天基信息支援体系离散事件仿真与效能评估

针对天基信息支援体系效能评估中存在的准确性与实时性无法兼顾的问题,以体系仿真为基础,提出一种基于离散事件仿真的效能评估模型构建方法。首先,基于仿真工具建立离散事件仿真模型,对体系的结构与运作流程进行模拟,并基于仿真模型构建评估指标体系,生成效能评估数据样本。之后,利用深度学习对复杂映射的强大表现能力基于深度置信网络构建效能评估代理模型,结合无监督预训练和有监督调优实现网络的训练和参数优化。最后,对仿真生成的测试集样本进行评估模型验证实验。结果表明,所提方法在计算快速的同时对原评估模型有很高的还原度。     

基于组合赋权的反坦克导弹武器系统作战效能评估研究

现代作战条件下反坦克导弹武器系统的作战效能评估是该类武器装备作战使用的关键,传统的评估方法主要针对该系统中某一作战分系统的效能开展研究,不能充分反映武器系统作战能力的真实性和全面性.基于此,本文针对反坦克导弹武器系统的作战效能的评估方法进行研究首先构建反坦克导弹武器效能评估指标体系,包括了指标集与评估集,并根据不同专家的意见和建议优化该指标体系;然后结合组合赋权的思想,将熵权算法与分层赋权算法所得权值加权组合构成最终权值并赋予各评价指标,从而降低评估时由于主观因素造成的误差;最后在自寻的反坦克导弹半实物仿真平台下对算法进行验证,实验结果表明了该算法的可行性.     

一种武器装备作战效能稳健评估方法研究

针对武器装备效能评估可能存在的评估风险问题，提出一种旨在缩减这类风险的稳健评估方法及支撑技术。该方法包括：建立面向装备型的效能评估指标体系，利用仿真手段主动采集评估数据，对专家款据以及仿真数据等多种评估数据源进行评估融合．并对评估结果的稳定性进行测度，找出效能评估值影响因素，据之进行下一轮的评估，直至得到稳定、风险降低的评估结论为止。以装甲装备体系作战效能评估为例，利用稳健评估方法进行评估表明，评估过程合理，结果趋于稳定，的确降低了评估风险。     

一种基于QBC的SVM主动学习算法

针对支持向量机(souport vector machine,SVM)训练学习过程中样本分布不均衡、难以获得大量带有类标注样本的问题,提出一种基于委员会投票选择(query by committee,QBC)的SVM主动学习算法QBC-ASVM,将改进的QBC主动学习方法与加权SVM方法有机地结合应用于SVM训练学习中,通过改进的QBC主动学习,主动选择那些对当前SVM分类器最有价值的样本进行标注,在SVM主动学习中应用改进的加权SVM,减少了样本分布不均衡对SVM主动学习性能的影响,实验结果表明在保证不影响分类精度的情况下,所提出的算法需要标记的样本数量大大少于随机采样法需要标记的样本数量,降低了学习的样本标记代价,提高了SVM泛化性能而且训练速度同样有所提高。     

基于EAS+MADRL的多无人车体系效能评估方法研究

无人作战开始步入现代战争舞台, 多无人车(multi unmanned ground vehicle, MUGV) 协同作战将成为未来陆上作战的主要样式。体系效能评估是装备论证和战法研究的核心问题, 针对MUGV体系效能评估问题, 建立了一套以自主学习算法为基础的探索性仿真分析方法。将MUGV对抗过程建模为零和随机博弈(zero sum stochastic game, ZSG)模型, 通过使用多智能体深度强化学习类方法(multi agent deep reinforcement learning, MADRL)探索在不同对方无人车规模条件下, ZSG模型的纳什均衡解, 分析纳什均衡条件下参战双方胜率, 作战时长等约束, 完成MUGV体系作战效能评估, 并在最后给出了MUGV体系效能评估应用示例, 从而建立了更可信、可用的体系效能评估方法。     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。     

基于加权K-近邻法和SVC的雷达辐射源信号识别

为提高支持向量聚类法对分布复杂、不均匀雷达辐射源信号样本聚类的正确率,提出一种结合剪辑近邻法、K-近邻法和支持向量聚类的无监督分类新方法。先采用支持向量聚类对所有未知样本作预分类,再按照一定的剪辑规则剪掉错误类别,最后利用K-近邻法对剪掉的样本按各已知类别不同分布进行加权分类。IRIS数据和辐射源信号聚类实验结果表明,此方法能平衡数据样本各局部分布,获得全局最优聚类分配。     

面向多类别分类问题的子抽样主动学习方法

由于传统主动学习方法的计算量随着问题规模的增大呈指数增长,因此很难应用于大规模多类数据分类任务中.为解决该问题,设计了一种基于子抽样的主动学习(subsampling-based active learning,SBAL)算法.该算法将无监督聚类算法与传统主动学习方法整合,在二者之间增加了子抽样操作,该操作能够显著降低...     

