【技术实现步骤摘要】
本专利技术涉及人工智能在作战仿真推演领域的应用，特别是一种基于大语言模型的作战仿真想定智能生成方法。
技术介绍
1、当前，军事作战中广泛采用作战仿真系统来制定作战计划、进行战术演练及战况评估。传统的作战仿真想定生成主要依赖仿真技术人员根据作战指挥人员进行撰写的作战想定文档，基于仿真推演平台进行作战仿真想定编辑与建模，耗时较长且容易出错。虽然有研究尝试利用规则模板或专家知识自动化生成部分作战仿真想定数据，但这种方法难以应对复杂的作战场景和变化多端的战术需求，且难以保证生成的想定数据的完整性和一致性。
2、同时，随着人工智能技术的发展，大语言模型在自然语言处理领域的表现日益出色，能够理解和生成高质量文本。然而，直接应用于作战仿真想定生成时，由于对作战想定文档规范、装备模型和战术知识理解不足，生成结果往往不够准确或难以满足实际需求。因此，如何利用大语言模型的强大力量，结合专业知识，自动生成符合规范、贴近实战的作战仿真想定，是当前亟待解决的问题。
技术实现思路
1、本专利技术解决的技术问题是：克服现有技术的不足，提供了一种基于大语言模型的作战仿真想定智能生成方法，利用大语言模型高效、准确地生成符合仿真推演平台要求的规范化作战仿真想定数据。
2、本专利技术的技术解决方案是：一种基于大语言模型的作战仿真想定智能生成方法，包括如下步骤：
3、s1、利用作战仿真想定训练样本，对大语言模型进行低秩微调训练；
4、s2、利用训练后的大语言模型，将作战想定
5、s3、将所述细化作战想定文档进行结构拆分，生成多个文字段落；所述文字段落包括标题和相应段落文本；
6、s4、利用各文字段落的标题和相应段落文本进行检索，获取各文字段落相应的想定数据模板；将各文字段落和相应的想定数据模板，输入训练后的大语言模型，得到作战仿真想定数据片段；
7、s5、按照仿真推演平台的想定数据要求，合并作战仿真想定数据片段，形成完整的作战仿真想定数据，并推送至仿真推演平台进行展示或执行推演。
8、进一步，还包括s6、利用作战仿真想定数据，通过训练后的大语言模型，自动生成对应的作战想定简报。
9、进一步，所述步骤s1中，使用的作战仿真想定训练样本的数据格式为输入-输出对，包括三种类型的数据：输入包括作战想定文档段落，输出为相应的层级标题和细化内容；输入包括细化作战想定文档段落和相应的想定数据模板，输出为相应的作战仿真想定数据片段；输入包括仿真想定数据片段，输出为相应的作战想定简报。
10、进一步，作战仿真想定训练样本数据集大小50000～60000对；学习率为1e-5；批处理大小：4～8；训练轮数：3～5；权重衰减：0.01。
11、进一步，所述步骤s2中，通过输入指令引导大语言模型对作战想定文档进行细化，具体步骤包括：
12、将作战想定文档进行段落划分，分别输入训练后的大语言模型；
13、同时输入指令，引导训练后的大语言模型从指定的标题列表中，识别出该段落的所属标题，并对该段落内容进行细化；
14、将细化后的段落内容按指定的标题列表中各标题目录顺序归类、合并，即形成符合规范化格式的细化作战想定文档。
15、进一步，所述步骤s3中，对符合预设规范化格式的细化作战想定文档，按照按指定的标题列表中各标题逐级进行结构拆分。
16、进一步，所述步骤s4中，想定数据模板包括文字段落的标题对应的数据格式模板和段落文本内容所关联的模型知识内容；数据格式模板用于对生成的作战仿真想定数据进行格式约束，包括一个标题和与该标题所属内容对应的数据格式要求；模型知识内容包括仿真推演平台具备的装备模型、行为模型、环境模型、兵力树、指挥层级的知识内容。
17、进一步，所述步骤s4中，利用各文字段落的标题和相应段落文本进行检索，获取各文字段落相应的想定数据模板，具体步骤包括：
18、采用文字段落的标题作为检索词，对数据库中数据格式模板的标题进行检索；取向量相似度大于预设值的模板标题，将其对应的数据格式要求作为数据格式模板；如果没有向量相似度大于预设值的标题则丢弃这一文字段落并打印在日志中；
19、采用文字段落的相应段落文本作为检索内容，对模型知识库中的知识内容进行检索；按照向量相似度对关联的知识内容降序排列，根据需要选择靠前的多个知识内容作为模型知识内容；
20、合并得到的数据格式模板及对应的模型知识内容，形成各文字段落相应的想定数据模板。
21、进一步，所述步骤s5中，对作战仿真想定数据片段进行有效性进行验证，如果验证有效，则可用于合并形成完整的作战仿真想定数据，如果验证无效，则将该片段对应的文字段落和相应的想定数据模板，重新输入训练后的大语言模型，生成新的作战仿真想定数据片段，若累计多次验证无效，则丢弃这一数据片段并打印在日志中。
22、进一步，所述步骤s6中，利用作战仿真想定数据，通过训练后的大语言模型，自动生成对应的作战想定简报，具体步骤包括：
23、基于指定的标题列表，对作战仿真想定数据基于键名称进行拆分；
24、将拆分后的作战仿真想定数据逐一输入训练后的大语言模型，得到相应的作战想定文档段落；
25、将生成的所有作战想定文档段落进行合并，得到作战想定简报。
26、本专利技术与现有技术相比的优点在于：
27、(1)本专利技术通过大语言模型与专业知识库相结合的方式，实现了作战仿真想定从文本描述到规范数据的高效转换。相比传统方法，本专利技术减少了人工操作的时间和出错概率，提高了生成的作战想定数据的一致性和完整性。结合背景知识和数据模板，模型能够适应复杂的战术需求，生成的数据具有更高的准确性和完整性，增强了对现有自动化方法的不足之处的补充。实现了自动化、智能化的作战想定生成，有助于提升任务决策质量和效率。
