【技术实现步骤摘要】
本专利技术涉及深度学习，具体涉及基于深度学习模型的作战任务与作战体匹配方法、装置、计算设备及存储介质。
技术介绍
1、利用深度学习模型可以在模拟环境中模拟作战，评估不同作战体的表现，并优化其决策和行为策略。首先需要收集作战环境、武器系统、敌对势力、地理信息等方面的数据，然后，设计相应的深度学习模型模拟决策、行为和反应，生成虚拟作战场景，利用深度学习模型建模敌对势力的行为，预测作战双方的行为并据此指定战术决策。最后，根据评估结果，对深度学习模型和作战策略进行优化，以提高作战体在模拟环境中的表现。
2、在模拟作战过程中，要想执行一个任务，需要派遣什么兵种、多少兵力、多少武器装备，需要庞大的深度模型处理复杂的组合逻辑，存在无法高效完成作战任务规划和作战体分配相匹配的问题，影响模拟作战系统运行的效率。
技术实现思路
1、针对上述现有技术的不足，本方案提出了一种基于深度学习模型的作战任务与作战体匹配方法、装置、计算设备及存储介质，通过不同复杂度和参数量的两个深度学习模型分别进行作战体与作战任务的基本能力匹配和复杂能力匹配，能够提高模型运算效率。
2、根据本专利技术的第一方面，提供了一种基于深度学习模型的作战任务与作战体匹配方法，包括：基于数字孪生系统获取作战体的实体属性和行为属性；获取作战任务的多级属性，多级属性中包含基本属性和复杂属性；基于第一深度学习模型对任务的基本属性和作战体的基本能力属性进行匹配，得到第一匹配结果；基于第二深度学习模型对任务的复杂属性与第一匹配
3、通过多级深度学习模型可以设计出更加灵活的模型结构，以适应不同层次的输入数据和任务需求，在不同层次上对模型进行监督学习或强化学习，从而更好地优化模型性能，提高匹配的准确性和效率。
4、可选地，在本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法中，作战体的属性按照作战能力分为基本能力属性和高级能力属性，第一深度学习模型用于建立作战体基本能力属性与任务基本属性之间的基本匹配规则；第二深度学习模型用于建立作战体高级能力属性与任务复杂属性之间的复杂匹配规则。
5、可选地，在本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法中，基于数字孪生系统获取实体属性和实体关系；建立实体属性和行为属性之间的映射关系，构建用于实现实体执行行为的作战体；基于预先生成的节点配置文件确定作战体的节点类型和执行函数，构建得到行为树。
6、可选地，在本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法中，将作战任务划分为最小不可拆分的元任务，元任务包括侦查任务、攻击任务、防御任务、掩护任务、战略运输任务、特种作战任务、信息战任务；获取每个元任务的基本属性和扩展属性；将基本属性作为多级属性中的一级属性；将扩展属性作为复杂属性依次构建多级属性。
7、可选地，在本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法中，预先构建作战体基本能力属性与任务基本属性的基本能力匹配规则；基于基本能力匹配规则训练第一深度学习模型；将任务基本属性和作战体基本能力属性输入训练好的第一深度学习模型中进行匹配，得到第一匹配结果。
8、可选地，在本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法中，将任务基本属性和作战体基本能力属性编码为对应的向量表示；将向量表示输入到训练好的第一深度学习模型中，得到第一匹配结果；在第一匹配结果中优先选择有实体关系的作战体。
9、可选地，在本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法中，预先构建作战体高级能力属性与任务复杂属性的复杂匹配规则；基于复杂匹配规则训练第二深度学习模型；将任务复杂属性和第一匹配结果中所选作战体的复杂能力属性转换为向量表示后输入训练好的第二深度学习模型中，得到第二匹配结果。
10、根据本专利技术的第二方面，提供了一种基于深度学习模型的作战任务与作战体匹配装置，包括：第一获取模块、第二获取模块、第一匹配模块和第二匹配模块。
11、其中，第一获取模块，用于基于数字孪生系统获取作战体的实体属性和行为属性；第二获取模块，用于获取作战任务的多级属性，多级属性中包含基本属性和复杂属性；第一匹配模块，用于基于第一深度学习模型对任务的基本属性和作战体的属性进行匹配，得到第一匹配结果；第二匹配模块，用于基于第二深度学习模型对任务的复杂属性与第一匹配结果中的属性进行匹配，得到第二匹配结果。
12、根据本专利技术的第三方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行上述基于深度学习模型的作战任务与作战体匹配方法的指令。
13、根据本专利技术的第四方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行上述的基于深度学习模型的作战任务与作战体匹配方法。
14、根据本专利技术提供的基于深度学习模型的作战任务与作战体匹配方法和装置，实现了先通过第一深度学习模型匹配基本属性信息，对作战体进行粗略筛选。将粗略筛选出的作战体输入第二深度学习模型，进行与任务的复杂匹配。通过多级深度学习模型，可以在不同层次上对模型进行监督学习或者强化学习，实现分层次的决策过程，从而更好地优化模型的性能，并提高作战体和任务匹配的准确性和效率。
15、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种基于深度学习模型的作战任务与作战体匹配方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述作战体的属性按照作战能力分为基本能力属性和高级能力属性，所述第一深度学习模型用于建立作战体基本能力属性与任务基本属性之间的基本匹配规则；所述第二深度学习模型用于建立作战体高级能力属性与任务复杂属性之间的复杂匹配规则。
3.根据权利要求1所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述基于数字孪生系统获取作战体的实体属性和行为属性的步骤包括：
4.根据权利要求1所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述获取作战任务的多级属性，所述多级属性中包含基本属性和复杂属性的步骤包括：
5.根据权利要求4所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述基于第一深度学习模型对任务的基本属性和作战体的基本能力属性进行匹配，得到第一匹配结果的步骤包括：
6.根据权利要求5所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在
7.根据权利要求5所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述基于第二深度学习模型对任务的复杂属性与所述第一匹配结果中作战体的高级能力属性进行匹配，得到第二匹配结果的步骤包括：
8.一种基于深度学习模型的作战任务与作战体匹配装置，其特征在于，包括：
9.一种计算设备，包括：
10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-7任意一项中所述的基于深度学习模型的作战任务与作战体匹配方法。
...【技术特征摘要】
1.一种基于深度学习模型的作战任务与作战体匹配方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述作战体的属性按照作战能力分为基本能力属性和高级能力属性，所述第一深度学习模型用于建立作战体基本能力属性与任务基本属性之间的基本匹配规则；所述第二深度学习模型用于建立作战体高级能力属性与任务复杂属性之间的复杂匹配规则。
3.根据权利要求1所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述基于数字孪生系统获取作战体的实体属性和行为属性的步骤包括：
4.根据权利要求1所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述获取作战任务的多级属性，所述多级属性中包含基本属性和复杂属性的步骤包括：
5.根据权利要求4所述的基于深度学习模型的作战任务与作战体匹配方法，其特征在于，所述基于第...
【专利技术属性】
技术研发人员：李文军，赵韶平，
申请(专利权)人：易通星云北京科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。