Investigación sobre predicción de fusión de información multivariante de baja dimensión basada en información de...

Área de la Ciencia:

• Inteligencia Artificial
• Ingeniería de Sistemas Espaciales
• Tecnología de Defensa

Sus antecedentes:

• La predicción dinámica de objetivos en el campo de batalla espacial es crucial para una toma de decisiones eficaz.
• Los métodos existentes luchan con la complejidad y las demandas en tiempo real de los escenarios de guerra espacial.
• El seguimiento y la predicción precisos de objetivos son esenciales para la ventaja estratégica.

Objetivo del estudio:

• Desarrollar un modelo de predicción híbrido novedoso para objetivos dinámicos en el campo de batalla espacial.
• Mejorar la precisión y robustez de la predicción de objetivos en entornos complejos.
• Proporcionar una base para mejorar el soporte de decisiones en tiempo real en la guerra espacial.

Principales métodos:

• Integración de Mapas Cognitivos Difusos (FCM) y Redes de Estado de Eco (ESN) en un modelo híbrido.
• Fusión jerárquica de datos de series de tiempo multivariante para construir mapas de relaciones difusas.
• Optimización de las asociaciones de nodos utilizando algoritmos genéticos y un mecanismo de retroalimentación de desviación.

Principales resultados:

• El modelo híbrido FCM-ESN propuesto logró un error de predicción promedio significativamente menor (5,10%) en comparación con los métodos convencionales.
• Demostró una precisión superior a los algoritmos genéticos (8,99%), optimización por enjambre de partículas (10,39%) y LSTM (63,78%).
• Validó una mejor robustez de predicción en entornos dinámicos de campo de batalla espacial.

Conclusiones:

• El modelo híbrido FCM-ESN ofrece un avance significativo en la predicción dinámica de objetivos para la guerra espacial.
• El modelo proporciona un soporte eficaz para la toma de decisiones en tiempo real en el campo de batalla espacial.
• El código fuente se publicará para facilitar la revisión por pares y la investigación futura.