亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本綜述旨在介紹統計和統計分析在軍事搜索探測技術評估和報告中的應用。目標受眾是參與軍事搜索能力開發的人員，他們以前可能沒有接受過統計分析方面的培訓，但其他需要做出以證據為基礎的能力開發決策的人員也可能會發現一些介紹性概念是適用的。本介紹旨在利用軍事搜索中使用的技術的技術評估中常見的例子，讓讀者熟悉統計分析的基本概念和語言，因此敘述直接指向具體的討論和概念，而繞過了在學術性更強的綜述中會考慮到的大型重要數學主題。因此，本導論并不力求詳盡，而是為感興趣的讀者提供參考，介紹業界使用的通用語言和概念，并就如何以合理的統計方式報告結果以及解釋他人提供的結果提出建議。

雖然承擔能力開發任務的軍事人員往往擁有多年的經驗和作戰洞察力，但并非所有人都接受過足夠的科學或技術培訓，使他們能夠在整個能力發展過程中從容應對要求他們進行的顯性或隱性風險效益評估中的統計和概率方面的問題。作為技術評估工作的一部分，他們需要將軍事要求轉化為技術要求，確定并分離出相關的物理參數進行測試，設計并執行實驗試驗，進行分析并解釋數據，最終做出以證據為基礎的能力發展決策，這些決策將在未來數年內影響國家能力。這可不是一項小任務。

面對預算和資源有限的壓力，同時又要負責以同樣不斷變化和改進的各種戰備等級的成套技術來應對快速發展的威脅，我們有強烈的動機來確保用于評估軍事技術有效性和局限性的資源能夠產生足夠高質量的證據，為投資和能力發展決策提供可靠的依據。此外，通過開發和應用完善的科學和統計方法，技術評估所投入的努力也能為更廣泛的盟軍能力發展社區提供支持。為確保分析的科學性、客觀性和統計有效性而付出的更多努力，將增加合作伙伴之間的信任，從而使報告的結果可以被有信心地接受，從而限制多余的工作，利用國家投資，促進相互依賴和互操作性的目標。

認知雷達能持續感知環境、與環境互動并從中學習。這種范例可應用于多功能雷達（MFR），后者可執行多種功能，如監視、跟蹤和通信等。為了執行這些任務，雷達資源管理（RRM）模塊將可用資源分配給這些功能，同時考慮任務參數，包括優先級。本報告介紹的工作重點是時間窗口內的任務調度問題。對于時間資源而言，RRM 尤其具有挑戰性，因為 1) 任務要求可能極為不同，具有多個優先級類別；2) 調度策略應能適應動態環境。適應非穩態環境是認知雷達的一個關鍵優勢。

本報告中介紹的第一項工作旨在應對這兩項挑戰，首先是為任務參數的分布制定一個相當通用的模型，具體包括任務優先級和延遲容忍度；其次是在深度強化學習（DRL）框架內應用遷移學習（TL），以適應不同的環境。這種方法的基礎是在深度神經網絡（DNN）的輔助下使用蒙特卡洛樹搜索（MCTS）。我們表明，TL 可以將在初始參數分布（環境）上訓練所學到的策略轉移到新分布所需的策略上，從而加速訓練。我們表明，基于 TL 的方法可適應環境的快速或漸進變化。結果表明了所實現的魯棒性和計算增益。

基于遷移的工作面臨的一個重要挑戰是對環境知識的假設，而在實際場景中，環境知識很可能是未知的。認知雷達的任務調度算法應能適應各種環境，而無需了解環境的基本動態。這就促使我們考慮基于模型的 DRL，即學習環境動態模型，并通過所學模型進行規劃來執行任務調度。該方法將 MCTS 與學習的神經網絡模型相結合，后者包括一個表示網絡、一個動態網絡和一個預測網絡。這些網絡的參數通過梯度下降法更新，在訓練過程中使用自我播放機制生成的數據。結果表明，所提出的方法可以在不了解環境動態的情況下，從自我游戲數據中學會自行安排任務，同時提供接近最優的結果。

合成孔徑雷達（SAR）圖像中基于人類的目標檢測是復雜的、技術性的、費力的、緩慢的，但時間很關鍵，是機器學習（ML）的完美應用。訓練一個用于目標檢測的ML網絡需要非常大的圖像數據集，這些數據集中嵌入了準確和精確標記的目標。不幸的是，不存在這樣的SAR數據集。因此，本文提出一種方法，通過結合兩個現有的數據集來合成寬視場（FOV）SAR圖像： SAMPLE，由真實和合成的單物體芯片組成，以及MSTAR雜波，由真實的寬視場SAR圖像組成。合成目標使用基于閾值的分割從SAMPLE中提取，然后再與MSTAR雜波中的斑塊進行α-混合。為了驗證新的合成方法，使用一個簡單的卷積神經網絡（CNN）創建了單個物體芯片并進行了分類；針對測量的SAMPLE子集進行測試。還開發了一種新穎的技術來研究深層的訓練活動。擬議的數據增強技術使測量的SAR圖像分類的準確性增加了17%。這一改進表明，來自分割和混合的任何殘余偽影都不會對ML產生負面影響，這對于未來在廣域SAR合成中的使用是很有希望的。

