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

過去幾年來，大西洋上的敵對潛艇活動不斷加劇。此外，戰略對手開發出了先進的隱形潛艇，使其更難被發現。活動的加劇加上先進的平臺，使美國的對手得以挑戰其在水下領域的主導地位。雖然利用貝葉斯搜索方法對優化搜索策略進行了大量研究，但公開文獻中的大多數方法都側重于搜索靜止物體，而不是由藍方潛艇對移動的紅方潛艇進行搜索。因此，本文了建立了一個敵方潛艇模型，其目標是避免被發現。隨著搜索努力的消耗，敵方潛艇位置的后驗概率分布會根據負面搜索結果計算出來。提出了一種尋找搜索模式的方法，該模式試圖在貝葉斯框架內利用馬爾可夫特性使探測概率最大化。具體來說，研究了三種不同的運行窗口方法：一種簡單的網絡優化模型、一種在規劃整個路線的每個時間段后執行更新的網絡優化模型，以及一種只提前兩個時間段的動態程序。

圖 3：在場景 I-V 中，我們改變了 “紅方”的起始位置和 “紅方”的起始格數。請注意，場景 I 的起始位置是 SR 的右下方單元格。SR 的北端位于網格的頂部。左上角的單元格是（1,1），右下角的單元格是（20,20）。

過去幾年中，大西洋上的潛艇活動不斷加強，多艘紅色潛艇部署到大西洋。此外，美國的對手正在研制與美國海軍（USN）潛艇級別相當的高能隱形潛艇。正因為如此，美國高級領導人評估認為，大西洋不再是一個沒有爭議的戰場，這迫使美國海軍調整工作重點，以挑戰此類海底威脅。例如，2018 年，美國海軍重新組建了美國第二艦隊，以應對大西洋上的敵對潛艇活動 [LaGrone, 2018]。此外，海軍最近宣布成立一支新的驅逐艦特混艦隊，專門負責在短時間內做好部署準備，以應對大西洋上的獵潛艇[Shelbourne，2021]。在作戰方面，艇員在部署前都要接受額外的訓練和認證，以確保隨時準備應對敵對潛艇的海底威脅。

美國海軍正在采取的行動清楚地表明，大西洋上敵方潛艇存在的增加對國家安全構成了重大威脅。當 “紅方”潛艇部署到大西洋時，能夠快速定位和跟蹤它們對國家安全至關重要。俄亥俄級彈道導彈潛艇（SSBNs）的設計目標是成為核三巨頭中可生存的部分。SSBN 上的潛艇艇員在處于戒備狀態時，必須保持不被發現的狀態，這樣才能保持可靠的第二次核打擊能力，為總統決策提供更多的靈活性，并對戰略對手的核與非核侵略形成威懾。在 SSBN 附近水域活動的敵對潛艇，如果被前潛艇發現并跟蹤，可能會降低 SSBN 的生存能力。快速定位敵對潛艇的能力將使指揮官能夠調整 SSBNs 的位置，以最大限度地保證其生存能力，并將幫助海軍跟蹤紅色潛艇，以減輕其武器對本土的威脅。

從歷史角度看，反潛戰（ASW）真正開始于第一次世界大戰期間，目的是對抗德國帝國海軍的無限制潛艇戰戰略[Cares，2021]。從那時起，反潛戰演變為兩類：進攻性反潛戰和防御性反潛戰[Cares, 2021]。在進攻性反潛戰中，目標是獵殺敵方潛艇[Cares, 2021]。但需要注意的是，在和平時期的行動中，其目標會有所改變，即確定敵方潛艇的位置并與之保持聯系[Cares, 2021]。另一方面，防御性反潛戰的目標是保護資產免受敵方潛艇的攻擊[Cares, 2021]。這兩項工作的共同點是需要有效地發現敵方潛艇。潛艇指揮官會得到可在其中行動的水域空間、敵方潛艇的位置信息以及可能有關敵方潛艇任務的情報。有了這些信息，指揮官就需要制定搜索敵方潛艇的計劃，通常是在計劃范圍內（如 12 小時）進行搜索。

