自從網絡空間被鞏固為第五個戰爭維度以來，國防部門的不同行為者開始了一場實現網絡優勢的軍備競賽，研究、學術和工業利益相關者從雙重角度做出了貢獻，這主要與民用網絡安全能力的大量和異質的發展和采用有關。在這種情況下，加強對背景和戰爭環境的感知，網絡威脅的風險和對動能行動的影響，成為軍事決策者正在考慮的一個關鍵的規則改變。獲得以任務為中心的網絡態勢感知（CSA）的一個主要挑戰是動態推斷和評估從支持任務的信息和通信技術（ICT）發生的情況的垂直傳播，直到它們在軍事戰術、作戰和戰略上的相關性。為了在獲得CSA方面做出貢獻，本文解決了網絡防御領域的一個主要差距：在以任務為中心的背景下動態識別關鍵網絡地形（KCT）。因此，擬議的KCT識別方法探討了指揮官作為評估標準的一部分所定義的任務和資產之間的依賴程度。這些與作戰網絡上的發現以及在支持任務發展過程中發現的資產漏洞相關聯。該建議作為一個參考模型，揭示了以任務為中心的KCT分析的關鍵方面，并通過包括一個說明性的應用案例來支持其執行和進一步執行。

網絡空間被定義為由所有相互連接的通信、信息技術和其他電子系統、網絡及其數據組成的全球領域；最近被合并為現代戰區的第五個領域，加入了陸地、海洋、空中和太空[1]。在那里，聯合功能（JFs），如網絡演習、火力、指揮和控制（C2）、情報、信息、維持或部隊保護，在防御性網絡空間行動（DCOs）和/或進攻性網絡空間行動（OCOs）的背景下實施；支持或被動能領域的行動支持。盡管有這些依賴性，網絡空間與動能領域完全不同，主要是因為它是人造的，部分是非物理的（數字），不受傳統地理邊界的限制[2]。它被描述為CIS（通信和信息系統）資產的高可及性，對網絡行動路線（CoAs）的短時間影響與它們的大量準備時間相比，它們的影響越來越不對稱（通常是垂直/傳播到附帶的混合層面），或者它們的無形性；后者使得網絡損害評估計算變得困難[3]。

與最先進的兩用網絡安全使能器相比，適合軍事行動的原始網絡防御效應器應采用以任務為中心的愿景，其中網絡評估和決策必須與軍事行動背景相適應，包括網絡行動所針對的任務目標和任務、其相互依賴性、階段性、聯合/合并行動、技術、戰術、行動和戰略層面之間的垂直傳播等。這就要求在對通信和信息系統（CIS）維度的原始影響（通常是保密性、完整性和可用性）與任務層面的影響之間進行清晰的轉換，后者的例子是可能導致任務執行的延遲、有益因素的喪失，或減少指揮官做出新決定和規劃CoA的敏捷性[4]。

因此，支持網絡防御行動的能力的一個重要方面是他們能夠考慮哪些任務依賴性是必要的，以便充分評估/評價每個控制論或程序性資產，并隨著任務的進展動態地改變評價結果。在這種情況下，關鍵網絡地形（KCTs）被定義為構成、監督和控制網絡空間的系統、設備、協議、數據、軟件、程序、網絡角色和其他網絡實體[4]，構成軍事優勢，如果受到危害，有可能導致任務失敗[5]。但是，盡管KCT概念的相關性，它被研究界模糊地公開探討，文化和跨領域的誤解導致了模糊和誤解，通常從過度的民用角度來處理；并且大多忽略了其以任務為中心的影響。

為了促進以任務為中心的KCT發現和評估的研究，本文回顧并深入分析了KCT概念及其影響。這是從網絡態勢感知（CSA）的角度進行的，并假設其相關性將日益增長，以實現準確的跨域共同作戰圖像（COP）[6]。所進行的研究擴展了在[7]中向研究界和網絡防御從業人員初步介紹的工作，匯編了廣泛收到的反饋，并將其原始范圍從原始技術方面增加到KCT任務的影響。鑒于其引起的高度興趣，本文加強了所介紹的KCT概念化，擴展了KCT發現和評估參考模型，詳細說明了其以任務為中心的影響，并提供了分析和經驗評估的擴展描述。下面列舉了所進行的研究的主要貢獻。