"在MSTAR數據收集期間拍攝的M1的EO圖像（a，c）和同一車輛的真實CAD模型（b，d）從兩個角度進行了比較。請注意，即使是小的細節，如火炮的位置、艙門和車輛側面的電纜，在兩張圖像之間也很一致。提供CAD模型的顏色是為了識別零件組裝，并不表示任何影響電磁模擬的具體屬性" [10]。

"SAMPLE數據集中每個飛行器的一個圖像的例子。測量的MSTAR圖像在最上面一行，相應的合成圖像在最下面一行....，我們看到諸如陰影、方向和相對回波幅度等細節都很一致"[10]。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

無源雷達（PR）是加強公共安全和國防有前途的新興技術，可以作為保護關鍵基礎設施和邊界的補充解決方案。本文介紹了一個基于獨立PR節點的傳感器網絡，用于監測沿海邊界的情況。通過完整的覆蓋率分析，研究了部署PR傳感器網絡進行邊境監控的可行性。電磁仿真器被用來包括特定的雷達場景特征和空中和海上軍事目標的雙態雷達截面建模。仿真結果與選定的沿海場景中的真實雷達數據進行了驗證。對不同的目標進行了探測和跟蹤：合作的DJI Phantom 3無人機、船舶和降落在羅塔軍事機場的飛機。結果證實了基于DVB-T的PRs在監測邊境沿海場景方面的可行性。

視覺分析是一門通過交互式視覺界面促進分析推理的科學。北約科技組織調查、研究并促進可視化分析方面的合作--促進知識提取和數據分析，以便及時理解態勢并作出有效決策。因此，本報告目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知；4）支持廣泛的國防領域的知情決策，包括網絡、海事、基因組學和社交媒體領域，以及仿真數據的后期分析和現場可視化。

報告簡介

1 背景

信息優勢是軍事優勢的關鍵因素之一；利用來自多個來源的所有相關信息是北約信息優勢的一個關鍵因素。可視化和可視化分析研究對于滿足2015年北約在信息分析（IA）和決策支持（DS）方面的重點目標的需求至關重要：關于決策支持的IA&DS-1和關于大數據和長數據處理與分析的IA&DS-2。

視覺分析（VA）是一門通過交互式視覺界面促進分析推理的科學[1]。VA有三個主要組成部分，即交互式可視化、分析性推理和計算性分析[2]。在專家組所考慮的VA背景下：

• 可視化關注的是使用數據的交互式視覺表現來放大認知[3]。
• 分析推理和計算分析的工作是支持數據探索、分析和理解。

2 目標

北約研究任務組（RTG）探索性視覺分析調查、研究和促進了知識提取/發現和數據分析方面的合作，以便及時了解情況，支持有效決策。該小組探索了可視化如何有效地傳達信息：利用人類的感知和增強人類的認知，即把可視化和用戶的心理模型結合起來（見第2章和[4]）。因此，目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據集，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知，以及4）支持廣泛的不同國防領域的知情決策，如海事、社交媒體、基因組學和網絡領域，以及模擬數據的后期分析和現場可視化。

3 本報告的目的

本技術報告的目的是討論研究小組進行的研究、開發和應用探索性視覺分析的工作，這些數據集涉及到

• 簡易爆炸裝置資源（NATO C-IED COE）。
• 社交媒體；以及
• 網絡和海事及情報行動。

這項工作證明了探索性視覺分析在檢測、監測、分析和理解大型復雜數據集（即大數據）方面的有效性，以提高對態勢的認識和決策支持。

本報告還將討論該小組在以下方面的工作：

• 1）可視化和視覺分析技術的研究和開發。

• 2）提高對研究小組工作的認識。

  • 通過在著名的國際會議上發表論文，如IEEE VIS；以及

  • 為北約的兩個系列講座（IST-143和IST-170）作出貢獻。

• 3）促進視覺分析和可視化技術在北約國防和安全領域及其他領域的開發和應用。

• 4）拓寬對可視化和可視化分析的理解和探索的視野。

• 5）利用新想法的產生。

• 6）通過以下方式發展北約小組間/組內合作。

  • 組織（并在其中介紹小組的工作）一次北約專家聯合小組會議（IST-HFM-154：網絡符號學）和一次北約小組間/組間研討會（IST-178：大數據挑戰--情況意識和決策支持）。

  • 參加其他國家組織的北約活動；以及

  • 與來自不同小組的許多RTG組織聯合會議。

4 本報告結構

報告中的各章總結了在這個RTG過程中進行的工作。

第2章討論了視覺分析的人因考慮。它首先定義了人為因素，并描述了人為因素/以用戶為中心的設計過程。它討論了一些關于設計過程的常見迷思，供設計者注意和避免。視覺分析系統的用戶很多，也很多樣化，所以了解任何項目的用戶對于確保輸出產品的有用性和可用性是最重要的。本章提供了關于如何最佳地顯示信息的標準、指南、啟發式方法和最佳實踐的參考資料。本章還包括討論和數字，描述了對特定數據集使用立體三維可視化的優勢。最后，有一節是關于如何評估可視化的有用性和可用性。包括情況意識和工作負荷指標的資源。

