CN104199788A - 一种多目标空对地半监督机器适应自主决策实时攻击方法 - Google Patents
一种多目标空对地半监督机器适应自主决策实时攻击方法 Download PDFInfo
- Publication number
- CN104199788A CN104199788A CN201410307175.7A CN201410307175A CN104199788A CN 104199788 A CN104199788 A CN 104199788A CN 201410307175 A CN201410307175 A CN 201410307175A CN 104199788 A CN104199788 A CN 104199788A
- Authority
- CN
- China
- Prior art keywords
- target
- semi
- necessity
- supervised machine
- attack
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多目标空对地半监督机器适应自主决策实时攻击方法,采用火力单元数nh,可靠度K,生存能力S,搜索能力F,毁伤能力H,和抗干扰能力G,这6个主要指标计算目标攻击必要性;采用层次分析法对目标的攻击必要性进行计算;半监督机器适应决策系统对多目标空对地攻击决策;构建半监督机器自适应系统,通过构建的半监督机器自适应系统对目标打击必要性实现自动排序;通过信息均衡权重算法对无人机攻击有效性进行分析;通过信息均衡权重算法,计算综合权重,构建决策矩阵;对多目标无人机攻击策略进行综合考虑,自主决策无人机攻击次序,并派遣无人机进行攻击。本发明的有益效果是对目标必要性大小依次进行多批次精确打击。
Description
技术领域
本发明属于计算机程序控制技术领域,涉及一种多目标空对地半监督机器适应自主决策实时攻击方法。
背景技术
无人机是一种由无线电遥控设备或自身程序控制装置操纵的无人驾驶飞行器,其成本低、效费比好、无人员伤亡风险、生存能力强、机动性能好、使用方便,目前世界上各主要军事国家对无人机在军事上的用途十分青睐。面对复杂的战场环境,谁能优先获取信息谁就能掌握战争的主动权。无人机的运用是夺取现代战争的制信息权和制空权的关键,已逐渐演变成为现代战争中空对地攻击的主要手段之一,在战争中利用无人机摧毁敌方地面目标具有非常重要的战略价值。目前,对无人机对地攻击决策的研究过程主要包括两个方面:第一,采用优化算法解决多目标的任务分配问题,忽略了目标危险系数这个重要指标。第二,利用数学分析法解决多目标决策优选问题,但由于人的参与使最终的评估结果往往带有一定的主观性。
无人机在执行对地攻击任务过程中,必须不停地对大量实时信息进行计算、判断和决策,并做出相应的战术布局。一个正确的决策对无人机能否顺利完成任务以及完成任务的效率至关重要。半监督机器适应决策系统的提出,为解决无人机自主决策攻击提供了新的思路和方法,该方法能够在主动分析地面多攻击目标的危险系数并优先决定攻击目标的同时避免人为原因造成的主观性,且系统计算能力强、反 应速度快,能够为攻击决策提供可靠保障,可在最短时间内对敌方进行多批次精确打击。无人机在执行对地多批次多目标的攻击任务过程中,决策是该过程中的重要环节之一,现有的决策系统虽然对多目标的分配问题得到了很好的解决,但往往忽略了目标危险系数这个重要指标,在实时攻击过程中还加入了人为的主观因素,使最终的评估结果带有一定的主观性。
半监督机器适应决策系统具有很强的动态建模能力和学习能力,具有可实时模拟、建模速度快、反应时间短、泛化能力强等优点。本发明以半监督机器适应决策系统实时建模预测为核心,针对地面攻击目标的危险系数进行量化分析和快速排序,根据预测出的地面目标危险系数大小排序进行有序精确攻击决策。在战争中利用有半监督机器适应决策系统的无人机能够在最短时间内给敌方精确致命的打击。
无人机地面控制站是无人机系统的重要组成部分,通常由地面控制人员进行遥控操纵,在实际控制过程中存在很大程度上的人为主观性。面对现代战争中复杂的地面站场环境,有大量信息必须不停地进行计算、判断和决策,半监督机器适应决策系统的提出是为了克服人参与危险系数评估带来的主观性,能够在短时间内判断对我方危险系数最大的目标而进行精确打击,提高作战效率和我方的生存能力。
发明内容
本发明的目的在于提供一种多目标空对地半监督机器适应自主决策实时攻击方法,解决了现有的供给系统不能有效形成对攻击目标的多批次精确打击的问题。
本发明所采用的技术方案是按照以下步骤进行:
