本文介绍了一个使用人工神经网络的人工智能模型，该模型提供了改善超视距（BVR）空战飞行员态势感知的参数。在这种作战方式中，有必要根据来自传感器（主要是雷达）的信息做出决策。此外，由于有关敌机系统的信息有时是未知的，而飞行员的决策通常是基于对手的。所提出的模型建议处理这些特征，为在建设性模拟环境中的实体进行行为生成，即模拟人操作系统。我们创建了两架飞机之间的BVR空战模拟，每架飞机只有一枚导弹，通过拉丁超立方采样（LHS）来选择输入变量，几乎均匀地覆盖所有的范围。这些飞机有类似的行为，它们的参数只在模拟开始时发生变化。仿真环境生成一万个空战场景，改变了三十六个输入参数，用于案例研究中提出的分析。从这些数据中，我们可以创建监督机器学习模型，大大提高BVR空战飞行员对进攻情况的态势感知能力，在这种情况下，参考飞机使用导弹攻击目标或防御阵地，而不是参考飞机试图避免敌人导弹向其方向发射。进攻型和防御型模型的准确度分别为0.930和0.924，F1分数为0.717和0.678。因此，这项工作的贡献是使用机器学习算法来产生有关战术状态的反应，以提高飞行员的态势感知，从而改善飞行中的决策过程。

源代码说明

• 1-EDA.ipynb：探索性数据分析。
• 2-Feature-Selection.ipynb：使用ANOVA-f统计和互信息统计的特征选择技术。
• 3-ANN-分类-攻击.ipynb：使用人工神经网络对攻击数据进行分类模型的训练和评估。
• 4-ANN-分类-防御.ipynb：使用人工神经网络对防御数据的分类模型进行训练和评估。