CN112149715B - 一种基于深度学习的无人机空战威胁评估方法 - Google Patents
一种基于深度学习的无人机空战威胁评估方法 Download PDFInfo
- Publication number
- CN112149715B CN112149715B CN202010895916.3A CN202010895916A CN112149715B CN 112149715 B CN112149715 B CN 112149715B CN 202010895916 A CN202010895916 A CN 202010895916A CN 112149715 B CN112149715 B CN 112149715B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- air combat
- network
- situation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 50
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的无人机空战威胁评估方法,首先,使用战场环境数据库对支持向量机网络结构进行训练,从而实现不同空战环境的划分,并将不同空战环境标定为N种模式;然后,使用不同空战环境下的空战态势数据库,训练N种基于深度置信网络的深度学习网络结构;在评估时先输入实际战场环境数据根据训练好的支持向量机网络进行环境分别,从而确定无人机所处的空战态势模式;最后,将实际空战态势数据输入到对应模式下训练好的深度置信网络进行威胁评估。本发明本发明采用双层评估网络的方式,增加评估的准确性,并利用深度学习方法,预先训练,提高了评估的快速性,解决了无人机空战环境下的威胁评估问题。
Description
技术领域
本发明属于无人机威胁评估领域,具体涉及一种基于深度学习的无人机空战威胁评估方法。
背景技术
无人机自问世以来因其自身性能的优越性,可以脱离载人的约束,在空中完成高难度、远距离的飞行任务,而广受军事各界关注。如今无人机的发展已经与国家的空中实力息息相关,无人机已然成为国家之间争夺制空权的关键所在。
但无人机由于没有人的操控,其飞行路线和飞行方式都需要提前设定。所以无人机在飞行过程中遇到威胁时做出反应的时间相对于有人机的响应时间较长,很容易因碰撞或失速发生坠毁。针对无人机受到的威胁合理的进行预测从而提前做出响应以规避威胁,是避免无人机坠毁的有效途径之一。无人机在空战过程中遇到的威胁主要分为两种,一种为空战环境所带来的威胁,另一种是无人机作战时的空战态势威胁。
空战环境所带来的威胁主要包括地形、温度、风速、气象、电磁环境等环境因素带来的影响。该类威胁不随空战战局改变而改变,在无人机交战过程中往往处于相对不变状态。
无人机在空域中飞行受到的态势威胁主要包括距离威胁、角度威胁、高度威胁、速度威胁、载弹威胁等。该类威胁与空战态势息息相关,主要取决于交战双方无人机类型、速度、高度、角度、载弹量等状态信息,随着空战变化而实时改变。但是空战态势威胁影响因素较多,目前关于空战态势威胁的计算方法往往是针对某一种特殊空战情况,且计算方法无法准确拟合不同空战环境下的。
深度学习威胁评估方法是从空战实时数据中提取出威胁评估规则,能够很好地拟合当前空战态势数据。
发明内容
发明目的:本发明为解决无人机作战环境下受到的环境威胁与敌机威胁的评估问题,提出一种基于深度学习的无人机态势威胁评估方法,可对无人机战场环境下可能受到的环境威胁和态势威胁进行评估。
技术方案:本发明所述的一种基于深度学习的无人机态势威胁评估方法,包括以下步骤:
(1)使用无人机战场环境数据库对支持向量机网络结构进行训练,实现不同空战环境模式的划分,并将不同空战环境标定为N种模式;
(2)使用不同空战环境下的空战态势数据库,训练N种基于深度置信网络的无人机态势威胁评估网络,进入无人机态势威胁评估;
(3)评估时先输入实际战场环境数据根据训练好的支持向量机网络进行环境分别,确定无人机所处的空战环境模式;再将实际空战态势数据输入到对应模式下训练好的无人机态势威胁评估网络进行威胁评估。
进一步地,步骤(1)所述的空战环境为地形、温度、风速、气象、电磁环境。
进一步地,所述步骤(1)的实现过程如下:
(11)当输入环境数据时,SVM网络能够对环境数据进行模态甄别,确定当前无人机的空战环境模态,根据空战环境模态不同将无人机空战态势数据库进行划分;
(12)训练支持向量机网络,得到支持向量机的分类函数为:
f(x)=sign(w*Γ(xi)+b*) (12)
其中,w*和b*为求出的超平面最优系数,Γ(xi)为核函数;