• 本文深入回顧了當前網絡防御和以任務為中心的網絡風險管理的情況，強調了現有的KCT分析工作。

• 提出了一個動態識別網絡空間關鍵資產的參考框架，它揭示了可能指導進一步研究行動的關鍵支柱的子集。

• 探討了廣泛采用的動能地形因素與它們在網絡空間軍事行動中的可追溯性。

• 該提案審查了KCT評估相關能力發展的DOTMLPF-I（理論、組織、訓練、物資、后勤、人員、設施和互操作性）層面。

• 討論了KCT分析在進攻和防御性軍事思維中的應用。

• 該建議已被實例化，并在一個說明性用例下進行了分析驗證，其中詳細說明了所有需要的數據處理活動。

本文分為七個部分，其中第一部分是本導論。第二部分回顧了以任務為中心的網絡防御和KCT評估方面的技術現狀。第三節介紹了所進行的研究設計原則。第四節介紹了一種新型的動態KCT識別方案。第五節分析了可預見的KCT評估能力發展層面。這一節還討論了提案在進攻和防守兩方面的應用。第六節詳細介紹了該建議在一個研究案例中的應用。最后，第七節介紹了所取得的結論和對未來工作的建議。

摘要

高超音速武器的出現界定了太空空間和航空空間之間的新關系和界限。它們以超過五倍音速（5馬赫）的復雜軌跡飛行，帶來了重大的作戰和戰略影響，征服了中層和高層大氣，利用了兩個主要的速度和高度包絡，并提供了高超音速再入飛行器在太空中預先駐扎的可能性。

在高層包絡中，高超音速滑翔飛行器（HGVs）的速度高達33馬赫，高度達幾百公里，它增強了現有彈道導彈技術，并將在重新思考洲際戰略導彈威脅和威懾方面發揮決定性作用。在較低的包絡面中，目前的速度可達6馬赫，高超音速巡航導彈（HCM）將伴隨著現有的亞音速戰地巡航導彈艦隊，并將主要在戰區發揮其決定性作用。

HGVs和HCMs的飛行特性利用大氣層的較高空氣層作為高超音速空域，在空域和空間領域之間架起橋梁，并要求有一個綜合空域和空間防御理論。天基HGVs，可能成為一種新的和較晚可觀察的威脅，這挑戰了現有的天基紅外傳感器的設計。

高超音速技術有可能改變作戰層面上的戰爭行為，并影響對戰略威懾的理解。美國防部（DoD）必須考慮對現有空間和空域理論以及作戰和戰略決策的影響。為了將作戰優勢和有保證的戰略威懾結合起來，高超音速武器的雙重用途需要政治討論和軍事建議，并提升國際軍控談判的重要性。

技術聲明

本論文的目的不是解釋高超音速飛行的科學和技術細節，而是分析其操作和戰略影響。因此，它在正文中應用了合理的最低限度的技術信息。

有關飛行高度的信息并不是指一個標準的大地測量參考系統。相反，它們指的是不同的氣壓標度、GPS數據或其他參考。這種限制對于本論文來說已經足夠了。為了清晰和最直接的理解，海拔高度以公里和英尺為單位，并四舍五入到有用的措施。

速度用馬赫數顯示，以英里/小時和公里/秒為單位，以便于比較。標準大氣中的音速取決于空氣溫度，因此也取決于飛行高度。本論文對所有高度使用0.3333公里/秒的恒定速度，這對計算和解釋高超音速飛行的影響是足夠公平的。來自官方數據表的信息沒有被修改。鑒于太空中沒有聲音傳播，所以沒有音速，技術上也沒有馬赫數。然而，為了便于比較，對近空間物體使用匹配的馬赫數是很公平的。

這項工作的一個基本原則是完全使用公開的信息，這些信息明確地沒有與機密數據進行過比較。這種分離消除了損害機密信息的任何可能性。因此，本研究中的數據的合理性來自于物理背景、相互比較和整體背景；其準確程度足以達到本工作的目的。

所引用的大部分出版物都來自公認的作者和組織。在個別情況下，在檢查了可信度之后，為了支持說明的目的，使用了沒有相應聲譽的作者的額外材料。

第一章：簡介

高超音速武器的出現將改變我們的作戰方式和威懾思維，因為這些武器在空間和空域內定義了新的關系和界限。它們的速度是音速的五倍以上（5馬赫；1.7公里/秒；3,700英里/小時），在兩個主要的速度和高度范圍內帶來重大影響。

圖1：高超音速的高度和速度包絡線。

在上層封套中，高超音速滑翔飛行器（HGVs）的速度遠達33馬赫（11公里/秒；24,600英里/小時），并在20至130公里之間跳躍，它以可操縱的彈頭、復雜的彈道和終端階段的決定性敏捷性加強了現有的彈道導彈技術。此外，由洲際彈道導彈（ICBM）作為載體平臺發射，HGVs可以爬升幾百公里，多次重新進入大氣層，并不斷改變方向。這些機動靈活的HGV將引起人們對洲際戰略導彈威脅和威懾的重新思考。HGV也可能在作戰戰場上發揮作用，由中短程戰術助推滑翔（TBG）系統部署。

