军事资源分配的预测和决策系统

每个国家都与邻国存在着某种竞争关系。军队日复一日地保障着人们的生活。这些部队被安排在边境地区热点附近的许多区域，以击退敌人。这些地区在很多方面都很关键，也很有挑战性，这使士兵的生命受到威胁。本研究的主要目标是拯救士兵的生命。本文提出了一个基于环境条件的军事资源分配（ECRAM），它有助于决策和提供报告以帮助战区的士兵。这个ECRAM模型分析了许多因素，如气候条件、资源可用性和基地士兵的健康状况。它是通过比较不同的机器学习方法来实现的，以分析出适合于拟议模型的方法。结果显示，用随机森林算法进行预测和决策的准确性超过了94.4%的准确性。

1 简介

军事行动包括规划军事武装力量和预测对所需资源。这是帮助有效决策以拯救武装人员生命的重要步骤之一[1]。健康和食品供应是最关键的要求，以保证他们在恶劣条件下的安全和强大。指挥官必须做出快速和有效的决定，以帮助满足他的部队需求[2]。数据是最重要和关键的组成部分，可以促进有效的决策。在这个提议的基于环境条件的军事资源分配（ECRAM）模型中，机器学习和空间分析被用作优化和提高效率的关键方法。机器学习为系统提供了自动学习和决策的能力[3]。地理信息的空间分析有助于定位武装分子的地理点和可视化信息[2]。对这种属性的识别和士兵的健康护理提供了将结果与实时数据联系起来的力量。空间统计学和现代地理信息系统的不断发展，大大提高了进行地理空间研究的能力。空间分析中的一些工具也使数据更容易在视觉上表示和理解[4]。例如，简单地将数据绘制在研究区域上，就可以为用户（实地的军事当局）提供强大的洞察力，而不需要高级的统计知识。

在过去的几年里，地理空间和方法学的发展环境已经发生了变化。可用的地理空间数据的来源和形式正在迅速增长。近年来，来自大量传感器的信息流已经增长到许多观测数据可以进行地理参照的程度。数据的存储和处理改变了收集个人及其环境数据的内容、方式和时间。

这项研究工作提出了一种空间可视化方法，支持有效利用武装人员资源信息和战区的医疗状况。这项工作的基础是考虑士兵（作为一种资源）的权重来计算工作量的分配。在提议的ECRAM模型中使用了机器学习算法，以改善关键场景下的决策[5]。决策取决于各种因素，如气候条件和资源可用性。这些因素可以间接地作为影响决策的主要原因，因为士兵的健康也可以反映在他的表现中。这成为研究中需要考虑的一个重要标准。

这项工作还扩展到实时可视化数据。示例：放在武装人员身上的可穿戴电化学传感器捕捉到空气中的毒性，这意味着在那个特定的时间里，地理点被捕捉到，并强调有可能发生炸弹爆炸，指挥官应该发送必要的医疗援助来帮助那些在该地点的士兵。这项工作还实现了各种机器学习算法进行比较分析。

2 武装部队的数据和通信

武装部队是为国家政治利益工作的有组织的团体[4]。这些武装力量由国家统治机构选定的高级指挥部遥控。军队人员被部署在国家边境、森林和山区等关键地点。这些部队在高海拔和不断变化的气候条件等挑战性环境中工作，冒着民兵生命危险[6]。士兵们可能被囚禁，也可能在任何时候遭遇任何威胁或资源紧缺。在这种情况下，指挥官应该有效地规划资源，并相应地分配资源。数据挖掘技术被指挥官用来预测不可预见的情况，并帮助他们对任何情况进行实时准备[7]。然而，随着机器学习模型的实施，手动报告资源状况的整个过程和通信中的风险/问题都可以通过预测算法自动绕过。事实上，对资源（柴油、石油、气体、药品、食品和补充剂）的生命体征的持续监测可以在每个基站中保持和分配。

图1 军事环境中的数据收集和处理

如图1所示，数据预处理对成功的分析很重要；它使数据更易于管理，便于数据挖掘过程。在数据挖掘中，预处理是一个重要的功能，因为它将数据转化为更容易理解的形式[8]。预处理后的数据格式灵活，所以更容易分析，从而提高数据质量。数据修改的另一个好处是，它将更适合或适合于指定的数据挖掘技术[7]。数据预处理技术通常会对数据进行清理、整合、转换或减少数据的大小[9]。固定属性权重是关键活动之一。较高的权重被分配给更重要的特征，并根据该特征的不太重要程度分配到很低的权重[6]。这些权重有时被分配给具有相对重要性特征的资源。例如，基于加权欧氏距离计算的相关性被从基站捕获，并在热图中可视化，以便在任何不确定的情况下提醒广大用户。

