本发明涉及作战场景可视化生成，尤其涉及一种自适应作战场景的可视化生成方法。
背景技术：
1、作战场景可视化生成技术领域主要研究和开发在军事作战中模拟和展示战场环境、部队部署、战斗行动等场景的技术。该技术利用计算机图形学、虚拟现实(vr)、增强现实(ar)、人工智能(ai)等先进技术手段，生成逼真的三维战场图像和动态场景，以帮助指挥官进行战术规划、战斗模拟、训练和演习。通过可视化技术，可以更直观地展示复杂的战场信息，提高指挥决策的准确性和效率，并增强训练效果和实战准备能力。
2、而作战场景的可视化生成其主要目的是通过智能算法和动态数据输入，自动调整和生成与实际作战需求相适应的战场可视化图像。这种方法能够根据实时战场数据和环境变化，生成准确且及时的战场画面，以支持指挥官的即时决策和战术调整，从而提高作战的灵活性和应变能力。该方法在军事训练、战术演练以及实际作战中具有重要应用价值。
3、但是现有技术在实际操作中存在一些不足之处。展示复杂战场信息时不够直观，难以有效传达整体态势和细节变化，影响指挥决策的准确性和效率。模型的精度和细节不足，生成的战场图像和动态场景缺乏真实感，影响训练效果和实战准备。处理速度较慢，无法及时根据实时战场数据和环境变化生成更新的战场画面，限制了作战的灵活性和应变能力。这些不足在军事训练和实际作战中均会产生不利影响，例如训练中无法有效模拟复杂战斗场景，影响士兵训练质量；实战中则可能因无法及时更新战场信息，导致指挥决策滞后，影响作战效果。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的一种自适应作战场景的可视化生成方法。
2、为了实现上述目的，本发明采用了如下技术方案，一种自适应作战场景的可视化生成方法，包括以下步骤：
3、s1，基于作战区域的建模，采用网格简化算法对区域进行处理，通过调用作战区域的多边形网格参数，进行几何形态的简化和调整，删除冗余顶点和边缘，合并相邻多边形面片，生成粗略模型；
4、s2，基于所述粗略模型，进行细化处理，通过调用细分曲面技术，将初始模型的顶点和边进行插值和重新分配，增加模型的顶点和边的数量，形成多边形网格结构，得到细化模型；
5、s3，基于所述细化模型，进行优化处理，通过调用拉普拉斯平滑算法，对模型顶点进行迭代调整，计算每个顶点的邻域顶点位置，将顶点位置移向其邻域顶点的平均位置，消除网格中的尖锐角和噪声，得到优化模型；
6、s4，基于所述优化模型，进行跨域知识迁移，调用预训练模型和微调技术，将预训练模型的权重加载到新的模型架构中，采用作战场景数据进行微调训练，调整模型的参数匹配新任务，获取迁移模型；
7、s5，基于所述迁移模型，进行稀疏矩阵分解，构建稀疏矩阵表示作战场景数据，通过非负矩阵分解技术，将稀疏矩阵分解为基础特征矩阵和组合权重矩阵，优化计算复杂度，利用分解后的稀疏矩阵重构出具有关键特征的作战场景数据，得到重构场景数据。
8、较佳的，所述粗略模型包括简化的顶点数据、简化的边缘数据和合并的多边形面片，所述细化模型包括增加的顶点数据、增加的边缘数据和细化后的多边形面片，所述优化模型包括平滑的顶点数据、调整后的边缘数据和优化后的多边形面片。
9、较佳的，基于作战区域的建模，采用网格简化算法对区域进行处理，通过调用作战区域的多边形网格参数，进行几何形态的简化和调整，删除冗余顶点和边缘，合并相邻多边形面片，生成粗略模型的步骤具体如下：
10、s101，基于作战区域的建模，进行顶点和边缘冗余数据的检测与删除，通过扫描多边形网格数据，识别多余顶点与冗余边缘，并进行删除，获取简化多边形数据；
11、s102，基于所述简化多边形数据，进行相邻多边形面片的合并，通过分析相邻面片的几何特性，识别合并面片，并进行合并处理，获取优化多边形面片；
