แบบจำลองการทำนายแบบอากาศยานจากข้อมูลเป้าหมายไม่ทราบฝ่ายอัตโนมัติ

Main Article Content

ภูมิพัฒน์ ดวงกลาง
รัจนา เครือแก้ว

บทคัดย่อ

การป้องกันภัยทางอากาศเป็นหนึ่งในภารกิจที่สำคัญของกองทัพอากาศ โดยขั้นตอนแรกของการปฏิบัติคือการค้นหาวัตถุที่มีความเร็วบนท้องฟ้าที่อาจเป็นภัยคุกคามต่อความมั่นคงของประเทศด้วยการใช้เรดาร์ สิ่งที่เรดาร์ตรวจพบนั้น ในขั้นต้นถูกเรียกว่าเป้าหมายไม่ทราบฝ่าย หรือก็คือวัตถุบินได้ที่ยังไม่ผ่านกระบวนการพิสูจน์ทราบว่าเป็นอากาศยานแบบใดและเป็นของฝ่ายใด การวิเคราะห์เพื่อระบุแบบอากาศยานและฝ่ายอย่างถูกต้องนี้เป็นปัจจัยสำคัญในการเลือกหนทางปฏิบัติของกองทัพอากาศเพื่อตอบสนองให้เหมาะสมกับสถานการณ์ เช่น หากเป็นอากาศยานรบของฝ่ายตรงข้าม กองทัพอากาศก็จะจัดอากาศยานรบสมรรถนะสูงขึ้นบินสกัดกั้น และแจ้งเตือนหน่วยต่อสู้อากาศยานให้พร้อมต่อสู้ป้องกันฐานบินด้วยยุทธวิธีที่เหมาะสม เป็นต้น ปัจจุบันการวิเคราะห์และระบุเป้าหมายไม่ทราบฝ่าย กระทำโดยเจ้าหน้าที่ผู้เชี่ยวชาญที่มีประสบการณ์ในการทำงานและการฝึกร่วมกับกองทัพอากาศมิตรประเทศ ความแม่นยำของการวิเคราะห์ขึ้นอยู่กับขีดความสามารถของเจ้าหน้าที่แต่ละคน ซึ่งการผลิตเจ้าหน้าที่ให้มีขีดความสามารถและเชี่ยวชาญในงานด้านนี้ต้องใช้เวลาหลายปี ประกอบกับขีดความสามารถดังกล่าวมีความเกี่ยวข้องกับการให้บริการการบินที่หน่วยงานพลเรือนภายนอกที่ให้ค่าตอบแทนสูงมีความต้องการ เป็นเหตุให้การขอลาออกจากราชการของบุคลากรกลุ่มนี้เพื่อไปประกอบอาชีพกับหน่วยงานเหล่านั้นเกิดขึ้นอย่างต่อเนื่อง เพื่อแก้ไขปัญหาดังกล่าว ผู้วิจัยได้สร้างแบบจำลองการทำนายแบบอากาศยานอัตโนมัติที่ไม่พึ่งพามนุษย์ โดยใช้ข้อมูลจากระบบวิเคราะห์ความเคลื่อนไหวกำลังทางอากาศประเทศรอบบ้านของกรมข่าวทหารอากาศเป็นข้อมูลในการวิจัยเพื่อค้นหาแบบจำลองที่เหมาะสม ด้วยเทคนิคการจำแนกประเภทข้อมูล (Classification) ได้แก่ Naïve Bayes, Deep Learning, Decision Tree และ Random Forest ซึ่งผลการวิจัยพบว่า แบบจำลองที่เหมาะสมที่จะนำไปใช้งานกับกระบวนการวิเคราะห์และระบุเป้าหมายไม่ทราบฝ่ายมากที่สุด คือแบบจำลองที่ได้จากเทคนิค Random Forest เนื่องจากมีค่าความถูกต้องในการทำนายผลสูง ผู้วิจัยเชื่อมั่นว่าแบบจำลองดังกล่าวจะสามารถเพิ่มประสิทธิภาพให้กระบวนการตัดสินตกลงใจของผู้บังคับบัญชากระทำได้รวดเร็วและเหมาะสมยิ่งขึ้น อีกทั้งผลที่ได้จากงานวิจัยนี้จะสามารถแก้ปัญหาการขาดแคลนบุคลากรผู้เชี่ยวชาญ และลดการพึ่งพาความชำนาญของเจ้าหน้าที่เฉพาะทางลงได้ สอดคล้องกับแนวความคิดการใช้ระบบอาวุธที่ฉลาด (Smart Weapon Systems) ที่นำไปสู่การเลือกกลยุทธ์ที่ฉลาด (Smart Tactics) ของกองทัพอากาศอีกด้วย

Article Details

How to Cite
[1]
ดวงกลาง ภ. และ เครือแก้ว ร., “แบบจำลองการทำนายแบบอากาศยานจากข้อมูลเป้าหมายไม่ทราบฝ่ายอัตโนมัติ”, NKRAFA J SCI TECH, ปี 15, ฉบับที่ 1, น. 1–8, ธ.ค. 2019.
บท
บทความวิจัย

References

ศุภามณ จันทร์สกุล. (2561). เทคนิคเหมืองข้อมูลในการวิเคราะห์ข้อมูลทางการพยาบาล.วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชียฉบับวิทยาศาสตร์และเทคโนโลยี, 12(2): 83-96.

ภัทธิรา สุวรรณโค, นิศาชล จำนงศรี, จิติมนต์ อั่งสกุล. (2017). แบบจำลองการพยากรณ์ความเสี่ยงในการเกิดอุบัติเหตุทางถนนในเทศกาลปีใหม่ด้วยการทำเหมืองข้อมูล. Journal of Information Science and Technology, 7(2): 10-19.

สุรวัชร ศรีเปารยะ, สายชล สินสมบูรณ์ทอง. (2560). การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรังกรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย. วารสารวิทยาศาสตร์และเทคโนโลยีสถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, 25(5) : 841-853

Y. Lv, Y. Duan, W. Kang, F.-Y. Wang. (2015). Traffic Flow Prediction With Big Data : A Deep Learning Approach. IEE Transactions on Intelligent Transportation Systems,16(2): 865-873.

บรรจบ ดลกุล, จารี ทองคำ, วาทินี สุขมาก. (2014). การสร้างแบบจำลองเพื่อพยากรณ์การเกิดแผลที่เท้าของผู้ป่วยโรคเบาหวานโดยใช้เทคนิคเหมืองข้อมูล. Journal of Science and Technology Mahasarakham University, 33(6): 703-710.

ปรเมษฐ์ ธันวานนท์, ชัยกร ยิ่งเสรี, วรพล พงษ์เพ็ชร์ และ ธนภัทร ฆังคะจิตร. (2017). การประยุกต์ใช้โมเดลการเรียนรู้แบบรวมกลุ่มเพื่อพยากรณ์แนวโน้มของราคาหลักทรัพย์ในตลาดหลักทรัพย์แห่งประเทศไทย. Journal of Information Science and Technology, 7(1): 12-21.

วิธวินท์ แสงมณี, วีระวุฑ รัตนเจริญเลิศ, ณัฏฐภพ โพธิรัชต์ และ เพียงฤทัย หนูสวัสดิ์. (2017). การสร้างโมเดลทำนายโอกาสการกลับมารักษาตัวซ้ำของผู้ป่วยโรคเบาหวานโดยใช้เทคนิคการทำเหมืองข้อมูล. The 5th ASEAN Undergraduate Conference in Computing (AUC2): 13-20.