第3章討論了海事領域的信息可視化和視覺分析。

第4章和第5章關注社會媒體數據和模擬數據。

第6章討論了可視化分析和深度學習之間的相互作用。

第7章討論了網絡態勢感知和網絡符號學。

第8章和第9章探討了視覺分析和可視化在北約數據中的應用，如：

• 簡易爆炸裝置（NATO C-IED COE）；和
• 北約HFM-259數據。

這兩章討論了基于網絡訪問這些數據集的發展和由此產生的設計原則，這些數據集的用戶范圍很廣，從普通公眾到研究人員和政策制定者，即來自不同背景、具有不同專業水平和知識的人。對簡易爆炸裝置數據的分析采用了互動式講故事的方法來吸引普通公眾，而HFM-259數據的視覺分析/可視化也適合公眾參與。

第10章得出了結論并提出了建議。

海事領域的信息可視化和視覺分析

• 船舶交通監測與探索性分析的交互式可視化：文獻中提出的方法研究了海洋數據的可視化，以便交互式地探索它們的空間分布和時間演變，或者通過結合聚合和過濾能力促進它們的比較。以地圖為基礎的可視化占主導地位，偶爾也會以數據匯總的統計圖為補充。最近，基于圖形的海洋數據可視化也出現了。基于圖形的可視化可以將匯總統計與交通動態的可視化相結合。

• 海事模式檢測的可視化分析：視覺分析，將有效的海事數據可視化與數據分析相結合，有多種應用。文獻中討論的用途之一是運動模式搜索和匹配，與數據過濾相結合，能夠減少數據泛濫，幫助用戶關注相關的數據特征。這種方法根據經驗來定義運動模式，例如使用基于函數的定義或規則。運動模式也可以從數據中提取，例如使用數據聚類、聚合和過濾技術。地理特征被利用來支持模式的定義和可視化。不同的聚合技術可以被結合起來，有時還可以使用語義學，以支持數據探索。其他工作專門解決異常或不一致的模式檢測。例如，密切接觸的檢測或預測被應用于海上安全，用于船舶碰撞的識別和預防。

• 海事模式和移動性的三維可視化：很少有作品在海洋領域利用三維可視化，因為由此產生的可視化的復雜性增加，會對用戶體驗產生負面影響。領域無關的三維可視化被用來支持單一船只動力學參數的比較。時空立方體可視化對海洋事件的分析是有效的，因為它使空間和時間特征的當代可視化。在培訓中使用的沉浸式虛擬現實模型，可能比二維地圖更有效地支持用戶（和船只）的定向行動。

探索性媒體分析

網絡媒體是影響輿論以及反映輿論的最重要工具之一。這份報告分析了BBC、RussiaToday、DayKiev和delfi.lt（立陶宛的主要新聞門戶網站）對烏克蘭沖突動態的反映。采用了兩種不同的分析方法：共同發生網絡分析來反映沖突期間四個不同媒體渠道的語言變化，以及基于情感的故事情節（syuzhet）分析來監測BBC從2013年到2014年的情感變化。將沖突分為三個階段：開始（2013/11/21-2014/01/15）、升級（2014/01/16-2014/02/17）和占領克里米亞（2014/02/18-2014/02/28）。這些方法可以對媒體中的沖突動態進行可視化分析。從人工智能（AI）、自然語言處理（NLP）和大數據的可視化技術的應用中，可以更好地了解對沖突動態的看法和公眾對特定主題的情緒，以及信息分析的自動化。此外，其他類型的類似應用也是可能的。

仿真數據的可視化探索

仿真被廣泛用作生產前測試系統的一種安全且通常具有成本效益的手段，并作為一種估計其他無法訪問的系統的預期行為的方法。仿真的共同點是隨著時間的推移而發生的事件鏈，導致由仿真算法決定的結果。本章將詳細闡述使用可視化來分析仿真條件和結果，以及如何應用可視化分析（VA）來更好地理解高級仿真算法的內部生活。

有大量不同的工具用于仿真數據的可視化分析；然而，現有工具的適用性高度依賴于被分析的數據及其背景。通用的可視化軟件包并不總是能夠滿足人們的需求。通用的可視化軟件包并不總是容易被有效地用于特定領域的任務。如果沒有資源花在定制軟件上，最好的辦法是將不同的軟件組合成一個工具箱，共同滿足可視化需求。有時，尋找合適的工具必須延伸到自己的領域之外。本報告介紹了適用于批量仿真數據分析的一系列工具：時間線圖(TLG)、可視化工具箱（VTK）和ParaView、VisIt。

探索深度學習

視覺分析（VA）技術可以應用于增強與三個目標有關的深度學習方法：1）了解深度神經網絡的內部運作；2）解釋DL的結果；以及3）利用VA和DL之間的協同作用。

在VA和DL技術的交叉點上的應用如何能夠更好地理解深度神經網絡及其結果，并實現強大的應用。將VA與AI相結合的方法將成為未來國防和安全系統的關鍵驅動力，這些系統具有日益增長的任務復雜性所要求的高級處理能力，但人們不能盲目相信AI的預測而采取行動。

網絡態勢感知

網絡SA與人類的認知過程和數據處理有關。在復雜和動態的網絡環境中，通過敏銳的態勢感知，人類決策的質量和速度可以大大提高。初步評估發現，以用戶為中心的SA方法提供了分析、檢測、發現和識別模式、異常、違規和威脅以及相關事件的有效方法。這些可視化適用于提供關于網絡組件性能的詳細信息。另一方面，生態接口設計（EID）方法提供了有效的可視化，以指導用戶理解網絡應該如何運行，以及這些網絡實際如何運行;因此，分析人員可以很容易地看到網絡的運行層面，即整體態勢。這兩種方法在提供有關網絡情況的不同方面的認識和信息方面相輔相成。網絡符號有可能實現網絡態勢的可視化，盡管目前還沒有明確的方法或解決方案可以最好地實現這一點。

