基于GAN的体系能力图谱生成方法

doi:10.3969/j.issn.1001-506X.2020.10.14

系统工程与电子技术 ›› 2020, Vol. 42 ›› Issue (10): 2257-2264.doi: 10.3969/j.issn.1001-506X.2020.10.14

基于GAN的体系能力图谱生成方法

殷小静^1,^2,³(), 胡晓峰²(), 刘戎翔⁴(), 谢智歌²(), 马骏²()

1. 国防大学研究生院, 北京 100091
2. 国防大学联合作战学院, 北京 100091
3. 中国人民解放军96941部队, 北京 100085
4. 陆军防化学院, 北京 102205

收稿日期:2019-12-31 出版日期:2020-10-01 发布日期:2020-09-19
作者简介:殷小静(1988-),女,博士研究生,主要研究方向为计算机战争模拟、军事运筹。E-mail:blueskyyxj@163.com|胡晓峰(1957-),男,教授,博士研究生导师,硕士,主要研究方向为军事运筹与系统工程、战争仿真系统工程。E-mail:xfhu@vip.sina.com|刘戎翔(1991-),男,硕士,主要研究方向为运筹分析与智能决策。E-mail:450927641@qq.com|谢智歌(1984-),男,助理研究员,博士,主要研究方向为机器学习、智能博弈。E-mail:zhigexie@163.com|马骏(1987-),男,博士研究生,主要研究方向为机器学习、智能博弈。E-mail:324010114@qq.com
基金资助:
十三五装备预先研究项目(41401030303)

Generative method of SOS capability maps based on GAN

Xiaojing YIN^1,^2,³(), Xiaofeng HU²(), Rongxiang LIU⁴(), Zhige XIE²(), Jun MA²()

1. Graduate School, National Defense University, Beijing 100091, China
2. Joint Operations College, National Defense University, Beijing 100085, China
3. Unit 96941 of the PLA, Beijing 100091, China
4. Institute of NBC Defense, Beijing 102205, China

Received:2019-12-31 Online:2020-10-01 Published:2020-09-19

摘要/Abstract

摘要：

体系能力图谱是体系能力的一种可视化表现形式,是从体系视角对整体能力的刻画,是体系能力分析的一种重要方法。本文提出利用生成对抗网络的方法完成从体系特征到体系能力图谱的预测,设计合理的网络框架和损失函数,并利用体系实验床平台获取体系特征和能力图谱样本对来训练模型。所提方法相比于传统实验方法,不仅可以快速得到能力图谱,还可以根据体系的改变直接得到多维度的能力图谱,为作战提供实时辅助分析。

关键词: 体系分析, 能力图谱, 生成对抗网络, 深度学习

Abstract:

System of systems (SOS) capability map is a visual manifestation of SOS capability. It is a description of the holistic capability from the perspective of SOS. It is an important method of SOS capability analysis. Using the method of generative adversarial networks (GAN) to complete the prediction from system characteristics to system capability map is proposed. Reasonable network architecture and loss function are designed, and the model is trained by SOS feature and capability map samples obtained from the SOS testbed. Compared with the traditional experimental methods, the proposed method can not only obtain the capability map quickly, but also directly obtain the multi-dimensional capability map according to the change of the SOS, providing real-time auxiliary analysis for the operation.

Key words: system of systems (SOS) analysis, capability map, generative adversarial networks (GAN), deep learning

中图分类号:

E917

殷小静, 胡晓峰, 刘戎翔, 谢智歌, 马骏. 基于GAN的体系能力图谱生成方法[J]. 系统工程与电子技术, 2020, 42(10): 2257-2264.

Xiaojing YIN, Xiaofeng HU, Rongxiang LIU, Zhige XIE, Jun MA. Generative method of SOS capability maps based on GAN[J]. Systems Engineering and Electronics, 2020, 42(10): 2257-2264.