碎片和子彈等穿透性彈道射彈造成的傷害是沖突中軍人（和平民）傷亡以及恐怖事件傷亡的主要原因。

本研究項目的主要目的是開發便于在物理和虛擬環境中評估穿透彈道射彈傷害的模型。

該領域的現有模型和文獻僅限于范圍較窄的場景（如特定的射彈類型），或對模型的驗證有限。

除了廣泛的原始數據集和新穎的數據分析技術外，還整理了肌肉組織的彈道數據和文獻中的模擬物，從而對皮膚和肌肉組織模擬物在傷口彈道學研究中與碎片和子彈相關的有效性進行了明確的評估。

開發的一系列物理和虛擬模型適用于評估彈道和爆炸場景中穿透性射彈的風險。

被認為特別新穎的是開發了一種新的碎片，通過預測眼睛穿透和皮膚穿孔的風險來評估低密度和低能量碎片的危害，并估計射彈的沖擊速度。

所開發的一系列物理和虛擬模型已用于深入了解（和描述）在使用真實組織或組織模擬物時影響物理測試結果的目標因素。

利用這些模型改進了英國武裝部隊和警察的戰術、技術、程序和設備，最終減少了傷害，挽救了生命。

圖 2：模型聯系概述。箭頭表示數據流/模型開發的方向（MDFPIM = 多離散碎片物理損傷模型）。

影響彈藥在水下沉積環境中的埋藏和移動的因素很多。它們是：(a) 沉積物的物理和機械特性；(b) 作用于彈藥和彈藥附近沉積物的流體力；(c) 彈藥與海床之間的相互作用（近場）；(d) 有關沿海地區的遠場海床動力學。由于巨大的非線性相互作用過程和難以進行可靠的測量，水下環境十分復雜。水下彈藥和海雷的埋藏和移動預測是相似的。了解海雷的物理特性并理解其在各種沉積環境下的行為是最重要的，但仍然是一門不精確的科學。觀察結果表明，掩埋對海底沉積物的類型、流體作用的性質以及物體的大小和形狀都很敏感。埋設在泥質沉積物區域的地雷可能會在撞擊時下沉。

在 ONR 加速研究計劃（ARI）"2001-2005 年地雷埋設預測 "期間，開發了一個 6 DoF 模型，用于預測海雷穿過空氣、水和沉積物的三維軌跡。該模型包含非線性動力學、流體與結構相互作用、不穩定性理論和軸承系數法等完整的物理學原理，用于計算沉積物中地雷運動的沉積力和帶有空腔的扭矩。在海軍 6-DoF 模型、Delft3D 以及 SERDP MR-2320 (TREX13) 和 MR2319 收集的現場實驗數據的基礎上，本項目建立了水下彈藥移動和掩埋（UnMUMB）模型。

該項目是直接根據《彈藥應對計劃領域需求說明》（MRSON-13-02）制定的，其中要求的主題包括：(1) 評估和預測彈藥相對于海底的位置；(2) 評估發現彈藥的環境。此外，獲得的彈藥位置信息可用于評估各種水下傳感器和勘測方法的效用。

該項目通過開發海底環境和 UnMUMB 模型的耦合組合，提高對河口、沿海和開闊海域等水生環境中的軍用彈藥進行探測、分類和補救的能力。海底環境組件是著名的 Delft3D（開源），可提供沉積物類型、海底形態的精確地圖，以及大氣和潮汐作用下水動力條件的精確信息。彈藥流動性部分由 UnMUMB 模型組成。該耦合模型可提供水下彈藥及其環境的重要統計特征。

目標是為彈藥響應（MR）界開發一個有效的海底環境和 UnMUMB 耦合模型，以評估環境并預測彈藥的流動性。由于在沉積物類型、海底形態和水動力條件等各種環境特征下，彈藥的埋藏和移動情況各不相同，因此及時預測海底環境和彈藥的移動情況，包括其位置和埋藏情況，對于評估水下彈藥及其環境的特征至關重要。

UnMUMB 模型使用 6-DoF 動量矩方程預測水下彈藥在不同物體參數和初始條件下的埋藏和移動情況。移動性由方程 (13) 預測，埋藏性由方程 (21) 預測。Delft3D 輸出提供了彈藥周圍的環境參數，UnMUMB 模型需要這些參數來預測彈藥的埋設和移動情況。在另一項研究（MR-2320）中，利用環境條件和一系列目標參數對 Delft3DUnMUMB 耦合模型的能力進行了驗證。

