“艾武大模型+”:一种军事大模型系统的开发与实证

智能化指挥是新型指挥控制理论研究的重要方向,大模型是智能交互、任务规划和辅助决策等智能化指挥能力实现的重要支撑。本文兼顾理论与实践,梳理大模型军事能力需求,设计面向智能化指挥的大模型应用框架,提出“艾武大模型+”的系统架构、信息流程和协同架构,梳理工程实现的关键技术,以智能化指挥实证案例及选型分析验证“艾武大模型+”系统在多模态交互和特定任务军语理解的能力优势,拓展有/无人平台的末端协同和指令控制,为重大国防军事专项、智能化指挥研究与落地应用提供参考。

基于元强化学习的自适应卸载方法

计算卸载是移动边缘网络中的一个关键问题,基于深度学习的算法为高效生成卸载策略提供了一种解决方法。但考虑到移动终端设备的动态性以及不同任务场景之间的转换,需要大量的训练数据和较长的训练时间重新训练神经网络模型,即这些方法对新环境的适应能力较弱。针对这些不足,提出了一种基于元强化学习(Meta Reinforcement Learning,MRL)的自适应卸载方法,先对外部模型进行预训练,处理具体任务时再基于外部模型训练内部模型。该方法能快速适应具有少量梯度更新的样本的新环境。仿真实验表明,该算法能够适应新的任务场景,效果良好。

基于多种云环境的任务调度算法综述

任务调度算法是云计算资源分配部署的核心方法。针对当前云计算发展面临的任务需求和数据量指数级增长的问题,重点对任务调度算法进行了系统的梳理和归纳,以云环境为分类依据,研究分析了单云、联盟云、混合云、多云四类调度算法。在单云环境中,从传统启发式、元启发式以及混合式任务调度算法角度进行阐述。在联盟云、混合云、多云环境中,从工作流和独立任务调度算法角度进行阐述。通过比较,总结了现有算法的优点、缺点以及优化性能,并形成结论性意见和开放性问题,为未来对容器云、数据云以及兼顾资源分配与任务调度算法的研究奠定基础。

一种面向战术边缘的智能云服务模型

针对战术边缘环境下遂行作战任务时面临资源紧张匮乏、数据处理能力弱、指挥通信时延大及相应的需求等问题,引入新兴的边缘计算技术和人工智能算法,提出一种面向战术边缘的智能云服务模型,以实现将强大云服务能力向战术边缘环境扩展,为战场终端用户提供快速、稳定、高效的信息服务和数据处理能力,分别从模型框架、功能服务、指挥控制、相关技术等方面对模型进行描述;通过仿真实例对模型进行验证分析。

基于图卷积神经网络的分布式半监督自动标注方法

为解决数据中台建设中数据共享融合难与综合应用难等突出问题,基于图卷积神经网络,面向分布式数据中台架构开发一种分布式的半监督标注算法。通过分析数据缺失、数据量大以及通信带宽限制等问题,首先使用子空间学习提出基于新的正则化项的半监督学习策略。在此基础上,进一步提出基于二级中台的分布式可解释注意力图卷积神经网络融合方法,以解释边的重要性,从而在每一层图神经网络基于私有模型与每个平台的公共数据进行融合,提升模型精准性。在公共数据集上的广泛实验结果表明,该方法可以有效提高标签预测的效果,对大数据背景下的分布式融合、应用具有一定指导意义。

面向反恐任务的指挥信息多重协同过滤算法

针对反恐任务的特点要求和指挥信息系统平台化、数据化的发展趋势,迫切需要指挥信息系统具备指挥信息的主动、精准推荐能力.协同过滤算法作为具有代表性的个性化推荐技术,具备较好的应用前景,但在构建指挥员与指挥要素间的协同过滤关系时,面临着数据稀疏和冷启动等困境,不仅效率低下,准确性也难以保证.提出一种面向反恐任务的多重协同过滤算法,该算法首先通过作战类型对指挥要素进行基于项目的协同过滤,而后将凝聚子集分析融入基于用户的协同过滤中,挖掘特定战斗类型下的指挥员与指挥要素间的相似性关系,进而实现精准推荐.试验表明,该算法贴合面向反恐任务的指挥信息系统应用实践,有效提高了系统的推荐效率和准确度.