3 研究的挑战和需求

从军队人员和基站点实时收集的传感器数据有助于不断监测环境和人的健康状况[7]。该研究旨在为基站提供有关军队人员健康和资源管理的信息优势。由此，分析武装人员的位置和资源可用性，用红色（高）、橙色（中）和绿色（好）等颜色绘制他们的健康和基站点，表示困难强度。这使得控制室能够与部队进行导航和协调[10]。这些通信的主要问题是，由于恶劣的天气、大雾、高海拔等因素，信号可能会丢失。在这种情况下，军队人员呆在高海拔地区和恶劣的天气条件下，会被证明是致命的。这项工作建议使用传感器设备监测军队人员所在地的天气状况，并不断将这些信息反馈给机器学习模型[11]。然后，这个ECRAM模型将分析给定的数据并预测确切的情况，并将其显示在热图上，画出时间与资源信息的当前状态的图。当局可以利用该框架进行有效的部署，并了解其部队在某一特定时间点的理想状态[12]。这使用了随机森林算法来准确分析数据并预测武装人员的状况。它还进一步测试了影响单个士兵的大气参数，并分析了资源的可用性和维护。

4 提出的系统

在这一节中，提出了一个ECRAM模型，它可以从环境中收集数据到中心站，以便更好地进行决策。图2显示了可以改善决策的拟议ECRAM模型。该系统从传感器设备收集数据，记录气候、爆炸性气体、士兵的体温、脉搏和其他生物数据。这些数据被汇总并转发到中央站。它被分析以收集气候变化的准确条件和士兵的健康细节。最后，该系统可用于报警或提醒上级官员在必要的时候做出决定。在发生任何突然袭击或威胁的情况下，通过提供医疗服务和必要的资源，来珍惜士兵的生命。通过预测形势，事先向士兵发出相应的警报，从而更好地管理资源，拯救国家。照顾军队人员是至关重要的，因为他们是人们拥有安全和幸福生活的原因。

预处理指的是在将数据应用于算法之前对其进行的转换。数据预处理是用来将原始数据转换成有用的数据集。当数据从不同的传感器获得时，它是以原始格式收集的，还不能用于分析，所以必须对数据进行处理，使其具有适当的形式。

图2 系统流程图

一些指定的机器学习模型需要特定格式的数据。另一个方面是，数据集可以被用来执行多种机器学习算法。其中考虑最好的一种。

机器学习是对计算机系统的开发，它可以在没有明确指令的情况下学习和适应，使用算法和数学模型来分析和借鉴数据模式。监督学习是指从标记的训练数据中提取数据或得出性能的任务[13]。它检查数据并提供可用于映射模型的结果。

无监督学习是一个人工智能系统，你不需要管理该系统[13]。相反，可能使模型自己寻找数据。它主要是管理未标记的信息。

5 拟议模型的实现

拟议的ECRAM模型是用python实现和分析的。图3显示了使用python的拟议ECRAM模型的工作流程。由于研究中涉及的成本和挑战性条件，拟议系统的实时实施具有挑战性。为了证明研究的主张，在不同的虚拟场景中使用模拟产生数据。该环境是根据印度与其邻国之间的共同边界的案例研究设计的[14] [15]。

表1 对所选属性的数据描述

考虑到这种环境中的挑战性气候和艰难的生活，使用不同的机器学习方法对收集的数据进行了进一步处理。

在提议的ECRAM中，士兵权重的计算是用模糊逻辑完成的。模糊器的方程式如下：

隶属度函数μA(x)等于x在集合A的隶属程度。这个程度，处于在0和1之间，表示集合 A 中元素 x 的隶属度，也称为隶属度值。

DE 模糊器：

这里，μA(x)被称为A的隶属函数。

表2 资源分配中涉及的参数

表3 输入隶属度函数

表4 站点难度级别

表5 输出

如表2、表3和表4所示，多种外部因素影响着士兵的权重值。模糊逻辑使用九个模糊规则来计算重量值，如表5所示。这些数值在决策中发挥了作用，因为计算是在这种关键环境下考虑的。

这项工作进一步比较了生成数据的现有分类器。这有助于学习适用于拟议的ECRAM模型的最佳分类器。

5.1 数据描述

对所提出的ECRAM模型的研究是使用[16]的数据进行分析的。所用数据的选定属性及其描述见表1。

5.2 使用的分类器

我们对四种不同的分类器进行了实验，以找到最适合拟议的ECRAM模型的分类器。以下是用于研究的分类器：

• 1 决策树分类器

决策树是一个有限的分支结构，其内部节点有一个决策规则[17][18]。在决策树中，每个节点都显示一个特征，而接下来的链接显示一个决策规则。有一组叶子，每个叶子都包含一些用于最终决策的信息。一个分类规则是由整个路径指定的，从根到叶。决策树可以有效地处理连续和离散的数据[19]。