在第 2 節和 Calantoni 等人（2014 年）所描述的現場實驗中，潛水員和扇區掃描聲納圖像觀察到了代用彈藥和仿制彈藥的移動性和掩埋情況。在 2013 年 5 月 8 日進行的維護性潛水中，潛水員在淺層四腳架位置共回收了 8 枚彈藥（圖 3b）。在 8 枚彈藥中，4 枚彈藥的相對密度（ρo/ ρw）大于 2.5，即 3.11（C4）、7.19（C6）、2.72（D3）和 7.19（D6）。UnMUMB-Delft3D 耦合模型預測 C4（ρo/ ρw=3.11 ）、C6（ρo/ ρw=7.19 ）、D3（ρo/ ρw=2.72 ）和 D6（ρo/ ρw=7. 19）；移動性方面，A2（ρo/ ρw=1.43）的位移為 20.7 米，C2（ρo/ ρw=1.20）的位移為 6.52 米，B5（ρo/ ρw=2.36）的位移為 0.50 米，A5（ρo/ ρw=2.60）的位移為 0.30 米。這可能部分回答了 Traykovski 和 Austin（2017 年）在另一項研究（MR-2319）中提出的問題： "例如，快速增加的波是否能夠調動相對密度大于 2.5 的物體？

未來的工作應探索確定移動閾值的作用，即密度接近或小于水飽和沙的物體傾向于遷移，而密度較大的物體傾向于掩埋；并確定在有水深限制和無水深限制的環境中，彈藥在高能波浪和水流作用下的遷移距離。此外，為了在現實世界中使用，需要對物體的幾何特征進行升級，使其包括與真實彈藥相匹配的各種形狀。

圖 2：(a) 深層和淺層四腳架的位置，(b) 2013 年 4 月 20 日 12:40 左右（當地時間）從 R/V Smith 上將深層四腳架（近 3.3 米高）部署到水深約 20 米處。

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏"（DRIP）的無效局面。可操作信息的理想解決方案是協調高價值單元（HVUs），以支持識別和瞄準等行動。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效利用現有數據所需的經驗和數據訪問能力。有經驗的分析人員也不夠接近邊緣，無法為戰術和作戰層面的作戰提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目標是分析潛在目標的威脅，以便就與目標交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

項目概述

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏 "的無效局面。可操作信息的理想解決方案是協調高價值單元，為識別和瞄準等行動提供支持。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效使用現有數據所需的經驗和數據訪問能力。而那些有經驗的分析人員也不夠接近戰爭邊緣，無法為戰術和作戰層面提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和分析建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目的是分析潛在目標的威脅，以便就與之交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

利用機器學習算法、人工智能、知識圖譜和圖形識別技術，主要結果令人鼓舞：如果我們將預先訓練好的數據集應用于先前加權的神經網絡算法，那么機器學習算法的第一次迭代或歷時的準確率為 20.2%。隨后的迭代會顯示出更顯著的準確率增長，在五個或更多迭代之后，準確率會達到 94.9%。雖然結果顯示準確率很高，但運行深度卷積神經網絡算法的大型數據集需要大量時間，有時需要多個小時才能完成。如果所需信息的時間至關重要，則需要專用的高功率計算。要評估本報告所述方法的實際功效，可能需要進行實際測試。在未來的研究中還可以應用其他方法，例如用目標的基帶調制同相和正交分量代替視覺表示，將其應用到知識圖譜中，可能會提高作戰目標識別的效率和準確性。

研究背景

神經網絡的協同和自組織如何影響復雜網絡傳感器的效率和作戰識別？我們能否通過信息的動態形成形成弱聯系和強聯系以支持新知識？圖機器學習和建模技術（概率圖模型、神經網絡和聚類算法）可應用于射頻（RF）信號數據的知識圖譜。因此，本研究的主要目的是了解自組織和復雜自適應系統是否會產生新的特性，從而更好地探測、識別和分析潛在目標，以便進行戰斗識別。研究假設必須考慮新知識的可信度、不確定性和準確性等關鍵因素。將對收集數據的方法（如時間和位置屬性、關系強度、知識圖譜的精確度和召回率）進行仔細研究。這些指標將與地面真實目標校準信號進行比較，以證明本研究在戰斗識別方面取得的進步。