探索性視覺分析法分析簡易爆炸裝置事件

收集和分析有關事件的數據集可以幫助分析人員得出活動水平評估，進行趨勢分析，并對他們所監測的問題有更深入的了解。為了更好地了解簡易爆炸裝置（IED）攻擊的動態，并支持反簡易爆炸裝置（C-IED）的工作，本報告決定采用一種帶有敘事元素的探索性視覺分析方法。分析有關事件的數據集可以幫助得出活動水平評估，進行趨勢分析，并獲得更好的情況意識。探索性視覺分析的目的是讓用戶探索數據集，發現有趣的模式和見解。一些可視化分析工具提供了復雜的互動，可能會讓新用戶感到恐懼。敘事技術可以幫助新用戶開始使用一個新的交互式可視化應用程序，以了解數據集包含什么，以及如何利用探索性視覺分析工具的能力來對數據集進行新的分析。使用探索性視覺分析工具可以在北約反簡易爆炸裝置卓越中心（NATO C-IED COE）制作的烏克蘭簡易爆炸裝置事件數據集中發現有趣的模式，通過應用敘事技術作為交互式可視化工具的一部分將這些見解傳達給用戶。一旦用戶開始探索所提供的見解，他們會被邀請繼續探索，允許他們從數據中獲得更多發現。

在這項工作中，我們解決了雷達波形優化和目標跟蹤的問題。提出了一種基于控制論方法的優化波形設計和目標跟蹤算法，其中波形參數是通過最小化跟蹤均方誤差（MSE）而自適應設計的。在這項工作中，采取了幾種方法來提高雷達跟蹤性能。首先，卡爾曼濾波器被用來估計目標位置，用它來優化波形參數。實驗結果表明，所提出的算法有能力在笛卡爾空間內跟蹤飛行目標，它提供了對目標位置和目標速度笛卡爾矢量以及徑向速度的準確估計。該算法根據估計矢量在飛行中調整波形參數。在文獻中，多普勒效應理論被大量用于估計目標速度。在某些條件下，如跟蹤高速目標或惡劣的海洋和天氣條件下，多普勒效應就不那么有效。因此，在這第一個方法中，引入了一種依賴于卡爾曼濾波估計的算法，而不依賴于多普勒效應。一個具有實時自適應參數的低通濾波器被應用于估計的速度矢量，并提取準確的速度估計。此外，從一個現實的角度來解決雷達跟蹤問題，承認目標運動不能像我們提出的使用卡爾曼濾波器那樣用矩陣來描述，因此引入了交互式多模型算法來估計目標位置。通過模擬，我們證明了所提算法的良好性能，并證明波形優化可以提高雷達的跟蹤性能。最后，考慮從兩個天線而不是一個天線收集信息，并使用其中一個數據融合算法，以及IMM算法，我們能夠減少跟蹤誤差，并為跟蹤問題提供一個更穩健可靠的解決方案。

圖 1. 大腦/認知雷達感知-行動周期。

認知被定義為參與認識、學習和理解事物的心理過程。這個定義介紹了定義CR的三個主要成分：

• 系統與環境持續互動并感知其地標的能力，包括潛在的目標和障礙物；這使得相控陣天線成為CR的主要組成部分，因為它們能夠快速掃描環境。

• 智能地處理接收到的回波，并提取有關目標和周圍環境的測量值的能力。

• 能夠提取有關目標和環境的信息，并相應地使用它來做出有關波形和目標運動估計的決定。

認知型雷達在某種程度上模仿了大腦的學習方式，并根據感官采取行動，遵循一個類似的循環：感知、學習、調整、行動。它們不斷地從環境中學習，并作出決定以提高跟蹤性能。類似的循環，即眾所周知的感知-行動循環（PAC），在解釋大腦如何工作或描述一些智能系統的文獻中被多次提及（[2][3][4]）。引用[2]，神經科學家Joaquin Fuster將感知-行動循環描述為 "在處理目標導向行為的過程中，信息從環境到感覺結構，再到運動結構，再次回到環境，再到感覺結構，如此循環往復"。圖1解釋了與認知雷達相關的大腦的運行周期。在這項工作中，我們討論了這個閉環循環的所有步驟，這些步驟制約著CR的性能。提出了一個系統模型，并進一步討論了以估計和波形優化過程為重點的內容。

在文獻中，討論了兩種主要的波形選擇方法：控制論和信息論。在這項工作中，考慮了控制理論方法中的波形選擇標準。雷達波形參數主要通過最小化跟蹤均方誤差（MSE）來確定。

CR有一個閉環的工作循環。該系統依靠接收器的反饋來收集關于目標和環境的知識。這些知識然后被用來優化發射波形，并改進對目標的探測、跟蹤、估計和識別。這個概念在2006年由S.Haykin[1]在文獻中首次提出，他寫道，我們引用[1]"整個雷達系統構成了一個動態的封閉反饋回路，包括發射器、環境和接收器。

