基于动态贝叶斯网络的机动动作识别方法

各国飞行员训练时都是先应用模拟机来提高其操作水平,传统飞行员飞行训练评估主要是人工评分,花费大量人力和物力。采用人工智能方法进行飞机机动动作识别,是实现智能化的飞行训练评估的必要技术手段,可以有效提高飞行员飞行训练评估的自动化水平。提出了基于动态贝叶斯网络的机动动作识别网络模型。设计了网络模型参数的选取方法和网络模型的递归推理求解方法。开展了典型机动动作识别的仿真实验,仿真结果表明网络模型能够准确识别飞机在动态飞行过程中执行的机动动作,具有良好的实时性和有效性。

基于本体的分布式查询分解算法研究

针对相关领域数据分布在不同站点,数据源的准确定位是分布式语义查询系统的关键,提出子本体交叉递归推理方法,该方法利用子本体间相互交叉的特点,从增强子本体中获取隐含的查询结果,从而保证分布式查询的语义完整性,提高了查全率。在此基础上,将分布式RDF查询分解为多个查询片段的分解策略保证分布式语义查询模式的分布透明性。最后描述算法的详细设计过程,并分析时空复杂度,其结果分析表明算法具有较好的计算性能。

智能博弈对抗中的对手建模方法及其应用综述

智能博弈对抗一直是人工智能研究的热点。在博弈对抗环境中,通过对对手进行建模,可以推测敌对智能体动作、目标、策略等相关属性,为博弈策略制定提供关键信息。对手建模方法在竞技类游戏和作战仿真推演等领域的应用前景广阔,博弈策略的制定必须以博弈各方的行动策略为前提,因此建立一个准确的对手行为模型对于预测其意图尤其重要。从内涵、方法、应用三个方面,阐述了对手建模的必要性,对现有建模方式进行了分类;对基于强化学习的预测方法、基于心智理论的推理方法和基于贝叶斯的优化方法进行了梳理与总结;以序贯博弈(德州扑克)、即时策略博弈(星际争霸)和元博弈为典型应用场景,分析了智能博弈对抗过程中的对手建模的作用;从有限理性、策略欺骗性和可解释性三个方面进行了对手建模技术发展的展望。

基于马尔科夫网络的无人机机动决策方法研究

为解决无人机在复杂不确定战场环境下的空战问题,开展了机动决策方法研究。综合分析空战过程中反映战场态势的重要因素,利用多状态转移马尔科夫网络构建机动决策网络。采用马尔科夫递归推理算法进行决策推理,并进行算法复杂度分析。仿真结果表明空战过程中决策网络能准确感知战场态势输出灵活机动策略。分析算法复杂度可知推理过程执行的乘法、加法、除法次数为6 694 840,3 409 270,3 470 680。在现有处理器的计算能力上,能在40 ms内完成一个推理周期,网络推理过程完全满足空战决策实时性要求。