這與當前有關美國防部行動的研究有重大關聯。將通過適當的艦隊實驗來考慮適當和可行的以數據為中心的方法，從而實現 JADC2 的作戰概念，如 "感知、理解和行動"。戰術態勢感知（TACSIT）、遠征高級基地作戰（EABO）、分布式海上作戰（DMO）和有爭議的環境都是提供交戰決策所需知識的因素。必須在正確的時間、正確的地點提供所需的適當數據，以實現決策優勢。本研究將重點關注利用戰區現有傳感器、參考發射器和多信息協調解決方案（MIOS）架構進行聯合作戰識別。JADC2 概念、數據結構和信息共享格式將是調整的主要參考方案。在美軍方面，基于圖形的技術能夠以一種新的方式來解決高置信度超視距估算問題，以確定任務風險和部隊風險。

在方法論方面，當前的研究利用已知的飛機圖片作為訓練數據集，同時應用機器學習算法。我們的測試使用了 14,806 張經過驗證的圖片，這些圖片被分成一個個小塊，稱為 "類"。研究說明了我們對深度神經網絡的測試結果，因為它們與戰斗識別應用有關。測試使用的 Python 代碼加載了各種分析庫，如 NumPy、Pandas、Seaborn、Efficient Net 和 Tensor Flow Keras。加載了一個包含 14 806 張圖片的大型數據集，該數據集可以隨機分割或拆分為訓練集和測試集。這兩組數據會被進一步分割成更小的數據塊進行處理，例如以 40 張圖片為一批。在訓練和驗證過程中，對準確率和信息損失進行測量。訓練過程在 20 個神經元層上多次重復和迭代。每次迭代或歷時的結果都會反饋到下一輪迭代中。具體來說，權重被保存并用于下一輪迭代。然后使用測試數據集上的最佳迭代結果進行預測。

結果和結論

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，會產生大量數據，如果能對這些數據進行快速有效的分析，就能提供戰斗空間感知和戰斗識別。由于目前的方法不足以在戰術層面保持流暢高效的態勢感知，因此提供可操作信息和及時發現未知信號的高效解決方案意義重大。這項研究考察了使用機器學習和知識圖譜的各種算法，以評估能否提高效率和準確性。研究結果表明，使用圖形文件識別目標是可行的，但要獲得更高的準確度，必須進行多次迭代。例如，如果采用標準的非加權快速算法，運行視覺數據集的準確率為 5.6%。但是，如果使用先前加權的神經網絡來啟動這一過程，第一個迭代的準確率就會達到 20.2%。使用這些初始權重，在隨后的五個epoch后，準確率大幅提高至94.9%。運行大型數據集的主要問題是深度卷積神經網絡的運行時間。一個只有 14,806 張圖片的中等數據集，5 個epochs 可能需要 3 個半小時以上。因此，如果時間要求很高，就需要專用的高功率計算。此外，除了運行時間外，深度神經網絡的局限性還在于需要多次迭代，在迭代過程中，任何低級別的準確度和精確度類類型都需要用更好的圖片來替換。建議下一步可以進行實際測試，以確定本報告所述方法的實際功效。

進一步研究的建議

根據研究結果，建議采取的下一步措施包括使用實際生活中的連續數據流，既包括圖形文件格式，也包括其他類型的識別數據，如使用同相和正交（I&Q）數據，其中數據已預先分配了預檢測和預解調信息。在通信系統中，大多數信號都被基帶調制成同相（I）和正交（Q）子分量。然后通過射頻（RF）頻譜進行傳輸。在另一端，接收器對信號的 I&Q 子分量進行解調，并利用預先訓練的數據對先前確定的戰斗進行識別，從而進一步提高探測的速度、準確性和效率。可以利用知識圖譜和圖形距離誤差測量方法，以一定的概率快速確定目標是敵是友。

軍用飛機推進系統是噴氣發動機設計中最具挑戰性的領域之一： 在受飛機空氣動力學影響極大的多變環境中工作時，這些發動機應在不影響可靠性和運行成本的前提下，以盡可能小的體積提供大的推力輸出。此外，軍用飛機運行的多學科性質經常會引入相互矛盾的性能目標，很難將其納入發動機設計中。所有這些因素再加上發動機開發成本非常高，因此有必要在設計階段的早期進行適當的選擇，以確保開發過程的成功和新發動機概念的可行性。

盡管該領域的研究數量巨大，但也許是由于所涉及數據的敏感性，迄今為止發表的研究都集中在相當具體的主題上，而沒有涉及完整的多學科飛機推進系統集成問題。為此，需要結合不同研究領域的內容和貢獻，建立新的綜合方法。