28、(2)本方法采用低秩微调对大语言模型进行优化，提高了模型在作战仿真想定领域的适应性。通过使用三种不同类型的训练样本(作战想定文档段落及指令、仿真想定数据片段及指令、方向性作战想定文档段落及指令)，使得模型能够理解并转换不同类型的想定信息，克服了传统方法在生成作战想定时可能存在的泛化能力不足、描述不准确等问题，处理不同阶段的想定数据时更加灵活和精确。
29、(3)通过适用于作战仿真想定的指令，引导大语言模型进行细化，使得生成的作战想定描述符合规范化要求，不仅提高了想定文档的质量，还便于后续的内容检索及生成。
30、(4)在规范化的文档中进行适当层级拆分，有助于大语言模型对作战想定的理解与相应知识的检索，分别通过标题和段落文字检索对应的数据模板、模型及知识数据，结合文档描述生成仿真想定片段。这种方法确保了数据的完备性，并利用大语言模型的优势进行想定内容的丰富和细节补充。
31、(5)针对输入的作战本文档来自技高网...
【技术保护点】
1.一种基于大语言模型的作战仿真想定智能生成方法，其特征在于：
2.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：还包括S6、利用作战仿真想定数据，通过训练后的大语言模型，自动生成对应的作战想定简报。
3.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S1中，使用的作战仿真想定训练样本的数据格式为输入-输出对，包括三种类型的数据：输入包括作战想定文档段落，输出为相应的层级标题和细化内容；输入包括细化作战想定文档段落和相应的想定数据模板，输出为相应的作战仿真想定数据片段；输入包括仿真想定数据片段，输出为相应的作战想定简报。
4.根据权利要求3所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：作战仿真想定训练样本数据集大小50000～60000对；学习率为1e-5；批处理大小：4～8；训练轮数：3～5；权重衰减：0.01。
5.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S2中，通过输入指令引导大语言模型对作战想定文档进行细化
6.根据权利要求5所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S3中，对符合预设规范化格式的细化作战想定文档，按照按指定的标题列表中各标题逐级进行结构拆分。
7.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S4中，想定数据模板包括文字段落的标题对应的数据格式模板和段落文本内容所关联的模型知识内容；数据格式模板用于对生成的作战仿真想定数据进行格式约束，包括一个标题和与该标题所属内容对应的数据格式要求；模型知识内容包括仿真推演平台具备的装备模型、行为模型、环境模型、兵力树、指挥层级的知识内容。
8.根据权利要求7所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S4中，利用各文字段落的标题和相应段落文本进行检索，获取各文字段落相应的想定数据模板，具体步骤包括：
9.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S5中，对作战仿真想定数据片段进行有效性进行验证，如果验证有效，则可用于合并形成完整的作战仿真想定数据，如果验证无效，则将该片段对应的文字段落和相应的想定数据模板，重新输入训练后的大语言模型，生成新的作战仿真想定数据片段，若累计多次验证无效，则丢弃这一数据片段并打印在日志中。
10.根据权利要求2所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤S6中，利用作战仿真想定数据，通过训练后的大语言模型，自动生成对应的作战想定简报，具体步骤包括：
...【技术特征摘要】
1.一种基于大语言模型的作战仿真想定智能生成方法，其特征在于：
2.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：还包括s6、利用作战仿真想定数据，通过训练后的大语言模型，自动生成对应的作战想定简报。
3.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤s1中，使用的作战仿真想定训练样本的数据格式为输入-输出对，包括三种类型的数据：输入包括作战想定文档段落，输出为相应的层级标题和细化内容；输入包括细化作战想定文档段落和相应的想定数据模板，输出为相应的作战仿真想定数据片段；输入包括仿真想定数据片段，输出为相应的作战想定简报。
4.根据权利要求3所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：作战仿真想定训练样本数据集大小50000～60000对；学习率为1e-5；批处理大小：4～8；训练轮数：3～5；权重衰减：0.01。
5.根据权利要求1所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤s2中，通过输入指令引导大语言模型对作战想定文档进行细化，具体步骤包括：
6.根据权利要求5所述的基于大语言模型的作战仿真想定智能生成方法，其特征在于：所述步骤s3中，对符合预设规范化格式的细化作战想定文档，按照按指定的标题列表中各标...
【专利技术属性】
技术研发人员：肖楠，李雪巍，张博，黎雨楠，付杰，王然，李丹敏，张研，
申请(专利权)人：中国航天系统科学与工程研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。