基于机器学习的作战体系能力特征指标挖掘

doi:10.16182/j.issn1004731x.joss.19-0238

系统仿真学报 ›› 2019, Vol. 31 ›› Issue (6): 1048-1054.doi: 10.16182/j.issn1004731x.joss.19-0238

基于机器学习的作战体系能力特征指标挖掘

杨永利^1,2, 胡晓峰¹, 荣明¹, 殷小静¹, 王文祥²

1. 国防大学联合作战学院,北京 100091;
2. 65183部队,辽宁辽阳 111200

收稿日期:2019-05-28 修回日期:2019-06-10 出版日期:2019-06-08 发布日期:2019-12-12
作者简介:杨永利(1988-),男,山西新绛,博士后,工程师,研究方向为作战模拟、军事运筹;胡晓峰(1957-),男,山东栖霞,硕士,教授,博导,少将,研究方向为军事运筹与军事系统工程、战争模拟等; 荣明(1978-),男,山东淄博,博士生,高工,上校,研究方向为计算机战争模拟,军事运筹等。
基金资助:
“十三五”装备预研项目(41401030303)

Characteristic Index Digging of Combat SoS Capability Based on Machine Learning

Yang Yongli^1,2, Hu Xiaofeng¹, Rong Ming¹, Yin Xiaojing¹, Wang Wenxiang²

1.College of Joint Operation, National Defense University, Beijing 100091, China;
2. PLA 65183 troops, Liaoyang 111200, China

Received:2019-05-28 Revised:2019-06-10 Online:2019-06-08 Published:2019-12-12

摘要/Abstract

摘要： 针对当前作战体系能力特征指标挖掘存在的两个困难：作战数据生成和挖掘方法选择,提出“先采用仿真试验床生成作战数据,再利用机器学习挖掘特征指标”的方法。研究了2种基于机器学习的特征指标挖掘方法：基于网络聚合的方法,依据基础指标的相关性进行社团划分,利用主成分分析法得到特征指标,应用该方法挖掘防空能力的特征指标;基于集成学习的方法,利用装袋法生成测试数据集和CART决策树训练模型,利用主成分分析法得到特征指标,应用该方法挖掘防突入能力的特征指标。

关键词: 作战体系, 能力, 指标挖掘, 仿真试验床, 机器学习

Abstract: Aiming at the two difficulties in characteristic index digging of combat system of systems (CSoS), namely operation data generation and digging method selection, this paper proposes a new digging method, that is, using the simulation testbed to generate operation data, then adopting the machine learning to dig characteristic index. Two methods of characteristic index digging based on machine learning are researched: (1) the method based on network convergence, divides the communities for fundamental indexes based on their relationship, and obtains the characteristic indexes by principal component analysis (PCA); this method is applied to dig the characteristic indexes of air defense ability. (2) the method based on ensemble learning, generates test data by bagging, trains model by CART decision trees, and obtains the characteristic indexes by PCA; this method is applied to dig the characteristic indexes of air defense breakthrough ability.

Key words: combat system of systems (SoS), capability, characteristic index digging, simulation testbed, machine learning

中图分类号:

TP391.9

杨永利, 胡晓峰, 荣明, 殷小静, 王文祥. 基于机器学习的作战体系能力特征指标挖掘[J]. 系统仿真学报, 2019, 31(6): 1048-1054.

Yang Yongli, Hu Xiaofeng, Rong Ming, Yin Xiaojing, Wang Wenxiang. Characteristic Index Digging of Combat SoS Capability Based on Machine Learning[J]. Journal of System Simulation, 2019, 31(6): 1048-1054.

