CN115935773A - 一种空战模拟环境中的目标战术意图分层识别方法 - Google Patents
一种空战模拟环境中的目标战术意图分层识别方法 Download PDFInfo
- Publication number
- CN115935773A CN115935773A CN202110946041.XA CN202110946041A CN115935773A CN 115935773 A CN115935773 A CN 115935773A CN 202110946041 A CN202110946041 A CN 202110946041A CN 115935773 A CN115935773 A CN 115935773A
- Authority
- CN
- China
- Prior art keywords
- tactical
- target
- maneuver
- track
- maneuvering
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种空战模拟环境中的目标战术意图分层识别方法,首先提取目标航迹特征信息和敌我相对态势信息,其中目标航迹特征信息包括瞬时特征信息和累积特征信息;然后根据目标航迹偏角和目标航迹倾角的四种情况寻找目标航迹分解特征点,并将目标航迹分解为一系列连续的机动元;接下来分别设计超视距空战中的目标机动元状态集、战术机动状态集和战术意图状态集;最后设计面向目标战术意图分层识别的级联支持向量机多分类算法架构,实现目标战术意图分层识别。本发明有效克服了特征信息维度和训练样本数量较大时的收敛性和时效性难题,实现了对目标战术意图的多维度在线精准识别。
Description
技术领域
本发明属于飞行技术领域,具体涉及一种目标战术意图分层识别方法。
背景技术
空战对抗游戏和空战模拟系统都是借助于计算机仿真手段对战斗机的整个作战过程进行细致、逼真的模拟,为了有效提高用户体验的真实性与易操控性,需要从实际空战角度进行仿真设计。在高动态、强对抗的实际空战环境中精准识别目标战术意图是实现深度态势感知与智能决策的重要基础,也是提升对抗游戏和模拟系统人机交互与智能化水平的关键,对于仿真设计的逼真度与可信度具有重要意义。
空战目标战术意图识别是一个数据挖掘与在线推理的过程,它从机载传感器所获取到的目标运动状态中提取关键特征信息,并尽可能快速、准确地感知当前目标行为和相对态势以逐步挖掘目标潜在的战术意图。在线精准识别空战目标战术意图,能够为我机创造战术先机,提高空战决策效率,从而占据空战优势。
该问题的现有研究一般是从任务角度将目标意图归纳为监视、侦察、干扰、掩护与攻击等类别,但对实际空战对抗过程而言,一方面,仅通过目标航迹信息难以有效实现这类目标意图的识别;另一方面,从战术战法角度识别目标更为具体的对抗行为意图则更具现实意义。目前识别方法主要集中于专家系统和机器学习等理论的应用。专家系统虽然具有较强的知识表达与推理能力,但需构建完备的规则体系,导致其学习与容错能力低,难以概括空战的复杂演变规律。贝叶斯网络作为一种具有较强因果概率推理性能的机器学习方法,通过网络参数的动态更新适应空战态势变化,但其网络模型较为复杂,其中先验概率和条件概率等网络参数的确定同样依赖于专家经验,主观性较高。也有部分文献采用神经网络等方法将意图识别转化为数据分类的模式识别问题,其不足之处在于,隐式映射关系导致了识别结果不易解释,无法直观分析战术意图构成;从高维度数据中直接学习目标战术意图也会消耗大量的时间和计算成本,从而降低算法收敛性;此外,对于航迹信息中关键时序特征的引入和模型泛化能力的加强也是该类方法有待提高的方面。
发明内容
为了克服现有技术的不足,本发明提供了一种空战模拟环境中的目标战术意图分层识别方法,首先提取目标航迹特征信息和敌我相对态势信息,其中目标航迹特征信息包括瞬时特征信息和累积特征信息;然后根据目标航迹偏角和目标航迹倾角的四种情况寻找目标航迹分解特征点,并将目标航迹分解为一系列连续的机动元;接下来分别设计超视距空战中的目标机动元状态集、战术机动状态集和战术意图状态集;最后设计面向目标战术意图分层识别的级联支持向量机多分类算法架构,实现目标战术意图分层识别。本发明有效克服了特征信息维度和训练样本数量较大时的收敛性和时效性难题,实现了对目标战术意图的多维度在线精准识别。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1:提取目标航迹特征信息和敌我相对态势信息,其中目标航迹特征信息包括瞬时特征信息和累积特征信息;
步骤2:根据目标航迹偏角变化趋势发生改变、目标航迹偏角变化累积超过90°、目标航迹倾角的正负发生改变、目标航迹倾角变化趋势发生改变四种情况寻找目标航迹分解特征点,并将目标航迹分解为一系列连续的机动元;
步骤3:分别设计超视距空战中的目标机动元状态集、战术机动状态集和战术意图状态集;
步骤4:设计面向目标战术意图分层识别的级联支持向量机多分类算法架构,实现目标战术意图分层识别,具体包括:
步骤4-1:设计级联支持向量机最优分类函数;
针对大小为m的训练样本集{(x1,y1),(x2,y2),...,(xm,ym)},令最优分类函数为其中,为径向基核函数,σ为径向基核函数的宽度参数,为与训练样本对应的拉格朗日系数最优解,b*为对应的最优分类超平面位移项,0≤αi≤C,C为常值惩罚因子;
