基于粗糙集理论与贝叶斯网络的超视距空战战术决策

基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合在一起,提出了一种超视距空战战术决策的新方法.利用粗糙集理论实现对专家知识的约简和空战态势信息集的压缩,提取了超视距空战战术的最小决策信息集,基于最小决策信息集的贝叶斯网络模型可以降低网络结构的复杂性;同时利用贝叶斯网络实现了超视距空战战术的概率决策推理.最后,进行了实例分析,决策推理结果表明该方法的正确性以及在不确定环境下的有效性.     

粗糙集-神经网络集成在编队空战中的应用

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络—粗糙集—BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近。2∶4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统。     

区间值直觉模糊Petri网及其在空战决策的应用

直觉模糊集中隶属度和非隶属度是确定值,而在空战对抗中,飞行员以及专家知识很难准确地确定隶属度和非隶属度的准确值,只能给出大致范围。针对此问题,结合Petri网强大的知识表示及并行推理能力,设计了区间值直觉模糊Petri网(interval valued intuitionistic fuzzy Petri net,IIFPN)及其推理算法与规则,讨论了算法的复杂度。最后,以“二对一”态势下的空战为例,在不确定条件下,采用本文提出的方法对决策过程进行建模并推理,结果验证了本文提出方法的可行性。     

基于情景的非常规突发事件决策流程生成方法北大核心CSSCI

非常规突发事件频发,有效而快速地识别决策问题、构建决策流程是亟待解决的重要研究问题。运用知识元模型分析非常规突发事件决策情景,在规则推理的基础上,应用模糊理论,提出模糊规则以及规则匹配算法,实现非常规突发事件决策问题的识别,进而通过问题与决策活动的映射关系、应用知识元和解释结构模型将决策活动结构化,提出决策问题关系到流程结构的转换方法,从而实现决策流程的生成。研究成果能够为决策人员快速识别决策问题、构建决策流程、制定决策方案提供支持。实例分析证明了该方法的有效性。     

基于情景的非常规突发事件决策流程生成方法

非常规突发事件频发,有效而快速地识别决策问题、构建决策流程是亟待解决的重要研究问题。运用知识元模型分析非常规突发事件决策情景,在规则推理的基础上,应用模糊理论,提出模糊规则以及规则匹配算法,实现非常规突发事件决策问题的识别,进而通过问题与决策活动的映射关系、应用知识元和解释结构模型将决策活动结构化,提出决策问题关系到流程结构的转换方法,从而实现决策流程的生成。研究成果能够为决策人员快速识别决策问题、构建决策流程、制定决策方案提供支持。实例分析证明了该方法的有效性。     

基于离散模糊动态贝叶斯网络的空战态势评估及仿真

自动准确地进行空战态势评估是无人作战飞行器（UCAV）自主作战，或有人作战飞行器（MCAV）的辅助作战决策系统必须解决的技术，也是进行威胁评估和战斗决策的基础。为了解决空战态势评估的建模和实现问题，提出了用模糊动态贝叶斯网络实现空战自动态势评估的方法，推导了离散模糊动态贝叶斯网络的推理算法，建立了空战白动态势评估的离散模糊动态贝叶斯网络模型，并进行了仿真验证。仿真结果表明，依据离散模糊动态贝叶斯网络所建立的空战态势评估模型，能够准确地跟踪战场态势的变化，及时发现态势的转换边界，而且在观测值出现偶然误差或者错误时，仍然可以给出正确的评估结果。     

基于粗集理论的医学诊断规则提取方法

讨论了医学诊断的知识获取问题，基于粗集理论提出了完整的知识获取方法，包括连续信息系统的离散化，信息系统约简、决策规则提取，决策模型生成等，以十二指肠溃疡为例，讨论了知识处理的过程，为人工智能技术在医学诊断领域的应用提供了新的思路。     

基于IREA的模糊神经网络及其在网络拥塞预测中的应用

将粗糙集从原始数据中提取数据的能力和模糊神经网络的推理能力有效地集成起来。使用增量式规则提取算法(IREA)从原始数据中抽取构建模糊神经网络(FNN)所需的规则集。与传统的模糊神经网络相比较,使用IREA算法构建的FNN具有较短的规则长度和更少的规则条数。网络拥塞仿真试验验证了本文所述方法的优越性。     

基于混合算法的空战机动决策

针对现代战斗机空战机动决策的复杂性,以红蓝双机一对一空战为背景,结合滚动时域思想对战斗机空战机动决策进行研究。首先借鉴人工势场法构建战斗机空战人工势场,重点分析空战人工势场函数和变权重函数的构建;提出一种基于滚动时域控制-人工势场启发粒子群混合算法的战斗机空战机动决策方法;最后进行仿真验证,仿真结果表明该方法可以有效避免人工势场法局部极小值问题,改善粒子群算法的全局搜索能力,从而在一定程度上提高了战斗机在空战过程中的人工势场值,使战斗机在空战中占据有利态势。     

ABMS中基于Q学习算法的空战目标分配方法

Q学习算法由于不需要先验知识即可学习,对于求解复杂的优化决策问题具有广泛的应用前景。本文针对当前空战目标分配算法的优缺点,提出了ABMS(agent based modeling and simulation)中基于Q学习算法的空战目标分配方法。首先介绍了空战Agent建模;然后给出了Q学习算法应用于空战目标分配的方法流程,并严格定义了“状态动作”对的选择规则,最后通过仿真实验证明了该方法的合理性和有效性。本文方法避免了对先验知识的依赖,并且脱离了局部最优陷阱。     