参考文献

[1] 李凤雷, 卢昊, 宋闯, 等. 智能化战争与无人系统技术的发展[J]. 无人系统技术, 2018, 1(2): 14-23.
Li Fenglei, Lu Hao, Song Chuang, et al.Development of Intelligent Warfare and Unmanned System Technology[J]. Unmanned Systems Technology, 2018, 1(2): 14-23.
[2] 伍文峰, 胡晓峰. 基于大数据的网络化作战体系能力评估框架[J]. 军事运筹与系统工程, 2016, 30(2): 26-32.
Wu Wengfeng, Hu Xiaofeng.Capability Evaluation Framework of Networked Operations System Based on Big Data[J]. Military Operations Research and Systems Engineering, 2016, 30(2): 26-32.
[3] 丁剑飞. 武器装备体系效能指标体系构建方法研究[D].北京: 国防大学, 2017.
Ding Jianfei.Research on Construction Method of Weapon Equipment System Effectiveness Index System[D]. Beijing: PLA National Denfense University, 2017.
[4] 张昱, 杨镜宇, 李仁见, 等. 面向武器装备体系仿真的五环聚焦实验框架[J]. 系统仿真学报, 2014, 26(11): 2541-2545.
Zhang Yu, Yang Jingyu, Li Renjian, et al.5-Loop Framework of Making and Converging Experiments for Simulation of Weapon System of Systems[J]. Journal of System Simulation, 2014, 26(11): 2541-2545.
[5] Silver D, Huang A, Maddison C J, et al.Mastering the game of Go with deep neural networks and tree search[J]. Nature (S1476-4687), 2016, 529(7587): 484-489.
[6] 姚晓毅, 郭圣明, 胡晓峰, 等. 基于MINE-FNA组合算法的防空体系指标网构建方法[J]. 指挥控制与仿真, 2016, 38(1): 94-100.
Yao Xiaoyi, Guo Shengming, Hu Xiaofeng, et al.Indices Network Construction for Air Defense System of Systems Based on MINE-FNA Assembled Algorithm[J]. Command Control & Simulation, 2016, 38(1): 94-100.
[7] 郭圣明, 贺筱媛, 吴琳, 等. 基于强制稀疏自编码神经网络的防空体系能力回溯分析方法研究[J]. 中国科学:信息科学, 2018, 48(7): 824-840.
Guo Shengming, He Xiaoyuan, Wu Lin, et al.Backtracking Analysis Approach for Effectiveness of Air Defense Operation System of Systems Based on Force-sparsed Stacked-autoencoding Neural Networks[J]. SCIENTIA SINICA Informationis, 2018, 48(7): 824-840.
[8] 蒋杭进. 最大信息系数及其在脑网络分析中的应用[D]. 武汉: 中国科学院研究生院(武汉物理与数学研究所), 2013.
Jiang Hangjin.Maximal Information Coefficient and Its Annlication to Brain Network Analysis[D]. Wuhan: Graduate University of Chinese Academy of Sciences (Wuhan Institute of Physics and Mathematics ), 2013.
[9] Girvan M, Newman M E J. Community structure in social and biological networks[J]. Proceedings of the National Academy of Sciences (S1091-6490), 2002, 99(12): 7821-7826.
[10] 魏旭. 基于主成分分析的特征融合及其应用[D]. 成都: 电子科技大学, 2008.
Wei Xu.Feature Fusion Based on Principal Component Analysis and Tts Application[D]. Chengdu: University of Electronic Science and Technology, 2008.
[11] Dietterich T G.Machine learning research: Four current directions[J]. AI Magazine (S0738-4602), 1997, 18(4): 97-136.
[12] Zhou Z H, Wu J X, Tang W.Ensembling neural networks: Many could be better than all[J]. Artificial Intelligence (S0004-3702), 2002, 137(1/2): 239-263.
[13] Breiman L.Bagging predictors[J]. Machine Learning (S0885-6125), 1996, 24(2): 123-140.
[14] Breiman L.Classification and regression trees[M]. New York: Chapman & Hall/CRC, 1984.

[1]	张国奥, 马驷, 王琳. 地下两层标准车站疏散时间灵敏度仿真分析[J]. 系统仿真学报, 2021, 33(8): 1989-1996.
[2]	张琪, 曾俊杰, 许凯, 秦龙, 尹全军. 基于机器学习的计算机生成兵力行为建模研究综述[J]. 系统仿真学报, 2021, 33(2): 280-287.
[3]	毕振波, 张世友, 杨花, 吴远红. 基于浅层机器学习的视频监控船舶检测综述[J]. 系统仿真学报, 2021, 33(12): 2792-2807.
[4]	田星雨, 曾广迅, 高云博, 叶丽丽, 龚光红, 李妮. 基于语义匹配与组合的模型重用技术研究[J]. 系统仿真学报, 2021, 33(12): 2901-2910.
[5]	刘宗杨, 周春辉, 赵俊男, 肖进丽, 甘浪雄. 基于元胞自动机的航道通过能力建模与仿真[J]. 系统仿真学报, 2021, 33(10): 2478-2487.
[6]	崔洪军, 李思学, 朱敏清, 李霞. SAm级防撞活动护栏碰撞仿真分析[J]. 系统仿真学报, 2021, 33(1): 141-148.
[7]	孙灿, 周新宇, 王明文. 一种融合邻域搜索的多策略差分进化算法[J]. 系统仿真学报, 2020, 32(6): 1071-1084.
[8]	陈莹, 沈栎. 基于特征回归的单目深度图无标记人体姿态估计[J]. 系统仿真学报, 2020, 32(2): 269-277.
[9]	杜海东, 曹军海, 刘福胜. 典型陆军部队装备维修作业能力评估系统仿真建模研究[J]. 系统仿真学报, 2020, 32(10): 1854-1861.
[10]	冯振杰, 樊煜. 混沌时间序列的高斯过程混合模型预测[J]. 系统仿真学报, 2019, 31(7): 1387-1396.
[11]	夏璐, 张明智, 杨镜宇, 肖长亮. 面向作战体系演化的能力关系建模研究[J]. 系统仿真学报, 2019, 31(6): 1039-1047.
[12]	荣明, 胡晓峰, 杨镜宇. 基于动态超网的作战体系结构弹性分析评估研究[J]. 系统仿真学报, 2019, 31(6): 1055-1061.
[13]	王健, 冯琦, 胡晓伟. 自动驾驶车辆在交叉口的通行模式研究[J]. 系统仿真学报, 2019, 31(2): 199-211.
[14]	罗龙溪, 谢丽君, 吴建平, 许明. 绿灯时车辆启动延迟及其直接和连锁反应对交通流影响的仿真[J]. 系统仿真学报, 2019, 31(11): 2422-2433.
[15]	孔晨妍, 朱晶, 焦松, 毛少杰. 基于序贯仿真试验的作战体系能力分析优化方法[J]. 系统仿真学报, 2018, 30(9): 3333-3339.

基于机器学习的作战体系能力特征指标挖掘

Characteristic Index Digging of Combat SoS Capability Based on Machine Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价