步骤1:目标攻击必要性一般性指标选取;采用火力单元数nh,可靠度K,生存能力S,搜索能力F,毁伤能力H,和抗干扰能力G, 这6个主要指标计算目标攻击必要性;
步骤2:采用层次分析法对目标的攻击必要性进行计算;
步骤3:半监督机器适应决策系统对多目标空对地攻击决策;构建半监督机器自适应系统,通过构建的半监督机器自适应系统对目标打击必要性实现自动排序;
步骤4:通过信息均衡权重算法对无人机攻击有效性进行分析;通过信息均衡权重算法,计算综合权重,构建决策矩阵;
步骤5:根据步骤1至步骤4,对多目标无人机攻击策略进行综合考虑,自主决策无人机攻击次序,并派遣无人机进行攻击。
进一步,所述步骤2中的计算过程为:
(1)按照层次分析法构造两两比较判断矩阵:A=(aij)n×n,其中n为评估体系的指标个数,aij为第i个指标对第j个指标的重要程度,1表示重要度最小,9表示重要度最大,前后指标重要性之比存在关系aij×aji=1;
(2)矩阵A按列进行归一化处理后求和,得权重向量:ω=((ωi)1×n)T;
(3)判断矩阵A最大特征值:将其特征向量W=((μi)1×n)T作为评估指标的权重向量,μi是矩阵的特征向量;
(4)计算目标攻击必要性指标:其中x1=nh,x2=K,x3=S,x4=F,x5=H,x6=G;
(5)为了便于分析,对目标攻击必要性指标进行归一化处理,归一化方法如下:N为总样本数,Y1为目标攻击必要性指标Y归一化后的目标攻击必要性指标。
进一步,所述步骤3中构建半监督机器自适应系统,通过构建的半监督机器自适应系统对目标打击必要性实现自动排序方法为:
首先构建半监督机器自适应系统:
1)构造一元回归方程:
f(x)=ω·Φ(x)+b,
其中,Φ(x)为函数映射关系,ωf为在F的特征向量,b为偏参量,构造集合D={(xj,yj)|j=1,2,…,n},其中xj∈RN表示样本入变量;yj∈R表示样本i的预输出变量,n表示自适应数据样本总数目;
2)为了提高函数f(x)在ε范围内的精度,可进行拉格朗日乘子法进行变换,在KKT(Karush-Kuhn-Tucker,KKT)条件约束下,构造一元函数:
其中,拉格朗日乘数αi,定义系数偏差第i个样本xi的边界函数h(xi)=f(xi)-yi,通过上述函数变换,将自适应数据分为3个集合:
①半监督机器适应决策系统错误集合E:E={i||θi|=C,|h(xi)|>ε};
②半监督机器适应决策系统边界集合S:S={i|0<|θi|<C,|h(xi)|=ε};
③半监督机器适应决策系统剩余样本集合R:R={i||θi|=0,|h(xi)|<ε};
通过构建的半监督机器自适应系统对目标打击必要性实现自动排序过程如下:
设有k架无人机(编号分别为1,2,…,k),现对N个地面目标进行攻击,则地面目标的打击必要性排序过程如下:
1):构建基础样本集{(xj,yj)|j=1,2,...,M},M为基础样本数;
2):加入第s个样本(xs,ys),如果基础样本的数量小于设定值M,则转到3),否则转到4);
3):利用构建的半监督机器自适应系统增量算法将符合KKT条件的数据更新到自适应数据集合,依据目标打击必要性系数更新自适应攻击决策系统中的数据,转到5);
4):利用构建的半监督机器自适应系统删减算法将违背KKT条件的冗余样本删除,转到5);
5):定义预测误差根据精度要求,定义|eerr0|≤0.05。如果eerr小于设定值eerr0,说明样本调整参数范围有效,基础学习结束,转到步骤6;否则,说明样本调整参数范围无效,需要调整,转到3);
6):通过构建的半监督机器自适应系统预测目标打击必要性y`s;
7):若样本在边界集合内,即s≥N,转到8);否则,更新边界集合,s=s+1,转到2);进行迭代计算,直到完成所有样本s的计算;
8):对所出预测出的目标打击必要性排序,y`1>y`2>...>y`N。
本发明的有益效果是对目标必要性大小依次进行多批次精确打击。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明针对无人机在执行对地多批次多目标的攻击任务提出了一种自主攻击决策系统,它是建立在半监督机器适应决策系统基础上的。该决策系统可在各种复杂战争条件下,通过对多攻击目标进行危险系数实时排序,自主判断和选择优先攻击目标,利用无人机可进行 重复多批次有效精确打击。
本发明的技术方案:利用半监督机器适应决策系统对多目标空对地攻击决策过程,本发明主要包括三个阶段:攻击目标决策、无人机攻击过程决策、目标变化后的决策实时调整。本发明方法按照以下步骤进行:
步骤1:目标攻击必要性一般性指标选取;
影响空对地攻击目标的因素较多,但是主要有以下6个指标:火力单元数nh,可靠度K,生存能力S,搜索能力F,毁伤能力H,和抗干扰能力G,本发明采用上述6个主要指标计算目标攻击必要性。
(1)综合武器系统nh,是指无人机独立对目标进行追踪并打击的综合武器系统数量。
(2)系统可靠度K,在复杂战场条件下,无人机各项性能正常发挥的概率。
(3)生存能力S,在复杂战场条件下,无人机攻击对方与反攻击后各项性能正常的概率。
(4)识别能力F,无人机识别和捕捉目标的能力,此处用无人机发现目标的概率来表示。
(5)打击能力H,正常条件下武器系统对目标的损毁能力。
(6)抗干扰能力G,复杂战场条件下,系统受到干扰后,能正常发挥效力的能力。
步骤2:对目标的攻击必要性进行计算;
由于影响目标攻击必要性的因素较多,且各因素之间有不同的干扰和联系,而选用层次分析法可较好的解决上述矛盾,因此采用层次分析法对目标的攻击必要性进行计算,具体计算过程如下。
(1)按照层次分析法构造两两比较判断矩阵:A=(aij)n×n。其中n 为评估体系的指标个数,aij为第i个指标对第j个指标的重要程度,1表示重要度最小,9表示重要度最大。其中,前后指标重要性之比存在关系aij×aji=1。
(2)上述矩阵A按列进行归一化处理后求和,得权重向量:ω=((ωi)1×n)T。
(3)判断矩阵A最大特征值:可将其特征向量W=((μi)1×n)T作为评估指标的权重向量。μi是矩阵的特征向量
(4)计算目标攻击必要性指标:其中x1=nh,x2=K,x3=S,x4=F,x5=H,x6=G。
(6)为了便于分析,对目标攻击必要性指标进行归一化处理,归一化方法如下:N为总样本数,Y1为目标攻击必要性指标Y归一化后的目标攻击必要性指标。
步骤3:半监督机器适应决策系统对多目标空对地攻击决策:
为了快速的判断地面目标的攻击必要性指标,可以建立半监督机器自适应系统,对地面目标攻击必要性进行自主判断。
(1)构建半监督机器自适应系统:
1)构造一元回归方程:
f(x)=ω·Φ(x)+b, 式(1)
其中,Φ(x)为函数映射关系,ωf为在F的特征向量,b为偏参量。构造集合D={(xj,yj)|j=1,2,…,n},其中xj∈RN表示样本入变量;yj∈R表示样本i的预输出变量,n表示自适应数据样本总数目。
2)为了提高函数f(x)在ε范围内的精度,可进行拉格朗日乘子法进行变换。在KKT(Karush-Kuhn-Tucker,KKT)条件约束下,构 造一元函数:
其中,拉格朗日乘数αi,定义系数偏差第i个样本xi的边界函数h(xi)=f(xi)-yi。
通过上述函数变换,将自适应数据分为3个集合:
①半监督机器适应决策系统错误集合E:E={i||θi|=C,|h(xi)|>ε};
②半监督机器适应决策系统边界集合S:S={i|0<|θi|<C,|h(xi)|=ε};
③半监督机器适应决策系统剩余样本集合R:R={i||θi|=0,|h(xi)|<ε}。
(2)通过(1)构建的半监督机器自适应系统对目标打击必要性实现自动排序,具体实现过程如下:
设有k架无人机(编号分别为1,2,…,k),现对N个地面目标进行攻击,则地面目标的打击必要性排序过程如下:
1):构建基础样本集{(xj,yj)|j=1,2,...,M},M为基础样本数;
2):加入第s个样本(xs,ys),如果基础样本的数量小于设定值M,则转到步骤3;否则,转到步骤4;
3):利用(1)构建的半监督机器自适应系统增量算法将符合KKT条件的数据更新到自适应数据集合,依据目标打击必要性系数更新自适应攻击决策系统中的数据,转到步骤5;
4):利用(1)构建的半监督机器自适应系统删减算法将违背KKT条件的冗余样本删除,转到步骤5;
5):定义预测误差根据精度要求,定义|eerr0|≤0.05。如果eerr小于设定值eerr0,说明样本调整参数范围有效,基础学习结束, 转到步骤6;否则,说明样本调整参数范围无效,需要调整,转到步骤3;
6):通过(1)构建的半监督机器自适应系统预测目标打击必要性y`s
7):若样本在边界集合内,即s≥N,转到步骤8;否则,更新边界集合,s=s+1,转到步骤2;进行迭代计算,直到完成所有样本s的计算。
8):对所出预测出的目标打击必要性排序,y`1>y`2>...>y`N;
步骤4:通过信息均衡权重算法对无人机攻击有效性进行分析。
(1)通过信息均衡权重算法,计算综合权重:
1):对于多属性信息决策问题,设方案集X={x1,x2,…,xp}属性集U={u1,u2,…,uq},构建决策矩阵B=(bij)p×q,即
