基于广义连续时间贝叶斯网络的指挥控制网络系统可靠性分析

指挥控制网络作为典型的复杂网络系统，其可靠性通常可以利用动态贝叶斯网络(dynamic Bayesian network, DBN)来分析。由于DBN并不能很好地解决包含时间和非时间事件的指挥控制网络系统可靠性问题，因此提出一种具有二态条件概率表的广义连续时间贝叶斯网络(generalized continuous time Bayesian network, GCTBN)的建模方法。在此模型的基础上，得到了不同逻辑门的可靠度算法求解，进而针对指挥控制网络系统提出了无线电传播、通信设备以及网络的可靠性分析方法，从而综合地考虑到指挥控制网络执行不同任务的可靠性问题。通过对指挥控制网络可靠性问题的实际案例分析，验证了所提方法的有效性。     

演化博弈强化学习模型在智能博弈对抗中的应用

智能化指挥控制的核心问题是智能决策问题，智能决策的基础是作战计划的推演和行动计划的优化。演化博弈强化学习模型通过引入演化博弈，使模型能够充分考虑对手的博弈意志和指挥艺术，并且在求解过程中可以使用现有的强化学习算法进一步提升模型的效率。针对离散和连续两种不同场景，分别推导出对应的复因子动力学方程，并给出了非对称博弈问题的一般性求解策略，摆脱了“理性人”这一假设的演化博弈强化模型。相较于现有模型，表征精度更好，刻画博弈对抗更精确，更符合军事对抗实际，有助于智能蓝军的精准化建设，相关结论在多智能体建模平台NetLogo上进行了验证。     

基于EC2的无人化作战体系云流化指控架构设计方法

针对传统指控架构难以满足新型无人化作战体系需求的问题, 基于云协同理念提出“前线无人作战流”与“后方有人指控云”有机融合的云流化指控概念, 设计指控资源云服务模式。在面向无人化作战改进组织指挥与控制(enterprise command and control, EC2)理论适变性的基础上, 解耦指控组织与指控服务并分别进行设计, 将组织、节点和事件三个层面的适变行为建模为指控关系的应变过程, 进而提出支持按需重构指控关系的适变价值生产单元(value production unit, VPU)模型。最后, 以边境管控使命为例详细阐述了云流化指控架构设计方案, 效能评估结果表明其在时效性和鲁棒性方面具有优势, 可以更好地适用于无人化作战体系。     

深度学习研究及军事应用综述

深度学习作为当前人工智能领域的研究热点之一,已经受到广泛关注.借助于强大的特征表示和学习能力,深度学习日益成为军事领域智能化发展的技术基础.首先结合深度学习的最新发展,指出深度学习的快速发展得益于理论的突破、计算机运算能力的显著提高和开源软件的广泛流行,着重梳理了目前主要的深度学习硬件平台和编程框架,并总结了各自的特点...