海空跨域协同兵棋AI架构设计及关键技术分析

以深度强化学习为核心的智能博弈技术在游戏领域内的突破和进展为海空兵棋AI的研究提供了借鉴。智能体架构设计是需要解决的关键问题,良好的架构能够降低算法训练的复杂度和难度,加快策略收敛。提出基于随机博弈的海空跨域协同决策博弈模型,分析了相关的均衡解概念;在分析典型智能体框架基础上,针对海空兵棋推演决策博弈过程,提出基于多智能体分层强化学习的智能体双层架构,能够有效解决智能体间协作和维度灾难问题;从兵力协同、智能体网络设计、对手建模和训练机制共4个方面分析了关键技术。期望为海空兵棋AI设计实现提供架构指导。

捷联系统四元数姿态解算的精细积分法

研究了基于四元数的相关理论,把精细积分方法应用于求解四元数姿态微分方程当中,并以典型圆锥运动作为输入条件对该算法进行了仿真分析。相同仿真步长条件下的仿真结果表明,该方法在高动态角运动环境下的解算精度要优于四阶龙格库塔算法,由圆锥运动引起的俯仰角算法漂移误差相对于于四阶龙格库塔方法也得到有效抑制,可以为捷联式惯性导航技术的工程实践提供参考。

捷联系统四元数工具误差分离模型研究

惯性器件的误差会使导弹飞行参数计算产生偏差,直接影响导弹的命中精度,通过实验数据分离惯性器件工具误差系数并反馈给数学平台进行误差补偿是提高导弹命中精度的主要手段。在四元数的基础上建立了捷联惯导系统工具误差分离模型,并对该模型进行了工具误差系数分离。仿真实验结果验证了该工具误差模型的正确性,其系数分离结果要优于传统的欧拉角误差模型,该模型的建立为捷联惯导技术的工程实践提供了重要参考。

基于压缩感知原理的融合判别信息的协作表示方法

提出了一种用于视觉分类任务的低计算复杂度且有效的图像表示方法。把协作表示和判别信息结合在统一框架内,是基于协作表示分类方法的一种扩展形式。测试样本的协作表示系数是稀疏的,这种基于冗余和过完备的表示对于遮挡和伪装而言是鲁棒的;此外,通过最小化类内散布矩阵和最大化类间散布矩阵的判别信息的挖掘,对于视觉分类问题也是很有帮助。在一些基准数据库上的实验表明,提出的方法相对于现有的方法而言能够获得更有竞争力的表现。

群视角下的多智能体强化学习方法综述

多智能体系统是分布式人工智能领域的前沿研究概念,传统的多智能体强化学习方法主要聚焦群体行为涌现、多智能体合作与协调、智能体间交流与通信、对手建模与预测等主题,但依然面临环境部分可观、对手策略非平稳、决策空间维度高、信用分配难理解等难题,如何设计满足智能体数量规模比较大、适应多类不同应用场景的多智能体强化学习方法是该领域的前沿课题。首先简述了多智能体强化学习的相关研究进展;其次着重从规模可扩展与种群自适应两个视角对多种类、多范式的多智能体学习方法进行了综合概述归纳,系统梳理了集合置换不变性、注意力机制、图与网络理论、平均场理论共四大类规模可扩展学习方法,迁移学习、课程学习、元学习、元博弈共四大类种群自适应强化学习方法,给出典型应用场景;最后从基准平台开发、双层优化架构、对抗策略学习、人机协同价值对齐和自适应博弈决策环共5个方面进行了前沿研究方向展望,该研究可为多模态环境下多智能强化学习的相关前沿重点问题研究提供参考。

智能推演综述:博弈论视角下的战术战役兵棋与战略博弈

推演是一项研究国家安全与竞争、军事冲突与战争、危机管控等重大战略问题的预实践活动。智能推演系统需要人工智能技术的赋能。简要概述了智能博弈的研究进展,推演的演进脉络,智能化兵棋推演及战略博弈推演方法;从博弈论的视角切入,分析了面向智能推演的博弈问题模型,梳理了智能兵棋推演的应用模式、战略博弈推演的组织方式;提出了基于云原生的智能推演服务化架构,面向云边端分布式对抗探索了未来决策云预训练方法,面向危机事件认知构建了战略博弈推演元博弈分析框架。期望为智能博弈推演方面的理论与工具等研究提供科学有效的参考,为新一代智能化云边协同指控提供理论与技术支撑。

基于产出导向的情境教学方法研究探索

课程的教育教学是青年学生成长成才的关键,也是高等教育的重要构成,对人才培养意义重大。文章由基于产出导向(Outcome-based education,OBE)教育理念出发,针对目前高等教育院校本科生教学模式的差异,结合人工智能专业课程建设实例,从课程目标要求、体系搭建、内容设计、课堂教学、实验考核等方面创设教学情境和教学方式改革探讨,全方位培养学生的创新意识、动手能力、主动学习能力、团队协作等,有效贯彻该类专业培养方案先进理念,对本科生知识、能力、素养进行综合训练,拓宽本科生的视野,让该类专业培养的本科生真正成为具备现代科学创新意识的高级人才。

基于深度学习的文本分类技术研究进展

随着深度学习技术的快速发展,许多研究者尝试利用深度学习来解决文本分类问题,特别是在卷积神经网络和循环神经网络方面,出现了许多新颖且有效的分类方法。对基于深度神经网络的文本分类问题进行分析,介绍卷积神经网络、循环神经网络、注意力机制等方法在文本分类中的应用和发展,分析多种典型分类方法的特点和性能,从准确率和运行时间方面对基础网络结构进行比较,表明深度神经网络较传统机器学习方法在用于文本分类时更具优势,其中卷积神经网络具有优秀的分类性能和泛化能力。在此基础上,指出当前深度文本分类模型存在的不足,并对未来的研究方向进行展望。

深度神经网络解释方法综述

深度神经网络具有非线性非凸、多层隐藏结构、特征矢量化、海量模型参数等特点,但弱解释性是限制其理论发展和实际应用的巨大障碍,因此,深度神经网络解释方法成为当前人工智能领域研究的前沿热点。针对军事、金融、医药、交通等高风险决策领域对深度神经网络可解释性提出的强烈要求,对卷积神经网络、循环神经网络、生成对抗网络等典型网络的解释方法进行分析梳理,总结并比较现有的解释方法,同时结合目前深度神经网络的发展趋势,对其解释方法的未来研究方向进行展望。

基于视锥细胞色适应生理机制的颜色恒常性计算

通过模拟人类底层视觉系统中的颜色恒常处理机制,提出基于视锥细胞色适应生理机制的颜色恒常性计算方法,利用视锥细胞的色适应计算代替基于灰度边缘假设的颜色恒常性计算方法所采用的Von Kries对角变换。实验结果及定量定性的分析表明本文方法比原计算模型下的算法颜色校正效果要好,能有效恢复图像中物体的本质颜色,且性能更稳定。从计算神经科学的角度,本文方法支持视锥细胞的色适应生理机制在视觉颜色恒常性中扮演重要角色的观点。