(13)当环境模式大于2时,引入多目标分类方法,编号为1,2,3...K,对于每两组模式求解一次他们之间的支持向量机函数,一共可以求出K(K-1)个SVM;每次评估选择某一战场环境模式的准确度函数为P(i),i=1,2,3...K;对于某一组战场环境数据分别对这K(K-1)个SVM中的与当前模式相关的K-1个SVM做一次分类,得到的值累加到准确度函数P(i),i=1,2,3...K中;然后根据支持向量机函数的累加值,依据公式(13)对当前环境数据模态归属的准确度进行判断:
根据得到的结果选择准确值最高的模型作为分类结果输出。
进一步地,所述步骤(2)的实现过程如下:
(21)分别单独无监督地训练每一层RBM网络,确保特征向量映射到不同特征空间时,尽可能多地保留特征信息;
(22)在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为DBN的输入特征向量,有监督地训练实体关系分类器;反向传播网络将错误信息自顶向下传播至每一层RBM,微调整个DBN网络。
进一步地,所述步骤(3)包括以下步骤:
(31)输入无人机战场环境数据;
(32)根据战场环境数据进行无人机战场环境模式判定;判断是否得到某一具体环境模式;
(33)若能确定某一具体环境模式,则确定无人机战场环境模式后进入无人机态势威胁评估环节;否则,将无人机当前环境数据加入环境数据库重新训练;并返回(31)重新进行评估;
(34)将无人机态势数据输入无人机态势威胁评估网络;
(35)根据训练得到的态势评估网络进行评估,从而得到无人机战场环境态势威胁评估结果。
进一步地,所述步骤(21)包括以下步骤:
(211)初始化参数:给定参数J和α,J为迭代次数,α为学习率;初始化偏置向量a∈Rn,b∈Rm和权值矩阵W∈Rn×m;将向量a,b初始化为零;将矩阵W的元素初始化为[0,1)上的随机数;
(212)使用对比散度算法对RBM进行Gibbs采样使其实现可见层和隐藏层快速实现平稳分布;
(213)应用sigmoid函数对该层的可见层,隐藏层的数据进行处理。
有益效果:与现有技术相比,本发明的有益效果:本发明采用双层评估网络的方式,增加评估的准确性,并利用深度学习方法,预先训练,提高了评估的快速性,解决了无人机空战环境下的威胁评估问题。
附图说明
图1为基于深度学习无人机空战威胁评估方法框架图;
图2为威胁评估特征集;
图3为DBN结构组成图;
图4为无人机空战态势评估流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明提出一种基于深度学习无人机空战威胁评估方法,具体包括以下步骤:
步骤1:使用无人机战场环境数据库对支持向量机(SVM)网络结构进行训练,实现不同空战环境模式的划分,并将不同空战环境标定为N种模式。
空战环境主要可以分为地形、温度、风速、气象、电磁环境等。其中地形可以划分为对空战影响较大的复杂地形区和对空战影响较小的平坦地区,不同的地形条件对无人机的飞行条件有不同的影响,需要对比无人机的机动性再进行态势评估;温度可以划分为低温、中温、高温,不同的温度区间对无人机上传感器的灵敏度以及计算机的运行速度有着不同的影响,从而影响无人机的作战自效能,进而使无人机态势受到影响;风速可以划分为低风速、中风速、高风速,风速的不同会导致无人机飞行稳定性受到影响,从而影响无人机的作战能力对无人机的态势评估造成影响;气象可依据气象类型进行划分,不同的气象类型对无人机上的激光雷达的探测距离和无人机的通讯可靠性有着不同的影响,从而影响无人机的态势;电磁环境可分为强电磁干扰地区、中等电磁干扰地区和弱电磁干扰地区,电磁干扰对无人机的通讯有致命影响,故在不同电磁环境下,无人机的抗干扰能力会影响无人机的态势评估。由于不同环境条件下无人机空战态势威胁大小不同,根据不同环境下空战态势威胁数值的变化确立出N种不同的模态,并通过SVM网络将环境因素和环境模态进行关联。
在输入环境数据后,通过SVM网络将环境进行模态甄别,从而确定当前无人机的空战环境模态,并在训练阶段能将无人机空战态势数据库根据环境模态进行划分。
训练支持向量机网络,首先分析对于无人机空战环境的属性分类为非线性可分问题,于是引入核函数使数据在核空间线性可分。选取核函数为Γ(xi),Γ(xi)为第i个指标的特征空间转换函数,目的是将原系统中的坐标系映射到更高维度中实现可分。设数据的松弛因子为ξi≥0,为了让函数间隔加上松弛变量大于等于1,则有约束条件为公式(1)。
yi(WTΓ(xi)+b)≥1-ξi (1)
则有目标函数如公式(10)所示,目标函数的值为支持向量到超平面的距离。
式中C为惩罚参数,w为超平面的系数。为了使分类更精确,目标函数的值应尽可能小。下面为了求不等式的极值,引入拉格朗日乘子理论,构造拉格朗日函数,原则上为目标函数减去拉格朗日乘子与约束条件函数的成绩乘积。于是拉格朗日目标函数为公式(3)。
式中ui和αi为对偶变量,且满足C-αi-ui=0求目标函数的极值则有公式。求目标函数的极值则有公式。
