اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,252 |
| تعداد مقالات | 9,074 |
| تعداد مشاهده مقاله | 8,158,279 |
| تعداد دریافت فایل اصل مقاله | 4,914,888 |
ارائه یک مدل تحلیل رفتار دشمن با استفاده از مدل های مخفی مارکوف بر اساس مشاهدات جنگ الکترونیک در صحنه های جنگ پیچیده | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 9، دوره 7، شماره 1 - شماره پیاپی 25، خرداد 1398، صفحه 113-128 اصل مقاله (1.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مرتضی بابائی* 1؛ حمیدرضا لشکریان2؛ مجید شیخ محمدی3 | ||
| 1دانشجوی دکتری دانشگاه جامع امام حسین (ع) | ||
| 2استادیار دانشگاه جامع امام حسین (ع) | ||
| 3استادیار دانشگاه تربیت مدرس | ||
| تاریخ دریافت: 07 اسفند 1396، تاریخ پذیرش: 06 خرداد 1397 | ||
| چکیده | ||
| مدلسازی، یکی از ابزارهای اساسی در طرحریزی جنگهای پیچیده است. جنگهای امروزی بهدلیل پیچیده و پویا بودن صحنهها با جنگهای سنتی بسیار متفاوت شده و نیازمند فرماندهی و کنترل چابک و پویا هستند تا بتوانند به‌سرعت در برابر تغییرات صحنه نبرد واکنش نشان داده و تصمیمگیری نمایند. در عصر اطلاعات با پیچیده شدن صحنههای جنگ و دیجیتالی شدن میدان رزم، مشاهدات فرماندهان با استفاده از سامانه‌های جنگ الکترونیک صورت میگیرد. در این مقاله با استفاده از مدلهای مخفی مارکوف بر اساس مشاهدات جنگ الکترونیک، فرآیند معناسازی محرکها و اقدامات فیزیکی دشمن در صحنه جنگ که بیانگر درک شهودی ما از وضعیت است، مدل شده است. این مدل در تحلیل رفتار دشمن و تعیین مقاصد عملیاتی آن جهت فرآیند تصمیمسازی نظامی به‌منظور اتخاذ پاسخ مناسب به دشمن استفاده شده است. برای این منظور یک سناریوی جنگ احتمالی ا. م. آمریکا علیه ج. ا. ایران از منظر جنگ الکترونیک بررسی شده و مبنای این مدلسازی قرار گرفته است. مدل مخفی مارکوف مفروض از نوع مرتبه اول و تغییر ناپذیر با زمان درنظر گرفته شده است، بدین معنی که تمام احتمالات توصیف کننده این مدل در طول زمان تغییر نمیکنند. نتایج شبیه‌سازی‌ها نشان می‌دهد که این مدل، روش خوبی جهت تعیین مقاصد عملیاتی دشمن و فرآیند تصمیمسازی بر اساس مشاهدات جنگ الکترونیک از اقدامات فیزیکی در صحنههای جنگ پیچیده میباشد. | ||
| کلیدواژه‌ها | ||
| جنگ الکترونیک؛ صحنههای جنگ پیچیده؛ فرآیند تصمیمسازی؛ مدل تحلیل رفتار دشمن؛ مدلهای مخفی مارکوف | ||
| عنوان مقاله [English] | ||
| The Presentation of a Model for Analyzing the Behavior of the Enemy Using Hidden Markov Models Based on Electronic Warfare Observations in Complex War Scenes | ||
| نویسندگان [English] | ||
| M. Babaei1؛ H. Lashkarian2؛ M. Sheikhmohammadi3 | ||
| 1imam hossein university | ||
| 2imam hossein university | ||
| 3modarres tarbiat university | ||
| چکیده [English] | ||
| Modeling is one of the basic tools for planning complex wars. Today’s wars are very different due to the complexity and dynamism of the scenes compared with traditional wars and require the rapid and dynamic command and control so that they can react quickly against the changes in the battle scene and make decisions. In the information age, with the complexity of the battle scenes and the digitization of the battlefield, the observations of commanders are made using electronic warfare systems. In this paper, the sensemaking process of the stimuli and physical actions of the enemy in the war scene, which expresses our intuitive appreciation of the situation, has been modeled using hidden Markov models (HMM) based on the electronic warfare observations. This model has been used to analyze the behavior of the enemy and determine his operational objectives for the military decision-making process in order to adopt an appropriate response to the enemy. For this purpose, a possible United States’ war scenario against the Islamic Republic of Iran has been studied from an electronic warfare perspective and used as the base of modeling. The time-invariant hidden Markov model of the first-order type has been considered, implying that all probabilities that describe the model do not change with time. The results of simulations show that this model is a good way to determine the enemy’s operational objectives and the decision-making process based on the electronic warfare observations of physical actions in complex war scenes. | ||
| کلیدواژه‌ها [English] | ||
