【技術實現步驟摘要】
本專利技術涉及人工智能領域，具體涉及面向應急場景的態勢表征與推演方法。
技術介紹
1、態勢推演是一種決策支持技術，可應急于應急救援方案制定、軍事行動籌劃等場景。該技術通過評估潛在的未來事件及其發展狀態，進而預測這些事件對當前決策的潛在影響。這種前瞻性分析有助于決策者在面對不確定性時，制定出更為精準和有效的策略。現在多利用計算機模擬現實世界進行推演。它一般依靠專業人員理解災難場景，人工決策救援力量的部署，控制救援力量實施行動。隨著人工智能技術的發展，計算機輔助人類進行上述決策，有望解決人類疲勞時決策能力下降的問題。
2、隨著計算能力的提升和算法的優化，神經網絡技術在態勢推演決策領域的應用越來越廣泛，并取得了顯著的成效。transformer是采用自注意力機制捕捉序列中長距離依賴關系的神經網絡，不需要序列中的信息按照時間順序依次傳遞，而是堆疊一系列的自注意力層來處理整個序列，訓練速度更快，可以近乎無限制地加大神經網絡規模，在處理長序列和復雜任務時表現了出色的性能。自然語言文本是典型具有上述“長距離依賴”關系的序列，它無需標注，且互聯網中有大量文本構成的語料庫。通過語料庫訓練transformer及其變種的神經網絡，得到了所謂的預訓練語言模型。
3、當預訓練語言模型的參數尺度超過一定水平，并且經過大規模語料生成式預訓練(pre-train)和指令精調(instruction?tuning)后，涌現出跟隨指令(instructionfollowing)、上下文理解(in-context)、思維鏈步步推理(step
技術實現思路
1、為了能夠解決現有大語言模型在態勢表征與推演方面由于語言的模糊性和多義性導致模型難以準確理解和解釋現實世界中的復雜態勢的問題，本專利技術提供一種面向應急場景的態勢表征與推演方法，通過采用地圖、救援人員目的及行動和被救援人員信息編碼態勢，不同時間段的態勢信息形成態勢token序列，利用transform建模態勢token序列間的復雜關系，并采用復盤數據形成token序列的自標注，能準確理解和解釋現實世界中的復雜態勢。
2、第一方面，本專利技術提供的一種面向應急場景的態勢表征與推演方法，包括：
3、步驟s1：將目標場景的多維度態勢歷史信息進行態勢表征編碼，得到token序列；其中所述多維度態勢歷史信息包括地圖信息、救援人員信息和被救援人員信息；所述token序列包含按照時間順序排列的多個token；
4、步驟s2：構建態勢推演模型，所述態勢推演模型包括嵌入編碼模塊、transformer模塊和解碼模塊；其中，所述嵌入編碼模塊用于分別對多個所述token進行嵌入編碼，生成對應的向量序列；所述transformer模塊用于提取所述向量序列中多個向量之間的依賴性關系，生成隱向量序列；所述解碼模塊根據隱向量序列對應的token序列對隱向量序列進行解碼，得到態勢推演結果；
5、步驟s3：對所述態勢推演模型進行訓練；
6、步驟s4：將待預測的token序列送入訓練好的態勢推演模型中，得到目標場景的態勢推演結果。
7、進一步地，步驟s1具體包括：將多維度態勢歷史信息所在的整個時間范圍按照救援人員和被救援人員數量是否發生改變劃分為多個時間段，將各個時間段內的多維度態勢歷史信息按照預設編碼規則進行態勢表征編碼，生成每個時間段對應的token；其中，所述預設編碼規則包括：
8、步驟s101：對地圖信息進行編碼，生成地圖信息矩陣，所述地圖信息矩陣用于指示地圖高程數據、遮蔽地和影響機動速度的地形因素；
9、步驟s102：對救援人員信息進行編碼，生成救援人員目的矩陣以及各個救援類型人員的救援人員信息矩陣，所述救援人員信息矩陣包括：多個屬性信息下的第一救援人員信息矩陣和第二救援人員信息矩陣；
10、其中，第一救援人員信息矩陣表示救援人員整個單位時間段的屬性信息，所述第二救援人員信息矩陣表示救援人員單位時間段內最后一個時刻所在位置的屬性信息；
11、步驟s103：對被救援人員信息進行編碼，生成被救援人員信息矩陣，包括：多個屬性信息下的第一被救援人員信息矩陣和第二被救援人員信息矩陣；
12、其中，所述被救援人員信息第一矩陣表示最近觀察到的被救援人員位置及其屬性信息，所述第二被救援人員信息矩陣表示推測的被救援人員的位置及屬性信息。
13、進一步地，所述屬性信息包括行動位置、消耗品數量和體力。
14、進一步地，所述嵌入編碼模塊包括多個卷積層與池化下采樣層的組合以及flatten處理層；所述嵌入模塊對所述token序列中的多個token進行并行化處理。
15、進一步地，每個token進行嵌入編碼的過程具體包括：
16、先通過多個卷積采樣塊進行語義提取和降維處理，生成語義特征圖；其中，所述卷積采樣塊包括依次連接的卷積層和池化下采樣層；
17、通過flatten處理層對所述語義特征圖進行拉平處理，得到向量。
