CN114202185A - 一种高功率微波武器协同防空的体系贡献率评估方法 - Google Patents
一种高功率微波武器协同防空的体系贡献率评估方法 Download PDFInfo
- Publication number
- CN114202185A CN114202185A CN202111476397.8A CN202111476397A CN114202185A CN 114202185 A CN114202185 A CN 114202185A CN 202111476397 A CN202111476397 A CN 202111476397A CN 114202185 A CN114202185 A CN 114202185A
- Authority
- CN
- China
- Prior art keywords
- target
- combat
- layer
- fuzzy
- air defense
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本申请提供了本申请提供一种高功率微波武器协同防空的体系贡献率评估方法,方法包括:构建模糊小波神经网络;选取模糊小波神经网络输入指标并将采集的指标数据预处理;利用预处理后的数据训练模糊小波神经网络;利用训练完成的模糊小波神经网络评估来袭目标,分别获取第一目标作战效能以及第二目标作战效能;根据第一目标作战效能以及第二目标作战效能,采用基于作战效能增量的体系贡献率求解方法确定高功率微波武器在协同防空作战中的体系贡献率。本申请提供的方法直观的得到高功率微波武器对于协同防空作战的全面增益。
Description
技术领域
本申请涉及协同作战的体系贡献率评估方法技术领域,特别涉及一种高功率微波武器协同防空的体系贡献率评估方法。
背景技术
随着现代科学技术的进步以及战争形式的改变,各种武器系统越来越多地依赖于微电子技术和计算机控制,在此条件下,“智能”武器逐渐成为各军事强国手中的利器。对付这种采用复杂电子设备且作战方式灵活的新型武器,传统的防空武器已经不能够确保防空拦截的作战效率,保证我国领土的安全,故此,发展新一代的防空武器势在必行。
高功率微波武器作为一种新型武器,与其它武器系统不同之处在于它对目标的杀伤不仅是“软杀伤”,更能凭借其杀伤机理将“软杀伤”扩展到了“硬杀伤”层次,它以电磁能量来干扰或烧坏敌方武器系统的电子设备或电子计算机等内部的敏感元器件为目的,既可以损伤各类传感器,实现信息致盲;也可以毁伤通信,数据链设备;还可以扰乱计算机网络及武器控制单元,因此在空间对抗、信息对抗和反精确打击等方面具有巨大的军事应用潜力。此外,微波射束的波瓣较大,因而打击的范围大,从而对跟踪、瞄准的精度要求可以降低,这即降低了使用高功率微波武器的费用,又有利于对近距离的快速移动目标实施攻击。从而与现有的现有的近程防空武器形成互补,加强了对于来袭武器的防护,确保了我方的安全。
目前,目前,对于高功率微波武器的研究主要集中在揭示高功率微波武器的毁伤机理及其毁伤模式,而对于高功率微波武器在实战中与传统武器的协同作战效果及高功率微波武器在协同作战中的体系贡献率问题并未开展研究。对于高功率微波武器在协同防空作战中体系贡献率的求解,能够帮助作战人员更好的了解高功率微波武器在一种战斗中的实际效果以及怎样将其与传统防空武器配合使用,更充分发挥不同武器在不同场景下的作用。
发明内容
本申请提供了一种高功率微波武器协同防空的体系贡献率评估方法,可用于解决高功率微波武器在协同防空作战中体系贡献率确定方法缺失的技术问题。
本申请提供一种高功率微波武器协同防空的体系贡献率评估方法,所述方法包括:
构建模糊小波神经网络;
选取模糊小波神经网络输入指标并将采集的指标数据预处理;
利用预处理后的数据训练模糊小波神经网络;
利用训练完成的模糊小波神经网络评估来袭目标,分别获取第一目标作战效能以及第二目标作战效能;所述第一目标作战效能为只采用中近程防空武器作战的作战效能;所述第二目标作战效能为采用高功率微波武器与中近程防空武器协同作战时的作战效能;
根据所述第一目标作战效能以及所述第二目标作战效能,采用基于作战效能增量的体系贡献率求解方法确定高功率微波武器在协同防空作战中的体系贡献率。
可选的,所述模糊小波神经网络模型包括五层;
其中,第一层为输入层,输入层对应5项输入指标;
假设有Nr个模糊规则,如下所示:
第二层隶属度函数层,第二层选择Gaussian函数作为隶属度函数:
其中,cij代表第j个规则下的中心参数;σij代表第j个规则下的伸缩参数;
第三层为模糊规则层,每个节点代表一个模糊规则R,每个节点的输出为:
其中,Π代表逻辑“与”操作;
r=1:Nω,i=1:5
其中,tri表示小波的平移参数,dri表示小波的伸缩参数,下标ri表示第i个输入对应第r个小波神经元,Nω表示小波神经元个数,网络的第四层输出结果:
其中,wr是连接隐含层和输出层的权值;
第五层为输出层,将第四层输出乘第三层节点输出:
第五层的输出结果,表达式为:
可选的,所述模糊小波神经网络输入指标分为拦截效果指标和作战代价指标两种;其中,拦截效果指标包括拦截目标数量、完成拦截目标耗时、目标毁伤程度;所述作战代价指标包括拦截耗弹量、己方完好程度。
可选的,选取模糊小波神经网络输入指标并将采集的指标数据预处理,包括:
选取模糊小波神经网络输入指标并将采集的指标数据进行量化和归一化处理。
可选的,对指标数据进行量化处理,包括:
拦截目标数量:将舰艇探测系统获得的目标来袭数量设为N1,经过防空拦截后,目标数量设为N2,则成功拦截目标数量占总来袭目标数量的比值为:
n=N2/N1
按n=0~1等间隔,将拦截目标数量依次量化为1~10;
完成拦截目标耗时:按照舰艇探测系统获得的目标速度及目标位置,确定出目标达到舰艇需要的总时间t1,以及从目标被探测到目标被拦截击毁的时间t2,则:
t=t2/t1
拦击目标耗时的大小用比值t表示,按照t=0~1等间隔将拦截目标耗时依次10~1;
目标毁伤程度:因反舰导弹被击中即损坏的特性,此项指标特指无人机;按无损伤、轻微损伤、中度损伤、重度损伤、击毁依次量化为2、4、6、8、10;
拦截耗弹量:根据舰艇携带资源数量,按弹药使用量0~100%等间隔依次量化为10~1;
己方完好程度:将舰艇完好程度按照无损伤、轻微损伤、中度损伤、重度损伤、沉没依次量化为2、4、6、8、10。
可选的,对指标数据进行归一化处理,包括:
实现归一化:
[y,ps]=mapminmax(x,ymin,ymax)
其中,y为量化后的指标,ps是记录归一化映射的结构体,mapminmax函数内部所采用的映射函数为:
其中,xmin和xmax是原始数据x的最小值和最大值,ymin和ymax是映射的范围参数,可调节,默认为-1和1,此时的映射为[-1,1]归一化;把ymin置为0,ymax置为1。
可选的,采用基于作战效能增量的体系贡献率求解方法确定高功率微波武器在协同防空作战中的体系贡献率,包括:
根据所述第一目标作战效能以及所述所述第二目标作战效能,确定高功率微波武器在协同防空作战中的体系贡献率。
可选的,所述体系贡献率求解采用以下方法确定:
η=μ(k)1-μ(k)2
式中,μ(k)1为经由模糊小波神经网络求得的加入高功率微波武器之后的防空作战效能评估值,μ(k)2为经由模糊小波神经网络求得的加入高功率微波武器之前的防空效能评估值。
本申请在作战效能求解方法中,以模糊小波神经网络为基础,模糊小波神经网络是模糊神经网络与小波神经网络的组合体,模糊神经网络解决战场环境信息的不确定性问题,小波神经网络增强网络的自学习能力,将两者组合起来一方面能够根据现有的经验规则来参与神经网络的训练,另一方面具有较好的稳定性和收敛速度,提高了复杂环境下的泛化能力,保证了作战效能评估的准确性与快速性;在选取模糊小波神经网络输入指标时,不仅考虑了防空作战的拦截效果方面,而且选取了拦截耗弹量与己方完好程度两项指标,对于作战过程中我方的作战代价进行了充分考虑,使得评估出的作战效能能够更加具有全面性和可信度。在进行体系贡献率求解步骤,采用了基于作战效能增量的求解方式,求解出了高功率微波武器在协同防空作战中的间接贡献率,从侧面体现了高功率微波武器在防空作战中产生的贡献及军事效益,能够更加直观的得到高功率微波武器对于协同防空作战的全面增益。
附图说明
图1为本申请实施例提供的一种高功率微波武器协同防空的体系贡献率评估方法流程示意图;
图2为本申请实施例提供的模糊小波神经网络示意图;
图3为本申请实施例提供的模糊小波神经网络输入指标分类示意图;
图4为本申请实施例提供的体系贡献率求解示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面首先结合图1对本申请实施例适用的可能的系统架构进行介绍。
如图1所示,本申请提供的方法包括以下步骤:
步骤S101,构建模糊小波神经网络。
本申请实施例中,模糊小波神经网络模型共分为五层,如图2所示。
第一层为输入层,输入层对应5项输入指标;
假设有Nr个模糊规则,如下所示:
第二层隶属度函数层,由于Gaussian形隶属度函数可以保持数据的原始分布,因此,在第二层选择Gaussian函数作为隶属度函数:
其中,cij、σij分别代表第j个规则下的中心参数和伸缩参数。
第三层为模糊规则层,每个节点代表一个模糊规则R,每个节点的输出为:
其中,Π代表逻辑“与”操作,即取小运算。
其中,tri和dri分别表示小波的平移参数和伸缩参数,下标ri表示第i个输入对应第r个小波神经元,Nω表示小波神经元个数,网络的第四层输出结果:
其中,wr是连接隐含层和输出层的权值。
第五层为输出层,将第四层(小波层)输出乘第三层(模糊规则层)节点输出:
第五层的输出结果,表达式为:
步骤S102,选取模糊小波神经网络输入指标并将采集的指标数据预处理。
具体的,本申请实施例中,选取模糊小波神经网络输入指标并将采集的指标数据进行量化和归一化处理。
