-
题名面向对象的战略战役指挥训练模拟系统数据建模
- 1
-
-
作者
唐宇波
韩志军
柳少军
-
机构
国防大学
-
出处
《火力与指挥控制》
CSCD
北大核心
2011年第8期174-177,共4页
-
基金
国家"863"高技术计划项目(2007AA01Z323)
-
文摘
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。
-
关键词
战略战役指挥训练模拟系统
面向对象
数据建模
-
Keywords
strategic and campaign command training simulation system
Object-oriented
data modeling
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名推演指令突发快速响应策略研究
- 2
-
-
作者
张大永
唐宇波
柳少军
齐大伟
-
机构
国防大学信息作战与指挥训练教研部
-
出处
《指挥与控制学报》
2015年第2期214-219,共6页
-
基金
国家自然科学基金(U1435218
61403401
+4 种基金
71401168
61273189
61174035
61374179
61174156)资助
-
文摘
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.
-
关键词
大型兵棋
推演指令
突发反馈
响应策略
-
Keywords
large war game, deduction instruction, sudden feedback, response efficiency
-
分类号
E919
[军事]
-
-
题名面向联合作战评估的兵棋推演实验研究
被引量：8
- 3
-
-
作者
刘海洋
唐宇波
胡晓峰
刘戎翔
崔文华
-
机构
国防大学联合作战学院
航天工程大学航天指挥学院
-
出处
《指挥与控制学报》
2018年第4期272-280,共9页
-
基金
装备预研项目(41401050201)
国家自然科学基金(61403401
61703412)资助~~
-
文摘
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.
-
关键词
联合作战评估
兵棋推演实验
探测任务
包围规则
-
Keywords
evaluation of joint operations
wargaming experiment
detection mission
surround rule
-
分类号
E91
[军事]
-
-
题名基于深度强化学习的兵棋推演决策方法框架
被引量：15
- 4
-
-
作者
崔文华
李东
唐宇波
柳少军
-
机构
国防大学
-
出处
《国防科技》
2020年第2期113-121,共9页
-
文摘
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。
-
关键词
兵棋推演
深度强化学习
态势表示
压缩学习方法
深度迁移学习
-
Keywords
wargaming
deep reinforcement learning
situation representation
compression learning methodologies
deep transfer learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
E91
[军事]
-
-
题名大型模拟对抗演习回放系统设计与实现
被引量：5
- 5
-
-
作者
吴蕾
柳少军
唐宇波
景民
-
机构
国防大学信息作战与指挥训练教研部
总参谋部陆航研究所
解放军
-
出处
《指挥控制与仿真》
2012年第1期73-77,共5页
-
基金
中国博士后科学基金(201003746)
-
文摘
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。
-
关键词
对抗演习
回放系统
讲评
-
Keywords
wargame
playback system
comment
-
分类号
E917
[军事]
-
-
题名计算机模拟对抗演习辅助讲评系统研究
被引量：2
- 6
-
-
作者
吴蕾
殷志君
柳少军
唐宇波
-
机构
国防大学信息作战与指挥训练教研部
解放军
-
出处
《指挥控制与仿真》
2011年第6期65-68,共4页
-
基金
中国博士后科学研究基金(201003746)
-
文摘
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。
-
关键词
对抗演习
讲评
数据采集
数据分析
回放
-
Keywords
wargame
comment
data collection
data analysis
playback
-
分类号
E919
[军事]
-
-
题名基于自训练半监督学习的战场态势评估模型
被引量：3
- 7
-
-
作者
霍士伟
郭圣明
唐宇波
-
机构
国防大学
国防科技大学信息通信学院
-
出处
《舰船电子工程》
2021年第9期93-96,107,共5页
-
基金
装备预研项目“基于自训练半监督学习的战场态势评估模型”(编号:41401050201)资助。
-
文摘
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。
-
关键词
态势评估
半监督学习
自训练
无标签样本
-
Keywords
situation assessment
semi-supervised
self-training
unlabeled samples
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于数据立方体的评估特征项生成方法
被引量：1
- 8
-
-
作者
刘海洋
唐宇波
胡晓峰
乔广鹏
-
机构
国防大学联合作战学院
航天工程大学
-
出处
《指挥控制与仿真》
2019年第3期102-108,共7页
-
文摘
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。
-
关键词
数据立方体
兵棋推演
评估特征项
机器学习
-
Keywords
data cube
wargaming, evaluation feature
machine learning
-
分类号
TJ530
[兵器科学与技术—军事化学与烟火技术]
-
-
题名基于代价敏感集成学习的战场态势评估模型
- 9
-
-
作者
霍士伟
田八林
郭圣明
唐宇波
-
机构
国防大学研究生院
国防科技大学信息通信学院
国防大学联合作战学院
-
出处
《舰船电子工程》
2021年第12期75-78,165,共5页
-
基金
装备预研项目(编号:41401050201)资助。
-
文摘
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。
-
关键词
态势评估
误分代价
代价敏感集成学习
神经网络
-
Keywords
situation assessment
misclassification cost
cost-sensitive ensemble learning
neural network
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