本項目研究開發一種新方法，將發動機初步設計與飛機運行要求相互聯系起來。在此范圍內，構建了通用軍用機身的表示方法，并將其與發動機性能模型和仿真工具相結合，以研究推進系統對飛機任務性能和生存能力的影響。更具體地說，該項目在軍用飛機推進系統集成領域的貢獻主要集中在三個方面：

• 新的軍用飛機表示法，模擬飛機與推進系統之間相互作用的關鍵方面： 飛機空氣動力學、機身/推進系統空氣動力學干擾、紅外和噪聲特征。該模型計算要求低，適合用于大規模參數研究和軌跡優化案例。

• 基于模擬的新技術，用于估計爬升性能和評估飛機/發動機配置在現實任務場景中的任務能力。所開發方法的創新點包括爬升軌跡問題的多目標表述、高度-機械跟蹤技術、能量-機動性（E-M）技術的擴展，允許同時優化飛機軌跡和發動機計劃，以及為軍用飛機引入最小噪音和紅外軌跡。

• 考慮到飛機的紅外特征和飛機/導彈的運動性能，量化推進系統對飛機生存能力的影響。這是通過將飛機紅外模型與導彈對飛機和飛機對飛機的運動模擬相結合來實現的，這些模擬用于測量飛機易受攻擊的程度，以及飛機自身攻擊機動目標的能力。

上述方法是利用已公布的數據開發和驗證的，并在一系列測試案例中用于研究飛機的性能趨勢，在這些案例中，不同的推進系統設計在各種模擬任務中的有效性得到了評估。結果成功證明了所開發的方法能夠量化飛機性能與發動機設計之間的關系，為理解采用不同推進系統配置所產生的性能權衡提供了基礎，從而最大限度地提高動力裝置設計過程的效率。

隨著現代系統日益復雜，傳統的測試方法已顯不足。用于驗證這類大型復雜系統軟件的測試文檔套件可能變得臃腫而不清晰，導致執行時間極長，測試程序混亂而難以管理。此外，這些系統的復雜性也會阻礙對復雜系統概念和行為的快速理解，而這正是跟上現代測試工作要求的必要組成部分。

測試與評估（T&E）領域存在優化和創新的機會，自動測試框架和迭代測試方法的出現就是證明。基于模型的系統工程（MBSE）等相關概念的定向擴展和應用將帶來更多機遇。本論文記錄了在應用于實際項目時加強測試與評估領域的三種方法的開發和實施情況。首先，系統的開發方法從瀑布式（Waterfall）過渡到了敏捷式（Agile），從而在創建新功能時提供了一種反應更快的方法。其次，開發了測試自動化框架（TAF），實現了測試程序的自動執行。第三，使用系統建模語言（SysML）創建了一種測試文檔方法，采用了 MBSE 的概念，使測試程序的規劃和分析標準化。

本論文提供了將這三個概念應用于機載電子戰管理系統（EWMS）開發過程的結果，該系統與機載和機外系統連接，接收和處理威脅環境，為飛行員或機組人員提供保護飛機的響應解決方案。該系統是一個傳統的長期航空航天項目的代表，在其生命周期內不斷升級。在為期兩年的時間里，這一新流程產生了一系列定性和定量結果，包括提高了測試文檔套件的質量和組織性，縮短了執行測試程序的最短時間，能夠更早地識別缺陷，并提高了被測系統的整體質量。在應用這些概念的過程中，我們還汲取了許多經驗教訓。項目開發方法的轉型、測試方法的現代化以及新測試文檔系統的引入可能會為系統開發帶來顯著的效益，但這些類型的流程變革必須與項目需求進行權衡。本論文詳細介紹了在一個示例項目中為提高測試與評估流程的有效性所做的努力，并以此作為在類似系統中實施的框架。

測試是系統或產品開發生命周期的重要組成部分。適當的驗證和確認工作有助于確保產品按預期開發并滿足客戶需求。美國國家航空航天局（NASA）估計，測試工作占大型航空航天項目軟件開發總成本的 75% 至 88%。如下圖 1 所示，高度復雜的系統需要極其龐大的源代碼基線（例如，截至 2012 年，F-35 戰斗機和支持軟件的源代碼行數（SLOC）總計超過 2400 萬行），這就需要大量的測試工作來進行適當的驗證。

此外，現代軟件工程實踐通常不支持確保軟件質量所需的回歸測試管理。隨著現代系統的復雜性不斷增加，以及對網絡安全等系統開發相對較新方面的關注，傳統的測試方法需要優化和創新。