方程整理后得公式(5)。
将公式(5)带入目标函数得:
然后求目标函数对于α的极大值,可以得到约束条件:
于是有0≤αi≤C,由此可以求出在以下约束下最优解α*:
然后利用公式(9)计算w*和b*:
利用公式计算b*:
则分离超平面方程为:
w*Γ(xi)+b*=0 (11)
所以支持向量机的分类函数为:
f(x)=sign(w*Γ(xi)+b*) (12)
但作战环境的分类有多种组成,于是当环境模式大于2时,引入多目标分类方法。假设共有K个战场环境模式分类,则编号为1,2,3...K。首先对于每两组模式求解一次他们之间的支持向量机函数,一共可以求出K(K-1)个SVM。
假设每次评估选择某一战场环境模式的准确度函数为P(i),i=1,2,3...K。对于某一组战场环境数据分别对这K(K-1)个SVM中的与当前模式相关的K-1个SVM做一次分类。得到的值累加到P(i),i=1,2,3...K中,于是有公式(13)。
根据得到的结果选择准确值最高的模型作为分类结果输出。
步骤2:使用不同空战环境下的空战态势数据库,训练N种基于深度置信网络(DBN)的无人机态势威胁评估网络,进入无人机态势威胁评估。
由于不同环境下无人的空战态势数据不同,于是先通过上面的SVM网络对无人机作战环境进行了划分,再根据无人机作战环境划分的模态对无人机空战态势数据库进行分类,并根据同一模态下的无人机空战态势数据库进行无人机空战态势威胁评估网络的训练。
空战威胁评估与敌我双方战机性能、速度、高度、角度以及加速度等空战态势信息有关,如图2所示。
从空战态势角度选取敌方速度、敌方高度、敌方加速度、进入角、方位角、我机速度、我机高度、我机加速度、双方距离等特征信息,从战机性能角度选取敌我双方战机类型、机动能力、火力能力、探测能力等特征信息,共同组成威胁评估特征集。
为了对无人机空战态势进行威胁评估,引入深度学习网络,通过已有的样本数据库进行威胁评估网络训练。在评估时通过输入实际空战态势数据到深度学习网络,进行无人机威胁评估。DBN的结构如图3所示,深度学习网络训练过程如下:
首先进行预训练:分别单独无监督地训练每一层RBM(受限玻尔兹曼机)网络,确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息;
其次进行微调:在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器。而且每一层RBM网络只能确保自身层内权值对该层特征向量映射达到最优,并不是对整个DBN的特征向量映射达到最优,所以反向传播网络还将错误信息自顶向下传播至每一层RBM,微调整个DBN网络。RBM网络训练模型的过程可以看作对一个深层BP网络权值参数的初始化,使DBN克服了BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。
具体RBM训练过程如下:
Step1初始化
(1)给定参数J(迭代次数)和α(学习率);
(2)初始化偏置向量a∈Rn,b∈Rm和权值矩阵W∈Rn×m;
(a)将向量a,b初始化为零,
(b)将矩阵W的元素初始化为[0,1)上的随机数。
Step2训练
使用对比散度算法对RBM进行Gibbs采样使其实现可见层和隐藏层快速实现平稳分布。(得出W,a,b)
Step3重构
应用sigmoid函数对该层的可见层,隐藏层的数据进行处理。
步骤3:评估时先输入实际战场环境数据根据训练好的支持向量机网络进行环境分别,确定无人机所处的空战环境模式;再将实际空战态势数据输入到对应模式下训练好的无人机态势威胁评估网络进行威胁评估。
在完成DBN和SVM的模型训练后,进行无人机空战态势威胁评估流程如图4所示:
1)首先输入无人机战场环境数据。
2)根据战场环境数据进行无人机战场环境模式判定;判断是否得到某一具体环境模式。
3)若能确定某一具体环境模式,则确定无人机战场环境模式后进入无人机态势威胁评估环节。否则,将无人机当前环境数据加入环境数据库重新训练。并返回1)重新进行评估。
4)将无人机态势数据输入无人机态势威胁评估网络。
5)根据训练得到的态势评估网络进行评估,从而得到无人机战场环境态势威胁评估结果。
Claims (5)
1.一种基于深度学习的无人机空战威胁评估方法,其特征在于,包括以下步骤:
(1)使用无人机战场环境数据库对支持向量机网络结构进行训练,实现不同空战环境模式的划分,并将不同空战环境标定为N种模式;
(2)使用不同空战环境下的空战态势数据库,训练N种基于深度置信网络的无人机态势威胁评估网络,进入无人机态势威胁评估;
(3)评估时先输入实际战场环境数据根据训练好的支持向量机网络进行环境分别,确定无人机所处的空战环境模式;再将实际空战态势数据输入到对应模式下训练好的无人机态势威胁评估网络进行威胁评估;
所述步骤(1)的实现过程如下:
(11)当输入环境数据时,SVM网络能够对环境数据进行模态甄别,确定当前无人机的空战环境模态,根据空战环境模态不同将无人机空战态势数据库进行划分;
(12)训练支持向量机网络,得到支持向量机的分类函数为:
f(x)=sign(w*Γ(xi)+b*) (12)
其中,w*和b*为求出的超平面最优系数,Γ(xi)为核函数;
(13)当环境模式大于2时,引入多目标分类方法,编号为1,2,3…K,对于每两组模式求解一次他们之间的支持向量机函数,一共可以求出K(K-1)个SVM;每次评估选择某一战场环境模式的准确度函数为P(i),i=1,2,3…K;对于某一组战场环境数据分别对这K(K-1)个SVM中的与当前模式相关的K-1个SVM做一次分类,得到的值累加到准确度函数P(i),i=1,2,3…K中;然后根据支持向量机函数的累加值,依据公式(13)对当前环境数据模态归属的准确度进行判断:
根据得到的结果选择准确值最高的模型作为分类结果输出。
2.根据权利要求1所述的基于深度学习的无人机空战威胁评估方法,其特征在于,步骤(1)所述的空战环境为地形、温度、风速、气象、电磁环境。
3.根据权利要求1所述的基于深度学习的无人机空战威胁评估方法,其特点在于,所述步骤(2)的实现过程如下:
(21)分别单独无监督地训练每一层RBM网络,确保特征向量映射到不同特征空间时,尽可能多地保留特征信息;
(22)在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为DBN的输入特征向量,有监督地训练实体关系分类器;反向传播网络将错误信息自顶向下传播至每一层RBM,微调整个DBN网络。
4.根据权利要求1所述的基于深度学习的无人机空战威胁评估方法,其特点在于,所述步骤(3)包括以下步骤:
(31)输入无人机战场环境数据;
(32)根据战场环境数据进行无人机战场环境模式判定;判断是否得到某一具体环境模式;
(33)若能确定某一具体环境模式,则确定无人机战场环境模式后进入无人机态势威胁评估环节;否则,将无人机当前环境数据加入环境数据库重新训练;并返回(31)重新进行评估;
(34)将无人机态势数据输入无人机态势威胁评估网络;
(35)根据训练得到的态势评估网络进行评估,从而得到无人机战场环境态势威胁评估结果。
5.根据权利要求1所述的基于深度学习的无人机空战威胁评估方法,其特点在于,所述步骤(21)包括以下步骤:
(211)初始化参数:给定参数J和α,J为迭代次数,α为学习率;初始化偏置向量a∈Rn,b∈Rm和权值矩阵W∈Rn×m;将向量a,b初始化为零;将矩阵W的元素初始化为[0,1)上的随机数;
(212)使用对比散度算法对RBM进行Gibbs采样使其实现可见层和隐藏层快速实现平稳分布;
(213)应用sigmoid函数对该层的可见层,隐藏层的数据进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895916.3A CN112149715B (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的无人机空战威胁评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895916.3A CN112149715B (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的无人机空战威胁评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149715A CN112149715A (zh) | 2020-12-29 |
CN112149715B true CN112149715B (zh) | 2024-04-02 |
Family
ID=73890203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895916.3A Active CN112149715B (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的无人机空战威胁评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149715B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418071B (zh) * | 2020-11-20 | 2021-08-24 | 浙江科技学院 | 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 |
CN113420493A (zh) * | 2021-05-18 | 2021-09-21 | 江苏大学 | 一种多弹协同突防中的目标威胁程度评估方法 |