12、s103，基于所述优化多边形面片，进行几何形态的调整与细化处理，通过对面片进行几何变换和形态优化，调整不规则形状并进行细化处理，生成粗略模型。
13、较佳的，基于所述粗略模型，进行细化处理，通过调用细分曲面技术，将初始模型的顶点和边进行插值和重新分配，增加模型的顶点和边的数量，形成多边形网格结构，得到细化模型的步骤具体如下：
14、s201，基于所述粗略模型，进行顶点和边的插值和重新分配，采用插值方法确定新增顶点的位置，让新顶点均匀分布，并进行边的重新连接，生成插值模型；
15、s202，基于所述插值模型，应用细分曲面技术，确定细分后顶点的位置，通过插入新的顶点和调整原有顶点的位置，形成平滑的曲面，并进行多次迭代处理，生成细分曲面模型；
16、s203，基于所述细分曲面模型，构建多边形网格结构，优化顶点和边的分布，通过重新定义多边形的顶点和边的位置，确保网格结构的均匀性和稳定性，生成细化模型。
17、较佳的，基于所述细化模型，进行优化处理，通过调用拉普拉斯平滑算法，对模型顶点进行迭代调整，计算每个顶点的邻域顶点位置，将顶点位置移向其邻域顶点的平均位置，消除网格中的尖锐角和噪声，得到优化模型的步骤具体如下：
18、s301，基于所述细化模型，计算每个顶点的邻域顶点位置，进行顶点位置的初始调整，将每个顶点移向邻域顶点的平均位置，消除网格中的尖锐角和噪声，得到初始顶点调整结果；
19、s302，基于所述初始顶点调整结果，再次计算每个顶点的邻域顶点位置，进行顶点位置调整，将每个顶点再次移向邻域顶点的平均位置，优化网格中的噪声和不规则性，得到中间顶点调整结果；
20、s303，基于所述中间顶点调整结果，计算每个顶点的邻域顶点位置，进行最终的顶点位置调整，将顶点位置移向其邻域顶点的平均位置，得到优化模型。
21、较佳的，基于所述优化模型，进行跨域知识迁移，调用预训练模型和微调技术，将预训练模型的权重加载到新的模型架构中，采用作战场景数据进行微调训练，调整模型的参数匹配新任务，获取迁移模型的步骤具体如下：
22、s401，基于所述优化模型，进行预训练模型权重的加载，通过导入预训练模型的权重参数，检查参数匹配情况，并进行必要的调整，让权重参数正确应用于新的模型架构，获取加载权重模型；
23、s402，基于所述加载权重模型，进行作战场景数据的微调训练，通过输入作战场景数据，设置训练批次和学习率，对模型进行多次迭代训练，调整模型参数匹配新任务，并验证训练效果，获取微调模型；
24、s403，基于所述微调模型，进行模型参数的优化与验证，通过调整模型参数，设置多种的验证集进行测试，记录模型在新任务中的性能，记录多项参数和性能指标，获取迁移模型。
25、较佳的，基于所述迁移模型，进行稀疏矩阵分解，构建稀疏矩阵表示作战场景数据，通过非负矩阵分解技术，将稀疏矩阵分解为基础特征矩阵和组合权重矩阵，优化计算复杂度，利用分解后的稀疏矩阵重构出具有关键特征的作战场景数据，得到重构场景数据的步骤具体如下：
26、s501，基于所述迁移模型，进行稀疏矩阵分解，采用分块处理方法将作战场景数据转化为稀疏矩阵，将数据分成多个小块，分别计算每块的数据密度，并进行稀疏矩阵构建，得到稀疏矩阵表示；
27、s502，基于所述稀疏矩阵表示，进行矩阵分解处理，通过逐元素更新确定基础特征矩阵和组合权重矩阵的位置，反复调整元素值让矩阵收敛，并进行矩阵重组，得到基础特征矩阵和组合权重矩阵；
28、s503，基于所述基础特征矩阵和组合权重矩阵，进行稀疏矩阵的重构处理，采用矩阵重组方法将基础特征矩阵和组合权重矩阵进行逐元素相乘，反复调整组合得到重构矩阵，得到重构场景数据。