在較低的高超音速包絡中，高超音速巡航導彈（HCM）的速度可達6馬赫（2公里/秒；4,500英里/小時），巡航高度在20至40公里。由超音速燃燒沖壓發動機（Scramjets）提供動力，HCM增強了今天亞音速巡航導彈的對抗能力，速度和高度都大大增加。因此，HCM將改變作戰戰斗力和威懾思維。

HGVs和HCMs都使用20至130公里之間的大氣層，并專門利用它作為高超音速空域。因此，高超音速武器在空中和空間領域架起了橋梁，作為一種新的威脅發揮出來，并要求將現有的空天防御和導彈防御理論修訂為更廣泛的綜合空天防御理論。

近年來，經常有報道說在開發和引進這些武器方面取得了新的成功。在2018年的一次令人震驚的國家報告中，弗拉基米爾-普京總統宣布了壯觀的俄羅斯高超音速能力。中國公開展示這種武器的作戰能力。雖然謹慎的分析家總是需要質疑這種報告的可靠性，但在相關文獻中沒有實質性的疑問，高超音速武器的時代已經到來。更重要的是，就像飛機、噴氣式轟炸機、洲際彈道導彈、潛艇和核武器的出現一樣，高超音速導彈有可能徹底改變戰爭的進行。

因此，任何希望擁有可靠武裝力量的國家必須考慮高超音速武器的能力和影響。在美國，這種討論已經在順利進行。近年來，參謀長聯席會議和國會 "對追求高超音速系統的發展和近期部署表現出越來越大的興趣"。高超音速武器的出現激發了各種各樣的研究和評論。

2017年蘭德公司關于高超音速武器的分析指出了高超音速技術在世界范圍內擴散的危險性和潛在的發難戰術。"大西洋理事會 "的一本入門書討論了印度-太平洋戰區，并評估了俄羅斯和中國如何將高超音速武器視為一種增加的戰略威懾。"蓋斯特和馬西科特評估了俄羅斯聲稱的新型超級武器是一種有意的競爭準備信號，防止美國進一步投資于決定性的美國戰略優勢。 相反，美國外交政策委員會（AFPC）認為，莫斯科和北京已經擁有強大的核能力，核高超音速武器不一定會改變戰略平衡。Terry和Cone普遍認為高超音速核運載系統相對于現有系統沒有什么優勢。美國國會研究服務部分析說，今天美國的多種能力提供了足夠的打擊選擇，認為高超音速的出現與其說是三個主要核國家之間革命性的新軍備競賽，不如說是一種進化的 "新技術發展的競爭"。斯德哥爾摩國際和平研究所（SIPRI）對中國正在推進的高超音速技術和武器庫給出了更詳細的看法。

這些文獻討論了技術基礎、各國的進展、軍事價值、可能出現的情況以及國際影響。然而，它并沒有對高超音速武器如何影響軍事行動的規劃和實施進行更具體的討論--它們如何融入戰役。整合和使用這些武器的軍事學說仍然缺失。正如后面的分析所強調的，關于高超音速武器在空中和太空領域的戰爭中的作用，還沒有任何理論出版物。鑒于高超音速的發展速度，美國的理論正在進一步落后。此外，關于一個國家，特別是一個核國家，如何以不破壞穩定的方式將這些武器納入其武庫，并沒有多少實質性的文字。

此外，所研究的文獻沒有討論HGVs在空間武器化方面的潛力。技術上的再入設計提供了潛伏在低地球軌道（LEO）上的天基HGV的可能性。如果沒有典型的助推器的紅外(IR)信號，這樣的武器將是一個明顯不容易觀察的威脅。因此，預先駐扎的天基HGV的潛力將挑戰現有的天基紅外傳感器層，并質疑目前的綜合導彈防御架構。

本論文研究了高超音速武器的重要特征--速度、射程、巡航機動性和最終游戲的敏捷性--如何結合起來，創造出一系列挑戰，這些挑戰將大大影響軍事組織在空中和太空領域的運作方式。對于技術背景較弱的感興趣的讀者，附錄A和B研究了高超音速武器的基本技術方面及其革命性的潛力。