本地差分隐私保护及其应用

隐私保护问题已成为信息安全领域研究的重点方向。差分隐私从2006年提出至今一直受到理论界的推崇,而近年来在产业界众包模式下的本地差分隐私受到了极大关注。分析了本地差分隐私模型相对于经典差分隐私模型的演进与应用场景,从理论研究和工程实践角度,对本地差分隐私基础理论及其在数据收集与数据分析中的应用研究进行综述。在数据收集方面,介绍了本地差分隐私的主要研究和应用成果,并着重从差分隐私的角度对这些方法进行了分析比较。在数据分析方面,阐述了本地差分隐私在编码、解码以及在统计学角度的实现和分析方式,并从理论上对这些算法进行推导分析。最后,在对已有技术深入对比分析的基础上,总结出了本地差分隐私技术面临的挑战和研究方向。

联邦学习通信开销研究综述

为了解决数据共享需求与隐私保护要求之间不可调和的矛盾,联邦学习应运而生。联邦学习作为一种分布式机器学习,其中的参与方与中央服务器之间需要不断交换大量模型参数,而这造成了较大通信开销;同时,联邦学习越来越多地部署在通信带宽有限、电量有限的移动设备上,而有限的网络带宽和激增的客户端数量会使通信瓶颈加剧。针对联邦学习的通信瓶颈问题,首先分析联邦学习的基本工作流程;然后从方法论的角度出发,详细介绍基于降低模型更新频率、模型压缩、客户端选择的三类主流方法和模型划分等特殊方法,并对具体优化方案进行深入的对比分析;最后,对联邦学习通信开销技术研究的发展趋势进行了总结和展望。

基于“可信”媒介技术的反恐情报协同共享体系研究

[目的/意义]在“情报主导反恐”的大背景下,及时、高效、准确地进行反恐情报协同共享是制胜反恐的重要支撑。该研究针对反恐情报共享能力提升路径,以构筑安全可靠、扁平高效的反恐情报协同共享机制为牵引,将为我国反恐情报协同共享机制落地提供有力依据。[方法/过程]结合反恐情报协同共享的需求,将区块链技术和联邦学习引入大数据反恐情报研究这一复杂社会计算中,并设计一种基于“区块链+联邦学习”的反恐情报协同共享体系框架。分别对区块链情报共享架构与联邦学习协同架构的基本流程和双重技术体系建设的可行性与互补性,及当前面临的主要困境进行了梳理。[结果/结论]该体系框架可望解决情报机构间的“数据孤岛”现象,实现多情报来源的全域整合,支持跨部门反恐情报信息协作共享,满足大数据反恐中情报分析、决策评估、态势预警的需求,为完善我国反恐情报协同共享体系提供可行方案和实施路径。

大数据环境下面向反恐情报的主动隐私保护框架体系研究

随着全球恐怖主义威胁加剧,大数据环境下反恐情报重要性凸显。然而,如何在反恐情报收集、处理的同时,降低合法公民隐私泄露风险是亟待解决的难题。文章分析了大数据环境下反恐情报中隐私保护问题,依据系统工程原理,刻画隐私保护涉及实体和关系子集的公理化演化规则,构建主动隐私保护基本框架;基于多维视图和描述矩阵模型,形成面向反恐情报的主动隐私保护框架;在总体国家安全观统领下,以开发部署隐私保护技术为支撑,以梳理完善法律规范为指引,鼓励参与者积极主动参与或知晓隐私保护全过程,为大数据环境下反恐情报中隐私保护问题提供统一理论框架体系和实践指导。

