【技术实现步骤摘要】
本申请涉及计算机模拟训练，尤其涉及一种基于神经网络辅助模拟训练场景指挥系统及其指挥方法。
技术介绍
1、在现代社会与各行各业中，决策支持系统是提升工作效率与应对复杂挑战的关键工具，旨在辅助决策者从海量数据中提取有价值的信息，进行快速、准确的决策分析。决策支持系统通过自动化处理流程、优化算法及智能推理机制，为决策者提供科学的决策依据和方案建议，从而提高决策效率与准确性。
2、在当今复杂多变的场景中，精确高效的决策支持对于提升行动效能与应对能力至关重要。传统的决策支持系统多依赖于专家的经验积累与直觉判断，这些宝贵资源虽不可或缺，但在面对海量、快速变化的场景数据时，其处理能力的局限性逐渐显现，受到主观认知偏差的影响，导致决策结果的不稳定与不确定性。
技术实现思路
1、在本申请实施例中，通过提供一种基于神经网络辅助模拟训练场景指挥系统及其指挥方法，解决了传统的决策支持系统多依赖于专家的经验积累与直觉判断，这些宝贵资源虽不可或缺，但在面对海量、快速变化的场景数据时，其处理能力的局限性逐渐显现，受到主观认知偏差的影响，导致决策结果的不稳定与不确定性的问题。
2、第一方面，本申请实施例提供了一种基于神经网络辅助模拟训练场景指挥系统，包括：数据采集模块、数据预处理模块、神经网络模块、决策支持模块和用户交互模块；所述数据采集模块被配置为整合和收集来自多种传感器和通信设备的场景环境信息，形成全面的场景数据；所述数据预处理模块被配置为对场景数据进行预处理，确保数据质量和一致性，为
3、第二方面，本申请实施例提供了一种基于神经网络辅助模拟训练场景指挥系统的指挥方法，包括在数据采集模块中执行收集信息步骤，具体包括：收集并分析双方在场景上的部署、资源分布和动态变化情况；通过气象监测与预报系统实时获取场景天气状况，并提前预测未来预设时间段内的场景天气环境；采集场景的地理环境信息。
4、在一种可能的实现方式中，包括在数据预处理模块中执行预处理步骤，具体包括：对场景数据进行筛选，以确保每一条场景数据都完整包含了数据信息和字段，并确保所有场景数据均符合预设的规范标准；将来自不同传感器的多样化场景数据转换为统一的格式；对场景数据进行去噪处理，对缺失的场景数据进行补全，确保场景数据在时间轴上的连续性和完整性；对场景数据进行降维处理，对敏感数据进行加密处理。
5、在一种可能的实现方式中，还包括：对预处理后的场景数据按照时间轴进行记录和整理。
6、在一种可能的实现方式中，包括在神经网络模块中执行预测步骤，具体包括：设计神经网络模型的网络结构；其中，所述网络结构包括输入层、隐藏层和输出层；在神经网络模型中实施增量学习策略和对抗神经网络训练；其中，所述增量学习策略基于任务类型确定；所述对抗神经网络训练包括：设置对抗训练的目标和策略，构建生成器和判别器；通过交替训练生成器和判别器，提高生成的合成数据的真实性和判别器的区分能力，利用生成的合成数据增强神经网络模型的泛化能力；使用训练数据集对神经网络模型进行多次迭代训练，监控神经网络模型性能；其中，训练数据集包括生成的合成数据；根据神经网络模型性能调整超参数；其中，所述超参数包括学习率和批处理大小；使用验证集评估神经网络模型性能，确保神经网络模型在遇到未知或新的数据时，保持准确和可靠的预测能力；使用独立的测试集对神经网络模型进行全面评估，验证其准确性和可用性；根据评估结果对神经网络模型进行优化，将优化后的神经网络模型部署到指挥系统中，实现实时场景态势的预测和决策建议。
7、在一种可能的实现方式中，当任务类型为新任务时，增量学习策略为正则化和/或回放机制；所述正则化包括：识别新任务与旧任务之间的差异，通过在损失函数中添加正则化项确保神经网络模型在学习新知识的同时不遗忘旧知识；所述回放机制包括：从旧任务的数据集中抽取样本，与新数据融合后按时间轴排序进行训练，确保神经网络模型在学习新知识的同时回顾旧知识。
8、在一种可能的实现方式中，当任务类型为旧任务时，确定发生变化的任务参数，采用参数隔离方法作为增量学习策略，所述参数隔离方法包括：将神经网络模型参数划分为多个子集，每个子集与任务类型相关联；在训练过程中，仅更新与任务类型相关的参数子集，保持其他任务类型的参数不变。
9、在一种可能的实现方式中，还包括当所采集的场景数据数量小于预设阈值时，通过半监督学习方式和自监督学习方式对神经网络模型进行训练，具体包括：将场景数据整理成数据集，将数据集分为带标签的数据集和不带标签的数据集；神经网络模型训练初期，采用半监督学习方式进行初步训练，当完成初步训练，将训练方式从半监督学习方式逐渐过渡到自监督学习方式；半监督学习方式包括：利用少量的带标签的数据和大量的无标签的数据进行神经网络模型训练，在训练过程中，逐步减少对带标签的数据的依赖；自监督学习方式包括：利用不带标签的数据集进行模型训练，并根据神经网络模型预测的结果以及决策权重，生成新的训练样本数据，用于持续优化神经网络模型；在完成对神经网络模型的训练后，通过抽样验证和新数据测试的方式，验证神经网络模型的准确性，并分析结果调整决策权重以优化神经网络模型。
