CN115204033A - 单机近距空战格斗机动辅助决策方法、系统、设备及介质 - Google Patents
单机近距空战格斗机动辅助决策方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115204033A CN115204033A CN202210650107.5A CN202210650107A CN115204033A CN 115204033 A CN115204033 A CN 115204033A CN 202210650107 A CN202210650107 A CN 202210650107A CN 115204033 A CN115204033 A CN 115204033A
- Authority
- CN
- China
- Prior art keywords
- data
- fighters
- neural network
- battlefield situation
- enemy
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了单机近距空战格斗机动辅助决策方法、系统、设备及介质,属于空战技术领域,方法包括:S1在敌我双方战机基于BFM机动条件进行单机近距空战格斗训练中,获取敌我双方战机的战场态势数据以及我方战机的滚转角数据;S2构建待训练的深度神经网络,将预处理后的战场态势数据和滚转角数据分别作为输入数据和输出数据对深度神经网络进行训练,获得机动辅助决策模型;S3在单机近距空战格斗过程中,将采集到敌我双方战机的战场态势数据输入机动辅助决策模型,获得用于对我方战机进行机动辅助决策的滚转角数据。本发明简便易行、计算快速且精度高,有效解决单机近距空战中我方战机最佳滚转角决策的问题。
Description
技术领域
本发明涉及,特别涉及单机近距空战格斗机动辅助决策方法、系统、设备及介质。
背景技术
在近距条件下采用红外弹、航炮等进行咬尾、对头攻击是最为激烈的空战形式,具备高动态、强实时、大过载等特性,对飞行员提出了较高的飞行机动要求。目前,各国飞行员针对此空战形式均展开了大量的飞行训练,并明确定义了有关机动动作,形成了相关教程。知名的国外空战培训机构包括美国的海军战斗机武器学校(United States navy fighterweapons school,昵称:TOPGUN),有关机动动作教程包括近距空战格斗中常采用的基础空战机动(Basic fighter maneuvers,BFM);我国海军航空兵亦采用DCSWorld等仿真度良好的空战仿真软件,展开了大量的培训工作。
但是受限于人体生理极限、心理负荷等因素,在激烈的近距空战格斗飞行中,人类飞行员难免“犯错”,即以不符合BFM教程的机动动作执行空战。目前,随着无人机技术的发展,其免受生理、心理等因素影响的持续性优化决策性能优势逐渐凸显,已有大量研究工作针对无人自主空战技术展开,取得了初步的成果。但是,目前的自主空战研究工作未能考虑空战中武器使用原则、伦理道德等因素的影响,尚鲜见具备完整无人自主空战能力的装备报道。
考虑到近距空战格斗中有关于武器使用原则等道德、伦理问题,在未来的空战研究中不应该将飞行员完全摈弃;同时考虑基于人工智能等方法的自主空战技术的优异性能,已有学者提出研发空战机动辅助决策系统,采用自主空战技术为飞行员提供实时、在线的辅助决策,进而由飞行员选择、执行相关机动动作。这一思路有望针对飞行员技战术、道德伦理等因素以及自主空战技术的良好性能实现良性叠加,实现“1+1>2”的效果。
考虑到飞行员在执行近距空战格斗任务中常采用BFM机动,即依据战场敌我双方的态势,选定合适的飞机滚转角,并施加法向过载将机头尽可能指向敌机,可见BFM机动的核心之一在于确定飞机合适的滚转角。因此,针对采用BFM机动遂行空战格斗的战斗机,有必要开发一种能够生成用于指导战斗机进行合适的滚转的辅助决策方法。
现有技术中,已有大量学者针对采用BFM机动的飞行滚转角进行了研究,现有的方法包括NASA等提出的试探机动方法,复旦大学董一群等提出的试探机动方法,以及美国空军研究员Austin等提出的博弈矩阵方法等。但是,这些方法均基于战斗机控制/状态空间的完备搜索展开,计算量较大,尚鲜见工程应用报道。
发明内容
针对现有技术存在的空战格斗中飞机滚转角辅助决策方法计算量大的问题,本发明的目的在于提供一种单机近距空战格斗机动辅助决策方法、系统、设备及介质。