2):对决策矩阵进行规范化处理,为了突出攻击效果最好,本设计采用效益型规范化模型对矩阵进行规范化,i∈p,j∈q。
3):计算属性μj输出的信息均衡权比重:j∈q,当r′ij=0时,规定ln(r′ij)=0。
4):计算信息属性权重向量α=(α11,α12,α13,…,α1p),并且满足条件
5):根据决策者偏好信息构造互反决策矩阵AH=(Hij)p×q。
6):计算决策者偏好属性权重向量β=(β11,β12,β13,…,β1p),并且满足条件:其中,Q=(qkl)p×p;ep=(1,1,…1);
7):计算综合权重。如果且β2k<0,则求解优化模型如下: 得到β′=(β′11,β′12,β′13,…,β′1p),计算综合决策因素:如果且β2k<0的条件不满足,则直接计算综合决策因素:
(2):构建决策矩阵
计算方案xi的综合属性值zi(λ),根据(1),综合属性值的大小进行排序和择优,构建无人机攻击有效性决策矩阵。
步骤5:根据步骤1、步骤2和步骤3,对多目标无人机攻击策略进行综合考虑,自主决策无人机攻击次序,并派遣无人机进行攻击。
下面列举具体实施例对本发明进行说明:
实施例1:
1 目标攻击必要性计算;
选取火力单元数nh,可靠度K,生存能力S,搜索能力F,毁伤能力H,抗干扰能力G,6个主要指标计算目标攻击必要性。
2 目标攻击必要性数据样本构造;
由于数据样本具有限制性特点,将数据样本分成两部分:一部分用于学习,剩余部分用于测试。采用连续数据移动法,构造M个不同的基础样本及(N-M)个不同的测试样本,充分利用给定的样本数据分别对攻击必要性的计算结果进行测试,样本构造如表1所示。。
表1 目标攻击必要性数据样本构造
2.1样本的选择与处理
根据实际情况并考虑目标的差异,确定地面目标的各项性能指标,构造判断矩阵
2.2 计算权重向量:
ω=(μ1μ2μ3μ4μ5μ6)T=(0.0428 0.1367 0.2785 0.1763 0.2707 0.0949)T;
因此,目标攻击必要性的计算如下:
利用以上建立的目标攻击必要性模型,生成20组数据样本,并对目标攻击必要性指标进行归一化处理,得到的训练样本如表2所 示。
其中,综合武器系统是根据实际数据的来,系统可靠度、生存能力、识别能力、打击能力、抗干扰能力是根据历史数据的来,目标的必要性根据前面的数据计算得到。
表2 训练样本表
2.3 相对误差计算,验证数据的有效性
为了消除除数据的偶然性,剔除提一个数据x1,取x2,x3,…,x17进行训练,观察x18,x19,x20,x1对应的输出和实际输出的对比,结果如表3所示。
表3 计算结果及误差分析
相对误差均在设定值5%之内,说明数据有效。
3 采取信息均衡权重算法,确定无人机攻击有效性。
3.1 分析数据属性,合理选取数据。
分析数据属性,选取6架无人机进行攻击,根据无人机坐标和地面目标坐标计算无人机与地面目标俯仰度及优先权,并将俯仰优先权、方位优先权、目标重要度、武器性能优先权设为数据属性,构建合理决策矩阵。
3.2 构建决策矩阵
根据信息均衡权重算法,构建优先决策矩阵B:
4 确定无人机攻击次序
设每架无人机可攻击5次,为保证攻击效果,连续3次内不进行2次以上攻击,攻击方案中预设每架飞机只攻击4次,预留1次攻击作为备用,以处理突发状况。
突发条件下,即攻击目标失败时,由目标攻击有效性排序次之的无人机进行攻击,后续攻击方案随之实时调整。正常条件下,6架无人机(分别用A、B、C、D、E、F表示无人机)对20个目标攻击次序如表4所示。
表4 无人机攻击次序表
现阶段无人机群作战控制方法主要包括:地面基地控制无人机群 作战或是有人机控制下的有人机-无人机协同作战等方式。无人机的攻击过程完全由人为的操控,削弱了无人机群战场机动性,不能有效形成对攻击目标的多批次精确打击。
本发明可以弥补现阶段无人机多机作战过程中的指挥过程中的无人机群自主指挥协调问题。通过对攻击目标必要性的判定,由半监督机器适应自主决策实时攻击系统代替人工指挥系统,对目标必要性大小依次进行多批次精确打击,根据目标必要性的变化实时调整攻击方案,有效提高无人机的战场生存率,发挥无人机群在复杂环境中的最大效用。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (3)
1.一种多目标空对地半监督机器适应自主决策实时攻击方法,其特征在于按照以下步骤进行:
步骤1:目标攻击必要性一般性指标选取;采用火力单元数nh,可靠度K,生存能力S,搜索能力F,毁伤能力H,和抗干扰能力G,这6个主要指标计算目标攻击必要性;
