买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜武汉和弦科技有限公司申请的专利一种基于虚实结合的仿真推演杀伤链构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118586268B 。

龙图腾网通过国家知识产权局官网在2025-04-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410625874.X，技术领域涉及：G06F30/27；该发明授权一种基于虚实结合的仿真推演杀伤链构建方法是由陆正武;吴晨;黄冬明设计研发完成，并于2024-05-20向国家知识产权局提交的专利申请。

本一种基于虚实结合的仿真推演杀伤链构建方法在说明书摘要公布了：本发明提供一种基于虚实结合的仿真推演杀伤链构建方法，涉及仿真技术领域，包括：S1：获取作战任务，根据作战任务的需求，识别并定义目标，基于作战任务确定杀伤链的类型；S2：针对不同的作战域，收集相应的场景数据，基于场景数据构建三维数字化虚拟环境；S3：针对各类型的作战平台，建立多维度物理模型，并将多维度物理模型实时渲染至虚拟环境中，形成虚拟作战单元，其中，作战平台包含多个传感器；S4：采集各个作战平台的传感器数据，对传感器数据进行融合，生成统一的目标态势图；S5：根据目标态势图和作战知识库，利用决策算法进行方案决策，生成作战方案；S6：在虚拟环境中对作战方案进行推演验证，利用评估方法对作战方案进行评估和优化，得到优化后的作战方案；S7：将优化后的作战方案转化为可执行的指令参数集，通过异构网络将指令参数集传输至各个作战平台，进行协同调度作战；S8：根据步骤S1‑S7的过程，形成杀伤链。本发明提供了可靠的不同作战域的杀伤链构建方法，不仅提高了作战的灵活性和效率，也为未来作战领域的发展奠定了坚实基础。

本发明授权一种基于虚实结合的仿真推演杀伤链构建方法在权利要求书中公布了：1.一种基于虚实结合的仿真推演杀伤链构建方法，其特征在于，包括以下步骤：S1：获取作战任务，根据作战任务的需求，识别并定义目标，基于作战任务确定杀伤链的类型；S2：针对不同的作战域，收集相应的场景数据，基于场景数据构建三维数字化虚拟环境；S3：针对各类型的作战平台，建立多维度物理模型，并将多维度物理模型实时渲染至虚拟环境中，形成虚拟作战单元，其中，作战平台包含多个传感器；S4：采集各个作战平台的传感器数据，对传感器数据进行融合，生成统一的目标态势图；S5：根据目标态势图和作战知识库，利用决策算法进行方案决策，生成作战方案；S6：在虚拟环境中对作战方案进行推演验证，利用评估方法对作战方案进行评估和优化，得到优化后的作战方案；S7：将优化后的作战方案转化为可执行的指令参数集，通过异构网络将指令参数集传输至各个作战平台，进行协同调度作战；S8：根据步骤S1-S7的过程，形成杀伤链；步骤S4包括：S41：采集多个传感器的数据，将多个传感器的数据进行时空校准；S42：使用数据关联算法将不同传感器观测到的同一目标的数据进行匹配，形成目标数据集；S43：采用融合算法对每个目标数据集进行集内融合，得到每个目标的融合数据；S44：将融合数据转化为目标信息，根据目标信息生成目标态势图；步骤S43包括：S431：每个传感器根据观测到的数据和非线性观测模型hix更新其局部信息矩阵和信息向量： 式中，Ii是局部信息矩阵，yi是信息向量，Ri是观测噪声协方差，Hi是观测模型的敏感矩阵，Qi是过程噪声协方差，zi是观测值，xi是状态估计，i表示第i个传感器，hixi指的是第i个传感器的非线性观测模型；S432：各个传感器通过网络交换局部信息矩阵和信息向量，并进行融合： 式中，Ifused表示融合后的局部信息矩阵，yfused表示融合后的信息向量，ωi表示第i个传感器的信息权重，SNR表示信噪比；S433：根据融合后的局部信息矩阵和融合后的信息向量解方程得到全局状态估计： S434：对融合后的数据进行一致性检查，若发现不一致，则进行调整或重融合，得到每个目标的融合数据；步骤S5包括：S51：构建作战知识库，作战知识库包括历史作战数据、历史战术模型、历史战术规则和历史行动准则；S52：对目标态势图进行实时分析，提取出敌我双方的信息和战场环境和状态变化，敌我双方的信息包括敌我位置、移动信息、资源分布信息；S53：集成和配置决策网络，包括规则基础网络和神经网络模型，其中，神经网络模型采用作战知识库进行预训练；S54：将目标态势图的敌我双方的信息和战场环境和状态变化，与作战知识库进行信息融合，得到实时作战数据；S55：将实时作战数据输入决策网络，利用规则基础网络进行快速分析，匹配战术规则和行动准则，采用神经网络模型预测战场行动；S56：根据决策网络的输出，生成作战方案，包括战术行动、兵力部署和资源分配；神经网络模型包括输入模块、特征注意力编码模块、增强学习模块和输出模块，神经网络模型对实时作战数据进行处理的过程为：输入模块将实时作战数据进行标准化处理，得到标准化数据；特征注意力编码模块包括特征提取层、注意力层，特征提取层包括三层隐藏层，第一隐藏层为卷积层，第二隐藏层为循环层，第三隐藏层为全连接层，利用卷积层提取标准化数据的空间特征，利用循环层学习标准化数据的时间序列，利用全连接层整合空间特征和时间序列，形成全局特征，将全局特征输入注意力层，利用自注意力机制对全局特征进行处理和编码，得到编码特征；增强学习模块包含增强学习算法和不确定性评估层，将编码特征和战场环境解析为增强学习算法的状态表示，根据当前状态，利用策略网络输出行动策略，包括所有可能的行动及其概率，并根据价值网络评估各个行动的期望回报，选择最高期望回报的行动，执行行动，利用不确定性评估层对行动的不确定性进行量化，形成不确定性评估结果，基于不确定性评估结果计算奖励值，基于奖励值迭代更新策略，直至策略收敛，输出得到优化的行动策略；将优化的行动策略输入输出模块，根据各个行动的概率，预测得到战场行动；增强学习模块采用Q学习更新公式进行策略更新，Q学习更新公式为： 式中，Q1和Q2为动作价值函数的独立估计，分别由两个不同的Q表示，st是在时间t的状态，at是在状态st下采取的动作，α为学习率，rt+1为在时间t+1收到的奖励，γ为折扣因子，argmaxaQ1st+1，a是对下一状态st+1下，使用Q1选择最佳动作的操作，Q2st+1，argmaxaQ1st+1，a表示使用Q2来评估Q1中选择的最佳动作的价值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉和弦科技有限公司，其通讯地址为：430000 湖北省武汉市江岸区花桥街江大路30号17栋1-7层；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。