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後對比評估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基於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基於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基於深度學習的戰場聚集態勢認知模型63

3.3基於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基於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面向作戰仿真繫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繫統智能化分析104

4.2.1基本概念104

4.2.2任務級作戰仿真繫統智能化分析106

4.2.3仿真裝備實體的行為策略自動生成110

4.3基於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基於QMC的離線規劃算法121

4.4基於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基於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基於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基於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基於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基於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基於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

在早期的軍事活動中，人們基本通過戰爭來學習戰爭，近些年來，伴隨著人工智能、大數據和雲計算等技術的快速發展，融合新技術的智能繫統在裝備體繫論證、作戰戰法訓練、軍事對抗演習等方面取得了深度應用，並產生了深遠的影響。高新信息技術的發展，為傳統軍事領域帶來了革命性的改變，各類人工智能新型算法與軍用仿真技術的踫撞，促進軍事推演發生了質的升華——以智能推演技術為基礎的作戰仿真繫統應運而生，從此，我們能夠從“虛擬戰場”中學習戰爭，這為在未來的太空領域中發展智能化的天基軍事對抗手段提供了一種嶄新的思路。
以智能推演技術為基礎的作戰仿真繫統是以軍事應用為目的而構建的模擬仿真繫統，可對陸、海、空、天、電、網等領域的作戰要素、作戰方案及裝備性能進行分析，能夠模擬戰場環境和態勢，以實現指揮決策輔助和體繫效能評估。目前，世界各軍事大國充分認識到智能推演技術在促進軍事領域變革中的巨大作用，並且力求通過其來評估武器繫統和戰法的效能，從而提升部隊訓練的效果，其中尤以美國的智能推演仿真繫統最為先進。
美國一直將智能化與仿真列為重要的國防關鍵技術，在智能推演仿真繫統的研發方面處於世界領先地位。美國國防部於1992年制定了《國防建模與仿真倡議》，同年７月將“綜合仿真環境”列為維持美軍優勢的關鍵技術;1995年國防技術信息中心發布“建模與仿真(M&S)主計劃”，提出了建模與仿真的六大目標。2019年，美國在柯特蘭空軍基地建立了分布式任務作戰中心(DMOC)，可將美國空軍、陸軍、海軍和海軍陸戰隊資源連接起來，提供一種逼真的合成戰場環境，以開展聯合分布式訓練;除此之外，美國還在奧蘭多建有主管建模與仿真的國家仿真模擬中心(NSC)，用於連接軍方、工業部門和學術機構，並且在國際仿真模擬相關技術領域占據主導地位，其引導的“奧蘭多之隊”項目旨在聯合軍方、工業部門和學術機構為軍事仿真、智能推演和訓練決策提供技術支撐。經過數年的發展，美國已經具備了不同類型、不同層級的智能推演仿真繫統，如戰區/戰役級、任務/作戰級、工程級等仿真繫統。戰區/戰役級主要用於體繫間或部隊間的對抗推演，任務/作戰級主要用於繫統的作戰效能評估、戰術層次的仿真推演，工程級主要用於對裝備或者裝備組件進行細粒度的仿真。美軍典型的智能推演仿真繫統有擴展型防空仿真繫統EADSIM、聯合戰區級仿真繫統JTLS、聯合分析繫統JAS、聯合仿真繫統JSIMS 等。EADSIM是美軍中應用較為廣泛的任務級作戰仿真繫統，以靈活的規則集來控制平臺實體的行為，內置豐富的傳感器、通信等模型。JTLS是一個交互式的戰區級仿真繫統，最初用於軍事戰略、作戰計劃的分析，目前主要用於聯合作戰訓練和演習;JTLS包含多兵種的聯合作戰仿真，能夠進行應急計劃和聯合戰術分析、制定和評估，結構和武器繫統配置的分析，並且擁有與實際繫統的接口，能夠實現人/裝備在回路的仿真。JAS是一個戰役級作戰仿真繫統，同樣包含多兵種的聯合作戰仿真，能夠對作戰計劃的制定和執行進行評估。JSIMS是聯合戰役級作戰仿真繫統， 采用分布式技術， 能夠面向陸、海、空、天、電等多領域開展作戰仿真，同時能夠與實際的作戰繫統實現交互。美國海軍分析中心(CNA)開發了一款基於智能體的作戰仿真軟件——EINSTein，其是一個專門研究地面作戰自組織湧現行為的仿真工具。這些智能推演仿真繫統能夠利用人工智能、博弈論、對抗推演分析和戰士模擬訓練等眾多方法來幫助作戰人員衡量對手的意圖，從而對各種刺激手段做出正確的反應。
除美國之外，世界其他軍事強國或地區也非常重視智能推演技術的研究，歐洲成立了歐洲仿真特殊興趣組(ESSIG)，並組建了智能推演研究工作組，開展了並行和分布式仿真推演、仿真互操作性等基礎技術的研究，並且每年舉行軍事和民用仿真、訓練及教育論壇，吸收產業界、高校等最新的成果。俄羅斯於2018年宣布組建“時代”軍事創新科技園，開展新物理原理武器、小型航天器等先進繫統的科學研究及智能仿真模擬，研制用於開發武器、軍事和專業技術設備的人工智能技術。
我國智能推演技術已發展四十餘年，尤其早期技術的積累在近些年逐漸開花結果，軍用智能推演技術得到了飛速發展。例如，通用戰場三維可視化作戰想定態勢推演繫統，采用開放式繫統架構，能夠對戰場信息以三維的方式進行可視化。航空兵作戰對抗及輔助決策繫統面向航空兵戰術對抗模擬訓練，為航空兵開展戰術對抗模擬訓練提供支持。DWK分布式仿真平臺是一種基於組件的仿真開發繫統，能夠針對需求開發模型進行戰術、戰役級的仿真。聯合防空仿真繫統(JadSim)是面向空中進攻與防空反導作戰研究、裝備論證和模擬訓練的任務級智能推演仿真繫統，能夠對陸、海、空、天等各類作戰平臺和武器繫統進行建模，支持較大規模作戰實體參與的快速推演和大樣本仿真;上海交通大學和倫敦大學學院合作開發了一款類似於EINSTein的大規模集群智能推演仿真平臺——MAgent，能夠分析智能體的策略和大規模智能體的行為湧現，不同之處是MAgent的技術基礎是深度強化學習中最新的研究成果。
但是，盡管世界各國發展智能推演仿真繫統的勢頭如火如荼，太空應用與智能推演的結合卻仍然處於剛剛起步的階段，本書在結合遞歸神經網絡、卷積神經網絡、長短時記憶神經網絡等現階段深度學習多種算法模型的基礎上，從軌道智能預報、太空態勢呈現、聚集態勢認知、智能序列規劃、智能機動規劃五大方面，詳細闡述太空應用與智能推演結合的相關技術與算法實例，在帶領讀者認識太空智能推演發展現狀的同時，為讀者深入學習並研究太空智能推演技術提供必要的知識儲備與算法基礎。