深度学习框架下的多目标威胁评估技术

本书基于大数据处理的理论基础与技术手段，对趋势预测技术与威胁估计技术进行了更加深入的研究，提出了更大程度基于大数据分析的趋势预测与威胁估计。本书首先对影响作战防御因素的海量信息进行关联性分析，采用随机概率、拉丁方抽样等方法构建防御体系指标网络。在此基础之上，采用栈式稀疏自编码神经网络模型实现威胁评估体系评估指标集合。同时，为趋势预测中的目标活动意图预测提供了基于深度信念网络（deep belief nets，DBN）的解决思路。对于目标威胁评估技术，本书重点研究基于深度Q 网络（deep Q-learning，DQL）的战场威胁评估技术。最后，针对所研究的趋势预测与威胁评估技术建立仿真验证原型系统。总体架构如图4-13所示。

图4-13　深度学习框架下的多目标威胁评估的总体架构

本研究以趋势预测与威胁评估中的关键部分及其理论技术展开，通过对影响战场威胁评估的指标特征的分析处理，构建防御威胁指标网络，并提出一种基于栈式稀疏的自编码神经网络模型，利用该模型进行防御特征目标提取，搭建能够描述防御作战体系能力的参数属性值；进一步，基于深度信念网络（DBN）的敌方目标活动趋势预测，通过对大量样本的学习，形成对防御作战敌方活动趋势的合理性分析模型；再者，拟采用基于深度Q 网络的智能威胁评估模型，为战场敌方目标威胁等级进行评价分析，为战场兵力部署问题提供解决方案，并通过原型系统仿真验证其可行性。(www.xing528.com)

本研究的整体技术路线如图4-14所示。

图4-14　整体技术路线