第二章評估了戰略風險，研究了高超音速武器對可信威懾原則和聯盟防御的影響，并為與高超音速競爭對手的戰略溝通和談判策略提供了基礎。盡管高超音速武器有其特點和攜帶核彈頭的潛力，但它并沒有改寫經典威懾的規則，而是對其提出了挑戰。事實上，在戰略層面上，美國和其他大國應該像今天對待核武器一樣對待它們--確保第二打擊能力，利用軍備控制協議，并減少模糊性。

第三章討論了作戰影響。高超音速武器仍在開發中--事實上，對其作戰準備情況存在一些疑問。然而，由于高超音速武器的時代無疑已經到來，概念、理論和技術上的差距存在，加劇了對這些武器的擔憂。

第四章總結了主要觀點，將其形成一個觀點，并建議進一步分析以理解高超音速武器對美國和盟國行動以及現有威懾概念的實際風險和潛在價值。

人工智能（AI）正在成為國防工業的一個重要組成部分，最近美國DARPA的AlphaDogfight試驗（ADT）證明了這一點。ADT試圖審查能夠在模擬空對空戰斗中駕駛F-16的人工智能算法可行性。作為ADT的參與者，洛克希德-馬丁公司（LM）的方法將分層結構與最大熵強化學習（RL）相結合，通過獎勵塑造整合專家知識，并支持策略模塊化。該方法在ADT的最后比賽中取得了第二名的好成績（共有8名競爭者），并在比賽中擊敗了美國空軍（USAF）F-16武器教官課程的一名畢業生。

1 引言

由DARPA組建的空戰進化（ACE）計劃，旨在推進空對空作戰自主性并建立信任。在部署方面，空戰自主性目前僅限于基于規則的系統，如自動駕駛和地形規避。在戰斗機飛行員群體中，視覺范圍內的戰斗（dogfighting）學習包含了許多成為可信賴的機翼伙伴所必需的基本飛行動作（BFM）。為了使自主系統在更復雜的交戰中有效，如壓制敵方防空系統、護航和保護點，首先需要掌握BFMs。出于這個原因，ACE選擇了dogfight作為建立對先進自主系統信任的起點。ACE計劃的頂峰是在全尺寸飛機上進行的實戰飛行演習。

AlphaDogfight Trials（ADT）是作為ACE計劃的前奏而創建的，以減輕風險。在ADT中，有八個團隊被選中，其方法從基于規則的系統到完全端到端的機器學習架構。通過試驗，各小組在高保真F-16飛行動力學模型中進行了1對1的模擬搏斗。這些比賽的對手是各種敵對的agent。DARPA提供了不同行為的agent（如快速平飛，模仿導彈攔截任務），其他競爭團隊的agent，以及一個有經驗的人類戰斗機飛行員。

在本文中，我們將介紹環境、agent設計、討論比賽的結果，并概述我們計劃的未來工作，以進一步發展該技術。我們的方法使用分層強化學習（RL），并利用一系列專門的策略，這些策略是根據當前參與的背景動態選擇的。我們的agent在最后的比賽中取得了第二名的成績，并在比賽中擊敗了美國空軍F-16武器教官課程的畢業生（5W - 0L）。

2 相關工作

自20世紀50年代以來，人們一直在研究如何建立能夠自主地進行空戰的算法[1]。一些人用基于規則的方法來處理這個問題，使用專家知識來制定在不同位置背景下使用的反機動動作[2]。其他的探索以各種方式將空對空場景編成一個優化問題，通過計算來解決[2] [3] [4] [5] [6]。

一些研究依賴于博弈論方法，在一套離散的行動上建立效用函數[5] [6]，而其他方法則采用各種形式的動態規劃（DP）[3] [4] [7]。在許多這些論文中，為了在合理的時間內達到近似最優的解決方案，在環境和算法的復雜性方面進行了權衡[5] [6] [3] [4] [7] 。一項值得注意的工作是使用遺傳模糊樹來開發一個能夠在AFSIM環境中擊敗美國空軍武器學校畢業生的agent[8]。

最近，深度強化學習（RL）已被應用于這個問題空間[9] [10] [11] [12] [13] [14]。例如，[12]在一個定制的3-D環境中訓練了一個agent，該agent從15個離散的機動動作集合中選擇，并能夠擊敗人類。[9]在AFSIM環境中評估了各種學習算法和場景。一般來說，許多被調查的深度RL方法要么利用低保真/維度模擬環境，要么將行動空間抽象為高水平的行為或戰術[9] [10] [11] [12] [13] [14]。

與其他許多作品相比，ADT仿真環境具有獨特的高保真度。該環境提供了一個具有六個自由度的F-16飛機的飛行動力學模型，并接受對飛行控制系統的直接輸入。該模型在JSBSim中運行，該開源軟件被普遍認為對空氣動力學建模非常精確[15] [16]。在這項工作中，我們概述了一個RL agent的設計，它在這個環境中展示了高度競爭的戰術。