图/表 12

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

参考文献 22

1	胡晓峰, 杨镜宇, 司光亚, 等. 战争复杂系统仿真分析与实验[M]. 北京: 国防大学出版社, 2008.
	HU X F , YANG J Y , SI G Y , et al. War complex system modeling & simulation[M]. Beijing: National Defense University Press, 2008.
2	杨镜宇, 胡晓峰, 张昱, 等. 基于体系仿真实验的联合作战能力评估技术[J]. 指挥信息系统与技术, 2017, 8 (4): 1- 9.
	YANG J Y , HU X F , ZHANG Y , et al. Joint operation capability assessment technology based on simulation experiments for system of systems[J]. Complex Systems and Complexity Scie-nce, 2017, 8 (4): 1- 9.
3	胡润涛, 胡晓峰. 基于数据耕耘方法探索战争中的非线性[J]. 计算机仿真, 2009, 26 (2): 1- 3, 22.
	HU R T , HU X F . Exploiting the nonlinearities in warfare based data farming[J]. Computer Simulation, 2009, 26 (2): 1- 3, 22.
4	GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Gene-rative adversarial nets[C]//Proc.of the 27th International Confe-rence on Advances in Neural Information Processing Systems, 2014, 2672-2680.
5	殷小静, 胡晓峰, 杨镜宇. 面向作战体系的生成式对抗网络应用研究[J]. 火力与指挥控制, 2019, 44 (11): 11- 15.
	YIN X J , HU X F , YANG J Y . Prospect of operation SoS oriented application of generative adversarial networks[J]. Fire control & command control, 2019, 44 (11): 11- 15.
6	TAIGMAN Y, POLYAK A, WOLF L. Unsupervised cross-domain image generation[J].Computer Vision and Pattern Recognitim, 2016, arXiv:1611.02200.
7	董伟, 赵杰煜. 基于生成对抗网络的图像艺术风格迁移[J]. 宁波大学学报(理工版), 2019, 32 (5): 30- 35.
	DONG W , ZHAO J Y . Image stylization transfer using generative adversarial neural networks[J]. Journal of Ningbo University (Natural Science & Engineering), 2019, 32 (5): 30- 35.
8	XIAN W Q, SANGKLO P, AGRAWAL V, et al. TextureGAN: controlling deep image synthesis with texture patches[J]. Compu-ter Vision and Pattern Recognitim, 2018, arXiv: 1706.02823.
9	PERERA P, ABAVISANI M, PATEL V M. Unsupervised multi-image-to-image translation using generative adversarial networks[J].Computer Vision and Pattern Recognitim, 2017, arXiv: 1711.09334.
10	ISOLA P, ZHU J Y, ZHOU T H, et al. Image-to-image translation with conditional adversarial networks[J].Computer Vision and Pattern Recognitim, 2018, arXiv: 1611.07004.
11	MIRZA M, OSINDERO S. Conditional generative adversarial nets[J].Computer Science, 2014, 21(11): 2672-2680.
12	ZHU J Y, TAESUNG P, PHILLIP I, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proc.of the International Conference on Computer Vision, 2017: 2242-2251.
13	TAEKSOO K, MOONSU C, HYUNSOO K, et al. Learning to discover cross-domain relations with generative adversarial networks[C]//Proc.of the International Conference on Machine Learning, 2017.
14	YI Z L, ZHANG H, TAN P, et al. DualGAN: unsupervised dual learning for image-to-image translation[C]//Proc.of the International Conference on Computer Vision, 2017: 2868-2876.
15	DENTON E, CHINTALA S, SZLAM A, et al. Deep generative image models using a laplacian pyramid of adversarial networks[C]//Proc.of the 28th International Conference on Neural Information Processing Systems, 2015: 1486-1494.
16	GULRAJANI I, AHMED F, ARJOVSKY M, et al. Improved training of wasserstein GANs[C]//Proc.of the Advances in Neural Information Processing Systems, 2017: 5769-5779.
17	CHEN X, DUAN Y, HOUTHOOFT R, et al. InfoGAN: interpretable representation learning by information maximizing generative adversarial nets[J]. Machine Learning, 2016, arXiv: 1606.03657.
18	SALIMANS T, GOODFELLOW I, ZAREMBA W, et al. Improved techniques for training GANs[J]. Machine Learning, 2016, arXiv:1606.03498.
19	YU L T, ZHANG W N, WANG J, et al. SeqGAN: sequence generative adversarial nets with policy gradient[C]//Proc.of the 31st AAAI Conference on Artificial Intelligence, 2017: 2852-2858.
20	ODENA A , OLAH C , SHLENS J . Conditional image synthesis with auxiliary classifier GANs[J]. Computer Science, 2016, 21 (4): 445- 453.
21	胡晓峰. 战争科学论[M]. 北京: 科学出版社, 2018.
	HU X F . War science theory[M]. Beijing: Science Press, 2018.
22	王坤峰, 苟超, 段艳杰, 等. 生成式对抗网络GAN的研究进展与展望[J]. 自动化学报, 2017, 43 (3): 321- 332.
	WANG K F , GOU C , DUAN Y J , et al. Generative adversarial networks: the state of the art and beyond[J]. Acta Automatica Sinica, 2017, 43 (3): 321- 332.