为实现上述目的,本发明的技术方案为:
第一方面,一种单机近距空战格斗机动辅助决策方法,所述方法包括以下步骤:
S1、在敌我双方战机基于BFM机动条件进行单机近距空战格斗训练中,获取敌我双方战机的战场态势数据以及我方战机的滚转角数据;
S2、构建待训练的深度神经网络,并对所述战场态势数据进行预处理,将预处理后的战场态势数据作为输入数据输入到所述深度神经网络,再将所述滚转角数据作为所述深度神经网络的输出数据,进行所述深度神经网络进行训练,从而获得机动辅助决策模型;
S3、在单机近距空战格斗过程中,将采集到敌我双方战机的战场态势数据输入所述机动辅助决策模型,获得用于对我方战机进行机动辅助决策的滚转角数据。
优选的,S1中,所述战场态势数据包括:我方战机的海拔高度sea_level、马赫数Ma、迎角AOA,以及在我方战机坐标系下敌方战机的位置坐标{x,y,z}、敌方战机的机头指向与三个坐标轴之间的夹角{p,q,r}。
优选的,S2中,所述对所述战场态势数据进行预处理的步骤包括:以长度为ΔT的历史时间窗口对所述战场态势数据进行采样,并按时间顺序堆叠排列成二维矩阵格式。
优选的,S2中,所述对所述战场态势数据进行预处理的步骤还包括:对所述战场态势数据进行归一化处理。
优选的,所述滚转角数据包括多个大小相同的离散方位,每个所述离散方位均包括一段连续的角度数值,且各所述离散方位拼合后构成360°圆周。
优选的,将S1中获取到的数据分割为训练数据和测试数据,其中,所述训练数据用于训练所述深度神经网络,所述测试数据用于测试所述机动辅助决策模型,且在测试时通过混淆矩阵验证所述机动辅助决策模型。
优选的,所述深度神经网络为CNN网络或者CNN与LSTM的结合网络。
第二方面,一种单机近距空战格斗机动辅助决策系统,包括:
获取模块,所述获取模块用于采集敌我双方战机的战场态势数据以及我方战机的滚转角度数据;
预处理模块,所述预处理模块用于将所述战场态势数据处理成适于深度神经网络的二维矩阵格式;
训练模块,所述训练模块用于对所述深度神经网络进行训练,并获得机动辅助决策模型;
执行模块,所述执行模块用于将采集到敌我双方战机的战场态势数据输入所述机动辅助决策模型中,以获得用于对我方战机进行机动辅助决策的滚转角数据。
第三方面,一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;其中,所述处理器调用所述存储器中存储的可执行程序代码,执行如上所述的方法。
第四方面,一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的方法。
采用上述技术方案,本发明的有益效果在于:本发明将BFM机动中的滚转角决策等效为一个映射关系,通过构建深度神经网络,将敌我双方战机的战场态势数据作为网络的输入,将我方战机应采取的滚转角数据作为网络的输出,在给定相关深度神经网络结构后,经由大批量BFM机动数据,采用训练算法对深度神经网络内部运算进行调参,进而拟合相关映射关系,即能够获得简便易行、计算快速且精度高的机动辅助决策模型,应用该模型即可在BFM空战机动过程中,快速地为我方飞行员提供最佳的滚转角决策。
附图说明
图1为本发明中一种单机近距空战格斗机动辅助决策方法的方法流程图;
图2为本发明中我方战机分别与三种敌方战机进行空战的时长示意图;
图3为近距空战飞行中所采用的多种BFM机动动作示例示意图;
图4为敌我双方战机的战场态势数据经过预处理后的示意图;
图5为飞机的滚转角示意图;
图6为本发明提出的深度神经网络的结构示意图;
图7为本发明提出的另一种深度神经网络的结构示意图;
图8为本发明中一种单机近距空战格斗机动辅助决策系统的结构示意图;
图9为本发明中电子设备的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
本实施例提供一种单机近距空战格斗机动辅助决策方法,其应用深度神经网络,从而将BFM机动中的滚转角决策等效为一个映射关系,其输入为敌我双方战机的战场态势数据,输出即为我方战机应采取的滚转角数据,在给定相关深度神经网络结构后,经由大批量BFM机动数据,采用训练算法对深度神经网络内部运算进行调参,进而拟合相关映射关系。