基于门控网络的军事装备控制指令语音识别研究

军事装备无感控制是军事装备智能化建设进程中的一个重要研究方向,其中语音控制技术作为无人装备无感控制手段的关键组成部分,受到了越来越多的重视。为完成军事装备语音控制任务,设计一种基于门控网络的中文语音识别网络,并构建军事装备控制指令数据集,实现基于控制指令语音识别技术的军事装备控制。在传统卷积神经网络的结构基础上引入深度残差门控卷积网络,提高识别网络的准确性,同时通过多途径构建军事装备控制指令数据集,设计一套针对军事装备无感控制的语音识别方案。实验结果表明,该语音识别网络军事语音控制指令识别率可达87%,外接语言模型后可达92%,语音识别准确率高、误差率低,可完成军事装备的语音控制任务。

基于本地蒸馏联邦学习的鲁棒语音识别技术

当联邦学习(FL)算法应用于鲁棒语音识别任务时,为解决训练数据非独立同分布(Non-IID)与客户端模型缺乏个性化问题,提出基于个性化本地蒸馏的联邦学习(PLD-FLD)算法。客户端通过上行链路上传本地Logits并在中心服务器聚合后下传参数,当边缘端模型测试性能优于本地模型时,利用下载链路接收中心服务器参数,确保了本地模型的个性化与泛化性,同时将模型参数与全局Logits通过下行链路下传至客户端,实现本地蒸馏学习,解决了训练数据的Non-IID问题。在AISHELL与PERSONAL数据集上的实验结果表明,PLD-FLD算法能在模型性能与通信成本之间取得较好的平衡,面向军事装备控制任务的语音识别准确率高达91%,相比于分布式训练的FL和FLD算法具有更快的收敛速度和更强的鲁棒性。

基于开源情报的平行反恐预警体系

为有效打击恐怖主义,全球反恐重心已逐步由“被动反恐处置”到“主动反恐预警”前移,如何利用开源情报构建更加安全可信、扁平高效的反恐预警体系,已成为当前提升我国反恐怖能力的核心问题。在平行系统理论的支撑下,设计了一种基于开源情报的平行反恐情报预警体系架构,重点介绍基于CPSS的开源情报池、基于ACP方法的平行执行反恐预警平台两个核心环节,并从计算实验、平行管控两个层面论述其实现机理,简述平行反恐预警体系的主要功能以及面临的主要困境。提出的反恐预警体系有利于开源情报的深度融合,促进数字化反恐能力的提升,为完善我国开源情报反恐预警体系提供可行方案和实施路径。

基于数字孪生技术的反恐情报预警体系研究

[目的/意义]2016年颁布的《中华人民共和国反恐怖主义法》对于我国反恐预警体系建设并没有明确的规定,此研究有利于提高反恐怖斗争的能力,助推我国反恐预警机制尽早落地,加速实现从“被动反恐处置”到“主动反恐预警”的转变。[方法/过程]结合反恐预警的任务需求,在CPSS支持的基础上,设计了一种基于数字孪生技术的反恐情报预警体系架构,包括反恐预警现实物理域、情报融合和控制实体、数字孪生体及应用层四个主要模块,并梳理了数字孪生反恐情报预警体系的主要特征、建设价值及关键技术。[结果/结论]该体系架构可望实现全层级反恐情报的深度融合,支持跨部门反恐情报信息共享,满足虚实交互、共同演化的情报预警,为有效打击暴力恐怖活动提供重要对策,极大提高反恐斗争的效率。