CR的運行周期（即上述閉環）從發射器對環境的照射開始。然后，從環境中反彈出來的傳輸波形（即目標回波、雜波等）被接收器截獲。關于目標和環境的有用信息從接收到的回波中提取出來，然后更新一個信息庫（記憶塊），在下一個周期由目標估計器（TE）作為一組關于環境的先驗知識使用。根據TE提供的估計結果，波形被優化。通常考慮用貝葉斯方法來實現目標估計器。

在CR中，提取的信息不僅在接收機層面發揮作用，而且在發射機層面通過改變波形和一些相關參數，如脈沖重復頻率（PRF）、脈沖寬度、脈沖數N和雷達發射時間表來發揮作用。這方面是CR與經典的自適應雷達的區別，后者只能在接收層面使用提取的信息。

波形優化設計作為一個重要的研究課題出現在信號處理界，因為它在許多領域都有廣泛的應用，如通信系統、聲納，以及在我們感興趣的情況下，改善雷達系統的性能。文獻中討論了許多設計標準，其中我們提到了最大信噪比（SINR）標準[9]、最大探測概率標準[14]、最大互感信息（MI）[8]標準和最小化均方誤差標準（MMSE）[10]、[11]。這些設計標準方法可以分為兩類：控制理論方法，其目的是為連續運行的動態系統開發一個控制模型；信息理論方法，更側重于研究信息流和從接收的測量數據中提取更多的目標信息。本文采用了控制理論方法，通過最小化跟蹤MSE來確定最佳波形選擇/設計。

使用空間分布的多個雷達節點，在不受約束的運動方向上研究了連續人類活動的識別，在使用單個節點時，活動可能發生在不利的角度或被遮擋的視角。此外，這種網絡不僅有利于實現上述目標，而且也有利于可能需要不止一個傳感器的更大的受控監視區域。具體來說，當目標位于長距離和不同角度時，分布式網絡可以在節點之間顯示出顯著的特征差異。雷達數據可以用不同的域來表示，其中人類活動識別（HAR）的一個廣為人知的域是微多普勒頻譜圖。然而，其他域可能更適合于更好的分類性能，或對計算資源有限的低成本硬件更有優勢，如范圍-時間或范圍-多普勒域。一個開放的問題是如何利用從上述數據域以及從同時觀察監視區域的不同分布式雷達節點中提取信息的多樣性。為此，數據融合技術可以在每個雷達節點的數據表示層面以及網絡中不同節點之間使用。將利用所介紹的決策融合方法（通常在每個節點上操作一個分類器）或特征融合方法（在使用一個單一的分類器之前對數據進行串聯），研究它們在連續序列分類中的性能，這是一種更加自然和現實的人類運動分類方式，同時也考慮到數據集中固有的不平衡。

圖 1：所提出方法的示意圖：從各個雷達節點提取的數據域被組合（“數據域融合”）。然后應用決策融合或特征融合來組合來自節點的信息。

方法

雷達網絡在適應能力、分類指標和跟蹤性能方面已經顯示出其優勢。這是通過增加整體信息內容來實現的，這要歸功于對場景和感興趣的目標的多視角觀察。然而，網絡中雷達的有效利用依賴于可靠地結合來自不同傳感器的各種信息的能力。最近，具有多個合作雷達的分布式網絡引起了人們的極大興趣，以解決在不利角度記錄的微多普勒(mD spec.)信號、遮擋或僅對少數觀察者節點可見的目標問題[1]-[10]。

在這種情況下，為了提高分類性能，找到融合網絡中多個雷達節點信息的最佳技術，仍然是一個突出的研究問題。這對于連續人類活動序列的分類特別重要。相對于更傳統的對單獨記錄的人工分離活動的分類，這些活動在文獻中被越來越多地研究，因為它們更加真實和自然[11]-[13]。

本文研究了應用于來自節點網絡的融合數據的機器學習分類器，重點是特征融合（"早期融合"）和決策融合（"后期融合"）方法，這些方法在一個公開的數據集上得到了驗證[14]。在這種情況下，大多數研究工作主要集中在微多普勒（mD）頻譜圖上，作為感興趣的數據格式，而這項工作還利用了以下領域，即范圍多普勒（RD）、傅里葉同步擠壓變換（FSST）頻譜和范圍時間（RT）圖。本文將這些數據域的信息融合與整個網絡的雷達節點融合聯合起來進行研究。應該指出的是，這種跨越不同數據格式和網絡中不同雷達節點的高效和有效的數據融合問題不僅與人類活動分類有關，而且在任何可以使用來自分布式雷達節點的信息的監視和態勢感知問題上也是如此。

在方法上，首先通過利用基于奇異值分解（SVD）的一維主成分分析（PCA）來提取上述每個數據域的信息，這是一個簡單而有效的工具，用于提取圖像的特征進行分類。Fioranelli等人[3]舉例說明了使用SVD相關的特征來分析具有不同角度軌跡的人類多態行走場景。他們提出，SVD可以用來從mD頻譜圖中提取最相關的特征，方法是使用有限數量的左側奇異向量，這些奇異向量與最高奇異值有關。在[3]中證明，在使用極少的甚至只是單一的最高相關奇異值的情況下，可以達到90%以上的分類結果，最好是96%的最佳角度軌跡。