其中,神经网络是机器学习的一种典型方法,通过构建层联结构,并加载训练数据,经由训练算法调整网络结构内部权重、激活函数等,实现对于训练数据中输入—输出关系的准确拟合。为避免网络训练中可能出现的过拟合问题,一般还需单独设定测试数据(独立于训练数据),以测试训练好的网络。在复杂问题中(如滚转角的辅助决策),为确保神经网络具有良好的性能,一般需要采用多层网络结构。早期的神经网络在网络层数增加后,容易出现训练误差消失/爆炸等问题。近年出现的ReLU等新兴的激活函数有效解决了该问题,使得层数更多即更“深”的神经网络成为了可能。
传统的神经网络直接吸纳输入数据,通过多节点并行计算提取数据特征。但是,针对图像、飞机飞行状态量等空间/时间特征较为明显的信号,这种特征提取方法效率较低,效果较差。目前在图像处理等领域,已大量采用卷积神经网络(Convolutional neuralnetwork,CNN)。这种网络通过卷积核扫描输入数据(一般为二维矩阵形式),可有效提取卷积核覆盖区域内的数据空间特征,并采用多个串联卷积层,特征提取效率更高、效果更好。针对飞机飞行状态量等时间特征明显的信号,也出现了长短记忆网络(Long-short timememory,LSTM)等多种深度神经网络结构;这类网络可自动识别并判定应考虑的历史输入信息长度,提取相关特征后映射成为网络输出,对于时间特征明显的信号的效果更好。
如图1所示,本实施例提供的方法包括S1-S3步骤。
S1、在敌我双方战机基于BFM机动条件进行单机近距空战格斗训练中,获取敌我双方战机的战场态势数据以及我方战机的滚转角数据。
S2、构建待训练的深度神经网络,并对战场态势数据进行预处理,将预处理后的战场态势数据作为输入数据输入到深度神经网络,再将滚转角数据作为深度神经网络的输出数据,进行深度神经网络进行训练,从而获得机动辅助决策模型;
S3、在单机近距空战格斗过程中,将采集到敌我双方战机的战场态势数据输入机动辅助决策模型,获得用于对我方战机进行机动辅助决策的滚转角数据。
本实施例中,基于DCS World空战仿真软件展开数据采集和分析工作,这一软件针对战斗机的飞行动力学、航电系统、火控系统等的模拟具有较高的真实性。目前已被用于部分军种的飞行训练,取得了较好成果。
本实施例针对视距内一对一空战格斗展开,敌我双方战机均由具备良好空战格斗技术的人类飞行员操纵,其中我方战机的滚转角数据采集主要针对更富有经验的飞行员展开。在近距空战格斗中,由于敌我双方战机的飞行特性、机动性能、座舱视野等对飞行机动决策及飞行控制等具有较大的影响,因此本实施例的数据采集考察了四型不同战机,如表1所示。由更富有飞行经验的飞行员执飞F战机(即我方战机),另一飞行员分别执飞其他三型战机,并分别进行三次空战格斗,以便于进行数据采集。如图2所示,其为本实施例所采集数据的总时长(共约340飞行分钟),并且配置三次空战格斗的时间保持均衡。其中,敌我双方战机的初始距离均为10km、初始速度均为0.75马赫,初始(无线电)高度分别选定为4500米(M1)、7500米(M2)、600米(S)。
表1四型战机基本参数
在本实施例的数据采集过程中,飞行员采用BFM动作执飞空战,传统的BFM机动包含了高优优、低优优、水平/垂直剪式飞行等多个动作,本实施例所采集的部分BFM机动动作示例如图3所示,其中,(a)为高优优,(b)为破S机动,(c)为纯追逐,(d)为水平剪式飞行,(e)为垂直剪式飞行,(f)为筋斗机动,(g)为滚筒机动。
基于上述设定,本实施例中所称的战场态势数据包括:我方战机的海拔高度sea_level、马赫数Ma、迎角AOA,以及在我方战机坐标系下敌方战机的位置坐标{x,y,z}、敌方战机的机头指向与三个坐标轴之间的夹角{p,q,r},其原因在于:
1、在近距空战格斗中,飞行员做出决策的首要依据是飞行员视野状态下敌机的位置,因此,选择敌机在我机机体坐标系下的位置坐标{x,y,z}作为深度神经网络的第一组输入数据。而为了防止深度神经网络的训练时出现奇点和误差消失的问题,需要对这些数据进行归一化处理。并且针对近距空战场景,选择3公里作为上限进行线性归一化,即,将大于3公里的距离视作3公里,进而对所有的距离数据进行线性归一化。归一化后的位置坐标{x,y,z}作为深度神经网络的第一组输入数据。
2、在近距空战格斗中,敌机的机头指向也是影响我机飞行员执行不同BFM机动动作的重要因素。为准确描述敌机的机头指向,选择敌机的机头方向在我机机体坐标系下的3个分量并做反余弦计算(表征敌机的机头方向与我机机体坐标系3个坐标轴之间的夹角),取弧度制后作为深度神经网络的第二组输入数据,记作{p,q,r}。
