第1章軌道智能預報技術1 1.1軌道預報技術概述1 1.1.1天基節點軌道預報技術現狀1 1.1.2軌道數學模型分析3 1.2深度神經網絡發展現狀8 1.2.1遞歸神經網絡10 1.2.2長短時記憶神經網絡13 1.3太空信息網絡天基節點軌道預報模型優化18 1.3.1長短時記憶神經網絡預報基本思路18 1.3.2長短時記憶神經網絡預報模型優化20 1.3.3長短時記憶神經網絡天基節點軌道預報流程23 1.3.4天基節點軌道預報實驗分析25 1.4太空信息網絡天基節點軌道預報評估框架28 1.4.1天基節點預報評估框架28 1.4.2天基節點軌道預報對比評估標準29 1.4.3長短時記憶神經網絡改進前后對比評估30 1.4.4數學模型與神經網絡預報對比評估37 1.4.5預報誤差置信度評估38 參考文獻41
第2章太空態勢呈現技術44 2.1太空態勢呈現技術概述44 2.1.1天基節點態勢呈現技術現狀44 2.1.2卷積神經網絡46 2.1.3裸眼三維呈現基本方法49 2.2基于卷積神經網絡的裸眼三維視差圖生成模型51 2.2.1模型構建51 2.2.2選擇層重構原理53 2.3裸眼三維成像效果分析54 2.3.1模型計算設置54 2.3.2定量分析55 2.3.3定性分析55 參考文獻58
第3章聚集態勢認知技術59 3.1聚集態勢認知技術基礎59 3.1.1傳統視頻群體異常行為識別的研究現狀59 3.1.2基于深度學習的視頻行為識別研究現狀61 3.2戰場聚集行為智能識別62 3.2.1戰場聚集行為特性分析62 3.2.2基于深度學習的戰場聚集態勢認知模型63 3.3基于多尺度特征融合的戰場聚集態勢認知方法64 3.3.1戰場聚集態勢認知概述64 3.3.2基于多尺度特征融合的三維卷積神經網絡65 3.3.3作戰目標聚集行為數據集構建與防止過擬合策略71 3.3.4實驗與分析73 3.4輕量化戰場聚集態勢認知方法76 3.4.1高效率深度學習模型76 3.4.2輕量化聚集態勢認知算法79 3.4.3實驗與結果分析82 3.4.4面向作戰仿真系統的戰場聚集行為實時識別平臺的實現83 參考文獻89
第4章智能序列規劃算法92 4.1智能序列規劃概述92 4.1.1多智能體序列決策研究現狀92 4.1.2馬爾可夫決策理論93 4.2基本概念及作戰仿真系統智能化分析104 4.2.1基本概念104 4.2.2任務級作戰仿真系統智能化分析106 4.2.3仿真裝備實體的行為策略自動生成110 4.3基于模型的多智能體離線規劃算法112 4.3.1理論基礎112 4.3.2蒙特卡洛Q值函數116 4.3.3QMC的收斂性證明120 4.3.4基于QMC的離線規劃算法121 4.4基于模型的多智能體在線分布式規劃算法129 4.4.1理論基礎129 4.4.2分布式蒙特卡洛樹搜索方法131 4.4.3算法復雜度分析139 4.4.4算法性能比較139 4.5無模型的深度多智能體強化學習算法144 4.5.1深度多智能體強化學習的幾個難點問題144 4.5.2深度多智能體強化學習算法147 4.5.3基準測試環境和超參數設置153 4.5.4算法性能分析155 參考文獻159
第5章智能機動規劃技術169 5.1智能機動規劃技術概述169 5.1.1發展背景及意義169 5.1.2研究現狀172 5.2基于深度強化學習的作戰仿真實體決策框架179 5.2.1基本概念179 5.2.2作戰仿真實體決策行為框架180 5.2.3基于深度強化學習的作戰仿真實體決策過程構建183 5.3融合監督學習機制的深度強化學習算法184 5.3.1相關理論184 5.3.2基于值函數的監督式強化學習186 5.3.3算法實驗驗證及分析189 5.4基于深度強化學習的雙網絡機動決策算法192 5.4.1問題描述192 5.4.2仿真實體建模193 5.4.3雙網絡機動決策算法195 5.4.4算法實驗驗證及分析200 5.5基于參數傳遞的多智能體深度強化學習算法204 5.5.1相關理論204 5.5.2多智能體深度強化學習中的主要問題207 5.5.3基于參數傳遞的多智能體深度確定性策略梯度算法209 5.5.4算法實驗驗證及分析214 5.6深度強化學習算法應用實例分析219 5.6.1智能算法與仿真平臺聯結方案219 5.6.2作戰想定設計及相關參數設置220 5.6.3仿真實驗及結果分析222 參考文獻226