基于模糊Petri网的空战战术决策研究

空战过程中由于空战态势的不确定性,战术决策也应作为一个动态的不确定性决策问题进行研究。针对该不确定性动态决策过程,在分析超视距空战战术决策的基础上,综合利用模糊逻辑理论与Petri网理论的优点,构建了超视距空战机动战术的模糊推理规则,提出了超视距空战战术决策的Petri网模型,并对该模型进行了仿真分析。此模型的仿真结果表明该模型能够提高决策的自动化和智能化程度,这是一种快速、实用、直观的方法。     

中距协同空战决策过程二次聚类重构与评估

未来空战将以中距空战为主,找出导致中距空战结果的原因是开展贴近实际的中距空战智能决策需解决的重要问题。针对空战训练过程中记录数据分布的复杂特点,建立了中距协同空战训练评估模型,提出了基于高阶导数聚类和相对模糊熵聚类的二次聚类方法,计算编队协同决策集,实现编队中距协同空战决策过程重构。以编队协同搜索和协同机动决策的角度,寻找编队协同决策与中距空战结果的相关性,并通过实例评估验证了聚类算法的合理性。     

GIS分析与互信息属性约简的停车库选址决策

为了使城区立体车库的选址更加合理,充分发挥其建成后对交通缓解的作用,提出了一种城区立体停车库选址决策方法.通过采用地理信息系统分析方法,建立基于地理信息系统分析的规划选址立体车库属性信息数据,运用模糊粗糙集互信息属性约简算法挖掘出立体车库的选址与多种地理因素的关系知识进行属性约简,从而用地理信息分析和演绎推理相结合的归纳学习算法生成决策树和决策规则进行选址决策的评价及分析.对兰州市规划中的立体停车库选址建模仿真,仿真结果表明该方法能较好地运用在待求解问题中,从而为智能交通系统提供参考依据.     

多域作战下的群目标意图识别与预测

多域作战具有实体多类、队形多变、意图多样等诸多挑战,难以综合利用多元知识,因而主要依靠人工判决,以至于自动化水平不高。为了实现计算机自动推演态势,需要解决知识的图形化建模和意图推理综合两大难题。对此,在空海域管控知识图谱的基础上,搭建了多域作战战术规则库、编队队形与场景态势的映射关系,提出了基于多实体分层贝叶斯网络的群目标意图识别与预测方法。首先,运用群内目标实体的状态和事件信息,构建目标作战实体行为推理层。其次,利用综合作战实体的时序规则、双方相对距离及航向等信息,构建同类目标元意图推理层。最后,利用实体序列协作关系及编队队形信息,构建多域作战下的群目标总意图推理层。以航母群活动仿真数据为例,验证了所提算法能够获得较为可靠的意图推理结果。     

FADS快速智能故障检测和诊断技术

以重复使用运载器所使用的嵌入式大气数据传感器系统为研究对象,设计故障检测和诊断方法.采用奇偶校验的检测方法实现故障检测,通过粗糙集约简减少奇偶方程的数量,将约简后的决策表转化成规则,实现诊断规则的离线提取,使用位向量逻辑判断完成规则推理.仿真结果表明结论正确可靠,算法计算代价小、运算速度快,能够满足在线诊断的实时性要求.     

面向LVC训练的蓝方虚拟实体近距空战决策建模

真实-虚拟-构造为近距空战对抗训练提供了有力支撑。针对课题对蓝方虚拟实体的实际决策建模需求, 在对比分析深度强化学习与经典智能优化方法的基础上, 从优化理论的角度对神经网络的权值空间和结构空间进行定义, 提出基于智能优化的进化神经网络决策模型及其求解方法。首先,分析近距空战战术特点, 战机飞行运动模型, 实际决策建模需求。其次,分别设计战机关键飞行状态、动作空间、适应度函数, 实现蓝方端到端感知与决策。最后, 给出基于经典遗传神经网络的决策模型及求解示例。结果表明, 所提方法可实现蓝方战机通过对抗数据来学习对手作战特点的功能, 验证了模型及方法的有效性; 同时所提方法对目前智能优化及其改进算法, 以及不同结构神经网络具有通用性。     

基于影响图的多智能体学习算法

提出一种多智能体学习算法.用影响图作为 agent 表示工具,给定 agent 的一个初始模型和它的历史行为,在能力、信念和优先学习的基础上来构建新的模型.学习方法是把其它 agent 的历史行为作为训练集,利用神经网络以及决策知识和专家知识来修改影响图中各结点的连接关系.针对与 agent 历史行为不一致的情况,本文把它看成效用函数发生了随机偏差,通过 Markov chain-Monte Carlo 技术进行模拟,实现效用函数的调整.最后利用多机编队协同空战作为例子说明算法的实用性.     

自适应预测权重的空战鲁棒机动决策方法

针对空战态势变化剧烈的近距空战问题,提出一种具有自适应状态预测权重调整机制的鲁棒机动决策优化方法。首先,为使无人作战飞行器对态势参数的变化波动具有一定的鲁棒性,设计了鲁棒态势函数来表征空战态势。然后,针对目标机动的不确定性问题,利用可达集理论对目标机动意图和状态提前预测,同时采用自适应预测权重系数对无人作战飞行器的攻击和防御进行调整。最后,利用改进的共生生物优化算法对机动决策控制量寻优。仿真结果表明,无人作战飞行器运用该方法能够生成一条理想的近距攻击占位轨迹,实现近距自主空战攻击占位。