29、较佳的，所述迁移模型包括加载的预训练权重、调整后的参数配置和适配的新任务结构，所述重构场景数据包括基础特征矩阵、组合权重矩阵和关键特征数据。
30、与现有技术相比，本发明的优点和积极效果在于：
31、本发明采用网格简化算法处理作战区域，删除冗余顶点和边缘，合并相邻多边形面片，提高计算效率和处理速度。调用细分曲面技术对初始模型进行插值和重新分配，增强细节和精度，提升场景真实感。拉普拉斯平滑算法进一步优化模型，调整顶点位置，消除尖锐角和噪声，改善视觉效果和精确度。通过预训练模型和微调技术进行跨域知识迁移，调整模型参数以匹配新任务，增强适应性。非负矩阵分解技术构建和分解稀疏矩阵，优化计算复杂度，确保场景数据的准确性和完整性。这些处理逻辑和技术手段的创新，本发明采用网格简化算法处理作战区域，删除冗余顶点和边缘，合并相邻多边形面片，提高计算效率和处理速度。调用细分曲面技术对初始模型进行插值和重新分配，增强细节和精度，提升场景真实感。拉普拉斯平滑算法进一步优化模型，调整顶点位置，消除尖锐角和噪声，改善视觉效果和精确度。通过预训练模型和微调技术进行跨域知识迁移，调整模型参数以匹配新任务，增强适应性。
1.一种自适应作战场景的可视化生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于，所述粗略模型包括简化的顶点数据、简化的边缘数据和合并的多边形面片，所述细化模型包括增加的顶点数据、增加的边缘数据和细化后的多边形面片，所述优化模型包括平滑的顶点数据、调整后的边缘数据和优化后的多边形面片。
3.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于，基于作战区域的建模，采用网格简化算法对区域进行处理，通过调用作战区域的多边形网格参数，进行几何形态的简化和调整，删除冗余顶点和边缘，合并相邻多边形面片，生成粗略模型的步骤具体如下：
4.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于，基于所述粗略模型，进行细化处理，通过调用细分曲面技术，将初始模型的顶点和边进行插值和重新分配，增加模型的顶点和边的数量，形成多边形网格结构，得到细化模型的步骤具体如下：
5.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于，基于所述细化模型，进行优化处理，通过调用拉普拉斯平滑算法，对模型顶点进行迭代调整，计算每个顶点的邻域顶点位置，将顶点位置移向其邻域顶点的平均位置，消除网格中的尖锐角和噪声，得到优化模型的步骤具体如下：
6.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于，基于所述优化模型，进行跨域知识迁移，调用预训练模型和微调技术，将预训练模型的权重加载到新的模型架构中，采用作战场景数据进行微调训练，调整模型的参数匹配新任务，获取迁移模型的步骤具体如下：
7.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于，基于所述迁移模型，进行稀疏矩阵分解，构建稀疏矩阵表示作战场景数据，通过非负矩阵分解技术，将稀疏矩阵分解为基础特征矩阵和组合权重矩阵，优化计算复杂度，利用分解后的稀疏矩阵重构出具有关键特征的作战场景数据，得到重构场景数据的步骤具体如下：
8.根据权利要求1所述的自适应作战场景的可视化生成方法，其特征在于：所述迁移模型包括加载的预训练权重、调整后的参数配置和适配的新任务结构，所述重构场景数据包括基础特征矩阵、组合权重矩阵和关键特征数据。
