基于RTI的试验指挥控制信息化系统应用研究

针对风洞试验指挥控制信息化系统建设的背景,引入了HLA(HighLevelArchitecture)中的RTI(Run-TimeInfrastructure)作为信息分布式集成的解决方案。文中分析了传统模式的不足,提出了采用RTI的途径和有利因素,并针对信息化系统中数据监控功能的实现进行了初步工程设计。最后,对RTI在类似领域的应用前景进行了展望,提出了试验指挥控制信息化集成的一种可能的发展方向。

下一代兵棋系统模型引擎设计问题研究

未来兵棋推演将面对更加复杂的战争体系,需要广泛应用人工智能技术来弥补人的不足,这是下一代兵棋系统模型引擎研发必须考虑的因素。结合长期兵棋系统研发和运用经验,提出了下一代兵棋模型引擎的框架雏形,针对结构和计算复杂度问题讨论了体系解耦方法,研究了基于数字孪生的人机融合架构,探索了可以降低模型开发门槛、提升效率的建模技术手段,提出了支持机器学习的引擎机制,并针对分布式硬件环境提供了软硬一体化设计思路。

基于网络演算的测控局域网时延性能分析方法研究

针对测控局域网服务质量分析的需要，根据业务的周期性特点，采用基于网络演算的方法，推导和总结了常用排队调度模型的最大服务时延性能计算公式，并结合一个实例进行了分析，同时采用OPNET软件对类似情况进行了仿真验证。

面向对象的战略战役指挥训练模拟系统数据建模

大型的战略战役指挥训练模拟系统需要内容复杂、数量庞大的数据作为支撑,而结构清晰、容易理解的数据模型是系统成功开发和应用的前提。采用面向对象的基本方法,给出了系统数据建模的概念定义并采用UM L表示法进行了建模方法分析,最后讨论了OO数据模型在系统工程化的数据准备以及运行时和事后分析等应用中所具有的特点。

面向态势回放的两种海量数据采集存储结构分析

首先描述了模拟系统的态势回放数据应包含的主要内容,归纳了对态势回放数据进行采集的基本要求,提出了采集态势回放数据的两种策略,即静态采集策略和动采集策略,并特别针对满足海量数据的采集需求,分别为这两种采集策略设计了对应的数据存储结构,即静态存储结构和动态存储结构,给出了这两种存储结构的应用算法,并进一步对它们的时空访问复杂度进行了定性和定量分析,最后给出了这两种存储结构的对比测试实验结果以及各自应用场合的建议。

计算机兵棋推演系统研究

研究军事领域战略决策,为提升战场指挥能力,计算机兵棋推演是一种特殊的战争模拟方式。从战争经验的总结和对人因素的考虑,并能够较好的实现战争进程和结局的模拟。研究计算机兵棋推演,对于我军战争模拟的发展意义重大。在分析了计算机兵棋推演的由来、美军兵棋系统的沿革以及我军发展状况的基础上,重点概括了战争仿真计算机推演对抗系统的特征与功能,建立了推演系统的体系结构,并作为系统核心研究内容之一的数据和规则建设,最后提出了在面对未来复杂信息作战背景下系统模型研究需要着重关注的几个方面。实践表明,兵棋推演对我军战争模拟理论,还是系统工程研发都具有很好的指导和借鉴作用。

计算机兵棋作战实体轨迹聚类算法

针对计算机兵棋系统的实际应用,提出计算机兵棋实体轨迹聚类算法——CTECW(clustering trajectories of entities in computer wargames).算法分为3部分:轨迹预处理、轨迹分段聚类以及可视化表现.轨迹预处理将实体原始轨迹转化成实体简化轨迹,再进一步处理成轨迹分段;在DBSCAN算法的基本框架下引入DENCLUE算法中密度函数的概念,并基于提出的相似性度量函数对轨迹分段进行聚类;可视化表现将轨迹分段聚类的结果以赋有军事涵义的形式展现给参与兵棋推演的受训指挥员,体现出算法的实际应用价值.理论分析与实验结果表明,CTECW算法能够得到与TRACLUS算法比较接近的聚类结果,但计算效率却比TRACLUS算法要高,并且聚类结果不依赖于用户参数的仔细选择.

基于密度的计算机兵棋推演数据快速聚类算法

针对计算机兵棋推演数据的特点,提出了一种基于密度的快速聚类算法—基于密度的快速空间聚类算法(quick density based spatial clustering of applications with noise,QDBSCAN),目的是通过聚类检测孤立点,快速定位地面部队兵力部署上的缺陷。QDBSCAN算法在基于密度的空间聚类算法(density based spatial cluste-ring of applications with noise,DBSCAN)算法的基础上做了相关改进:在邻近度度量上提出了最短可行路径的概念,使聚类更符合计算机兵棋的规则;动态设置密度参数;采用提出的代表对象选择方法来减少对对象邻域的判断次数;按区域对数据进行分组以缩小聚类规模。实验表明,QDBSCAN算法的性能在数据规模较大的情况下,明显优于DBSCAN算法。

计算机兵棋推演系统公共数据的建模与VV&C研究

计算机兵棋推演系统涉及作战要素多,建模涵盖范围广,使得公共数据的建模与VV&C基础工作难度增大。在具体的工程实践中,通过对系统所需的公共数据进行分类与抽象,建立了数据结构模型与级联关系,开发了多种形式数据录入和基于数据规则引擎驱动的一致性数据校验软件,最后探讨了数据VV&C过程。试验和应用表明,公共数据模型有效、质量较高,对计算机兵棋推演系统模型的构建及其原型系统的运行起到了很好的支撑作用。