18、進一步地，所述transformer模塊的處理流程包括：
19、將所述嵌入編碼模塊輸出的所述向量序列中的每個向量進行位置編碼；
20、將進行位置編碼后的向量序列送入transformer塊對序列的依賴性捕獲，生成隱向量序列；
21、其中，所述transformer塊包括殘差連接的多頭自注意力層和全連接層；其中每個子層輸出后都連接一個層歸一化。
22、進一步地，所述解碼模塊根據隱向量序列對應的token序列對隱向量序列進行解碼，得到態勢推演結果，具體包括：
23、針對token中所包含的每個救援類型，將該救援類型下的可行動救援人員數量作為該救援類型的解碼次數；
24、對token中所包含的所有救援類型以及每個救援類型下的所有可行動救援人員均按照并行解碼方式進行解碼。
25、進一步地，每個救援類型下的每個可行動救援人員的解碼過程具體包括：
26、將所述隱向量序列中的隱向量按拉平的逆過程重新排列，生成第一特征映射圖；
27、先從token中取出當前救援類型下的第二體力矩陣，指定目標可行動救援人員，保留所述第二體力矩陣上目標可行動救援人員對應位置的體力值，其余體力值置零，得到新的第二體力矩陣并重新放回到token中；再對token進行多次卷積和下采樣處理，生成第二特征映射圖；其中，所述第二體力矩陣是指體力屬性下的第二救援人員信息矩陣；
28、將所述第一特征映射圖與所述第二特征映射本文檔來自技高網...
【技術保護點】
1.一種面向應急場景的態勢表征與推演方法，其特征在于，包括：
2.根據權利要求1所述的面向應急場景的態勢表征與推演方法，其特征在于，步驟S1具體包括：將多維度態勢歷史信息所在的整個時間范圍按照救援人員和被救援人員數量是否發生改變劃分為多個時間段，將各個時間段內的多維度態勢歷史信息按照預設編碼規則進行態勢表征編碼，生成每個時間段對應的Token；其中，所述預設編碼規則包括：
3.根據權利要求2所述的面向應急場景的態勢表征與推演方法，其特征在于，所述屬性信息包括行動位置、消耗品數量和體力。
4.根據權利要求1所述的面向應急場景的態勢表征與推演方法，其特征在于，所述嵌入編碼模塊包括多個卷積層與池化下采樣層的組合以及Flatten處理層；所述嵌入模塊對所述Token序列中的多個Token進行并行化處理。
5.根據權利要求4所述的面向應急場景的態勢表征與推演方法，其特征在于，每個Token進行嵌入編碼的過程具體包括：
6.根據權利要求1所述的面向應急場景的態勢表征與推演方法，其特征在于，所述Transformer模塊的處理流程包括
7.根據權利要求3所述的面向應急場景的態勢表征與推演方法，其特征在于，所述解碼模塊根據隱向量序列對應的Token序列對隱向量序列進行解碼，得到態勢推演結果，具體包括：
8.根據權利要求7所述的面向應急場景的態勢表征與推演方法，其特征在于，每個救援類型下的每個可行動救援人員的解碼過程具體包括：
9.根據權利要求1所述的面向應急場景的態勢表征與推演方法，其特征在于，所述步驟S3具體包括：將所述Token序列和當前Token序列的累積回報量作為離線數據集，采用離線強化學習對所述態勢推演模型進行訓練；其中，所述累積回報量通過救援人員完成救援作業得分、未離場的救援人員分值和消耗物資分值計算。
10.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-9任一項所述的面向應急場景的態勢表征與推演方法。
...【技術特征摘要】
1.一種面向應急場景的態勢表征與推演方法，其特征在于，包括：
2.根據權利要求1所述的面向應急場景的態勢表征與推演方法，其特征在于，步驟s1具體包括：將多維度態勢歷史信息所在的整個時間范圍按照救援人員和被救援人員數量是否發生改變劃分為多個時間段，將各個時間段內的多維度態勢歷史信息按照預設編碼規則進行態勢表征編碼，生成每個時間段對應的token；其中，所述預設編碼規則包括：
3.根據權利要求2所述的面向應急場景的態勢表征與推演方法，其特征在于，所述屬性信息包括行動位置、消耗品數量和體力。
4.根據權利要求1所述的面向應急場景的態勢表征與推演方法，其特征在于，所述嵌入編碼模塊包括多個卷積層與池化下采樣層的組合以及flatten處理層；所述嵌入模塊對所述token序列中的多個token進行并行化處理。
5.根據權利要求4所述的面向應急場景的態勢表征與推演方法，其特征在于，每個token進行嵌入編碼的過程具體包括：
6.根據權利要求1所述的面向應急場景...
【專利技術屬性】
技術研發人員：孫怡峰，廖樹范，桑偉泉，張暢，李炳龍，吳疆，汪永偉，葛辛，付春輝，郭祎哲，
申請(專利權)人：中國人民解放軍網絡空間部隊信息工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。