ارائه یک مدل تحلیل رفتار دشمن با استفاده از مدل های مخفی مارکوف بر اساس مشاهدات جنگ الکترونیک در صحنه های جنگ پیچیده

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشگاه جامع امام حسین (ع)

2 استادیار دانشگاه جامع امام حسین (ع)

3 استادیار دانشگاه تربیت مدرس

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


[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).##