3 背景-分層強化學習

將一個復雜的任務劃分為較小的任務是許多方法的核心，從經典的分而治之算法到行動規劃中生成子目標[36]。在RL中，狀態序列的時間抽象被用來將問題視為半馬爾科夫決策過程（SMDP）[37]。基本上，這個想法是定義宏觀行動（例程），由原始行動組成，允許在不同的抽象層次上對agent進行建模。這種方法被稱為分層RL[38][39]，它與人類和動物學習的分層結構相類似[40]，并在RL中產生了重要的進展，如選項學習[41]、通用價值函數[42]、選項批評[43]、FeUdal網絡[44]、被稱為HIRO的數據高效分層RL[45]等。使用分層RL的主要優點是轉移學習（在新的任務中使用以前學到的技能和子任務），可擴展性（將大問題分解成小問題，避免高維狀態空間的維度詛咒）和通用性（較小的子任務的組合允許產生新的技能，避免超級專業化）[46]。

我們使用策略選擇器的方法類似于選項學習算法[41]，它與[47]提出的方法密切相關，在這些方法中，子策略被分層以執行新任務。在[47]中，子策略是在類似環境中預訓練的基元，但任務不同。我們的策略選擇器（類似于[47]中的主策略）學習如何在一組預先訓練好的專門策略下優化全局獎勵，我們稱之為低級策略。然而，與關注元學習的先前工作[47]不同，我們的主要目標是通過在低級策略之間動態切換，學習以最佳方式對抗不同的對手。此外，考慮到環境和任務的復雜性，我們不在策略選擇器和子策略的訓練之間進行迭代，也就是說，在訓練策略選擇器時，子策略agent的參數不被更新。

4 ADT仿真環境

為dogfighting場景提供的環境是由約翰霍普金斯大學應用物理實驗室（JHU-APL）開發的OpenAI體育場環境。F-16飛機的物理特性是用JSBSim模擬的，這是一個高保真的開源飛行動力學模型[48]。環境的渲染圖見圖1。

圖1: 仿真環境的渲染圖

每個agent的觀察空間包括關于自己的飛機（燃料負荷、推力、控制面偏轉、健康狀況）、空氣動力學（α和β角）、位置（本地平面坐標、速度和加速度）和姿態（歐拉角、速率和加速度）的信息。agent還獲得其對手的位置（本地平面坐標和速度）和態度（歐拉角和速率）信息以及對手的健康狀況。所有來自環境的狀態信息都是在沒有建模傳感器噪聲的情況下提供的。

每一模擬秒有50次行動輸入。agent的行動是連續的，并映射到F-16的飛行控制系統（副翼、升降舵、方向舵和油門）的輸入。環境給予的獎勵是基于agent相對于對手的位置，其目標是將對手置于其武器交戰區（WEZ）內。

圖2：武器交戰區(WEZ)

WEZ被定義為位于2度孔徑的球形錐體內的點的位置，該錐體從機頭延伸出來，也在500-3000英尺之外（圖2）。盡管agent并沒有真正向其對手射擊，但在本文中，我們將把這種幾何形狀稱為 "槍響"。

5 agent結構

我們的agent，PHANG-MAN（MANeuvers的自適應新生成的策略層次），是由兩層策略組成的。在低層，有一個策略陣列，這些策略已經被訓練成在狀態空間的一個特定區域內表現出色。在高層，一個單一的策略會根據當前的參與情況選擇要激活的低層策略。我們的架構如圖4所示。

圖4：PHANG-MAN agent的高層結構

NeurIPS2022馬上截稿了! 如何提高論文命中率，牛津大學副教授Jakob傾心講解《寫好機器學習頂會論文》關鍵要點，必看！

規范ML論文結構

1. 摘要 (TL; 論文DR):

X: 我們想要做什么?為什么它是相關的? Y: 為什么這么難? Z: 我們怎么解決(也就是我們的貢獻!) 1: 我們如何驗證我們解決了它: 1a)實驗 1 b)理論

2. 引言 (摘要的長版本，即全文):

X:我們想要做什么?為什么它是相關的? Y:為什么這么難? Z:我們怎么解決(也就是我們的貢獻!) 1:我們如何驗證我們解決了它: 1)實驗結果 1 b)理論 額外的空間嗎?未來的工作! 在第一頁上有圖1是額外的要點

