多Agent战术意图识别的知识组织与问题求解

通过对军用计划识别领域特性的分析,指出多Agetit战术意图识别问题本质上是一个反绎推理问题。在对战术意图识别问题详细展开的基础上,重点论述了多Agetit战术意图识别问题中计划库的知识组织与逻辑描述,建立了战术意图识别过程中诸要素之间的逻辑联系,并以此为基础框架提出了基于反绎逻辑的计划识别算法。     

基于智能规划的计划识别模型

为了解决战场态势评估问题,提出了一个基于智能规划的军事计划识别模型,给出了基于一阶谓词逻辑的计划识别模型描述方法,论述了基于该模型的计划假设识别方法。模型可以根据世界模型和作战目标的要求实时生成新的计划,来满足当前计划识别的需要,克服了Kautz计划识别框架的不足。     

基于HSMM的两阶段设备缺陷状态识别方法*

针对传统马尔可夫模型(HMM)状态停留时间必须服从指数分布假设的不足,提出了一种基于隐半马尔可夫模型(HSMM)的两阶段设备缺陷状态识别方法.首先,通过分析HSMM模型的参数构成及基本特点,并结合两阶段设备的劣化过程特点提出合理的假设条件,建立起用于描述两阶段设备运行状态的HSMM模型;其次,针对HSMM模型的参数估计问题,引入最大似然估计法,并提出了小样本条件下求解状态持续时间的方法;再次,基于建立的HSMM模型,给出了两阶段设备缺陷状态早期识别的计算公式及步骤,通过对状态停留时间的概率估计实现了对缺陷状态的早期识别;最后,通过计算机仿真方法模拟了HSMM模型的建模、参数估计及缺陷状态识别过程,从而验证了该方法的有效性和准确性.     

基于直觉模糊与计划识别的威胁评估方法

分析了威胁评估中信息的不确定性以及计划识别存在的不足,将直觉模糊理论与计划识别相结合,提出了一种基于直觉模糊理论的多属性计划识别方法。建立了基于直觉模糊多属性计划识别模型,给出了计算方法。用实例验证了模型的有效性和正确性。实验结果说明,该模型可以提高威胁评估的效率与可信度,能更直观地给出对态势预测的描述。     

基于混合主题模型的文本蕴涵识别

分析识别文本蕴涵的主流方法,并基于文本T和假设H可以从潜在混合主题中生成的猜想,提出一个混合主题模型来识别文本蕴涵,描述一个在混合主题模型上生成文本的概率模型。该模型把文本T和假设H看成是同一语义的不同表达,表示为多模式的数据,若文本T和假设H有蕴涵关系,则它们有相似的主题分布,共享混合词汇表和主题。设计mixLDA和LDA模型的对比实验,并对RTE-8任务进行测试,通过支持向量机对得到的句子相似度和其他词法句法特征进行分类。实验结果表明,基于混合主题模型的文本蕴涵识别具有较高的准确率。     

基于UML的空中目标仿真研究

以模拟训练为背景,以目标状态模型作为系统的航迹生成模型生成目标航迹,并对飞机类目标的常规战术动作以及编队特点进行了分析与描述。在此基础之上,利用统一建模语言对空情仿真系统进行了软件建模。     

密码协议的一种安全模型

将密码协议与密码算法视为一个系统,建立了密码协议系统的一种安全模型.基于假设/保证的组合推理技术提出了新的假设/保证推理规则和假设/保证推理算法,证明了该规则的完备性,实现了密码协议系统的模型检查,并重点解决了系统分解问题、假设函数的设定问题、进程+逻辑的系统特性描述问题等难题.以kerberos密码协议系统为例,利用该安全模型和假设/保证推理技术对密码协议系统进行了安全验证.     

舰机战术对抗系统自然环境的建模与仿真研究

为对舰机战术对抗系统中战场的自然环境进行客观及合理的描述，针对影响舰机战术对抗的主要气象因素及其特点，提出了基于模糊综合评价原理的舰机战术对抗气象模型，同时给出了模型具体的计算方法和步骤，并用该模型进行了实例计算。结果表明模型是可行的。     

基于Lanchester方程的作战混合动态系统最优变招控制

根据作战混合动态过程特性,提出了一种基于Lanchcstcr方程的作战混合动态系统模型.该模型可较好的描述离散事件驱动的对阵招法和连续作战实力变化之间的相互作用.在合理战术假设的基础上,讨论了作战混合动态系统最优变招控制问题.首先,利用微分对策理论得到了作战招法存在的必要条件.进而对作战变招过程进行分析,并提出了一种最优变招控制策略的求解方法.最后,应用算例验证了所构建作战混合系统模型和所设计最优变招策略的可行性.     

