完成任务量。
8.根据权利要求7所述的方法,其特征在于,所述当前任务倾向于完成的程度和倾向于未完成的程度分别为α=Pj×γ
β=(1-Pj)×γ
其中,Pj表示第j个指标下的初始完成概率,γ代表对于初始完成概率的信任度。
9.一种基于贝叶斯估计的任务完成率预测装置,其特征在于,所述装置包括:
单机威胁评估指标获取模块,用于获取侦察环境中无人机的单机威胁评估指标;所述单机威胁评估指标包括侦察能力、指挥控制能力、生存防护能力、综合保障能力和场景机动能力;
威胁量化值计算模块,用于根据无人机在所述单机威胁评估指标下的侦察效率构建单机威胁度模型,将任务编队中不同无人机编组对应的单机威胁度模型进行聚合,得到任务编队威胁度;利用所述任务编队威胁度和预先设置的无人机编队的能力量化与分析协同系数进行计算,得到任务编队的威胁量化值;
任务完成率预测模块,用于根据贝叶斯方法基于专家知识和历史推演数据确定先验概率分布并根据实时侦察环境中的任务编队的威胁量化值迭代当前态势,根据所述当前态势和先验概率分布构建任务完成率预测模型;利用所述任务完成率预测模型待估计的任务编队进行任务完成率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114587.2A CN117933752A (zh) | 2024-01-25 | 2024-01-25 | 基于贝叶斯估计的任务完成率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114587.2A CN117933752A (zh) | 2024-01-25 | 2024-01-25 | 基于贝叶斯估计的任务完成率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933752A true CN117933752A (zh) | 2024-04-26 |
Family
ID=90750798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410114587.2A Pending CN117933752A (zh) | 2024-01-25 | 2024-01-25 | 基于贝叶斯估计的任务完成率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933752A (zh) |
-
2024
- 2024-01-25 CN CN202410114587.2A patent/CN117933752A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN113379042B (zh) | 保护数据隐私的业务预测模型训练方法及装置 | |
CN113156263B (zh) | 电缆状态监测方法及存储介质 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN113326132B (zh) | 一种信息调节方法、设备及存储介质 | |
US9953264B2 (en) | Smart process management | |
CN112418341A (zh) | 模型融合方法、预测方法、装置、设备及存储介质 | |
CN111275358A (zh) | 派单匹配方法、装置、设备及存储介质 | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
CN114816711A (zh) | 批量任务处理方法、装置、计算机设备和存储介质 | |
Shen et al. | Adaptive artificial intelligence for resource-constrained connected vehicles in cybertwin-driven 6g network | |
CN115599650A (zh) | It系统的健康度评估方法、装置、电子设备及存储介质 | |
CN110009161A (zh) | 供水预测方法及装置 | |
CN117611018A (zh) | 基于无人集群规模和指标动态调整的效能推演评估方法 | |
CN116227561B (zh) | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 | |
CN117933752A (zh) | 基于贝叶斯估计的任务完成率预测方法及装置 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN116109036A (zh) | 区域网格化的多星观测规划方法、装置及设备 | |
CN114912627A (zh) | 推荐模型训练方法、系统、计算机设备及存储介质 | |
CN112329995A (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
CN114492905A (zh) | 基于多模型融合的客诉率预测方法、装置和计算机设备 | |
CN117557870B (zh) | 基于联邦学习客户端选择的分类模型训练方法及系统 | |
CN115618960B (zh) | 联邦学习优化方法、装置、电子设备及存储介质 | |
Chen et al. | Harnessing digital twin and IoT for real-time monitoring, diagnostics, and error correction in domestic solar energy storage | |
Heaton et al. | Minibatch Markov chain Monte Carlo algorithms for fitting Gaussian processes |
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 |