[1]	韩啸, 陈世文, 陈蒙, 杨锦程. 基于互易点学习的LPI信号开集识别[J]. 系统工程与电子技术, 2022, 44(9): 2752-2759.
[2]	刘戎翔, 吴琳, 谢智歌, 刘虹麟. 基于生成对抗网络的防空体系态势辅助分析[J]. 系统工程与电子技术, 2022, 44(8): 2522-2529.
[3]	张立民, 谭凯文, 闫文君, 张聿远. 基于多级跳线残差网络的雷达辐射源识别[J]. 系统工程与电子技术, 2022, 44(7): 2148-2156.
[4]	金国栋, 薛远亮, 谭力宁, 许剑锟. 基于孪生神经网络的目标跟踪算法进展研究[J]. 系统工程与电子技术, 2022, 44(6): 1805-1822.
[5]	赵晓枫, 徐叶斌, 吴飞, 牛家辉, 蔡伟, 张志利. 基于全局感知机制的地面红外目标检测方法[J]. 系统工程与电子技术, 2022, 44(5): 1461-1467.
[6]	徐平亮, 崔亚奇, 熊伟, 熊振宇, 顾祥岐. 生成式中断航迹接续关联方法[J]. 系统工程与电子技术, 2022, 44(5): 1543-1552.
[7]	邹虹, 白陈阳, 何鹏, 崔亚平, 王汝言, 吴大鹏. 基于分布式深度学习的边缘服务放置策略[J]. 系统工程与电子技术, 2022, 44(5): 1728-1737.
[8]	曹鹏宇, 杨承志, 石礼盟, 吴宏超. 基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法[J]. 系统工程与电子技术, 2022, 44(4): 1158-1165.
[9]	陈冬, 句彦伟. 基于语义分割实现的SAR图像舰船目标检测[J]. 系统工程与电子技术, 2022, 44(4): 1195-1201.
[10]	孙晶明, 虞盛康, 孙俊. 基于深度学习的HRRP识别姿态敏感性分析[J]. 系统工程与电子技术, 2022, 44(3): 802-807.
[11]	邵凯, 朱苗苗, 王光宇. 基于生成对抗与卷积神经网络的调制识别方法[J]. 系统工程与电子技术, 2022, 44(3): 1036-1043.
[12]	姚云翔, 陈莹. 注意力机制下双模态交互融合的目标跟踪网络[J]. 系统工程与电子技术, 2022, 44(2): 410-419.
[13]	高涌荇, 王旭东, 汪玲, 朱岱寅, 郭军, 孟凡旺. 基于RCNN的双极化气象雷达天气信号检测[J]. 系统工程与电子技术, 2022, 44(11): 3380-3387.
[14]	周毅恒, 杨军, 夏赛强, 吕明久. 闪烁现象下旋翼目标微动参数估计方法[J]. 系统工程与电子技术, 2022, 44(1): 54-63.
[15]	付蓉, 黄天耀, 刘一民. 基于深度学习的捷变相参雷达1-Bit块稀疏重构[J]. 系统工程与电子技术, 2022, 44(1): 70-75.

基于GAN的体系能力图谱生成方法

Generative method of SOS capability maps based on GAN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价