基于卷积神经网络的陆战兵棋战术机动策略学习
Tactical Maneuver Strategy Learning from LandWargame Replay Based on Convolutional Neural Network
查看参考文献16篇
|
文摘
|
针对从"人在回路"兵棋推演的复盘数据中提取推演者战术经验高价值知识的问题,提出一种基于深度神经网络从复盘数据中学习战术机动策略模型的方法。将战术机动策略建模为在当前态势特征影响下对目标候选位置进行优选的分类问题:梳理总结影响推演者决策的关键认知因素,定义了由机动范围和观察范围等7个属性构成的基础态势特征,建立了带有正负样本标注的态势特征数据集;设计了基于卷积神经网络的分类器,以分类概率实现了单个棋子战术机动终点位置的预测。实验结果表明:该模型的预测准确率可达到78.96%,相比其他模型提高至少4.59%。 |
|
其他语种文摘
|
Aiming at collecting the high valuable knowledge of action decisions in "man-in-the-loop" wargame's replay data, a method of using convolutional neural network to learn the tactical maneuver strategy model from the replay data of wargame is proposed. In this method, the tactical maneuver strategy is modeled as a classification problem of making a good choice from the target candidate locations under the influence of current situation. The key factors affecting commander's decision-making are summarized, and the basic situation features are defined, which are composed of seven attributes such as "maneuverability range and observation range". The feature dataset with positive and negative labels is established. The classifier based on convolutional neural network is designed, which can predict the maneuver terminal position of a single piece by the classification probability. Experimental results show that the prediction accuracy of the tactical maneuver strategy model based on the convolutional neural network is up to 78.96%, which is improved by at least 4.59% compared with other models. |
|
来源
|
系统仿真学报
,2022,34(10):2181-2193 【核心库】
|
|
DOI
|
10.16182/j.issn1004731x.joss.21-0429
|
|
关键词
|
兵棋推演
;
复盘数据
;
战术机动策略
;
态势特征
;
卷积神经网络
|
|
地址
|
1.
中国科学院大学人工智能学院, 北京, 100049
2.
中国科学院自动化研究所, 北京, 100190
3.
中国科学院人工智能创新研究院, 北京, 100190
4.
国防大学联合作战学院, 河北, 石家庄, 050000
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1004-731X |
|
学科
|
自动化技术、计算机技术 |
|
基金
|
国家自然科学基金
;
中国科学院战略性先导科技专项
|
|
文献收藏号
|
CSCD:7311683
|
参考文献 共
16
共1页
|
|
1.
胡晓峰. 智能化作战研究值得关注的几个问题.
指挥与控制学报,2018,4(3):195-200
|
被引
18
次
|
|
|
|
|
2.
邢思远. 基于兵棋复盘数据的武器效用挖掘.
指挥与控制学报,2020,6(2):132-140
|
被引
4
次
|
|
|
|
|
3.
张俊恒.
计算机兵棋中兵力机动路径规划研究,2010
|
被引
5
次
|
|
|
|
|
4.
胡伟.
计算机兵棋中兵力机动路径优化研究,2010
|
被引
1
次
|
|
|
|
|
5.
周小镜.
基于改进A*算法的游戏地图寻径的研究,2011
|
被引
3
次
|
|
|
|
|
6.
刘满. 战术级兵棋实体作战行动智能决策方法.
控制与决策,2020,35(12):2977-2985
|
被引
6
次
|
|
|
|
|
7.
朱丰. 从态势认知走向态势智能认知.
系统仿真学报,2018,30(3):761-771
|
被引
17
次
|
|
|
|
|
8.
闫科.
陆军合同战术兵棋推演,2013:6-7
|
被引
1
次
|
|
|
|
|
9.
潘毅.
人机对抗中位置估计及其应用,2018
|
被引
1
次
|
|
|
|
|
10.
王桂起. 兵棋技术综述.
兵工自动化,2012,31(8):38-41,45
|
被引
4
次
|
|
|
|
|
11.
刘海洋. 基于兵棋推演的联合作战方案评估框架研究.
系统仿真学报,2018,30(11):4115-4122,4131
|
被引
4
次
|
|
|
|
|
12.
徐佳乐.
陆战兵棋态势特征数据集,2021
|
被引
1
次
|
|
|
|
|
13.
Simonyan K.
Very Deep Convolutional Networks for Large-scale Image Recognition,2021
|
被引
98
次
|
|
|
|
|
14.
He K. Deep Residual Learning for Image Recognition.
IEEE Conference on Computer Vision and Pattern Recognition,2016:770-778
|
被引
226
次
|
|
|
|
|
15.
He K. Identity Mappings in Deep Residual Networks.
European Conference on Computer Vision,2016:630-645
|
被引
68
次
|
|
|
|
|
16.
Ioffe S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift.
International conference on Machine Learning,2015:448-456
|
被引
198
次
|
|
|
|
|
了解气象卫星更多信息，请访问