公开(公告)号：CN110889207B

公开(公告)日：2023-08-22

申请号：CN201911088404.X

申请日：2019-11-08

Applicant: 江南机电设计研究所

Inventor： 李兴国 ,  廖咏一 ,  李延超 ,  罗德智 ,  杨荣强 ,  汪正东 ,  王海星 ,  彭芳

IPC: G06F30/20 ,  G06F111/10

Abstract: 本发明提供一种基于深度学习的体系组合模型可信度智能评估方法，包括以下步骤：获取参考学习样本集‑获取参考学习样本集‑评估不确定性影响程度‑评估噪声影响程度‑评估可信度。本发明应用深度学习方法，综合考虑不确定性和噪声的影响，对待检验模型的可信度评估更加可靠，并通过应用从仿真学习样本(待检验模型)到参考学习样本(参考模型)到逆向映射关系，避免正向映射时可能出现的模糊现象，提高可信度评估的准确性，通过深度学习方法和基于损失函数的优化模型，降低体系作战仿真可信度评估的实施难度，实现自适应智能评估和模型筛选。

公开(公告)号：CN110889207A

公开(公告)日：2020-03-17

申请号：CN201911088404.X

申请日：2019-11-08

Applicant: 江南机电设计研究所

Inventor： 李兴国 ,  廖咏一 ,  李延超 ,  罗德智 ,  杨荣强 ,  汪正东 ,  王海星 ,  彭芳

IPC: G06F30/20 ,  G06F111/10

Abstract: 本发明提供一种基于深度学习的体系组合模型可信度智能评估方法，包括以下步骤：获取参考学习样本集-获取参考学习样本集-评估不确定性影响程度-评估噪声影响程度-评估可信度。本发明应用深度学习方法，综合考虑不确定性和噪声的影响，对待检验模型的可信度评估更加可靠，并通过应用从仿真学习样本(待检验模型)到参考学习样本(参考模型)到逆向映射关系，避免正向映射时可能出现的模糊现象，提高可信度评估的准确性，通过深度学习方法和基于损失函数的优化模型，降低体系作战仿真可信度评估的实施难度，实现自适应智能评估和模型筛选。

公开(公告)号：CN112749516B

公开(公告)日：2023-08-25

申请号：CN202110147596.8

申请日：2021-02-03

Applicant: 江南机电设计研究所

Inventor： 廖咏一 ,  李兴国 ,  李延超 ,  罗德智 ,  杨荣强 ,  汪正东 ,  王玉茜 ,  康丽

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种适应多类型数据特征的体系组合模型可信度智能评估方法，实现步骤如下：1.构建网络预训练样本集；2.构建网络训练样本集；3.构建融合循环神经网络和卷积神经网络，适应多类型数据特征的深度学习模型；4.深度学习网络分层训练；5.结合体系对抗仿真应用场景下组合模型输出数据，利用组合模型可信度智能评估网络，直接得出组合模型的可信度及其置信度。本发明采用了长时记忆能力较强的循环神经网络与特征表达能力较强的卷积神经网络智能方法相融合方式，可适应于长时变、短时状态等多类型数据特征的组合模型可信度智能评估，有利于提高组合模型可信度评估正确性与评估效率。

公开(公告)号：CN116108618A

公开(公告)日：2023-05-12

申请号：CN202211456154.2

申请日：2022-11-21

Applicant: 江南机电设计研究所

Inventor： 汪正东 ,  李永强 ,  廖咏一 ,  王玉茜

IPC: G06F30/20

Abstract: 本发明公开了一种防空体系策略数据回溯方法和装置，包括以下步骤：获取博弈对抗仿真数据；其中仿真数据的内容包括：感知策略数据、指挥策略数据和行动策略数据；用所述仿真数据构建博弈树，所述博弈树包括三层数据节点，其中，第一层数据节点由感知策略数据构成，第二层数据节点由指挥策略数据构成，第三层数据节点由行动策略数据构成；在所述第三层数据节点指定回溯节点，从所述博弈树中提取回溯路径，输出空情势态图。根据上述技术方案，可以对仿真数据集进行结构化处理、解析、可视化展示，以满足体系博弈对抗仿真过程中指挥策略和推演动态性、对抗性的分析要求。

公开(公告)号：CN112749516A

公开(公告)日：2021-05-04

申请号：CN202110147596.8

申请日：2021-02-03

Applicant: 江南机电设计研究所

Inventor： 廖咏一 ,  李兴国 ,  李延超 ,  罗德智 ,  杨荣强 ,  汪正东 ,  王玉茜 ,  康丽

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种适应多类型数据特征的体系组合模型可信度智能评估方法，实现步骤如下：1.构建网络预训练样本集；2.构建网络训练样本集；3.构建融合循环神经网络和卷积神经网络，适应多类型数据特征的深度学习模型；4.深度学习网络分层训练；5.结合体系对抗仿真应用场景下组合模型输出数据，利用组合模型可信度智能评估网络，直接得出组合模型的可信度及其置信度。本发明采用了长时记忆能力较强的循环神经网络与特征表达能力较强的卷积神经网络智能方法相融合方式，可适应于长时变、短时状态等多类型数据特征的组合模型可信度智能评估，有利于提高组合模型可信度评估正确性与评估效率。