模糊小波神经网络输入指标分为拦截效果指标和作战代价指标两种,共有五项,;其中,拦截效果指标包括拦截目标数量、完成拦截目标耗时、目标毁伤程度;作战代价指标包括拦截耗弹量、己方完好程度,如图3所示。拦截目标数量越多,完成拦截耗时越少,目标毁伤程度越高,拦截效果越好,作战效能也越高。一场战争中拦截耗弹量越少、己方完好程度越高,则防空作战效果越好,效能也越高。总的来说,拦截效果越好,作战代价越少,则舰艇防空拦截越成功,效能评估值也越好,效能评估值和攻击意图成正比,和作战代价成反比。
本申请实施例中,指标数据进行量化处理,包括:
拦截目标数量:将舰艇探测系统获得的目标来袭数量(想定目标来袭数量)设为N1,经过防空拦截后,目标数量设为N2,则成功拦截目标数量占总来袭目标数量的比值为:
n=N2/N1
按n=0~1等间隔(0.1)将拦截目标数量依次量化为1~10;
拦截目标耗时:按照舰艇探测系统获得的目标速度及目标位置,计算出目标达到舰艇需要的总时间t1,以及从目标被探测到目标被拦截击毁的时间t2,则有:
t=t2/t1
拦击目标耗时的大小可用比值t表示,按照t=0~1等间隔(0.1)将拦截目标耗时依次10~1;
目标毁伤程度:因反舰导弹被击中即损坏的特性,此项指标特指无人机。按无损伤、轻微损伤(不影响飞行)、中度损伤(影响飞行但能够继续执行任务)、重度损伤(必须返航)、击毁依次量化为2、4、6、8、10;
拦截耗弹量:根据舰艇携带资源数量,按弹药使用量0~100%等间隔依次量化为10~1;
己方完好程度:将舰艇完好程度按照无损伤、轻微损伤(不影响作战)、中度损伤(影响航行但不影响作战)、重度损伤(必须返航)、沉没依次量化为2、4、6、8、10。
本申请实施例中,指标数据进行归一化处理,包括:
可在Matlab中采用mapminmax函数可以实现上述归一化:
[y,ps]=mapminmax(x,ymin,ymax)
其中,y为量化后的指标,ps是记录归一化映射的结构体,mapminmax函数内部所采用的映射函数为:
其中,xmin和xmax是原始数据x的最小值和最大值,ymin和ymax是映射的范围参数,可调节,默认为-1和1,此时的映射即为[-1,1]归一化。此处,我们把ymin置为0,ymax置为1。
本申请实施例中,预处理后的数据训练模糊小波神经网络直至作战效能的评估误差小于5%。
步骤S103,利用预处理后的数据训练模糊小波神经网络。
将预处理完成的数据代入到模糊小波神经网络中,对模糊小波神经网络进行迭代训练,学习率设为0.001,当作战效能评估误差小于5%时,模糊小波神经网络训练完成。
步骤S104,利用训练完成的模糊小波神经网络评估来袭目标,分别获取第一目标作战效能以及第二目标作战效能。
第一目标作战效能为只采用中近程防空武器作战的作战效能第二目标作战效能为采用高功率微波武器与中近程防空武器协同作战时的作战效能。
需要说明的是,为了准确计算高功率微波武器的体系贡献率,第一作战目标与第二作战目标的目标类型、飞行高度、飞行速度及敌我距离均相同。
步骤S105,根据第一目标作战效能以及第二目标作战效能,采用基于作战效能增量的体系贡献率求解方法确定高功率微波武器在协同防空作战中的体系贡献率。
根据第一目标作战效能以及第二目标作战效能,确定高功率微波武器在协同防空作战中的体系贡献率。
具体的,本申请实施例中,体系贡献率求解采用以下方法确定:
η=μ(k)1-μ(k)2
式中,μ(k)1为经由模糊小波神经网络求得的加入高功率微波武器之后的防空作战效能评估值,μ(k)2为经由模糊小波神经网络求得的加入高功率微波武器之前的防空效能评估值。
本申请在作战效能求解方法中,以模糊小波神经网络为基础,模糊小波神经网络是模糊神经网络与小波神经网络的组合体,模糊神经网络解决战场环境信息的不确定性问题,小波神经网络增强网络的自学习能力,将两者组合起来一方面能够根据现有的经验规则来参与神经网络的训练,另一方面具有较好的稳定性和收敛速度,提高了复杂环境下的泛化能力,保证了作战效能评估的准确性与快速性;在选取模糊小波神经网络输入指标时,不仅考虑了防空作战的拦截效果方面,而且选取了拦截耗弹量与己方完好程度两项指标,对于作战过程中我方的作战代价进行了充分考虑,使得评估出的作战效能能够更加具有全面性和可信度。在进行体系贡献率求解步骤,采用了基于作战效能增量的求解方式,求解出了高功率微波武器在协同防空作战中的间接贡献率,从侧面体现了高功率微波武器在防空作战中产生的贡献及军事效益,能够更加直观的得到高功率微波武器对于协同防空作战的全面增益。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于服务构建装置和服务加载装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (8)
1.一种高功率微波武器协同防空的体系贡献率评估方法,其特征在于,所述方法包括:
构建模糊小波神经网络;
选取模糊小波神经网络输入指标并将采集的指标数据预处理;
利用预处理后的数据训练模糊小波神经网络;
利用训练完成的模糊小波神经网络评估来袭目标,分别获取第一目标作战效能以及第二目标作战效能;所述第一目标作战效能为只采用中近程防空武器作战的作战效能;所述第二目标作战效能为采用高功率微波武器与中近程防空武器协同作战时的作战效能;