3、不同的海拔高度对我机操纵性能影响较大,因此还需以我机的海拔高度sea_level作为输入数据。同时,飞机的马赫数Ma和迎角AOA显著影响飞机的操纵性能,所以输入数据还需考虑我机的Ma和AOA。对我机的海拔高度sea_level、马赫数Ma和迎角AOA进行线性归一化后,则可得到深度神经网络的第三组输入数据,记作{sea_level,Ma,AOA}。
综上,本实施例选择{x,y,z,p,q,r,sea_level,Ma,AOA}共9类数据作深度神经网络为输入数据,而在以长度为ΔT的历史时间窗口对战场态势数据进行采样(采样频率1Hz)后,并在将数据输入到深度神经网络之前,还需要按时间顺序堆叠排列成二维矩阵格式,以便于适配于深度神经网络的数据输入格式,如图4所示。
通常,敌我双方战机的位置坐标均是以经度、纬度为零的点为坐标原点,以北、天、东方向为x、y、z轴的坐标系下的位置,因此还需要将坐标系换算为我方战机的机体坐标系,从而获得上述的{x,y,z},进而不必对我方战机的位置坐标带入深度神经网络进行运算。本实施例中,实际采集的详细数据类型参见表2。而上述的{x,y,z,p,q,r,sea_level,Ma,AOA}均是基于表2采集到的数据获得。
表2敌我双方战机数据类型
在实际空中格斗中,我方战机在BFM机动时,并不需要精确地控制滚转角,只要滚转角大致处于某一区间内即已较为准确,本实施例中,将战机滚转一圈所经历的360°圆周均匀地划分为8个离散方位,记为Case 0~7,每个离散方位均包括一段连续的角度数值(跨度均为45°),如表3和图5所示。
表3飞机滚转角分类
如图6所示,本实施例应用的深度神经网络同时采用CNN及LSTM结构。图中,XYZ表示相对位置{x,y,z},Turn State表示敌机机头朝向的欧拉角{p,q,r},SMA表示我机海拔高度sea_level、马赫数Ma以及迎角AOA。CNN表示卷积层(Convolutional layer),MP表示最大值池化层(Max-pooling layer),FL表示平铺层(Flatten layer),FC表示全连接层(Fully-connected layer),LSTM表示LSTM层。
可以理解的是,在深度神经网络的结构设计完成后,还需要进行训练调参,即首先需要通过对照性数值试验,确定准确度较高、性能尽可能简单的网络结构,进而通过训练算法对于网络展开精细化训练,提升其准确度,以确保网络对于滚转角辅助决策任务的性能。例如在其他优选实施例中,单独选择结构更加简单的CNN网络作为深度神经网络,如图7所示。
可以理解的是,为避免深度神经网络训练的“过拟合”问题,S1中所获取到的数据通常除了包含训练数据外,还包含测试数据。其中,随机选取所有数据的2/3作为训练数据以用于深度神经网络训练,剩余的1/3则作为测试数据以用于验证网络训练结果。
实际测试时,通过混淆矩阵验证机动辅助决策模型的准确度。由于本实施例将我方战机的滚转角离散为Case 0~7共8类,因此,混淆矩阵是一个8×8的矩阵。混淆矩阵中,各行表示离散分类结果,每列表示网络预测结果,则其对角线即表示预测与实际结果相符的百分比。经过分析,当选择CNN网络来构建机动辅助决策模型,并经过对网络的参数进行训练优化后,其测试结果如表4所示。
表4测试结果(混淆矩阵)
实际应用中,针对单机近距空战格斗中的滚转角分类问题,本实施例提出的机动辅助决策模型,其输出的滚转角(离散方位)只需要与实际的滚转角(离散方位)处于相同或相邻的位置上即可有效满足机动辅助决策任务。因此,在测试环节,本实施例对滚转角(离散方位)的分类预测结果定义了三级准确度,定义方式参见表5,其中,二级准确度又可称为右偏准确度,基于飞行员通常向右进行滚转的操作习惯定义,三级准确度同时包含右偏和左偏的情形。
表5三级准确度定义
在对分类预测结果定义了三级准确度的基础上,上述测试结果中,其一级准确度超过2/3(68.10%),三级准确率已大幅接近97%,可见本实施例所提出的空战格斗机动辅助决策方法准确性能良好,预计可有效在复杂的近距空战战场态势下为飞行员采用BFM的空战格斗飞行机动提供良好的滚转辅助决策。
表6CNN网络预测准确度
实施例二
一种单机近距空战格斗机动辅助决策系统,如图8所示,包括:
获取模块,获取模块用于采集敌我双方战机的战场态势数据以及我方战机的滚转角度数据;
预处理模块,预处理模块用于将战场态势数据处理成适于深度神经网络的二维矩阵格式;