截至 2007 年，"來自行業的數據顯示，在過去 40 年中，各種系統和應用軟件的規模呈指數增長"。這種指數式增長直接影響到用于測試這些系統的程序的規模和復雜性。此外，隨著產品的成熟和長期使用，為產品開發的測試套件的規模也會大幅增加。通常情況下，這種增長會產生大量的測試程序，隨著時間的推移，這些測試程序會不斷演變，從而形成一個測試套件，在某些方面，它本身就可以被視為一個產品。這種測試套件的演變可能是由多個測試工程師共同完成的，這可能會造成風格不一致，并增加一層復雜性。這種高度的復雜性可能會產生各種與測試相關的問題：

• 測試執行時間過長
• 測試程序混亂
• 測試覆蓋范圍不完整
• 測試范圍重疊的重復測試程序
• 需求跟蹤不完整
• 無法專注于特定功能的回歸測試

如果不加以糾正，這些問題可能會在以下方面影響整個開發流程：

• 無法快速發布新的更新
• 無法適應設計變更
• 發布未經充分測試的產品
• 對未發生變化的組件浪費測試精力

在過去幾年中，測試工程工作量大幅增加。這與提高生產力和效率的目標一起，制定了以下目標：

• 提高測試程序套件的可維護性

  • 小型系統的測試程序可能不足 100 頁，而大型系統的測試程序可能長達數百至數千頁。

  • 一些測試程序變得臃腫和混亂，導致出錯時需要花費更多的調查時間。

• 提高需求與測試程序之間的可追溯性

  • 不同系統的需求映射并不總是一致的。

  • 根據程序的歷史和客戶需求，有些系統沒有需求跟蹤，而有些系統則有測試步驟的需求跟蹤。

• 減少小版本和大版本的測試執行時間

  • 對于較簡單或較非正式的系統（即次要系統），正式測試執行時間平均為幾天到幾周。

  • 對于最復雜的系統（即主要系統），正式測試執行時間（模擬運行和正式驗收）可長達 18 周或更長。

• 引入測試自動化

  • 歷史上，所有測試都是手動執行的。

  • 在過去幾年中，研究人員一直在帶頭努力實現測試自動化。

• 縮短測試工程師培訓時間

  • 對于復雜的嵌入式系統，適當的培訓（即了解系統和測試流程）可能需要 6 到 8 個月的時間，而對于支持工具，則需要 1 到 3 個月的時間。

因此，研究人員一直在研究將敏捷開發流程、自動測試和系統工程方法結合應用到測試與評估（T&E）領域，作為解決上述某些因素的潛在方案。

方案概述

本文所述的研究試圖解決前面討論的問題。解決方案通過三項措施來實現：

1.向敏捷開發流程轉變

2.實施測試自動化

3.融入基于模型的系統工程（MBSE）概念

過渡到敏捷流程會改變產品開發的方式，但也會帶來一些好處，如提高整體產品質量、增加項目可見性和降低風險。此外，加入持續集成（CI）等 DevOps 概念還能通過簡化流程提高部署速度。具體到本論文，敏捷過渡的重點是對測試工程師的系統訪問、團隊生產力、工程師培訓時間以及需求重要性的影響。

測試自動化通常是指將測試程序從手動流程（即測試工程師實際完成程序中的步驟并記錄結果）過渡到自動化流程（即測試工程師開發腳本，執行測試程序中的操作并自動記錄結果），但測試自動化的好處遠不止機器以最快速度執行測試程序所帶來的好處。這些益處將在后面的章節中進一步討論，其中包括增強測試工件的組織性、提高產品測試和產品本身的質量、縮短測試執行時間，以及為優化整個產品開發流程創造更多機會。

將 MBSE 概念和技術融入測試與評估領域，可以加深對系統的理解，提供系統功能和組件的映射方法，以及提高回歸測試效率的目標策略。為測試目的創建的系統模型有可能在以下方面得到有效利用：

• 根據壓力運行條件確定有效的測試點
• 根據依賴關系、外部交互以及適用的政策和標準等項目，定義測試用例的環境
• 分析和理解模棱兩可的測試結果
• 提供系統組件之間的可追溯性
• 管理和溝通回歸測試的范圍