步骤2:采用层次分析法对目标的攻击必要性进行计算;
步骤3:半监督机器适应决策系统对多目标空对地攻击决策;构建半监督机器自适应系统,通过构建的半监督机器自适应系统对目标打击必要性实现自动排序;
步骤4:通过信息均衡权重算法对无人机攻击有效性进行分析;通过信息均衡权重算法,计算综合权重,构建决策矩阵;
步骤5:根据步骤1至步骤4,对多目标无人机攻击策略进行综合考虑,自主决策无人机攻击次序,并派遣无人机进行攻击。
2.按照权利要求1所述一种多目标空对地半监督机器适应自主决策实时攻击方法,其特征在于:所述步骤2中的计算过程为:
(1)按照层次分析法构造两两比较判断矩阵:A=(aij)n×n,其中n为评估体系的指标个数,aij为第i个指标对第j个指标的重要程度,1表示重要度最小,9表示重要度最大,前后指标重要性之比存在关系aij×aji=1;
(2)矩阵A按列进行归一化处理后求和,得权重向量:ω=((ωi)1×n)T;
(3)判断矩阵A最大特征值:将其特征向量W=((μi)1×n)T作为评估指标的权重向量,μi是矩阵的特征向量;
(4)计算目标攻击必要性指标:其中x1=nh,x2=K,x3=S,x4=F,x5=H,x6=G;
(5)为了便于分析,对目标攻击必要性指标进行归一化处理,归一化方法如下:N为总样本数,Y1为目标攻击必要性指标Y归一化后的目标攻击必要性指标。
3.按照权利要求1所述一种多目标空对地半监督机器适应自主决策实时攻击方法,其特征在于:所述步骤3中构建半监督机器自适应系统,通过构建的半监督机器自适应系统对目标打击必要性实现自动排序方法为:
首先构建半监督机器自适应系统:
1)构造一元回归方程:
f(x)=ω·Φ(x)+b,
其中,Φ(x)为函数映射关系,ωf为在F的特征向量,b为偏参量,构造集合D={(xj,yj)|j=1,2,…,n},其中xj∈RN表示样本入变量;yj∈R表示样本i的预输出变量,n表示自适应数据样本总数目;
2)为了提高函数f(x)在ε范围内的精度,可进行拉格朗日乘子法进行变换,在KKT(Karush-Kuhn-Tucker,KKT)条件约束下,构造一元函数:
其中,拉格朗日乘数αi,定义系数偏差第i个样本xi的边界函数h(xi)=f(xi)-yi,通过上述函数变换,将自适应数据分为3个集合:
①半监督机器适应决策系统错误集合E:E={i||θi|=C,|h(xi)|>ε};
②半监督机器适应决策系统边界集合S:S={i|0<|θi|<C,|h(xi)|=ε};
③半监督机器适应决策系统剩余样本集合R:R={i||θi|=0,|h(xi)|<ε};
通过构建的半监督机器自适应系统对目标打击必要性实现自动排序过程如下:
设有k架无人机(编号分别为1,2,…,k),现对N个地面目标进行攻击,则地面目标的打击必要性排序过程如下:
1):构建基础样本集{(xj,yj)|j=1,2,...,M},M为基础样本数;
2):加入第s个样本(xs,ys),如果基础样本的数量小于设定值M,则转到3),否则转到4);
3):利用构建的半监督机器自适应系统增量算法将符合KKT条件的数据更新到自适应数据集合,依据目标打击必要性系数更新自适应攻击决策系统中的数据,转到5);
4):利用构建的半监督机器自适应系统删减算法将违背KKT条件的冗余样本删除,转到5);
5):定义预测误差根据精度要求,定义|eerr0|≤0.05,如果eerr小于设定值eerr0,说明样本调整参数范围有效,基础学习结束,转到步骤6;否则,说明样本调整参数范围无效,需要调整,转到3);
6):通过构建的半监督机器自适应系统预测目标打击必要性y`s;
7):若样本在边界集合内,即s≥N,转到8);否则,更新边界集合,s=s+1,转到2);进行迭代计算,直到完成所有样本s的计算;
8):对所出预测出的目标打击必要性排序,y`1>y`2>...>y`N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410307175.7A CN104199788A (zh) | 2014-06-30 | 2014-06-30 | 一种多目标空对地半监督机器适应自主决策实时攻击方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410307175.7A CN104199788A (zh) | 2014-06-30 | 2014-06-30 | 一种多目标空对地半监督机器适应自主决策实时攻击方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104199788A true CN104199788A (zh) | 2014-12-10 |
