本文介绍了一个使用人工神经网络的人工智能模型,该模型提供了改善超视距(BVR)空战飞行员态势感知的参数。在这种作战方式中,有必要根据来自传感器(主要是雷达)的信息做出决策。此外,由于有关敌机系统的信息有时是未知的,而飞行员的决策通常是基于对手的。所提出的模型建议处理这些特征,为在建设性模拟环境中的实体进行行为生成,即模拟人操作系统。我们创建了两架飞机之间的BVR空战模拟,每架飞机只有一枚导弹,通过拉丁超立方采样(LHS)来选择输入变量,几乎均匀地覆盖所有的范围。这些飞机有类似的行为,它们的参数只在模拟开始时发生变化。仿真环境生成一万个空战场景,改变了三十六个输入参数,用于案例研究中提出的分析。从这些数据中,我们可以创建监督机器学习模型,大大提高BVR空战飞行员对进攻情况的态势感知能力,在这种情况下,参考飞机使用导弹攻击目标或防御阵地,而不是参考飞机试图避免敌人导弹向其方向发射。进攻型和防御型模型的准确度分别为0.930和0.924,F1分数为0.717和0.678。因此,这项工作的贡献是使用机器学习算法来产生有关战术状态的反应,以提高飞行员的态势感知,从而改善飞行中的决策过程。

源代码说明

  • 1-EDA.ipynb:探索性数据分析。
  • 2-Feature-Selection.ipynb:使用ANOVA-f统计和互信息统计的特征选择技术。
  • 3-ANN-分类-攻击.ipynb:使用人工神经网络对攻击数据进行分类模型的训练和评估。
  • 4-ANN-分类-防御.ipynb:使用人工神经网络对防御数据的分类模型进行训练和评估。
成为VIP会员查看完整内容
29
0

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、物流运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
网络安全态势感知
计算机与网络安全
15+阅读 · 2018年10月14日
论文 | 深度学习实现目标跟踪
七月在线实验室
47+阅读 · 2017年12月8日
推荐|一份不错的机器学习笔记!
全球人工智能
21+阅读 · 2017年11月20日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 6月30日
Talking-Heads Attention
Arxiv
12+阅读 · 2020年3月5日
小贴士
相关VIP内容
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员