空中远程作战体系效能评估的组合分析方法

针对体系效能评估方法复杂多样,评估周期长、费用成本高等问题,利用组合分析方法设计了一种仿真分析算法,对作战体系效能评估问题进行研究。以空中远程作战体系为研究对象,在模块化体系结构基础上,通过组合不同组件模块,生成了若干备选方案。对比不同选项方案,采用拟线性近似方法以及优化算法进一步评估各选项效能与费用,分析了有效边界与凸形边界上备选方案的筛选过程,得到了最优备选方案结果,为决策者提供了决策依据。仿真结果表明,该方法快捷有效,从大量备选方案能筛选得到最优方案,同时体现了体系作战的涌现性特点,有效分析了具体任务下体系效能的评估问题,为体系效能评估提供了一个新的思路。     

基于密度峰值聚类的Tri-training算法

Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明：相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。     

基于RS-DBN的电子对抗目标清单生成方法

由于电子对抗作战目标类型和工作方式多样, 变化速度快, 有效信息难以充分获得, 且在不同作战阶段呈现出不同特点, 使用传统评估方法难以对其等级排序实施精确评估。对此, 提出一种基于随机集的动态贝叶斯网络电子对抗目标等级评估方法。首先，对电子对抗作战目标清单生成方式进行梳理, 确定了评价指标体系, 并根据作战阶段的变化特点，结合动态贝叶斯网络完善了评价体系。然后, 充分考虑作战过程中数据获取不完整的特点, 通过引入随机集方法将传统贝叶斯网络的节点参数求解方法进行拓展, 使用区间数学的思想得到了较为准确的动态贝叶斯网络节点参数。最后，进行了案例仿真计算和结果分析, 并对节点概率确定方法进行算法复杂度讨论。结果表明，所提方法更加适合样本不完整的军事评估问题, 评估结果与实际作战基本一致, 使用的算法具有高效性、适用性和推广性。     

基于学习的证券市场专家预测意见合成研究

针对证券市场的专家预测意见的特点，研究了将学习、证据理论与协同学理论引入证券市场专家预测意见合成的理论与方法．讨论了将专家的历史预测数据用基本可信数表示作为学习样本，对初选专家进行聚类分析选择有协同效应的专家．该方法用神经网络优化基本可信数的修正系数，再用Dempster合成规则进行预测意见的合成．实验结果表明该方法应用于解决实际问题时具有较好的效果．     

基于深度学习的体系作战效能智能评估及优化

采用仿真模拟评估方法进行体系作战效能评估包括配置想定、多次运行仿真系统和调用效能评估模型计算多个复杂步骤。针对此流程复杂、耗时长的问题,提出一种基于深度学习回归思想的体系作战效能智能评估方法,引入基于进化策略的作战效能优化流程。以全连接深度回归网络为预测模型,通过多个数据集的试验结果给出网络隐层数和样本量选择的指导原则。进一步结合遗传算法调整网络输入得到优化输出,迭代性能较好。以某仿真系统为例初步验证了其有效性和使用价值。     

体系对抗仿真模型形式规范研究

体系对抗仿真已经成为武器系统作战效能评估和武器装备论证的有效手段。然而,目前缺乏对于体系对抗仿真模型抽象方法的研究。在总结体系对抗仿真实体层次建模和体系层次建模基本要素的基础上,对DEVS进行扩展,给出了面向体系对抗仿真的模型形式规范描述,包括实体模型形式描述、事件类型形式描述、体系模型形式描述以及实验模型形式描述。体系对抗仿真模型形式规范是对DEVS向体系层次描述的有益扩充,可以有效地指导体系对抗仿真的建模工作。     

基于协方差矩阵的主动学习方法及应用研究

由于工业过程采集的数据中常包含大量的无标签样本,而有标签样本数量少且人工标记成本较高,因此,提出一种基于协方差矩阵的主动学习方法。利用有标签样本建立高斯过程回归模型,并构建无标签样本之间的协方差矩阵,以协方差矩阵行列式的值作为评价指标。在挑选信息量较大的无标签样本的同时,衡量样本间的相似性,避免样本的冗余添加,最终在相同标记代价下提升模型预测精度。基于工业过程数据进行算法的应用仿真,验证了所提方法的可行性和有效性。     

基于改进灰狼算法优化SVR的航天侦察装备效能评估

定量评估航天侦察装备效能是武器装备体系建设的重要环节之一, 对装备发展和作战应用具有重要的现实意义。针对评估样本数据少、效能在多指标因素影响下变化规律非线性等条件下的效能评估问题, 提出一种基于改进灰狼(improved grey wolf optimizer, IGWO)算法优化的支持向量回归机(support vector regression, SVR)评估方法(IGWO-SVR)。引入反向学习策略及余弦非线性收敛因子改进灰狼优化算法收敛性能及全局寻优能力, 并将其应用于基于支持SVR效能评估参数的优化。基于航天侦察装备特点, 构建评估指标体系及航天侦察装备效能评估模型。最后, 通过对一定作战想定背景下航天侦察装备效能进行仿真评估, 验证了所提方法的合理性及优化模型的有效性。     

体系对抗仿真SEB组合建模方法论

体系对抗仿真已经成为武器系统作战效能评估和武器装备论证的有效手段。然而，目前缺乏对于体系对抗仿真建模方法的研究。总结了面向效能评估的导弹体系对抗仿真基本概念和特点，分析了体系对抗仿真模型描述中存在的主要问题，在此基础上，提出体系-实体-行为的分层组合描述方法，作为体系对抗仿真的建模方法，即SEB组合建模方法，并给出其参考模型和各个层次建模的参考视图．SEB组合建模方法将体系对抗仿真建模的复杂性分解到各个层次的建模当中，再通过组合形成完整的战场对抗体系模型，可以有效指导体系对抗仿真的建模工作。     

体系作战下巡航导弹的动态隐身

通过体系作战下的系统作战仿真平台, 利用强化学习方法实时调整巡航导弹航迹, 实现面对敌方传感器的动态隐身。以巡航导弹突防美军“海军综合防空火控”系统为典型作战场景, 基于体系作战仿真平台设计了一种引入动态预警威胁和拦截脱靶量的奖励函数, 使用深度确定性策略梯度算法训练巡航导弹突防模型, 模型训练完成后巡航导弹通过感知预警机和拦截导弹的状态, 改变其机动轨迹以降低探测概率和提高拦截脱靶量, 达到动态隐身的效果, 进而提升其战场生存能力和突防能力。