3. 相關工作

我們的學術相關工作，也就是在文獻中嘗試解決相同的問題。

目標是“比較和對比”——他們的方法在假設或方法上有何不同?如果他們的方法適用于我們的問題設置，我希望在實驗部分進行比較。如果不是，就需要明確說明為什么給定的方法不適用。 注意:僅僅描述另一篇論文正在做什么是不夠的。我們需要比較和對比。

4. 背景介紹

我們工作的學術起源，即理解我們的方法所需的所有概念和之前的工作。包括一小節的問題設置，正式介紹問題設置和符號(形式主義)為我們的方法。強調任何不尋常的特定假設。

5. 方法:

我們怎么做的。我們為什么這么做。所有的描述都使用了問題設置中介紹的一般形式化，并建立在背景介紹的概念/基礎上。

6.實驗設置

我們如何驗證我們的東西是否有效? 要給出了這個問題設置的具體實例和我們的方法的具體實現細節。

7. 結果和討論:

展示在實驗設置中我們所描述的問題上運行方法的結果。與相關工作中提到的Baseline進行比較。包括統計數據和置信區間。包括關于超參數和其他潛在的公平問題的聲明。包括消融研究，以表明具體部分的方法是相關的。討論該方法的局限性。

8 結論

我們做到了。這篇文章非常棒，你很幸運讀過它(也就是整篇文章的簡要回顧)。此外，我們還會在未來做所有這些神奇的事情。

其他建議

從提綱開始，而不是全文。每一行將對應于最終版本中的一個段落。在建造一座建筑之前改變它的輪廓要容易得多。如果你不確定的話，這是和別人交談的好時機。接下來，展開大綱，但將摘要文本作為Latex注釋放在每個段落之前。這將使你保持在正確的方向上，并使任何提供反饋的人能夠更容易地快速了解整個流程。

最常見的寫作“坑”和其他建議

• 被動語態——不清楚為什么，但這是一個很常見的錯誤。被動被過度使用了(比如這里?)它既笨拙又模糊了誰做了什么。如果可以避免，就盡量避免。
• 要非常清楚自己的貢獻。永遠不要混淆以前做過的事和你做過的事之間的界限。
• 時態要一致。無論如何都要避免轉換，如果可以避免的話，也要避免使用將來時。"In Section 3 we will show"
• 盡量避免使用填充詞。想想你想說什么，然后說出來，別想別的。常見的填充詞有“can”、“In order to”等。示例:“The Bank Loan problem can be reformulated as a special subset of the contextual bandit problem”=>“The Bank Loan problem is a special instance of a contextual bandit problem”
• 寫完開頭的文字后，試著刪除三分之一的單詞。這是典型的“絨毛”數量。
• 請在Latex中使用正確的引號“正確的引號”(如果不清楚，可以復制粘貼)。
• 當作者是句子的一部分時，使用“\citet”，例如“\citet{foerster2016learnig} show ..”，以及“~\citep”，否則，例如“..”最近的工作~ \ citep {foerster2016learnig}”。
• 引用任何不被你的實驗支持的觀點，避免浮夸的語言或過于寬泛的觀點——這通常會讓你很容易毫無理由地攻擊這篇論文
• 不要把寫論文留到最后一分鐘。目標是在截止日期前一周完成一份完整的草稿。
• 在Overleaf中啟用更改跟蹤，并直接與您的協作者的電子郵件地址共享。這樣它就在UI中了
• 在使用首字母縮略詞之前介紹它。
• 盡量避免同義詞。
• 只介紹你在論文中使用的符號和首字母縮寫。
• 什么是粗體，什么是斜體?這取決于你，但是要始終如一。
• 避免使用隨機大寫(RC)，即使是方法名和引入首字母縮寫時也是如此。
• 避免人工智能算法的擬人化(“知識”等)。
• 避免主觀主張——通常形容詞是危險信號。
• “On the other hand”不能沒有“On the one hand”。
• 注意在一段話中單詞的重復。
• • 盡可能使用簡單的語言。避免使用罕見的詞或聽起來“花哨”。對于很多科學家(比如我自己)來說，英語不是他們的第一語言。
• 永遠不要復制粘貼其他論文，除非你是逐字引用。
• 從頭開始編寫代碼要比修改代碼更容易(也更合乎道德!)。

最后，與所有的作者進行大量的溝通(即，至少在最后一周每天)，以保持正確的方向并享受樂趣!!