| Electronic Warfare, Complex War Scenes, Decision-making Process, Enemy’s Behavior Analysis Model, Hidden Markov Models | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] S. H. Mohammadi Najm, “Cognitive war, the fifth dimension of the war,” 1st ed., Tehran: Center for Future Studies of Defense Science and Technology, Institute for Defense Research and Training, 2009. (In Persian) ## [2] E. A. Smith, “Complexity, Networking, and Effects-Based Operations: Approaching the" how to" of EBO,” DTIC Document, 2005.## [3] E. A. Smith, “Effects based operations: Applying network centric warfare in peace, crisis, and war,” DTIC Document, 2006.## [4] M. Frater and M. Ryan, “Electronic warfare for the digitized battlefield,” Artech House, Inc., Norwood, MA, USA, 2001.## [5] R. Wolfe and M. J. Abramson, “Modern statistical methods in respiratory medicine,” Respirology, vol. 19, no. 1, pp. 9-13, 2014.## [6] M. A. Pimentel, M. D. Santos, D. B. Springer, and G. D. Clifford, “Heart beat detection in multimodal physiological data using a hidden semi-Markov model and signal quality indices,” Physiological Measurement, vol. 36, no. 8, p. 1717, 2015.## [7] C. Zhou, S. Huang, N. Xiong, SH. Yang, H. Li, Y. Qin, et al., “Design and Analysis of Multimodel-Based Anomaly Intrusion Detection Systems in Industrial Process Automation,” IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 45, no. 10, pp. 1345-1360, 2015.## [8] M. H. Moattar, “Hidden Markov Model and Training Algorithms,” Dept. of Computer Engineering and Information Technology, AmirKabir University of Technology, Tehran, 2006. (In Persian)## [9] R. Marxer and H. Purwins, “Unsupervised Incremental Online Learning and Prediction of Musical Audio Signals,” IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 24, no. 5, pp. 863-874, 2016.## [10] B. B. Vizzotto, B. Zatt, M. Shafique, S. Bampi, and et al., “Model Predictive Hierarchical Rate Control With Markov Decision Process for Multiview Video Coding,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 23 , no. 12, pp. 2090-2104, 2013.## [11] K. Vimala, “Stress Causing Arrhythmia Detection from ECG Signal using HMM,” IJIRCCE, vol. 2, no. 10, pp. 6079-6085, 2014.## [12] S. Nootyaskool and W. Choengtong, “Hidden Markov Models predict foreign exchange rate,” Communications and Information Technologies (ISCIT), 14th International Symposium on Incheon, pp. 99-101, 2014.## [13] X. Chen, H. Zhang, AB. MacKenzie, and M. Matinmikko, “Predicting Spectrum Occupancies Using a Non-Stationary Hidden Markov Model,” IEEE Wireless Communications Letters, vol. 3, no. 4, pp. 333-336, 2014.## [14] S. Keshvari, S. Bejani, A. R. Keshvari, and M. Abbasi, “Predicting the Level of Combatants’ Readiness to Carry out Military Missions Using a Hidden Markov Model,” Journal of military Psychology, vol. 7, no. 27, pp. 21-39, Autumn, 2016 (In Persian).## [15] L. Rabiner and B. H. Juang, “An introduction to hidden Markov models,” IASSP, vol. 3, no. 1, pp. 1-4, 1986##. [16] D. Aberdeen, S. Thiebaux, and L. Zhang, “Decision Theoretic Military Operations Planning,” In International Conference on Automated Planning and Scheduling (ICAPS), pp. 402-412, 2004.## [17] Y. K. Kevin, R. Mitchell, M. Solomon, and N. Lam, “Time Latency of Information in Networked Operations: Effect of “Human in the Loop,” 2008.## [18] R. A. Howard, “Dynamic Programming and Markov Processes,” the M.I.T. Press, 1960.## [19] M. Naghian Fesharaki, S. Sadati, A. H. Momeni Azndarian, and S. M. Hosseini, “Design Online Collaborative Planning Service Based on Markov Process in Command and Control Domain,” Advanced Defense Sci. & Tech. vol. 7, pp. 147-159, 2017 (In Persian).## [20] A. J. Viterbi, “Error bounds for convolutional codes and an asymptotically optimal decoding algorithm,” IEEE Trans Inf. Theory IT, vol. 13, no. 3, pp. 260-269, 1967.## [21] A. Babakura, MN. Sulaiman, N. Mustapha, and T. Perumal, “HMM-based decision model for smart home environment,” International Journal of Smart Home, vol. 8, no.1, pp. 129-138, 2014.## [22] F. Madadizadeh, M. Montazeri, and A. Bahrampour, “Predicting of liver disease using Hidden Markov Model,” RJMS, vol. 23, no. 146, pp. 66-74, 2016 (In Persian).##
| ||
|
آمار تعداد مشاهده مقاله: 687 تعداد دریافت فایل اصل مقاله: 669 |
||
