太空智能推演技术

第1章轨道智能预报技术1
1.1轨道预报技术概述1
1.1.1天基节点轨道预报技术现状1
1.1.2轨道数学模型分析3
1.2深度神经网络发展现状8
1.2.1递归神经网络10
1.2.2长短时记忆神经网络13
1.3太空信息网络天基节点轨道预报模型优化18
1.3.1长短时记忆神经网络预报基本思路18
1.3.2长短时记忆神经网络预报模型优化20
1.3.3长短时记忆神经网络天基节点轨道预报流程23
1.3.4天基节点轨道预报实验分析25
1.4太空信息网络天基节点轨道预报评估框架28
1.4.1天基节点预报评估框架28
1.4.2天基节点轨道预报对比评估标准29
1.4.3长短时记忆神经网络改进前后对比评估30
1.4.4数学模型与神经网络预报对比评估37
1.4.5预报误差置信度评估38
参考文献41
第2章太空态势呈现技术44
2.1太空态势呈现技术概述44
2.1.1天基节点态势呈现技术现状44
2.1.2卷积神经网络46
2.1.3裸眼三维呈现基本方法49
2.2基于卷积神经网络的裸眼三维视差图生成模型51
2.2.1模型构建51
2.2.2选择层重构原理53
2.3裸眼三维成像效果分析54
2.3.1模型计算设置54
2.3.2定量分析55
2.3.3定性分析55
参考文献58
第3章聚集态势认知技术59
3.1聚集态势认知技术基础59
3.1.1传统视频群体异常行为识别的研究现状59
3.1.2基于深度学习的视频行为识别研究现状61
3.2战场聚集行为智能识别62
3.2.1战场聚集行为特性分析62
3.2.2基于深度学习的战场聚集态势认知模型63
3.3基于多尺度特征融合的战场聚集态势认知方法64
3.3.1战场聚集态势认知概述64
3.3.2基于多尺度特征融合的三维卷积神经网络65
3.3.3作战目标聚集行为数据集构建与防止过拟合策略71
3.3.4实验与分析73
3.4轻量化战场聚集态势认知方法76
3.4.1高效率深度学习模型76
3.4.2轻量化聚集态势认知算法79
3.4.3实验与结果分析82
3.4.4面向作战仿真系统的战场聚集行为实时识别平台的实现83
参考文献89
第4章智能序列规划算法92
4.1智能序列规划概述92
4.1.1多智能体序列决策研究现状92
4.1.2马尔可夫决策理论93
4.2基本概念及作战仿真系统智能化分析104
4.2.1基本概念104
4.2.2任务级作战仿真系统智能化分析106
4.2.3仿真装备实体的行为策略自动生成110
4.3基于模型的多智能体离线规划算法112
4.3.1理论基础112
4.3.2蒙特卡洛Q值函数116
4.3.3QMC的收敛性证明120
4.3.4基于QMC的离线规划算法121
4.4基于模型的多智能体在线分布式规划算法129
4.4.1理论基础129
4.4.2分布式蒙特卡洛树搜索方法131
4.4.3算法复杂度分析139
4.4.4算法性能比较139
4.5无模型的深度多智能体强化学习算法144
4.5.1深度多智能体强化学习的几个难点问题144
4.5.2深度多智能体强化学习算法147
4.5.3基准测试环境和超参数设置153
4.5.4算法性能分析155
参考文献159
第5章智能机动规划技术169
5.1智能机动规划技术概述169
5.1.1发展背景及意义169
5.1.2研究现状172
5.2基于深度强化学习的作战仿真实体决策框架179
5.2.1基本概念179
5.2.2作战仿真实体决策行为框架180
5.2.3基于深度强化学习的作战仿真实体决策过程构建183
5.3融合监督学习机制的深度强化学习算法184
5.3.1相关理论184
5.3.2基于值函数的监督式强化学习186
5.3.3算法实验验证及分析189
5.4基于深度强化学习的双网络机动决策算法192
5.4.1问题描述192
5.4.2仿真实体建模193
5.4.3双网络机动决策算法195
5.4.4算法实验验证及分析200
5.5基于参数传递的多智能体深度强化学习算法204
5.5.1相关理论204
5.5.2多智能体深度强化学习中的主要问题207
5.5.3基于参数传递的多智能体深度确定性策略梯度算法209
5.5.4算法实验验证及分析214
5.6深度强化学习算法应用实例分析219
5.6.1智能算法与仿真平台联结方案219
5.6.2作战想定设计及相关参数设置220
5.6.3仿真实验及结果分析222
参考文献226