本論文利用強化學習（RL）來解決空戰機動模擬中的動態對抗博弈問題。空戰機動模擬是運籌學領域常見的一種順序決策問題，傳統上依賴于智能體編程方法，需要將大量領域知識手動編碼到模擬環境中。這些方法適用于確定現有戰術在不同模擬場景中的有效性。然而，為了最大限度地發揮新技術（如自動駕駛飛機）的優勢，需要發現新的戰術。作為解決連續決策問題的成熟技術，RL 有可能發現這些新戰術。

本論文探討了四種 RL 方法--表式、深度、離散到深度和多目標--作為在空戰機動模擬中發現新行為的機制。它實現并測試了每種方法的幾種方法，并從學習時間、基準和比較性能以及實現復雜性等方面對這些方法進行了比較。除了評估現有方法對空戰機動這一特定任務的實用性外，本論文還提出并研究了兩種新型方法，即離散到深度監督策略學習（D2D-SPL）和離散到深度監督 Q 值學習（D2D-SQL），這兩種方法可以更廣泛地應用。D2D-SPL 和 D2D-SQL 以更接近表格方法的成本提供了深度 RL 的通用性。

貢獻

本文有助于以下研究領域：

• 設計獎勵信號以推動空戰機動領域的學習，以及確定最有效信號的相應評估。
• 第 6 章中介紹的結合 RL 和監督學習的新方法，可加速深度 RL 并超越基準算法。考慮到 RL 的訓練是一項非常昂貴和資源密集型的操作，這些縮短學習時間的新方法是本論文最重要的貢獻。
• 優于單目標智能體的多目標 RL 智能體，在第 7 章中介紹。這是一個非常重要的貢獻，因為它證明了多目標 RL 這一相對較新的發明可以在不增加學習時間的情況下超越單目標 RL 的性能。
• 用于訓練和測試單目標和多目標 RL 智能體的開源框架。

引言和目標

盡管機器人系統在深海干預中無處不在，但這種方法對淺水未爆彈藥修復的影響有限，這在很大程度上是由于目前遠程操作技術相對粗糙且不靈巧。計算機輔助或控制方法為解決水下遙控操作的基本問題提供了巨大的希望，可以安全有效地執行未爆炸彈藥修復任務；但是，這種計算機輔助需要準確的海底未爆炸彈藥數字模型。雖然陸地研究可以依靠各種基于結構光和激光雷達的傳感器來近乎實時地生成此類模型，但對于水下應用，尤其是在未爆彈藥修復工作最為重要的淺層渾濁水域中的操作，目前還沒有此類交鑰匙解決方案。本計劃研究如何利用可見光立體攝像機和高頻前視聲納，結合平臺運動，構建和更新海底未爆彈藥的三維重建。

技術方法

這項工作包括四項主要任務：(1) 建造包含 4K 立體相機和 2.1 MHz 成像聲納的傳感器平臺，以及允許所有傳感器數據時間同步記錄的軟件。該系統安裝在攝影機龍門架上，可進行重復、有限制的運動，近似于在操作前和操作過程中對未爆彈藥進行近距離檢查。(2) 利用傳感器捕捉系統收集數據集；包括相關的元數據以及對地面真實世界結構和攝像機軌跡的估計。(3) 開發所有傳感器之間的重投影模型，特別是使用觀測數據估算攝像機中心與聲納數據原點之間機械偏移的程序。最后，(4) 擴展 LSD-SLAM（一種單目同時定位和繪圖（SLAM）算法），以滿足所述應用的特殊要求，包括利用立體聲進行直接比例測量，在攝像機運動相對較小的情況下改進模型收斂性，以及納入聲納數據。

結果

結果表明，改進后的 LSD-SLAM 算法能利用立體視頻實時生成測試場景的收斂三維模型，包括對攝像機軌跡的估計。除了未發現的比例誤差外，該軌跡與獨立測量的地面實況軌跡在攝像機位置和姿態方面都具有很高的一致性。此外，還演示了一種有效的攝像機到聲納校準程序，包括將聲納數據投射到視覺框架中的初步結果。

效益

該計劃開發了用于收集物體同步立體視頻和成像聲納數據的硬件和軟件工具，包括估計地面真實場景結構和攝像機軌跡。它還展示了立體視覺方法在低湍流條件下進行三維重建的有效性，從而在原始應用（輔助遙控潛水器操作）方面繼續取得進展。在確保視覺重建的穩健性以及利用聲學數據補充或替代光學數據方面，仍有大量工作要做。