• 2 SVM分类器

SVM（支持向量机）是一种有监督的学习方法。它有能力选择自己的支持向量[20]。SVM最小化了经验误差，最大化了几何区域，是广泛使用的分类工具之一[21]。

图 3 提出的 ECRAM 模型的工作流程

• 3 高斯NV分类器

高斯朴素贝叶斯数据分类模型在[22-26]中被提出。它基本上用于对具有大量非先验信息的未知连续数据进行分类。朴素贝叶斯分类器假定所有的特征都是相互独立的。即使这些特征相互依赖或存在于其他特征中。当特征具有连续值时，它被专门使用。

• 4 随机森林

随机森林是一种用许多决策树从一组可能的树中随机选择构建的分类算法[27]。随机森林是决策树算法的一种综合形式，具有更好的泛化能力[28-34]。每个单独的树都有平等的机会。它可以由随机树有效地生成，大集的随机树的组合导致了精确模型的设计。随机森林有不同的好处，如降低风险，减少所需的训练时间，并在大型数据库中提供高水平的准确性。

5.3 实时需求

这种模型的实时实现可以通过以下系统要求来实现。

• 1 无线传感器网络

WSNs由大量的小型传感器节点组成。有不同类型的传感器可用，如温度传感器、湿度传感器、冲击传感器、电化学传感器等。由于有了这些不同的传感器，WSN在军事应用中发挥了重要作用，在未知的部署区域进行多参数监测、信息收集、检测和智能后勤支持。实时传输的能力在军事行动中发挥着重要作用。

• 2 雾范式

雾范式有助于克服云存储中的挑战，即在数据中心内存储和处理来自所有地区的数据，这在响应时间和其他对关键任务的应用很重要的因素方面不能有效。多传感器地理雾模型有助于解决这些限制，并被推荐用于国防领域，因为它是一个关键任务的应用。

• 3 应用服务器

通过为用户提供一个接口，实时实施成为可能。根据该模型的要求，用户将成为士兵的决策者，特别是高级指挥官。该界面可以被设计和开发为可视化的当前状态和警报的应用程序。此外，该应用程序还可以增强多种功能，以促进多种功能。

6 结果分析

分析表明，哪种机器学习算法具有最高的准确性，适合这个ECRAM模型，通过分析，可以发现，与应用于ECRAM模型的算法相比，随机森林算法具有最高的准确性，为94.44%（参考图4）。准确率是根据对测试数据的正确预测得到的。它可以通过将正确预测的数量除以总预测的数量来计算。数据以70:30的黄金比例被分成训练和测试数据。现在，训练数据被送入机器学习模型。

第三个数据子集也用于在建立过程中评估模型，称为验证集。一个典型的训练-测试-验证的数据格式是。60%的数据用于训练，20%用于验证，还有20%用于测试。在分割数据之前，还要进行洗牌，以确保分割后的数据应包含一个完美的代表。

分类预测有四种结果：真正、真负、假正假负。当预测的某类观察结果确实属于该类，那么它就被称为真阳性。真阴性预测是；正确预测阴性类。假阳性是当你错误地预测了阳性类时，就会出现假阳性。假阴性是指你预测了一个阴性观察，但它属于该类。这四个结果被用来绘制混淆矩阵[37-41]。混淆，是二元分类的一种，是一种包括实际值和模型预测值的表格布局，并对它们进行比较。在用数据对模型进行训练后，通过使用一个称为准确性（模型的效率如何）的指标来测试/验证模型。

图4 分类器与ECRAM模型的比较

基于四个模型的实施，对新的数据采取了结果，并在图4中呈现。它显示了所有四个分类器在ECRAM模型中的实验表现。该图是在准确率和分类器之间绘制的。根据实验结果，随机森林分类算法与所提出的ECRAM模型相比具有最高的准确性。

该研究还显示了相对变量在特定环境中的重要性，如图5所示。可以看出，根据死亡原因的数量，Pm10和Pm2.5在环境中具有较高的重要性。

图5 关键参数

作为研究的一部分，我们建立了一个应用窗口来展示数据的用户可视化和基于数据反馈的警报生成。

7 结论

在资源分配方面做出适当的决定是军事当局的一项重要任务。在向军事人员提供帮助的同时，这些决定有可能危及生命。在决策支持系统的帮助下，这种人工系统已经得到了加强，该系统是在现场传感器收集的数据上实施的。所提出的基于环境条件的军事资源分配（ECRAM）模型有助于指挥官在处理任何不确定因素时做出快速决策。结果显示，随机森林分类器的模型准确率约为94.4%，通过使用大量的数据进行训练可以进一步提高。这一结果还可以通过更精确地清理数据和包括到位的认证系统来加强。