基于兵棋推演的联合作战方案评估框架研究

针对联合作战中战役方案级指标评估问题,提出一种基于兵棋推演的作战方案评估框架。通过对兵棋推演数据进行多维分析,利用数据立方体模型快速生成基础特征项,结合基于复杂网络的体系特征项构建评估特征空间;采用兵棋推演实验的方法产生小批量方案级指标度量结果,通过数据拟合获取与评估特征空间数据对应的结果标签;利用两阶段的相关性分析对高维评估特征进行降维,并构建基于深度学习的评估模型,利用数据样本对评估模型进行训练。对于作战方案评估框架中存在的部分问题,给出了相应的解决办法。

面向联合作战评估的兵棋推演实验研究

针对传统评估方法在联合作战评估中存在的缺乏动态对抗、易受人为因素影响等问题,提出一种基于兵棋推演实验的解决方案.在分析兵棋推演实验总体框架的基础上,根据评估需求有针对性地设计兵棋推演实验流程与步骤.在对兵棋推演实验数据进行分析时,从时间、空间两个维度上对评估问题进行综合,并提出采用包围规则判定算法来处理不确定实验结果.实验案例表明,利用兵棋推演实验能够有效获取部分联合作战问题的评估结果.

面向联合战役模拟的想定数据模型研究与设计

在联合战役模拟中,想定数据是影响模拟系统运行的关键因素,构建合理的想定数据模型十分重要。根据模拟系统需求,先对想定数据进行合理的分类,然后抽取各类想定数据的公共属性建立一个可被继承使用的数据结构,这样可以提高数据的重用率和使用效率,从而提高模拟系统的执行效率和稳定性。

基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。

大型模拟对抗演习回放系统设计与实现

设计了大型模拟对抗演习辅助讲评系统的回放系统,分析了系统的数据流程与可视化表现模式,明晰了系统实现的关键技术,并实现了该系统。系统通过对大型模拟对抗演习过程中产生的大量历史数据进行回放或展示,能够在演习结束或者阶段结束后辅助导演部或指挥员对演习过程作出全面客观的评价,从而达到帮助参演人员对演习过程进行分析评估、查找问题、总结经验和教训的目的。

计算机模拟对抗演习辅助讲评系统研究

针对提高计算机模拟对抗演习系统训练效果的需求,提出与计算机模拟对抗演习系统配套使用的辅助讲评系统。在确定系统设计目标的基础上,设计了系统总体结构,分析了各子系统的主要功能,阐述了系统数据流程,最后实现了原型系统。该系统通过记录对抗演习过程中产生的大量历史数据,在演习结束或者阶段结束后进行数据采集、分析和回放,以辅助导演部或指挥员对演习过程做出全面客观的评价,从而达到帮助参演人员对演习过程进行分析评估、查找问题、总结经验教训的目的。

基于自训练半监督学习的战场态势评估模型

针对标记样本不足条件下基于机器学习的战场态势评估模型准确性不高的问题,提出了基于自训练半监督学习的战场态势评估模型。以适用于小样本条件下分类的支持向量机模型为基础分类器,通过自训练半监督学习方法利用无标签样本对支持向量机模型进行辅助训练来提高模型的准确性和泛化性能。实验表明,在标记样本不足条件下,相对于只采用有标签样本的支持向量机模型来说,所提模型在评估准确率方面有较大的提高。

基于数据立方体的评估特征项生成方法

针对传统评估指标生成模式无法适应作战态势快速变化的问题,提出一种基于数据立方体的评估特征项生成方法。以兵棋推演数据为基础,基于数据立方体框架构建评估特征项生成模型,利用不同维度组合生成评估特征项。围绕数据立方体中存在的“维度爆炸”问题,利用维度组合裁剪模型来缩小搜索空间,通过特征项标识算法进行唯一标识,并采用移动时间窗口提取评估特征数据。实验证明,该方法生成的评估特征项能够有效支撑对特定问题的评估。

推演指令突发快速响应策略研究

如何控制大型兵棋推演指令,在过度突发情况下对模型等稀缺资源的"贪婪"占用,将十分有利于提高兵棋指令的有效响应效率,提高参演人员的沉浸感.在分析以往推演指令基础上,提出一种基于分类的过度突发反馈推演指令快速响应策略,使得推演指令在快速响应的基础上,兼顾各方推演指令的公平性.仿真实验表明,在总体响应效率相差不大的情况下,所提方法兼顾各方推演指令的响应公平.

基于视图的试验通信需求分析方法研究

针对试验通信系统规划中的需求分析工程化问题，按照体系结构方法的要求，提出了一种基于视图的信息需求获取及分析处理方法；该方法能够在一定程度上简化和规范化需求获取，并通过一系列分析步骤实现从试验要素和任务向试验信息流的转化。

基于代价敏感集成学习的战场态势评估模型

针对误分代价不平衡条件下基于机器学习的战场态势评估误分代价较高问题,提出基于代价敏感集成学习的战场态势评估模型。以具有良好非线性建模能力的BP神经网络模型为基础分类器,通过AdaCost代价敏感集成学习方法综合考虑误分类代价对BP神经网络进行集成训练,使模型具有代价敏感特性。实验表明,在误分代价不平衡条件下,相对于单独的BP神经网络模型来说,所提模型在评估准确率和误分总代价方面都有较大优势。