為提升裝備維修保障兵棋系統(tǒng)的學習能力和對抗水平,前沿性的將人工智能領域相關理論技術應用到系統(tǒng)中,通過運用馬爾科夫決策過程（MDP）與神經(jīng)網(wǎng)絡等方法,在系統(tǒng)內(nèi)部建立環(huán)境感知反饋、過程在線學習等通道,進一步擴展、增強和延伸系統(tǒng)中AI的角色能力,并隨著推演次數(shù)的增加充分挖掘系統(tǒng)數(shù)據(jù)資源潛能,同步增強AI的推演行動反饋及戰(zhàn)術策略應用能力,提升利用效率,實現(xiàn)推演-學習-推演的有效循環(huán),以此來逐步提高兵棋系統(tǒng)的對抗推演水準,同步帶動裝備指揮員謀略決策能力的進一步提升,達到向?qū)崙?zhàn)化靠攏的要求。 

【文章來源】：兵器裝備工程學報. 2018年02期 北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
1 增強學習原理
    1.1 基本原理
    1.2 深度Q學習流程
        1.2.1 準備階段
        1.2.2 訓練階段
        1.2.3 應用階段
2 增強學習過程
    2.1 狀態(tài)與動作量化
    2.2 狀態(tài)轉(zhuǎn)移概率與回報值
    2.3 深度學習的應用
3 增強學習意義


【參考文獻】：
期刊論文
[1]基于人工智能的兵棋推演作戰(zhàn)分析研究與設計[J]. 鐘劍輝,傅調(diào)平,鄧超.  艦船電子工程. 2015(01)
[2]基于兵棋推演的作戰(zhàn)效能評估方法研究[J]. 吳偉,吳琳.  軍事運籌與系統(tǒng)工程. 2013(02)
[3]維修分隊戰(zhàn)時裝備維修能力評估方法研究[J]. 劉平,高崎,黃照協(xié),葛陽.  裝備環(huán)境工程. 2012(05)
[4]基于虛擬現(xiàn)實的導彈維修訓練系統(tǒng)[J]. 楊宇航,李志忠,傅焜,董巍,鄭力.  兵工學報. 2006(02)



本文編號：2922459