工業廠房設計面臨的重大挑戰之一是確保項目執行期間產生的大量設計數據集的完整性。這項工作的動機是分享一些個人經驗，在項目期間由于自動化程度不夠，影響了交付物的質量，造成了數據完整性問題。因此，該項目尋求自動化解決方案，以檢測工業設計數據中異常值的形式。本項目提出了幾種新的方法，基于隱馬爾可夫模型（HMM）和被稱為基于邊際GRNN（MB-GRNN）改進的通用回歸神經網絡，以及將計算時間降到最低的優化技術。HMM被用于驗證使用自學方法的加工廠標簽號。實驗數據的結果表明，HMM的性能與一個定制的設計規則檢查算法相當。工業設計中部件的選擇涉及設置特定的設計參數，這些參數通常必須位于被稱為 "設計余量 "的允許范圍內。MBGRNN有能力直接從設計數據中估計這些允許的余量，并通過將估計余量之外的數據點識別為離群值來指出因設計參數的無效選擇而導致的潛在設計錯誤。極端允許邊際的邊界是通過使用拉伸因子（第二個內核加權因子）的迭代應用來 "拉伸 "GRNN的上、下表面來確定的。該方法在數據云周圍創建了一個對變量不敏感的帶子，與正態回歸函數相互聯系，提供了上、下限的邊緣邊界。然后，這些邊界可以用來確定異常值，并在設計期間預測設計參數的允許值范圍。這種方法與Parzen-Windows和另一種基于接近的方法進行了比較。MB-GRNN還得益于一種修改過的算法，該算法使用聚類、K-近鄰的組合來估計平滑參數，并打算作為決策支持系統來實施，以檢查工業設計數據的質量，幫助最小化設計和實施成本。預計這項研究工作中提出的無監督技術將受益于工業設計過程中不斷增加的自動化。

摘要

步兵模擬（IWARS）是一個實體級的戰斗模擬，通常用于估計使用不同裝備（包括手榴彈和榴彈發射器）造成的作戰效能差異。當一枚模擬手榴彈在IWARS中爆炸時，對附近人員的影響是通過查詢一個高分辨率模型預先計算出的喪失能力的概率值來確定的。這個值取決于許多因素，因此需要一個大的查詢表，可能會超過數據庫的最大容量。為了解決這個問題，創建了一個神經網絡輸入選項，讓分析師有機會使用高度壓縮的數據而不犧牲準確性或運行時間。以前的壓縮技術要么不太準確，要么提供較低的壓縮率。
這項研究是在2019財年進行的，是題為 "機器學習技術協助生成項目級性能估計，用于班級和士兵級作戰評估 "的研究的一部分。該研究的另一半將在另一份報告中討論。在這一半的研究中，梯度增強的決策樹被用來成功地預測人類主題專家（SMEs）的代理決定。(當所要求的系統沒有數據時，一個類似的系統通常被用作代用。) 訓練有素的決策樹模型可以用來為未來的數據請求建議代理，減少滿足這些請求所需的時間并提高所提供數據的準確性。

簡介

背景

步兵模擬（IWARS）是一個實體級的戰斗模擬，重點是下馬的士兵、班和排，通常被陸軍用來估計使用不同裝備造成的作戰效率的差異。特別是，IWARS被用來比較不同手榴彈和榴彈發射器的有效性[1, 2, 3]，幫助指導這些系統的開發和采購。

問題陳述

當一個模擬的手榴彈在IWARS中爆炸時，對附近人員的影響是通過查詢一個高分辨率模型預先計算出來的喪失能力的概率（P（I））值來確定的。P(I)值取決于許多因素，包括目標的姿態、防彈衣和任務（攻擊或防御），以及彈藥的下落角度、爆炸高度、爆炸到目標的范圍、爆炸到目標的方位角和爆炸后的時間。由于有這么多的因素，P(I)查詢表可能非常大。事實上，一個高分辨率的查詢表往往太大，無法裝入IWARS數據庫的最大容量約150兆字節。
為了解決這個問題，分析人員可以將IWARS數據庫分成更小的部分。例如，對12種新型空爆手榴彈的分析可以通過建立12個IWARS數據庫來進行，每種手榴彈一個數據庫。如果描述一種手榴彈的殺傷力數據太大，或者在特定情況下需要一種以上的手榴彈，但只有一種手榴彈的殺傷力數據可以放入一個數據庫，那么這種策略就會失敗。此外，即使這種策略是可行的，也有缺點：任何額外的數據庫變化都必須被鏡像12次，而且數據庫的大小會降低IWARS和數據庫編輯工具的速度。
另外，分析人員可以通過使用低分辨率的P(I)數據來規避數據庫的大小限制。這通常是通過刪除某些突發高度和突發到目標的范圍，并將突發到目標的方位角組的P(I)值平均化來實現的。這降低了模擬的準確性，也降低了對結果的信心。