CN114510078B (zh) * | 2022-02-16 | 2022-12-09 | 南通大学 | 一种基于深度强化学习的无人机机动规避决策方法 |
CN114638298B (zh) * | 2022-03-15 | 2023-06-09 | 天津大学 | 飞行器攻击行为预测方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021754A (zh) * | 2017-12-06 | 2018-05-11 | 北京航空航天大学 | 一种无人机自主空战决策框架及方法 |
CN110348708A (zh) * | 2019-06-26 | 2019-10-18 | 北京理工大学 | 一种基于极限学习机的地面目标动态威胁评估方法 |
CN110472296A (zh) * | 2019-07-22 | 2019-11-19 | 中北大学 | 一种基于标准化全连接残差网络的空战目标威胁评估方法 |
-
2020
- 2020-08-31 CN CN202010895916.3A patent/CN112149715B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021754A (zh) * | 2017-12-06 | 2018-05-11 | 北京航空航天大学 | 一种无人机自主空战决策框架及方法 |
CN110348708A (zh) * | 2019-06-26 | 2019-10-18 | 北京理工大学 | 一种基于极限学习机的地面目标动态威胁评估方法 |
CN110472296A (zh) * | 2019-07-22 | 2019-11-19 | 中北大学 | 一种基于标准化全连接残差网络的空战目标威胁评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112149715A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149715B (zh) | 一种基于深度学习的无人机空战威胁评估方法 | |
CN111399541B (zh) | 无监督学习型神经网络的无人机全区域侦察路径规划方法 | |
CN111079090A (zh) | 一种“低慢小目标”的威胁评估方法 | |
CN109634309B (zh) | 一种飞行器自主避障系统、方法及飞行器 | |
CN111256697B (zh) | 一种针对路径点聚类机器学习的无人机航迹规划方法 | |
CN109444840B (zh) | 一种基于机器学习的雷达杂波抑制方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN112947541A (zh) | 一种基于深度强化学习的无人机意图航迹预测方法 | |
CN104239901A (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN113505686A (zh) | 一种无人机目标威胁评估方法及装置 | |
CN115481680A (zh) | 基于外源雷达的飞鸟与无人机航迹目标分类方法及设备 | |
CN110046590B (zh) | 一种基于粒子群优化深度学习特征选择的一维像识别方法 | |
CN114594440A (zh) | 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统 | |
CN111368653A (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
Xie et al. | A novel adaptive parameter strategy differential evolution algorithm and its application in midcourse guidance maneuver decision-making | |
CN116050515B (zh) | 一种基于XGBoost的平行推演多分支态势预测方法 | |
CN114740467B (zh) | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN114578846A (zh) | 一种基于机动检测排序的agimm跟踪方法 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN114580301A (zh) | 一种基于参数外推的高超声速飞行器轨迹在线预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |