基于作战仿真数据的智能化效能评估分析技术研究

发布时间：2025-01-14 03:38

　　随着复杂系统仿真技术、计算能力和数据管理能力等的发展,作战仿真模型的规模日渐庞大,仿真数据逐步呈现大数据特点,对效能评估模型的构建也提出了新的挑战。效能指标体系呈现出高维度、高冗余、高相关等特点,需要采用更有效的数据处理方法来进行指标降维。同时,根据效能评估结果对仿真方案进行优化变得比评估本身更具有实际意义。论文结合人工智能技术,开展针对大数据背景下的效能评估分析技术研究。主要研究内容包括:（1）采用堆叠稀疏自编码神经网络对高冗余、高相关的仿真指标进行降维。实验中,通过对某次航母舰载机体系作战仿真实验统计得到了10个效能指标进行降维;对比发现,堆叠稀疏自编码神经网络的降维效果较自编码神经网络、主成分分析等传统降维方法效果更好,更有利于数据特征的提取。（2）提出TPN（Triple Path Network）神经网络模型。文中首先搭建6种基于CNN的深度神经网络架构进行效能评估实验,对比发现ResNet在论文使用的仿真数据中学习效果最佳。通过考虑模块化结构和网络层的并联操作,论文在ResNet和DPN网络基础上改进得到了TPN网络模型。TPN网络在MNIST数据集与CIFAR-10数据集中...

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图2.1基本自编码神经网络结构图

国防科技大学研究生院硕士学位论文第10页第二章基于自编码神经网络的指标降维方法作战仿真实验的统计结果往往包含大量冗余和相关性很高的指标，因此在进行效能评估前需要对统计指标进行指标降维。数据降维方法主要包括以主成分分析为代表的线性投影方法，以核主成分分析为代表的核方法，以等距映射算....

图2.2自编码神经网络非线性降维效果

国防科技大学研究生院硕士学位论文第11页自编码器和主成分分析法很像，PCA也常用于指标降维中，PCA通过寻找矩阵中最大特征向量来寻找输入数据的数据特征。自编码器和PCA的区别在于自编码神经网络可以学习出非线性特征，能够通过设计非线性编码器和非线性解码器实现对数据的编码和解码操作。....

图2.4稀疏自编码神经网络结构图

国防科技大学研究生院硕士学位论文第13页图2.4稀疏自编码神经网络结构图令网络中隐藏神经元j的激活度为(2)ja，在给定输入x的情况下激活度为(2)()jax，可以得到在训练集上神经元j的平均活跃度为j：(2)11[()]mjjiaxm（2.2）此时加入一个接近于0的较小稀疏性参....

图2.5相对熵值变化图

国防科技大学研究生院硕士学位论文第14页图2.5相对熵值变化图从图2.5中可以看出，相对熵在j=时有最小值为0，而当j趋近0或1的时，取值会变得非常大，因此最小化KL(||)j能够使j的取值接近。此时稀疏自编码网络的全局损失函数可以表示为：2sparse1(,)(,)KL(||)....

本文编号：4026348