然后，在這項工作中，還研究了基于矩陣eigendecomposition的二維主成分分析（2D PCA），它被證明能帶來更好的準確性和減少計算時間。對于這兩種特征提取方法，采用了四種機器學習分類器，即決策樹（DT）分類器、k-近鄰（KNN）分類器、天真貝葉斯（NB）分類器和支持向量機（SVM），以評估上述融合方法，圖1為示意圖。

本文的其余部分組織如下。第2.0節顯示了包括數據處理參數在內的數據域。第3.0節提供了特征融合和機器學習方法。第4節介紹了實驗結果，第5節給出了最后的評論。

本報告總結了迄今為止在路線偵察領域的本體開發的進展，重點是空間抽象。我們的重點是一個簡單的機器人，一個能夠感知并在其環境中導航的自主系統。該機器人的任務是路線偵察：通過觀察和推理，獲得有關條件、障礙物、關鍵地形特征和指定路線上的敵人的必要信息。路線偵察通常是由一個排的騎兵和非騎兵進行的。這項研究探討了機器人執行部分或全部必要任務的合理性，包括與指揮官進行溝通。

1.1 背景與動機

這是一項具有挑戰性的對抗性任務，即地形穿越加上信息收集和解釋。偵察的解釋方面需要考慮語義學--確定相關的信息和確定它如何相關（即有意義）。語義信息在本質上是定性的：例如，危險是一個定性的概念。為了將危險與某些特定的區域聯系起來，我們需要一種方法來指代該區域。這意味著至少能夠給空間的某些部分附上定性的標簽。

Kuipers在他的空間語義層次的早期工作中指出了空間的定性表示對機器人探索的重要性。例如，層次結構的拓撲層次包含了 "地方、路徑和區域的本體"，歸納產生了對較低層次的因果模式的解釋。

最近，Izmirlioglu和Erdem為定性空間概念在機器人技術中的應用提供了以下理由：

• 各種任務，如導航到一個目的地或描述一個物體的位置，涉及處理物體的空間屬性和關系。......或某些應用（如探索未知環境），由于對環境的不完全了解，可能并不總是有定量的數據。......可理解的相互作用和可接受的解釋往往比高精確度更可取（Kuipers 1983）。對于這些應用，定性的空間關系似乎更適合。

對于負責路線偵察的無人地面車輛（UGV）來說，其架構中的不同模塊將消費和產生語義信息：負責語義感知和目標識別、計劃和執行、自然語言對話等的模塊，加上主要負責維護信息的語義世界模型。例如，在美國陸軍作戰能力發展司令部陸軍研究實驗室的自主架構中，語義/符號世界模型被用來 "實現符號目標（例如，去接近一個特定的物體）"，*其中接近是一個語義概念。

一個關鍵問題是如何在世界模型和其他模塊之間分配維護和處理不同類型語義信息的責任。從語義世界模型的角度來看，這取決于有多少符號推理是合適的。例如，假設要接近的物體位于一個給定區域的某個位置，而不是靠近該區域的外部邊界。一旦機器人靠近物體，就可以推斷出機器人在物體的位置附近，而且也在同一區域內。如果有公制信息，就可以用幾何例程得出這個結論。在沒有公制信息的情況下，是否會出現在純粹的定性空間中推斷有用的情況？

本報告不涉及這個問題。我們的目標是確定什么應該被代表，而把如何代表和在哪里代表留給未來的工作。

1.2 路線偵察

以下片段取自FM7-92中對路線偵察的描述。空間表達是彩色的，周圍有一些文字作為背景。

• 路線偵察的重點是獲得關于一條指定路線和敵人可能影響沿該路線移動的所有地形的信息。路線偵察的方向可以是一條道路、一條狹窄的軸線（如滲透通道），或一個總的攻擊方向......防御陣地。......部隊可以機動的可用空間......所有障礙物的位置和類型以及任何可用的繞道位置。障礙物可包括雷區、障礙物、陡峭的峽谷、沼澤地或核生化污染 ......沿途和鄰近地形的觀察和火力范圍 ......沿途提供良好掩護和隱蔽的地點 ......。橋梁的結構類型、尺寸和分類。著陸區和接駁區。與路線相交或穿越的道路和小徑。. . 如果建議路線的全部或部分是道路，則該排認為該道路是一個危險區域。它使用有掩護和隱蔽的路線與道路平行移動。當需要時，偵察和安全小組靠近道路，以偵察關鍵區域。

路線偵察的結果是一份報告，以圖表的形式，并附有文字說明。FM7-92給出了一個例子，我們可以從中提取一些更必要的概念：

• 網格參考。磁性北方箭頭..道路彎道..陡峭的坡度..道路寬度的限制（橋梁，隧道等）..岔道的位置..隧道..