训练模块,训练模块用于对深度神经网络进行训练,并获得机动辅助决策模型;
执行模块,执行模块用于将采集到敌我双方战机的战场态势数据输入机动辅助决策模型中,以获得用于对我方战机进行机动辅助决策的滚转角数据。
实施例三
一种电子设备,如图9所示,包括存储有可执行程序代码的存储器以及与该存储器耦合的处理器;其中,处理器调用存储器中存储的可执行程序代码,执行上述实施例公开的方法步骤。
实施例四
一种计算机存储介质,计算机存储介质中存储有计算机程序,计算机程序被处理器运行时执行上述实施例公开的方法步骤。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种单机近距空战格斗机动辅助决策方法,其特征在于:所述方法包括以下步骤:
S1、在敌我双方战机基于BFM机动条件进行单机近距空战格斗训练中,获取敌我双方战机的战场态势数据以及我方战机的滚转角数据;
S2、构建待训练的深度神经网络,并对所述战场态势数据进行预处理,将预处理后的战场态势数据作为输入数据输入到所述深度神经网络,再将所述滚转角数据作为所述深度神经网络的输出数据,进行所述深度神经网络进行训练,从而获得机动辅助决策模型;
S3、在单机近距空战格斗过程中,将采集到敌我双方战机的战场态势数据输入所述机动辅助决策模型,获得用于对我方战机进行机动辅助决策的滚转角数据。
2.根据权利要求1所述的方法,其特征在于:S1中,所述战场态势数据包括:我方战机的海拔高度sea_level、马赫数Ma、迎角AOA,以及在我方战机坐标系下敌方战机的位置坐标{x,y,z}、敌方战机的机头指向与三个坐标轴之间的夹角{p,q,r}。
3.根据权利要求2所述的方法,其特征在于:S2中,所述对所述战场态势数据进行预处理的步骤包括:以长度为ΔT的历史时间窗口对所述战场态势数据进行采样,并按时间顺序堆叠排列成二维矩阵格式。
4.根据权利要求2所述的方法,其特征在于:S2中,所述对所述战场态势数据进行预处理的步骤还包括:对所述战场态势数据进行归一化处理。
5.根据权利要求1所述的方法,其特征在于:所述滚转角数据包括多个大小相同的离散方位,每个所述离散方位均包括一段连续的角度数值,且各所述离散方位拼合后构成360°圆周。
6.根据权利要求1所述的方法,其特征在于:将S1中获取到的数据分割为训练数据和测试数据,其中,所述训练数据用于训练所述深度神经网络,所述测试数据用于测试所述机动辅助决策模型,且在测试时通过混淆矩阵验证所述机动辅助决策模型。
7.根据权利要求1所述的方法,其特征在于:所述深度神经网络为CNN网络或者CNN与LSTM的结合网络。
8.一种单机近距空战格斗机动辅助决策系统,其特征在于:包括:
获取模块,所述获取模块用于采集敌我双方战机的战场态势数据以及我方战机的滚转角度数据;
预处理模块,所述预处理模块用于将所述战场态势数据处理成适于深度神经网络的二维矩阵格式;
训练模块,所述训练模块用于对所述深度神经网络进行训练,并获得机动辅助决策模型;
执行模块,所述执行模块用于将采集到敌我双方战机的战场态势数据输入所述机动辅助决策模型中,以获得用于对我方战机进行机动辅助决策的滚转角数据。
9.一种电子设备,其特征在于:包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;其中,所述处理器调用所述存储器中存储的可执行程序代码,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650107.5A CN115204033A (zh) | 2022-06-09 | 2022-06-09 | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650107.5A CN115204033A (zh) | 2022-06-09 | 2022-06-09 | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204033A true CN115204033A (zh) | 2022-10-18 |
Family
