本文阐述了应用深度学习与大数据分析技术评估动态作战环境中武器作战效能的初步见解。传统的武器作战效能模型通常依赖简化的假设和有限的变量，限制了其在现实世界中的适用性。通过利用集成的虚拟-构造仿真框架生成的数据集，结合国防建模、大数据和人工智能的优势，来应对这些局限性。实验聚焦于一个包含两支对抗力量的案例研究：蓝方为七架F-16战机，红方为两个地空导弹单元及一个高价值设施。通过使用原始仿真数据——经过过滤和增强以提取关键性能指标——训练了一个卷积神经网络来建模非线性关系并评估任务成功概率。初步结果表明，该模型在处理数据噪声方面具有鲁棒性，并具备通过可视化支持决策的潜力。早期结果显示，深度学习与联合虚拟-构造仿真结合，能够显著增强武器作战效能分析。

尽管实兵仿真看似是训练或实验中最现实、最理想的形式，但作为独立解决方案时，它存在若干显著局限。实兵仿真指的是在实际环境中，使用真实人员和物理资产（如飞机、舰船、武器和部队），在模拟条件（例如模拟威胁、脚本化场景或惰性弹药）下进行的训练演习。此类仿真旨在尽可能贴近地复现作战情境，但涉及高昂的资源消耗和复杂的后勤保障。以下因素使得实兵仿真实用性较低： • 资源限制：由于可用性、维护计划或竞争性作战需求，对物理资产的获取可能受限。

• 可复现性不足：与数字仿真不同，实兵演习难以在完全相同的条件下重复进行。这可能导致不同部队的训练体验存在差异，并阻碍教学的标准化。

• 成本与安全风险：实兵仿真通常涉及巨大的财务成本和潜在的安全隐患。例如，美国国防部在2012年曾将约三分之一的国防预算用于训练活动。

• 训练迁移问题：在某些情况下，实兵仿真中强化的技能或行为，在转向真实作战场景时可能无法有效迁移，甚至产生不利影响。

本研究旨在论证虚拟与构造仿真在生成丰富数据集以评估武器作战效能方面的有效性。武器作战效能指的是在不同作战条件下，对武器系统实现其预期战术或战略目标的性能进行的定量与定性评估。例如，评估地空导弹的武器作战效能，可能涉及分析其在各种天气和电子战环境下对不同机型的命中概率。本研究采用集成了虚拟仿真（用于实时、人在回路的场景）和构造仿真（用于自动化、大规模场景生成）的协同仿真环境来实现这一目标。这些环境运行于分布式交互仿真和高层体系结构协议之上，实现了可互操作、可扩展的仿真框架。

通过进行多次场景推演——在虚拟仿真中手动进行，在构造仿真中自动进行——该系统生成了适用于性能驱动分析和判断驱动分析的广泛数据集。这些仿真将记录包括仿真日志、人员问卷调查和文本信息在内的多种输出，提供对场景动态的全面视角。

随后，收集的数据将使用机器学习算法进行处理，以探测模式、识别关键性能指标并开发武器性能预测模型。例如，通过分析数百次交战记录，机器学习能够揭示武器系统效能下降的条件，例如操作员响应延迟或环境干扰。

我们可以通过有限的人类专家交互生成太字节/拍字节级别的数据，以指导所提出的系统。我们的重点将放在自博弈上。特索罗建议采用“教学-练习”训练模式，该方法曾被HOYLE系统成功实现。此方法遵循一个稳定的模式：先进行人类专家演示（称为教学），随后进行长时间的自博弈（称为练习）。就本研究范围而言，我们学习系统的训练将来源于虚拟和构造仿真。人工智能的运用有潜力捕捉其中的关系并确定可接受的武器作战效能。所采用的案例研究基于荣格的开创性工作。荣格提出了一个包含大数据和虚拟-构造仿真的复杂框架来确定武器作战效能。本文将扩展先前使用线性回归的研究工作，转而利用深度学习来捕捉武器作战效能的关系。

本文其余部分结构如下。第2节介绍本文采用的案例研究，该研究利用虚拟-构造仿真对武器作战效能进行建模。第3节详述计算模型与数据生成过程。第4节概述基于仿真输出训练的深度学习框架。第5节讨论结果，第6节总结全文并探讨未来潜在的研究方向。