目的

本文的目的是記錄這個問題的一個新的解決方案，這個方案在所有情況下都有效，而且幾乎沒有精度損失或模型運行時間的增加。它可以描述如下：
1.訓練人工神經網絡來學習P(I)值。然后，神經網絡的參數值將對原始P(I)數據進行編碼，從而對其進行壓縮。
2.在IWARS中重新創建這些神經網絡，以便在需要時估計P(I)值。

圖1：具有三個隱藏層的人工神經網絡的圖形和代數表示。

摘要：

復雜的高精度人機系統（如航空航天和機器人手術）的效率和安全性與其操作員的認知準備、管理負荷的能力和態勢感知密切相關。對腦力工作量的準確評估有助于防止操作員失誤，并通過預測因工作超負荷或刺激不足而導致的能力下降，從而進行相關干預。基于人體和大腦活動測量的神經人體工程學方法，可以在復雜的培訓和工作環境中提供對人類心理負荷進行可靠的評估。本文概述了可穿戴大腦和身體成像方法，通過神經/生理信號評估心理工作量的潛力，并提供了一種基于多模態生物傳感器，進行多領域認知任務中負荷比較評估的研究設計。這種利用神經成像和生理監測的綜合神經人體工程學評估，可以為下一代神經適應性接口和培訓方法的開發提供信息，以實現更有效的人機交互和操作員技能獲取。

圖3-1:傳感器套件顯示fNIRS、EEG、ECG、PPG和EOG(這里沒有顯示眼動跟蹤)。

低速、慢速和小型 (LSS) 飛行平臺的普及給國防和安全機構帶來了新的快速增長的威脅。因此，必須設計防御系統以應對此類威脅。現代作戰準備基于在高保真模擬器上進行的適當人員培訓。本報告的目的是考慮到各種商用 LSS 飛行器，并從不同的角度定義 LSS 模型，以便模型可用于LSS 系統相關的分析和設計方面，及用于抵制LSS系統（包括探測和中和）、作戰訓練。在北約成員國之間提升 LSS 能力并將 LSS 擴展到現有分類的能力被認為是有用和有益的。

【報告概要】

在安全受到威脅的背景下考慮小型無人機系統 (sUAS)（通常稱為無人機）時，從物理和動態的角度進行建模和仿真遇到了一些獨特的挑戰和機遇。

無人機的參數化定義包括以下幾類:

• 類型學，指的是無人機可以飛行的模式;
• 用于制造無人機的材料;
• 飛行性能;
• 螺旋槳種類;
• 分類;
• 導航系統;
• 遠程控制器特性(如果有);
• 有效載荷，考慮自身傳感器和可能的危險；
• 通信系統。

描述無人機飛行動力學的分析模型在數學上應該是合理的，因為任務能力在很大程度上取決于車輛配置和行為。

考慮到剛體在空間中的運動動力學需要一個固定在剛體本身的參考系來進行合適的力學描述，并做出一些假設（例如，剛體模型、靜止大氣和無擾動、對稱機身和作用力在重心處），可以為 sUAV 的飛行動力學開發牛頓-歐拉方程。

在檢測 sUAS 時，必須考慮幾個現象，例如可見波范圍內外的反射、射頻、聲學以及相關技術，如被動和主動成像和檢測。

由于需要多個傳感器檢測 sUAS，因此有必要考慮識別的參數以便針對不同類型的檢測器對特征進行建模。此外，對多個傳感器的依賴還需要在信息融合和集成學習方面取得進步，以確保從完整的態勢感知中獲得可操作的情報。

無人機可探測性專家會議表明了對雷達特征以及不同無人機、雷達和場景的聲學特征進行建模的可能性，以補充實驗數據并幫助開發跟蹤、分類和態勢感知算法。此外，雷達場景模擬的適用性及其在目標建模和特征提取中的潛在用途已得到證實。

然而，由于市場上無人機的復雜性和可變性以及它們的不斷增強，就其物理和動態特性對無人機簽名進行清晰的建模似乎并不容易。

sUAS 特性的復雜性和可變性使得很難完成定義適合在仿真系統中使用的模型的任務。這是由于無人機本身的幾個參數，以及考慮到無人機的所有機動能力和特性所需的飛行動力學方程的復雜性。

此外，sUAS 特性的復雜性和可變性不允許定義用于評估相關特征的參數模型。

圖1 無人機類別與其他類別/參數的關系（part 1）

圖2 無人機類別與其他類別/參數的關系（part 2）

圖3 參考坐標系

【報告目錄】