摘要

步兵模拟（IWARS）是一个实体级的战斗模拟，通常用于估计使用不同装备（包括手榴弹和榴弹发射器）造成的作战效能差异。当一枚模拟手榴弹在IWARS中爆炸时，对附近人员的影响是通过查询一个高分辨率模型预先计算出的丧失能力的概率值来确定的。这个值取决于许多因素，因此需要一个大的查询表，可能会超过数据库的最大容量。为了解决这个问题，创建了一个神经网络输入选项，让分析师有机会使用高度压缩的数据而不牺牲准确性或运行时间。以前的压缩技术要么不太准确，要么提供较低的压缩率。
这项研究是在2019财年进行的，是题为 "机器学习技术协助生成项目级性能估计，用于班级和士兵级作战评估 "的研究的一部分。该研究的另一半将在另一份报告中讨论。在这一半的研究中，梯度增强的决策树被用来成功地预测人类主题专家（SMEs）的代理决定。(当所要求的系统没有数据时，一个类似的系统通常被用作代用。) 训练有素的决策树模型可以用来为未来的数据请求建议代理，减少满足这些请求所需的时间并提高所提供数据的准确性。

简介

背景

步兵模拟（IWARS）是一个实体级的战斗模拟，重点是下马的士兵、班和排，通常被陆军用来估计使用不同装备造成的作战效率的差异。特别是，IWARS被用来比较不同手榴弹和榴弹发射器的有效性[1, 2, 3]，帮助指导这些系统的开发和采购。

问题陈述

当一个模拟的手榴弹在IWARS中爆炸时，对附近人员的影响是通过查询一个高分辨率模型预先计算出来的丧失能力的概率（P（I））值来确定的。P(I)值取决于许多因素，包括目标的姿态、防弹衣和任务（攻击或防御），以及弹药的下落角度、爆炸高度、爆炸到目标的范围、爆炸到目标的方位角和爆炸后的时间。由于有这么多的因素，P(I)查询表可能非常大。事实上，一个高分辨率的查询表往往太大，无法装入IWARS数据库的最大容量约150兆字节。
为了解决这个问题，分析人员可以将IWARS数据库分成更小的部分。例如，对12种新型空爆手榴弹的分析可以通过建立12个IWARS数据库来进行，每种手榴弹一个数据库。如果描述一种手榴弹的杀伤力数据太大，或者在特定情况下需要一种以上的手榴弹，但只有一种手榴弹的杀伤力数据可以放入一个数据库，那么这种策略就会失败。此外，即使这种策略是可行的，也有缺点：任何额外的数据库变化都必须被镜像12次，而且数据库的大小会降低IWARS和数据库编辑工具的速度。
另外，分析人员可以通过使用低分辨率的P(I)数据来规避数据库的大小限制。这通常是通过删除某些突发高度和突发到目标的范围，并将突发到目标的方位角组的P(I)值平均化来实现的。这降低了模拟的准确性，也降低了对结果的信心。

目的

本文的目的是记录这个问题的一个新的解决方案，这个方案在所有情况下都有效，而且几乎没有精度损失或模型运行时间的增加。它可以描述如下：
1.训练人工神经网络来学习P(I)值。然后，神经网络的参数值将对原始P(I)数据进行编码，从而对其进行压缩。
2.在IWARS中重新创建这些神经网络，以便在需要时估计P(I)值。