太空智能推演技術(shù)

定　價：￥98.00

作　者：	楊海濤、潘耀宗、張健、姜海洋、王浩宇、朱俊鵬
出版社：	中國宇航出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥98.00)

ISBN：	9787515922843	出版時間：	2023-10-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　以智能推演技術(shù)為基礎(chǔ)的作戰(zhàn)仿真系統(tǒng)是以軍事應用為目的而構(gòu)建的模擬仿真系統(tǒng)，可對陸、海、空、天、電、網(wǎng)等領(lǐng)域的作戰(zhàn)要素、作戰(zhàn)方案及裝備性能進行分析，能夠模擬戰(zhàn)場環(huán)境和態(tài)勢，以實現(xiàn)指揮決策輔助和體系效能評估。本書在結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)、長短時記憶神經(jīng)網(wǎng)絡(luò)等現(xiàn)階段深度學習多種算法模型的基礎(chǔ)上，從軌道智能預報、太空態(tài)勢顯示、聚集態(tài)勢認知、智能序列規(guī)劃、智能機動規(guī)劃五大方面，詳細闡述太空應用與智能推演結(jié)合的相關(guān)技術(shù)與算法實例，在帶領(lǐng)讀者認識太空智能推演發(fā)展現(xiàn)狀的同時，為讀者深入學習并研究太空智能推演技術(shù)提供必要的知識儲備與算法基礎(chǔ)。

作者簡介

　　楊海濤，男，1979年3月生，山東萊州人，博士，教授，從事專業(yè)為信息與通信工程，主要研究方向為深度學習，智能決策，大數(shù)據(jù)分析等。潘耀宗，男，1984年11月生，河北衡水人，信息與通信系統(tǒng)專業(yè)博士，主要研究方向為強化學習，移動自組網(wǎng)技術(shù)等。張健，男，1989年3月生，山東煙臺人，信息與通信系統(tǒng)專業(yè)博士，畢業(yè)于航天工程大學，主要研究方向，強化學習，智能決策，空間通信與信息網(wǎng)絡(luò)等。姜海洋，男，1995年10月生，山東曹縣人，信息與通信系統(tǒng)專業(yè)碩士，畢業(yè)于航天工程大學，主要研究方向為深度學習，智能決策等。王浩宇，男，2000年3月生，山東淄博人，信息與通信工程專業(yè)碩士，主要研究方向為深度學習，智能決策，圖像處理等。朱俊鵬，男，1993年5月生，湖南張家界人，碩士，畢業(yè)于航天工程大學，主要研究方向為深度學習，智能決策等。

圖書目錄

第1章軌道智能預報技術(shù)1
1.1軌道預報技術(shù)概述1
1.1.1天基節(jié)點軌道預報技術(shù)現(xiàn)狀1
1.1.2軌道數(shù)學模型分析3
1.2深度神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀8
1.2.1遞歸神經(jīng)網(wǎng)絡(luò)10
1.2.2長短時記憶神經(jīng)網(wǎng)絡(luò)13
1.3太空信息網(wǎng)絡(luò)天基節(jié)點軌道預報模型優(yōu)化18
1.3.1長短時記憶神經(jīng)網(wǎng)絡(luò)預報基本思路18
1.3.2長短時記憶神經(jīng)網(wǎng)絡(luò)預報模型優(yōu)化20
1.3.3長短時記憶神經(jīng)網(wǎng)絡(luò)天基節(jié)點軌道預報流程23
1.3.4天基節(jié)點軌道預報實驗分析25
1.4太空信息網(wǎng)絡(luò)天基節(jié)點軌道預報評估框架28
1.4.1天基節(jié)點預報評估框架28
1.4.2天基節(jié)點軌道預報對比評估標準29
1.4.3長短時記憶神經(jīng)網(wǎng)絡(luò)改進前后對比評估30
1.4.4數(shù)學模型與神經(jīng)網(wǎng)絡(luò)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(tài)勢呈現(xiàn)技術(shù)44
2.1太空態(tài)勢呈現(xiàn)技術(shù)概述44
2.1.1天基節(jié)點態(tài)勢呈現(xiàn)技術(shù)現(xiàn)狀44
2.1.2卷積神經(jīng)網(wǎng)絡(luò)46
2.1.3裸眼三維呈現(xiàn)基本方法49
2.2基于卷積神經(jīng)網(wǎng)絡(luò)的裸眼三維視差圖生成模型51
2.2.1模型構(gòu)建51
2.2.2選擇層重構(gòu)原理53
2.3裸眼三維成像效果分析54
2.3.1模型計算設(shè)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(tài)勢認知技術(shù)59
3.1聚集態(tài)勢認知技術(shù)基礎(chǔ)59
3.1.1傳統(tǒng)視頻群體異常行為識別的研究現(xiàn)狀59
3.1.2基于深度學習的視頻行為識別研究現(xiàn)狀61
3.2戰(zhàn)場聚集行為智能識別62
3.2.1戰(zhàn)場聚集行為特性分析62
3.2.2基于深度學習的戰(zhàn)場聚集態(tài)勢認知模型63
3.3基于多尺度特征融合的戰(zhàn)場聚集態(tài)勢認知方法64
3.3.1戰(zhàn)場聚集態(tài)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(jīng)網(wǎng)絡(luò)65
3.3.3作戰(zhàn)目標聚集行為數(shù)據(jù)集構(gòu)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(zhàn)場聚集態(tài)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(tài)勢認知算法79
3.4.3實驗與結(jié)果分析82
3.4.4面向作戰(zhàn)仿真系統(tǒng)的戰(zhàn)場聚集行為實時識別平臺的實現(xiàn)83
參考文獻89
第4章智能序列規(guī)劃算法92
4.1智能序列規(guī)劃概述92
4.1.1多智能體序列決策研究現(xiàn)狀92
4.1.2馬爾可夫決策理論93
4.2基本概念及作戰(zhàn)仿真系統(tǒng)智能化分析104
4.2.1基本概念104
4.2.2任務(wù)級作戰(zhàn)仿真系統(tǒng)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(guī)劃算法112
4.3.1理論基礎(chǔ)112
4.3.2蒙特卡洛Q值函數(shù)116
4.3.3QMC的收斂性證明120
4.3.4基于QMC的離線規(guī)劃算法121
4.4基于模型的多智能體在線分布式規(guī)劃算法129
4.4.1理論基礎(chǔ)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(huán)境和超參數(shù)設(shè)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(guī)劃技術(shù)169
5.1智能機動規(guī)劃技術(shù)概述169
5.1.1發(fā)展背景及意義169
5.1.2研究現(xiàn)狀172
5.2基于深度強化學習的作戰(zhàn)仿真實體決策框架179
5.2.1基本概念179
5.2.2作戰(zhàn)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(zhàn)仿真實體決策過程構(gòu)建183
5.3融合監(jiān)督學習機制的深度強化學習算法184
5.3.1相關(guān)理論184
5.3.2基于值函數(shù)的監(jiān)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(wǎng)絡(luò)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(wǎng)絡(luò)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(shù)傳遞的多智能體深度強化學習算法204
5.5.1相關(guān)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(shù)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(lián)結(jié)方案219
5.6.2作戰(zhàn)想定設(shè)計及相關(guān)參數(shù)設(shè)置220
5.6.3仿真實驗及結(jié)果分析222
參考文獻226