基于自监督知识迁移的鲁棒性语音识别技术

针对标注神经网络训练数据的成本日益增加与噪声干扰阻碍语音识别系统性能提升的问题,提出一种基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法。首先,在预处理阶段提取原始语音样本的三个人工特征;然后,在训练阶段将特征提取网络生成的高级特征分别通过三个浅层网络来拟合预处理阶段提取的人工特征;同时,把特征提取前端与语音识别后端进行交叉训练,并合并它们的损失函数;最后,通过梯度反向传播令特征提取网络学会提取更有助于去噪语音识别的高级特征,从而实现人工知识迁移与去噪,并高效利用了训练数据。在军事装备控制的应用场景下,基于加噪后的THCHS-30、希尔贝壳数据集AISHELL-1与ST-CMDS这三个开源中文语音识别数据集以及军事装备控制指令的数据集上进行测试,实验结果表明,基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法词错率可以降低到0.12,不仅可以实现对鲁棒性语音识别模型的模型训练,同时通过自监督知识迁移提高了训练样本的利用率,可完成装备控制任务。

基于模型压缩的YOLOV3实时枪支识别方法

以枪支为代表的危险目标检测一直是安防领域的重要研究之一。针对当前人工通过监控视频检查枪支等危险物效率低且准确率易受检查人员工作时长影响的问题,提出了利用剪枝方法对YOLOV3模型做压缩的实时枪支检测方法。采用K-means++算法对图像样本进行锚定框Anchor大小聚类,以提高模型精度。利用“通道+层”剪枝方法将训练后的模型进行压缩,通过模型修正恢复压缩前的精度。实验结果表明,该方法在保持较高精度的情况下,不仅降低了模型对内存资源的占用,且进一步减少计算量,大大提高了模型推理速度。与YOLOV3方法相比,该方法在jetson nano平台上对模型参数的缩减比例达到1/52,推理速度提高了6倍,而精确度几乎保持不变,从而达到对枪支危险物检测的实时性和高精度要求。

边缘计算中的计算卸载综述

边缘计算可以有效解决传统云计算中传输时延大、用户数据安全性不够高、传输带宽压力大以及终端移动设备计算能力受限、能耗大等问题.计算卸载是边缘计算中的关键技术,针对当前计算卸载技术的研究现状和存在的不足,本文围绕计算卸载,首先介绍边缘计算的体系架构以及部分应用和分析4种主要的影响因素以及相应具体的条件;其次针对3种决策目标分析了算法策略及对应变量在算法中的作用;最后总结目前在计算卸载中存在的不足.

面向反恐战术边缘的移动云服务模型架构

分析了新形势下在反恐战术边缘执行反恐任务所面临的问题以及解决以上问题的能力需求,提出了面向反恐战术边缘的移动云服务模型,并分别从总体架构、边缘架构、指控架构和功能架构等方面对模型相关策略和要素进行了描述。分析了该模型的运行机制,为实现在反恐战术边缘提供机动灵活的信息交换和处理能力提供了一种新的途径。

反恐战术云:中心云在反恐战术边缘的延伸

为了应对在战术边缘环境中遂行反恐处突任务所面临的设备接入受限、动态连续决策能力弱、信息融合处理能力匮乏、指挥通信时延过大等问题,创新地设计了全层级服务体系,提出了反恐战术云概念,将中心云的服务能力下沉到战术边缘,以期为反恐战术边缘提供机动灵活的数据处理和连续决策能力,适应反恐部队对感知、协同、决策、时延、能耗方面的特殊需求。

基于RSM代理模型的武器装备体系仿真优化算法研究

体系优化是装备体系研究的核心问题,但是基于仿真的武器装备体系优化方法存在寻优效率低、费用高昂的缺陷。本文结合武器装备体系优化问题的特点,提出基于RSM (Response Surface Methodology),代理模型的武器装备体系优化算法。其中,选用响应面模型作为代理模型,通过均匀设计方法生成初始样本点,运用最小化响应面法进行代理模型更新,采用梯度下降法进行迭代优化。实例分析表明,较之仿真方法,该算法具有较高的寻优精度和收敛速度,对提高武器装备体系优化的效率具有较高的理论和实用价值。