10、在一种可能的实现方式中，包括在决策支持模块中执行决策步骤，具体包括：根据当前决策任务的紧急程度，选择构建决策树的方式；其中，构建决策树的方式包括字典构建方式、数据库构建方式和决策模型构建方式；将构建好的决策树集成到决策支持模块中；当接收到新的决策任务时，根据输入的场景条件和决策权重调用相应的决策树，决策树输出决策结果；对输出的决策结果进行统计分析；其中，统计分析的方式包括频率分布统计和正态分布统计，频率分布统计用于监控和微调决策树的准确性，正态分布统计用于检测决策权重的设置是否合理；在统计分析的基础上，将实际决策与决策结果进行对比，并将用户的反馈用于对决策树的监督学习和实时更新。
11、在一种可能的实现方式中，包括在用户交互模块中执行交互展示步骤，具体包括：响应于用户手动录入信息，以补充或修正采集的场景数据；利用地图作为背景，展示双方力量的位置、规模及动向；在地图上标绘出各类符号与图表，以直观展示整体的场景态势；支持用户根据实际需求调整决策权重；将决策支持模块输出的决策建议展示给用户；支持不同用户角色的设置，并根据需求分配用户角色相应的权限和功能。
12、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果：
13、本申请实施例提供了一种基于神经网络辅助模拟训练场景指挥系统，能够高效整合来自多种传感器和通信设备的海量实时数据，通过本文档来自技高网...
【技术保护点】
1.一种基于神经网络辅助模拟训练场景指挥系统，其特征在于，包括：数据采集模块、数据预处理模块、神经网络模块、决策支持模块和用户交互模块；
2.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在数据采集模块中执行收集信息步骤，具体包括：
3.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在数据预处理模块中执行预处理步骤，具体包括：
4.根据权利要求3中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，还包括：对预处理后的场景数据按照时间轴进行记录和整理。
5.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在神经网络模块中执行预测步骤，具体包括：
6.根据权利要求5中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，当任务类型为新任务时，增量学习策略为正则化和/或回放机制；
7.根据权利要求5中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，当任务
8.根据权利要求7中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，还包括当所采集的场景数据数量小于预设阈值时，通过半监督学习方式和自监督学习方式对神经网络模型进行训练，具体包括：
9.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在决策支持模块中执行决策步骤，具体包括：
10.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在用户交互模块中执行交互展示步骤，具体包括：
...【技术特征摘要】
1.一种基于神经网络辅助模拟训练场景指挥系统，其特征在于，包括：数据采集模块、数据预处理模块、神经网络模块、决策支持模块和用户交互模块；
2.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在数据采集模块中执行收集信息步骤，具体包括：
3.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在数据预处理模块中执行预处理步骤，具体包括：
4.根据权利要求3中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，还包括：对预处理后的场景数据按照时间轴进行记录和整理。
5.根据权利要求1中所述的基于神经网络辅助模拟训练场景指挥系统的指挥方法，其特征在于，包括在神经网络模块中执行预测步骤，具体包括：
6.根据权利要求5中所述的基于神经网络辅助模拟训练场景...
【专利技术属性】
技术研发人员：阴永强，何宇，高涛，
申请(专利权)人：西安羚控电子科技有限公司，
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。