基于OPNET的无线战术通信网仿真建模

通过分析未来战术通信网的特点,从网络拓扑结构的角度总结出分层分布式结构的网络能够满足未来数字化战争的战术通信需求。在OPNET仿真平台上,分网络、节点和进程3个层次建立了分层分布式结构的战术通信网仿真模型。用在子网的簇头节点设置双电台的方法实现了战术通信网的分层与数据转发,且准确描述了802．11协议的MAC层标准,为组建战术通信网提供可靠的定量依据。     

态势估计模型的研究与实现

态势估计属于数据融合中的二级融合，它的目标就是在一级融合的基础上，通过对各个作战对象行为、状态、事件、企图及其关系的分析，给出参战各方力量部署、作战能力、效能尽可能准确、完整的军事态势估计和感知，并对战术画面进行解释，辨别敌方意图。但现代战争涉及到的作战对象多、协同关系复杂、战术机动频繁，建立一个完善的态势估计模型存在很多困难。该文提出了基于态势觉察、态势理解和态势预测的三级态势估计功能模型；给出了基于模板的计划识别推理框架，重点讨论了基于多级分层黑板模型在态势估计中的应用。     

面向军事文本的命名实体识别

针对军事文本中的命名实体,提出一种基于条件随机场模型的半监督命名实体识别方法,旨在将人员军职军衔名、军事装备名、军用物资名、军事设施名、军事机构名(含部队番号)以及军用地名等军事命名实体的识别融合到一个统一的技术框架中。该方法针对军事文本的语法特点建立高效的特征集合,建立条件随机场模型对军事命名实体进行识别,并依次使用基于词典的方法和基于规则的方法对识别结果进行校正。实验表明,该方法在军事文本中能够出色地完成命名实体识别任务,在测试语料上的F-值最高达到90.9%,接近通用领域中命名实体识别的水平。     

A formal description of tactical plan recognition

Plan recognition can roughly be described as the problem of finding the plan(s) underlying the observed behaviour of agent(s). Of course, usually, the observed behaviour and available background knowledge does not determine the underlying plan, and therefore one can typically at best generate (reasonable) plan hypotheses. Traditionally, plan recognition has been studied, formalized and implemented in areas like story understanding and user modelling. In this paper, we propose a formal definition of tactical plan recognition, i.e. the recognition of enemy plans. We will focus on military applications, where this task of tactical plan recognition is crucial, but this task is relevant for every application where one has to deal with intelligent adversial agents.Tactical plan recognition differs from traditional plan recognition in a number of ways. For example, an enemy will often try to avoid making his plans known. We will not pay much explicit attention to this feature. We will focus on another important characteristic feature of tactical plan recognition, namely that the identity of the observed enemy objects, for which plans are to be recognized, may be unknown. A consequence of this is that it is typically not known which observations originate from the same objects.Our formalization of plan recognition is based on classical abduction. The concepts of classical abduction can readily be applied to plan recognizers for identified observations, as has been done by Lin and Goebel [18] and Bauer and Paul [7]. However, for tactical plan recognition some adaptations have to be made. Here the plan recognizer will not only have to generate plan hypotheses, but also assignment hypotheses, which correspond to formal links of objects to observations. A choice for an assignment is essentially a decision concerning the question which observations originate from the same objects.For observations with stochastic variables the probability of an assignment hypothesis is calculated, rather than the probability of the plan hypotheses. For this, Reid’s multiple hypothesis tracking formula can be adapted to calculate the assignment hypothesis probability.     

基于卷积神经网络的军事图像分类

由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题构造了一种新的基于主成分分析(Principal Components Analysis, PCA)白化的卷积神经网络结构,有效地降低数据间的相关性,加强学习能力,提高目标分类的准确率。利用大规模的军事图像数据集对该模型进行了识别精度评估,实验表明,与基于视觉特征的词袋模型以及经典的卷积神经网络分类算法相比,该算法对于军事目标的分类精度有明显提高。     

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。     

基于双向LSTM的军事命名实体识别

为了减少传统的命名实体识别需要人工制定特征的大量工作,通过无监督训练获得军事领域语料的分布式向量表示,采用双向LSTM递归神经网络模型解决军事领域命名实体的识别问题,并且通过添加字词结合的输入向量和注意力机制对双向LSTM递归神经网络模型进行扩展和改进,进而提高军事领域命名实体识别。实验结果表明,提出的方法能够完成军事领域命名实体的识别,并且在测试集语料上的F-值达到了87.38%。     

数据融合在目标识别中的应用

介绍了数据融合及其一般功能模型、目标识别融合的三种结构层次 ,给出了目标识别融合的一般分类 ,即物理模型算法、参数分类算法、基于认识模型的算法。着重阐述和比较了参数分类算法中的Bayes理论和证据理论这两种不确定推理方法 ,给出了这两种方法的发展状况。列举了利用融合算法进行生物和军事目标识别的实例。     

Utilizing user models to handle ambiguity and misconceptions in robust plan recognition

User models play a critical role in robust plan recognition by controlling ambiguity. They allow an observer to prefer one plan explanation over another, and they provide a means of measuring the believability of misconceptions when the user's plan is flawed. This paper discusses the motivation for including a user model in robust plan recognition, and shows how a probabilistic interpretation offers a practical means of incorporating a user model into the plan recognition process.