京公网安备 11010802034615号
经营许可证编号:京B2-20210330
美军把大数据分析引入作战(1)_数据分析师
信息技术带给现实世界的最大变化之一就是万物皆可数据化,这使人们更加坚信“世界的本质是数据”“数据将会改变世界”,大数据标志着信息社会终于名副其实。大数据时代的到来会深刻地改变整个世界,也会改变人类的思维方式,同样也会改变战争。
机器人、自治系统、小型化、大数据和三维技术将是未来海上作战重点发展领域。美国海军既注重与传统的武器制造商如洛克希德·马丁公司紧密合作,同时也在寻求与谷歌等商业公司的合作,以提高未来海上作战的能力。近年来,美国海军与洛克希德·马丁公司、高校以及谷歌和IBM等IT企业合作,从而引领海军技术进入大数据时代。大数据来源众多,以惊人的速度、数量和种类发展,这就使得使用现有技术分析非常困难,特别是借助iPhone等现代触屏科技产品将产生新的大量数据,并可智能操控、无人操控。美国军方一些高级研发人员表示,他们尤其对海军舰艇的控制台感到不满,对于平均年龄18岁,在成长过程中一直伴随着iPhone和iPad等现代触屏科技产品的水兵而言,这些控制台的操作并不直观。他们建议,海军习惯于对那些从小就学会使用iPhone的新兵说“忘了iPhone吧,我要教你如何使用操纵杆”,试图用新兵所熟悉的现代科技(包括大数据、云计算等)来取代操纵杆式的陈规旧习。长期以来,美国海军舰载传感器、飞机和其他平台产生大量的数据,但是这些数据没有被有效地利用,需要大量的人力。美国海军通过整合这些类型的信息支持战术作战的能力非常有限。美国海军研究局(ONR)称,目前,机载、舰载和其他部署的系统产生了大量数据,想要在作战环境中利用全部数据已经变得很困难。
战场数据集成是大数据技术军事领域运用的关键,随着云计算、通信、媒体和移动计算的快速发展和深入应用,战场的数据量还将快速增长。大数据时代最大的亮点就是人和社会的计算,越来越多的问题都将通过计算得到解决。大数据是指人类有前所未有的能力来使用海量的数据,在其中发现新知识、创新新价值,从而为社会带来“大知识”“大科技”“大变革”和“大智能”等发展机遇。大数据时代通常具有四大特征:一是数据量大,数据量级已从TB发展至PB乃至ZB,可称海量、巨量乃至超量。二是多样化,数据类型繁多,多为网页、图片、视频、图像与位置等半结构化和非结构化数据信息。数据品类将极其混杂,关联度一般极低,而且在相当长的时期内非结构化数据会占据大数据的主体。三是处理快速化,数据流往往为高速实时数据流,而且往往需要快速、持续的实时处理;处理工具亦在快速演进,软件工程及人工智能等均可能介入。四是价值高和密度低,大数据往往意味着极高的价值,但同其体量一样,正是因为极小价值的海量汇合,才形成了大数据的高价值。现在随着各项创新技术的汇集,大数据展现出了大量的新机会,特别是军事领域的运用。这些趋势决定着最重要的战场需要,可视化战场要求军队数据处理高速化、精准化以保持战斗力,武器装备信息整合要求在数据合并后能成功地集成。
美国奥巴马政府在获得连任后不久就宣布投资2亿美元拉动大数据相关产业的发展,将“大数据战略”上升为国家意志。美国政府和军方都明确表示,国家拥有数据的规模、活性及解释和运用将成为综合国力的重要组成部分,对数据的占有和控制甚至将成为海权、空权、陆权之外的另一种核心资产。因此,未来战争与其说是石油战争不如说是大数据战争。美国海军通过采用突破性的分析工具建立海军大数据生态系统来解决此问题。美国海军希望寻求利用大数据增强作战能力的方法,通过整合IT系统数据和作战系统传感器获得实时结果,利用云计算和大数据技术发展作战工具。例如,允许指挥官在船上查看仪表盘,能够实时跟踪任务中发生的一切,掌握预期的变化情况,并推测可能的结果。
目前,美国海军主要集中在两个领域即反潜作战和一体化防空反导系统,来提升大数据对作战的效果和能力,寻求增强威胁评估预警、作战识别、一体化作战和任务计划以及执行能力。美国海军主要在以下四个方面开展研究:建立海军数据科学通用的基础体系架构,用于不同机构间数据表征和共享;引入数据源并建立索引,通过海军的云环境利用大量的数据集合;进行海军作战分析,开发先进的分析工具支持作战,特别是反潜作战和防空反导作战;利用云计算的安全性和完整性,增强海军防御能力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27