讓我們把這段關于路線偵察的描述中提到的概念建立一個綜合清單，重點放在空間概念上，并盡可能地保留軍事術語:

1）必須指定環境中的位置、路線、區域和感興趣的物體。稱這些為 "實體"。

2）這些實體之間的空間關系是相關的（例如，一個地點在另一個地點的北邊）。值得注意的是，不同類型的實體之間的關系是被指定的。

a. 物體（例如，障礙物）在位置或區域。

b. 一些地點在空間上與路線有關（例如，沿著路線，毗鄰，或靠近道路）。

c. 地點可能代表更大的區域（例如，雷區的位置）。

d. 道路和小徑可以與路線相關：它們可能相交、重疊（部分疊加），或平行運行。

3. 一些實體對路線具有戰術價值，無論是進攻還是防御（例如，雷區）。

a. 一些地點相對于其他地點或區域有方向性的定位（例如，一個防御性的位置）。

b. 有些區域是由其與另一個區域或地點的關系來定義的，這可能不是一種局部的關系（例如，觀察和火力場是由一個潛在的遠程位置來定義的，該位置有一條通往路線上的一個區域的線路）。

4）路線可能被障礙物阻擋，障礙物可能是明確的物體或更大的區域（例如，一個障礙物與一個雷區）。

5. 路線和地形的三維幾何特性是相關的：道路上的急轉彎，陡峭的坡度，等等。

6）有時，描述物理基礎設施（如道路、橋梁）及其屬性是很重要的。

1.3 路線偵察抽象

路線偵查收集和解釋不同種類和不同來源的信息:

• 背景知識。這包括關于環境特征的類型和預期成為任務一部分的物體的信息，包括道路、障礙物、溝壑、橋梁等等。

• 任務規范。確定偵查的區域和路線，以及當時可獲得的任何信息。

• 環境。通過空間分析（包括幾何學、拓撲學等）、感知、地圖衛星數據的離線圖像處理和其他類型的分析，確定環境的相關特征。

• 任務執行期間的通信。我們假設指揮官或人類操作員在偵察過程中可以向UGV提出詢問或命令，提供新信息或集中注意力。

• 如前所述，一份報告。

原則上，所有這些信息都以某種抽象的形式組合在一個語義世界模型中。我們把環境的物理屬性和特征稱為 "實體"。把我們用來表示這些實體和它們之間關系的抽象概念稱為 "概念"。

不同類型的實體的概念。層次結構在語義表征中很常見，用來捕捉關于世界上遇到的實體類型的一般知識。一個類型就是一個概念，類型被組織在一個層次中：MRZR是一種輕型的、戰術性的、全地形的車輛，它是一種輪式地面車輛，它是一種地面車輛的類型，等等。屬性和關系可以與一個給定的概念相關聯，而下級概念則繼承這些屬性。在路線偵察中，如果有信息說某一地區有一條道路，但沒有更多的細節，仍然可以從道路的概念中推斷出它的預期屬性：它比它的寬度長得多；它在人們感興趣的地點之間通向；在其他條件相同的情況下，它可能比周圍的地形行駛得快。從實用的角度來看，這意味著如果有可能將某物歸類為一個已知的概念，那么語義世界模型就不需要記錄關于該物的每一條相關信息。

用于實體的目的和用途的概念。一個代表道路典型用途的概念可以進一步區分其長度和寬度的語義，這反過來又導致了跨越和沿途、穿越和跟隨等概念之間的區別。這將使UGV能夠以不同的方式對待 "偵察道路對面的區域 "和 "偵察前方的道路 "的命令。前方的道路也是一個語義概念：它取決于對過去去過的地方的了解。

代表部分信息的概念。有時可能會有定性的信息。想象一下，任務規范的一部分是關于雷區在計劃路線上存在的信息，但不知道具體位置，或者知道雷區的位置，但不知道其范圍。這種無知可以很容易地在代表實體的概念中得到體現。

新概念適用于新環境。另一個交流的例子可能是信息性的。想象一下，當一輛UGV穿越一條東西走向的道路時，它與遠程指揮官進行交流，指揮官問道："道路北側是什么？"* 需要識別的物體可能不在道路和地形的邊界上（與 "建筑物的一側 "形成對比），而是在以道路邊緣為界的某個感興趣的區域內，距離UGV的位置向北不遠，向東和向西也有一些距離。這個區域可能沒有事先作為一個概念被劃定；相反，它是在當前的背景下構建或推斷出來的。這是一個有趣的例子，一個概念不是從公制數據中抽象出來的，而是被強加在公制數據上的。

背景中的概念的適應和組合。想象一下，對一張地圖的分析產生了對代表區域、道路等等的概念的分解。這些概念可能直接適用于某些目的。例如，與道路相聯系的概念在推理兩點之間的導航時是有用的。然而，在其他情況下，這些概念可能需要調整或與其他概念相結合。例如，如果一條道路被指定為 "危險區域"，那么這個區域的概念可能會超出道路的邊界，延伸到周圍的地形。

指揮官可以通過將人工智能與他們的直覺和經驗相結合，做出更快、更明智的作戰役級決策。本文研究了作戰指揮官如何依靠他們的下級指揮官和強大的參謀人員來收集和分析信息，以提供建議來幫助指揮部決策。如果信息不充分或存在不確定性，指揮官就依靠他們的直覺和經驗來填補空白。目前決策過程中的每個變量都有局限性，其中大數據分析、機器學習和神經網絡的人工智能技術有助于指揮官的決策。本文介紹了在博伊德上校的觀察、定向、決定和行動（OODA）循環中合成的指揮官-人工智能決策模型（CAIDMM），以獲得對對手的明顯優勢。最后，本文研究了 "是什么 "和 "為什么 "作戰指揮官必須使用CAIDMM，以便在當今的大國競爭中獲得對近似競爭對手的戰略優勢。