根据所述第一目标作战效能以及所述第二目标作战效能,采用基于作战效能增量的体系贡献率求解方法确定高功率微波武器在协同防空作战中的体系贡献率。
2.如权力要求1所述高功率微波武器协同防空的体系贡献率评估方法,其特征在于,所述模糊小波神经网络模型包括五层;
其中,第一层为输入层,输入层对应5项输入指标;
假设有Nr个模糊规则,如下所示:
第二层隶属度函数层,第二层选择Gaussian函数作为隶属度函数:
其中,cij代表第j个规则下的中心参数;σij代表第j个规则下的伸缩参数;
第三层为模糊规则层,每个节点代表一个模糊规则R,每个节点的输出为:
其中,Π代表逻辑“与”操作;
r=1:Nω,i=1:5
其中,tri表示小波的平移参数,dri表示小波的伸缩参数,下标ri表示第i个输入对应第r个小波神经元,Nω表示小波神经元个数,网络的第四层输出结果:
其中,wr是连接隐含层和输出层的权值;
第五层为输出层,将第四层输出乘第三层节点输出:
第五层的输出结果,表达式为:
3.如权力要求1所述高功率微波武器协同防空的体系贡献率评估方法,其特征在于,所述模糊小波神经网络输入指标分为拦截效果指标和作战代价指标两种;其中,拦截效果指标包括拦截目标数量、完成拦截目标耗时、目标毁伤程度;所述作战代价指标包括拦截耗弹量、己方完好程度。
4.如权力要求1所述的高功率微波武器协同防空的体系贡献率评估方法,其特征在于,选取模糊小波神经网络输入指标并将采集的指标数据预处理,包括:
选取模糊小波神经网络输入指标并将采集的指标数据进行量化和归一化处理。
5.如权力要求4所述的高功率微波武器协同防空的体系贡献率评估方法,其特征在于,对指标数据进行量化处理,包括:
拦截目标数量:将舰艇探测系统获得的目标来袭数量设为N1,经过防空拦截后,目标数量设为N2,则成功拦截目标数量占总来袭目标数量的比值为:
n=N2/N1
按n=0~1等间隔,将拦截目标数量依次量化为1~10;
完成拦截目标耗时:按照舰艇探测系统获得的目标速度及目标位置,确定出目标达到舰艇需要的总时间t1,以及从目标被探测到目标被拦截击毁的时间t2,则:
t=t2/t1
拦击目标耗时的大小用比值t表示,按照t=0~1等间隔将拦截目标耗时依次10~1;
目标毁伤程度:因反舰导弹被击中即损坏的特性,此项指标特指无人机;按无损伤、轻微损伤、中度损伤、重度损伤、击毁依次量化为2、4、6、8、10;
拦截耗弹量:根据舰艇携带资源数量,按弹药使用量0~100%等间隔依次量化为10~1;
己方完好程度:将舰艇完好程度按照无损伤、轻微损伤、中度损伤、重度损伤、沉没依次量化为2、4、6、8、10。
7.如权力要求1所述的高功率微波武器协同防空的体系贡献率评估方法,其特征在于,采用基于作战效能增量的体系贡献率求解方法确定高功率微波武器在协同防空作战中的体系贡献率,包括:
根据所述第一目标作战效能以及所述所述第二目标作战效能,确定高功率微波武器在协同防空作战中的体系贡献率。
8.如权力要求1所述的高功率微波武器协同防空的体系贡献率评估方法,其特征在于,所述体系贡献率求解采用以下方法确定:
η=μ(k)1-μ(k)2
式中,μ(k)1为经由模糊小波神经网络求得的加入高功率微波武器之后的防空作战效能评估值,μ(k)2为经由模糊小波神经网络求得的加入高功率微波武器之前的防空效能评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111476397.8A CN114202185A (zh) | 2021-12-06 | 2021-12-06 | 一种高功率微波武器协同防空的体系贡献率评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111476397.8A CN114202185A (zh) | 2021-12-06 | 2021-12-06 | 一种高功率微波武器协同防空的体系贡献率评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202185A true CN114202185A (zh) | 2022-03-18 |
Family
ID=80650566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111476397.8A Pending CN114202185A (zh) | 2021-12-06 | 2021-12-06 | 一种高功率微波武器协同防空的体系贡献率评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202185A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926026A (zh) * | 2022-05-21 | 2022-08-19 | 中国电子科技集团公司第二十研究所 | 一种多维特征深度学习的目标分配优化方法 |
-
2021