Family
ID=52085084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410307175.7A Pending CN104199788A (zh) | 2014-06-30 | 2014-06-30 | 一种多目标空对地半监督机器适应自主决策实时攻击方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104199788A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732061A (zh) * | 2015-01-28 | 2015-06-24 | 方洋旺 | 一种反辐射制导武器系统能力探索性分析方法 |
CN108427286A (zh) * | 2018-04-12 | 2018-08-21 | 合肥工业大学 | 用于强对抗环境下无人机深度决策的训练方法及训练网络 |
CN109299732A (zh) * | 2018-09-12 | 2019-02-01 | 北京三快在线科技有限公司 | 无人驾驶行为决策及模型训练的方法、装置及电子设备 |
CN109472043A (zh) * | 2018-09-17 | 2019-03-15 | 北京晶品镜像科技有限公司 | 一种随伴炮兵连的自主射击决策方法 |
CN110411278A (zh) * | 2019-06-20 | 2019-11-05 | 合肥工业大学 | 一种部署多无人机的纳什均衡博弈智能决策方法及系统 |
CN110414685A (zh) * | 2019-06-20 | 2019-11-05 | 合肥工业大学 | 多无人机任务分配的纳什均衡博弈智能决策方法及系统 |
CN112668485A (zh) * | 2020-12-30 | 2021-04-16 | 深兰科技(上海)有限公司 | 飞行器的控制方法、装置、飞行器及计算机可读存储介质 |
CN114859978A (zh) * | 2022-07-05 | 2022-08-05 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机自主目标排序方法及无人机控制系统 |
-
2014
- 2014-06-30 CN CN201410307175.7A patent/CN104199788A/zh active Pending
Non-Patent Citations (3)
Title |
---|
宋磊等: "多UCAV协同目标攻击决策", 《系统工程与电子技术》 * |
陈中起等: "基于改进信息熵的空地多目标攻击优先权决策", 《系统工程与电子技术》 * |
韩伟等: "基于在线支持向量机的空对地攻击决策算法", 《吉林大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732061A (zh) * | 2015-01-28 | 2015-06-24 | 方洋旺 | 一种反辐射制导武器系统能力探索性分析方法 |
CN108427286A (zh) * | 2018-04-12 | 2018-08-21 | 合肥工业大学 | 用于强对抗环境下无人机深度决策的训练方法及训练网络 |
CN108427286B (zh) * | 2018-04-12 | 2021-06-01 | 合肥工业大学 | 用于强对抗环境下无人机深度决策的训练方法及训练网络 |
CN109299732A (zh) * | 2018-09-12 | 2019-02-01 | 北京三快在线科技有限公司 | 无人驾驶行为决策及模型训练的方法、装置及电子设备 |
US11983245B2 (en) | 2018-09-12 | 2024-05-14 | Beijing Sankuai Online Technology Co., Ltd | Unmanned driving behavior decision-making and model training |
CN109472043A (zh) * | 2018-09-17 | 2019-03-15 | 北京晶品镜像科技有限公司 | 一种随伴炮兵连的自主射击决策方法 |
CN109472043B (zh) * | 2018-09-17 | 2020-10-09 | 北京晶品镜像科技有限公司 | 一种随伴炮兵连的自主射击决策方法 |
CN110411278A (zh) * | 2019-06-20 | 2019-11-05 | 合肥工业大学 | 一种部署多无人机的纳什均衡博弈智能决策方法及系统 |
CN110414685A (zh) * | 2019-06-20 | 2019-11-05 | 合肥工业大学 | 多无人机任务分配的纳什均衡博弈智能决策方法及系统 |
CN110411278B (zh) * | 2019-06-20 | 2021-11-23 | 合肥工业大学 | 一种部署多无人机的纳什均衡博弈智能决策方法及系统 |
CN112668485A (zh) * | 2020-12-30 | 2021-04-16 | 深兰科技(上海)有限公司 | 飞行器的控制方法、装置、飞行器及计算机可读存储介质 |
CN114859978A (zh) * | 2022-07-05 | 2022-08-05 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机自主目标排序方法及无人机控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104199788A (zh) | 一种多目标空对地半监督机器适应自主决策实时攻击方法 | |
CN106873628B (zh) | 一种多无人机跟踪多机动目标的协同路径规划方法 | |
CN105302153A (zh) | 异构多无人机协同察打任务的规划方法 | |
CN110222406B (zh) | 一种基于任务阶段复杂性的无人机自主能力评估方法 | |
CN105739303B (zh) | 基于滚动时域法的多无人机协同打击任务分配方法 | |
US8260734B2 (en) | Method and a system for estimating the impact area of a military load launched from an aircraft | |
CN110502031A (zh) | 基于任务需求的异构无人机集群协同最优配置方法 | |
CN108985549A (zh) | 基于量子鸽群机制的无人机任务分配方法 | |
CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
CN106296031A (zh) | 一种基于动态topsis的空中目标威胁评估方法 | |
CN104392087A (zh) | 一种顶置武器站性能评估方法 | |
CN107065897B (zh) | 三自由度直升机显式模型预测控制方法 | |
CN110490422B (zh) | 一种基于博弈云模型的目标作战效能态势评估方法 | |
CN106681358A (zh) | 集中式无人机编队任务分配方法和装置 | |
CN108549210A (zh) | 基于bp神经网络pid控制的多无人机协同飞行方法 | |
CN108983800B (zh) | 一种基于深度学习的飞机姿态控制方法 | |
CN116560406A (zh) | 一种无人机集群协同规划与自主调度方法 | |
CN112632765A (zh) | 一种加权和法与sem法结合的作战能力评估方法 | |
CN106934225A (zh) | 一种电力巡检用多旋翼无人机系统效能评估方法 | |
CN106679670A (zh) | 一种基于融合赋权的无人飞行器航迹规划决策方法 | |
CN104778368A (zh) | 一种针对高维多目标优化问题的Pareto集个体排序方法 | |
CN113807721A (zh) | 一种基于相近和相似机理的装备作战效能评估方法 | |
CN106897837A (zh) | 一种电力巡检用无人直升机系统效能评估方法 | |
Yoon et al. | New modeling algorithm for improving accuracy of weapon launch acceptability region | |
CN109685338A (zh) | 一种基于博弈论的配电网可靠性指标权重集结方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141210 |
|
WD01 | Invention patent application deemed withdrawn after publication |