ID=83576763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210650107.5A Pending CN115204033A (zh) | 2022-06-09 | 2022-06-09 | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204033A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383731A (zh) * | 2023-03-06 | 2023-07-04 | 南京航空航天大学 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
-
2022
- 2022-06-09 CN CN202210650107.5A patent/CN115204033A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383731A (zh) * | 2023-03-06 | 2023-07-04 | 南京航空航天大学 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
CN116383731B (zh) * | 2023-03-06 | 2023-11-14 | 南京航空航天大学 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107976899B (zh) | 一种基于有人/无人机协同作战系统的精确目标定位及打击方法 | |
CN113791634B (zh) | 一种基于多智能体强化学习的多机空战决策方法 | |
CN108731684B (zh) | 一种多无人机协同区域监视的航路规划方法 | |
Yang et al. | UAV air combat autonomous maneuver decision based on DDPG algorithm | |
CN107390706B (zh) | 一种基于预演机动规则系统的无人机近距格斗决策方法 | |
US7599765B2 (en) | Dynamic guidance for close-in maneuvering air combat | |
CN107219857B (zh) | 一种基于三维全局人工势函数的无人机编队路径规划算法 | |
CN112034711B (zh) | 一种基于深度强化学习的无人艇抗海浪干扰控制方法 | |
CN105427032A (zh) | 一种无人机对抗决策评估方法 | |
CN109960148B (zh) | 一种智能无人系统的自主性评估方法及系统 | |
CN105678030B (zh) | 基于专家系统和战术战法分形化的空战战术团队仿真方法 | |
CN104317305B (zh) | 一种面向复杂战场威胁的射前航迹确定方法 | |
CN114200826B (zh) | 一种超音速大机动靶标持续大过载机动高度稳定控制方法 | |
CN106842926A (zh) | 一种基于正实b样条的飞行器轨迹优化方法 | |
CN112051863A (zh) | 一种无人机自主反侦察及躲避敌方攻击的方法 | |
Fu et al. | The overview for UAV air-combat decision method | |
CN114722701A (zh) | 基于深度强化学习模型的兵棋推演协作策略获取方法 | |
CN111523177B (zh) | 一种基于智能学习的空战对抗自主决策方法及系统 | |
CN115204033A (zh) | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 | |
CN113625569A (zh) | 一种基于深度强化学习和规则驱动的小型无人机防控混合决策方法及系统 | |
CN115903865A (zh) | 一种飞行器近距空战机动决策实现方法 | |
CN115951709A (zh) | 基于td3的多无人机空战策略生成方法 | |
CN105930766A (zh) | 无人机 | |
CN116502423A (zh) | 一种基于深度强化学习的对抗仿真推演系统 | |
Lei et al. | A new machine learning framework for air combat intelligent virtual opponent |
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 |