指揮官-人工智能決策模型（CAIDMM）

CAIDMM從觀察階段開始，如圖3所示。在這個階段，指揮官收集所有可用的信息和數據。人工智能通過大數據分析對這一過程進行補充，大數據分析的重點是衛星和傳感器圖像、流媒體數據、社交媒體數據、手機GPS數據以及將被納入外部觀察的關系數據。至關重要的是，"大數據 "是結構化的，具有一定形式的網絡保護的彈性，以確保輸入的安全是合法的信息。神經網絡也會接受額外的輸入，如指令指導、展開的情況以及與環境的互動。這個階段實現了兩個目標。首先，收集大量的數據來分析一個結構化的問題。第二，非結構化的數據被提交給機器學習算法，以綜合、定向并向指揮官做出預測。

CAIDMM的第二步是定向階段。對原始統計資料、數據和信息進行分析、評估和優先排序，以向指揮官提供洞察力。具體來說，在支持他們的指揮官和工作人員的協助下，指揮官結合文化傳統、遺傳遺產和作戰經驗來確定問題的方向。同時，大數據分析法從觀察到的數據中提取價值和知識。方向階段根據工作人員的考慮增加了新的信息，作為機器學習和神經網絡的輸入，因為將數據合成為一個解決方案是未知的。基于定向階段內的互動，指揮官從人類和人工智能這兩個角度獲得知識。這些視角能更好地為指揮官的決策提供信息。

在CAIDMM中，如果問題是無結構的，則由指揮官決定。如果問題是結構化的，則由人工智能決定。在任何一種情況下，人工智能都可以根據決策選擇的數量來補充指揮官的工作。確認法和探索法是人工智能對指揮官的非結構化決策的兩種補充方式。確認法用于指揮官做出直觀的決定，然后使用人工智能來分析和完善解決方案。而探索式方法允許人工智能做出決定，指揮官使用他們的直覺來完善解決方案。

在確認法中，指揮官根據目標和期望的最終狀態做出直觀的決定。確認法在決策選擇數量有限的情況下最有用。如果人工智能同意所提出的最佳解決方案，指揮官就可以執行該決定。下至DL和神經網絡的ML可以使用分類和回歸分析、聚類、異常檢測、對抗性網絡和盲目的信號分離來評估決策。如果人工智能出現矛盾或產生不確定的結果，指揮官會根據可用時間采取兩種行動。如果時間和條件允許，指揮官重新評估更多的解決方案，確認輸入AI的數據，并尋求解釋，直到達成一個滿意的結果。如果時間不允許，指揮官應該根據他們的專業知識和直覺做出決定，因為在非結構化的任務中，研究證明直覺決定勝過人工智能的分析方法。

相比之下，當一項決策有許多備選方案時，指揮官可以使用探索法。這種方法允許指揮官利用大量的數據，讓人工智能首先確定幾組決策備選方案，然后由指揮官進行評估。大數據分析、無監督ML和網絡可以縮小決策選項的范圍，為指揮官提供幾個行動方案，讓指揮官從中選擇。接下來，如果指揮官的直覺與提議的行動之一相一致，他就會執行決定。如果不是，根據時間，指揮官根據他們的專業知識進行，或重新啟動決策過程，直到可以采取行動。

CAIDMM最重要的部分是要求持續的反饋，以允許人類和人工智能算法的發展。指揮官的決定產生二階和三階效應，必須反饋到隨后的觀察階段周期。此外，神經網絡會根據特定指揮官的想法和直覺進行演變，從而不斷發展，并有可能提供更完善的針對指揮官的解決方案。博伊德的OODA循環，在其起步階段，并不是為了成為一個機械的循環，而是為了進入對手的思想和決策循環的一種手段。CAIDMM必須是循環的，以利用數據做出更明智、更有效、更快速的決策。該模型還在決策矩陣中提出了兩個關鍵因素：時間和不確定性。CAIDMM的目標是在時間限制內盡可能地減少不確定性，以選擇最合適的行動方案。

報告結論

先進的人工智能系統無法成為唯一的決策權威，這強調了將人類專業知識與人工智能能力相結合的重要性。在第二次世界大戰中，圖靈的 "Bombe "每天破譯了數千條納粹加密信息，而杰出的數學家和密碼破譯者只破譯了幾條。最重要的是，Bombe機器為指揮官提供了可操作的情報，使艦隊指揮官能夠做出快速、明智和果斷的決定，通過避免或攻擊德國 "狼群 "U型潛艇來挽救他們在大西洋的后勤保障。今天的大國競爭取決于控制、傳播和處理來自所有領域的大量數據。這些數據的速度和數量超過了人類的認知能力，無法做出有效的知情決策。人工智能使作戰指揮官能夠管理和分析大型數據集以支持決策。人類和人工智能技術可以合作處理決策的不同方面。人工智能很適合使用分析方法來處理復雜的問題。人類的認知更適合于更多地關注不確定性和平衡性，使用更多的創造性、直觀性和基于經驗的決策。指揮官和人工智能可以隨著業務的發展而發展。這兩個實體都成為學習型組織，一個提供分析數據，另一個提供決策的操作 "藝術"，兩者都在作戰環境中不斷發展。指揮官-人工智能決策模型描述了人工智能如何補充指揮官的決策過程，并為作戰指揮官整合人工智能技術提供了一個矩陣。