- 2021-12-06 CN CN202111476397.8A patent/CN114202185A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926026A (zh) * | 2022-05-21 | 2022-08-19 | 中国电子科技集团公司第二十研究所 | 一种多维特征深度学习的目标分配优化方法 |
CN114926026B (zh) * | 2022-05-21 | 2023-02-14 | 中国电子科技集团公司第二十研究所 | 一种多维特征深度学习的目标分配优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241591B (zh) | 反舰导弹作战效能评估及辅助决策方法 | |
Hu et al. | Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat | |
CN109063819B (zh) | 基于贝叶斯网络的任务共同体的识别方法 | |
CN114202185A (zh) | 一种高功率微波武器协同防空的体系贡献率评估方法 | |
CN115222271A (zh) | 基于神经网络的武器目标分配方法 | |
CN113128021B (zh) | 多无人平台协同对抗的实时重决策方法和系统 | |
CN110986680B (zh) | 一种城市环境中低慢小目标的复合拦截方法 | |
CN117217069A (zh) | 一种基于海鸥优化算法的雷达装备体系部署点位优化方法 | |
CN114065518B (zh) | 一种干扰资源分配方法及系统 | |
CN114548674B (zh) | 面向多智能体对抗场景的威胁态势评估方法、装置及设备 | |
CN113128698B (zh) | 多无人机协同对抗决策的强化学习方法 | |
CN114819055A (zh) | 一种基于lstm网络的导弹拦截点预测方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
Ok et al. | A Case Study on Implementation of Methodology for Wartime Warships Damage Rate Estimation | |
Li et al. | Target assignment and sorting for multi-target attack in multi-aircraft coordinated based on RBF | |
Tang et al. | Close-in weapon system planning based on multi-living agent theory | |
CN110930054A (zh) | 一种基于数据驱动的作战体系关键参数快速优化方法 | |
Guo et al. | Mission simulation and stealth effectiveness evaluation based on fighter engagement manager (FEM) | |
Tianhan et al. | UAV cooperative attack and route planning based on DPSO algorithm | |
Chen et al. | The evaluation method of air force attack airline | |
Rao et al. | A methodology to evaluate combat potential and military force effectiveness for decision support | |
Chen et al. | The optimal combat maneuver decision of the autonomous underwater vehicle based on the fuzzy comprehensive evaluation method | |
Xu et al. | A Combat Decision Support Method Based on OODA and Dynamic Graph Reinforcement Learning | |
Peng et al. | Research on Ground-to-Air Missile Fitting Algorithm Based on Deep BP Neural Network | |
Peng et al. | Submarine Attacking Surface Ship Combat Based on Petri Net Modeling Method |
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 |