圖 1：計算出的聲納到相機的外在校準可將聲納數據（左）中的高強度點重新投影到相機（右）的視角中，注意投影點位于聲納光束圖案的垂直中心線上；在聲納垂直孔徑內觀察到的目標的真實垂直位置無法從數據中測量。

建立聚合模型的必要性

大規模作戰仿真模型可為許多軍事決策問題提供有用的見解。此類模型的設計者試圖盡可能準確、可信地再現戰爭。對中等規模的部隊來說，高分辨率建模有助于提高可信度，但對更大規模的部隊來說，則需要對模型進行聚合，使其不超出計算機大小和執行時間的限制。第一章將集中討論戰斗模型中的聚合概念--它意味著什么、如何實現以及它對模型可信度的影響。

在高分辨率戰斗模型中，通過將單個戰斗員表示為獨立實體，可實現詳細的戰爭視圖。每個實體都有許多屬性，這些屬性定義了其在部隊中的獨特位置、對戰場和敵軍的獨特感知、能力以及在模擬戰斗時間的每個時刻的活動。

戰斗過程被分解為高分辨率的事件和活動序列。復雜的定時機制可協調眾多戰斗人員的事件序列，從而模擬出微妙的互動模式。

整個高分辨率模擬的目標是對每種戰斗現象進行建模，使結果可（通過我們理解并接受的代表戰斗行動的公式和邏輯）追溯到具體的物理性能數據或具體的行為假設。這種審計線索的存在是精心構建的高分辨率模型的最大優勢。它使我們能夠評估武器、傳感器或戰術的細微差別，并理解為什么不同的輸入會提高（或降低）作戰性能。

但是，高分辨率建模方法也存在一些問題。高分辨率模型涉及大型、復雜的計算機程序，開發、維護和運行成本高昂。它們通常也是隨機的，因此需要復制才能得到模擬戰役的答案。當我們試圖模擬師級或師級以上的大型部隊時，戰斗員和武器系統的數量之多使我們無法保持單個項目的分辨率。這些級別的模型必須犧牲細節來換取范圍。通過將單個戰斗員聚合成更大的單元，大規模戰斗建模人員可以將模擬實體的數量減少到可控范圍內。

很快就會看到，將單個戰斗員聚合成單元完全改變了對一些基本戰斗過程的描述。有許多有趣的方法可以模擬這些聚合單元之間的戰斗交互。本書的主要目的是研究聚合程序和利用由此產生的聚合單元的大規模戰斗模型。

聚合的內容

在最簡單的層面上，聚合戰斗模型是一種基本模型實體是群體而不是單個戰斗員的模型。這個簡單的概念對整個戰斗模型結構都有影響。

將戰斗員聚合為戰斗單元

將單個戰斗員組合成戰斗員群體是一項簡單的任務，因為分級軍事指揮結構已經定義了一系列適當的分組。陸軍作戰模型一般從指揮層次結構中選擇基本單元規模：

單兵
班
排
連
營
旅
師
團
陸軍
戰區

模擬實體則是基本規模或更大的作戰和支援單元。每個模擬實體都有詳細的屬性列表，因此（假設基本單元規模為一個營）每個營都有自己獨特的情況、戰場感知、能力和當前活動。

大于基本單位規模的單元，如上級總部，將作為單獨實體建模，并根據模型對指揮層級的描述要求提供相應的屬性。

小于基本規模的單個戰斗員和戰斗員群體不作為單獨的模擬實體。這些較小群體的詳細屬性會在模擬中丟失。例如，聚合模型可能會保留一個營的中心位置和前沿寬度，以代替每個戰斗人員的精確位置。假定營中的單個戰斗員位于營區的某處（可能均勻分布），但模型不會跟蹤單個位置。

關于集合單元中戰斗員狀態和活動的有限信息可以平均屬性的形式保存，但單個系統之間的可變性就會丟失。例如，一個坦克營的剩余彈藥總量可作為該營的屬性保存。這與坦克的剩余數量一起，得出了每輛坦克的平均彈藥數，但匯總模型通常不會在意有些坦克幾乎彈盡糧絕，而另一些坦克只發射了幾發炮彈。

將單個戰斗人員聚合成組的第一個后果是，個體差異的信息會丟失。聚合模型通常處理的是平均屬性，因此往往會平滑高分辨率模型輸出中的波動。