在级联支持向量机的训练阶段,每一个支持向量机分别针对目标机动元、战术机动和战术意图的训练样本进行单独的模型训练,并且每层识别结果均对应于下一层训练样本的特征信息之一;
步骤4-2:设计目标战术意图分层训练样本;
目标机动元训练样本为目标航迹瞬时特征信息θt、到机动元编号PME的映射;战术机动训练样本根据四段、三段和两段机动元所组成的战术机动分别设计,即连续四段、三段和两段机动元的PME、Cφ和Cθ到战术机动编号PTM的映射;战术意图训练样本为战术机动编号PTM和相对态势信息qf、qj、到战术意图编号PTI的映射;
采用欠采样方法对样本数据重新采样并通过各特征变量的最大值和最小值对样本数据进行归一化处理;
步骤4-3:设计目标战术意图分层识别逻辑,实现目标战术意图分层识别;
战术机动识别为多段机动元的分段与组合,其中四段机动元的战术机动识别优先级依次高于三段和两段;即首先进行四段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则识别为非四段机动元类并进行三段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则识别为非三段机动元类并进行两段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则直接输出相应的机动元编号PME;上述三类战术机动进行单独的支持向量机模型训练,并形成相对独立的识别模块;在训练过程中通过交叉验证法找到最优的C和σ模型参数组合。
进一步地,所述目标航迹特征信息和敌我相对态势信息中参数定义如下:
目标航迹信息中的瞬时特征信息包括:航迹倾角航迹倾角变化率航迹偏角变化率和高度变化率其中△xt=xt(t)-xt(t-h)、△yt=yt(t)-yt(t-h)和△zt=zt(t)-zt(t-h)分别为t时刻目标在地理坐标系三轴方向上的位移,[xt(t),yt(t),zt(t)]为t时刻目标在地理坐标系中的位置坐标,h为仿真步长,
目标航迹信息中的累积特征信息包括:航迹倾角变化量Cθ=|θt(tend)-θt(tstart)|和航迹偏角变化量Cφ=|φt(tend)-φt(tstart)|,Cθ、Cφ∈[0,π/2],其中tstart和tend分别为目标机动元的起始和终止时刻;
敌我相对态势信息包括目标方位角目标进入角和相对距离变化率其中Dx、Dy、Dz分别为敌我相对距离D在地理坐标系三轴方向上的投影,vux、vuy、vuz和vtx、vty、vtz分别为我机速度vu和目标速度vt在地理坐标系三轴方向上的投影。
进一步地,所述目标机动元状态集、战术机动状态集和战术意图状态集具体如下:
机动元状态集为SME=[ME1,ME2,...,MEi],i=1,2,...17,分别表示定常平飞、水平左转弯、水平右转弯、直线爬升、直线降高、铅垂面凹形爬升、铅垂面凸形爬升、铅垂面凹形降高、铅垂面凸形降高、左转弯凹形爬升、左转弯凸形爬升、左转弯凹形降高、左转弯凸形降高、右转弯凹形爬升、右转弯凸形爬升、右转弯凹形降高、右转弯凸形降高17种机动元;
战术机动状态集为STM=[TM1,TM2,...,TMj],j=1,2,...15,分别表示定常平飞、水平左盘旋、水平右盘旋、水平S形、跃升S形、俯冲S形、急跃升、战术俯冲、破-S、半斤斗、左中断、右中断、左战斗转弯、右战斗转弯、滚筒机动15种战术机动;
战术意图状态集为STI=[TI1,TI2,...,TIk],k=1,2,...5,分别表示进攻、防御、规避、转入、转出5种战术意图。
进一步地,所述通过交叉验证法找到最优的C和σ模型参数组合的相关参数为:目标机动元识别模型参数为C=4、σ=0.25;四段、三段和两段机动元类的战术机动识别模型参数分别为C=2、σ=0.47,C=1.4、σ=0.21,C=1.6、σ=0.45;目标战术意图识别模型参数为C=4、σ=0.28。
本发明的有益效果如下:
1、本发明以目标航迹在线自动分解和分层递进的方式,逐级引入目标航迹特征信息和敌我相对态势信息,构建了从目标机动元、战术机动到战术意图的分层识别模型。面向该模型针对性地设计了级联支持向量机多分类算法,以级联架构拆解了传统模型的计算复杂度。
2、本发明有效克服了特征信息维度和训练样本数量较大时的收敛性和时效性难题,同时各层识别结果能够支撑目标战术意图的构成分析,使得输出结论易于解释,从而实现了对目标战术意图的多维度在线精准识别。
附图说明
图1为本发明的实现方法流程图。
图2为本发明面向目标战术意图分层识别的级联支持向量机多分类算法结构图。
图3为本发明实施例空战对抗双方的三维航迹与目标航迹分解特征点。
图4为本发明实施例目标机动元识别结果。
图5为本发明实施例目标战术机动识别结果。
图6为本发明实施例目标战术意图识别结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提供一种空战模拟环境中的目标战术意图分层识别方法。旨在将超视距空战中的目标战术意图层次化分解,设计分层识别架构和级联支持向量机算法,以克服在特征信息维度和训练样本数量较大时的收敛性和时效性问题,同时利用各层识别结果支撑目标战术意图的构成分析,使得输出结论易于解释。从而实现超视距空战中目标战术意图的在线精准识别,以提升对抗游戏和模拟系统人机交互与智能化水平。
如图1所示,一种空战模拟环境中的目标战术意图分层识别方法,包括如下步骤:
步骤1:提取目标航迹特征信息和敌我相对态势信息,其中目标航迹特征信息包括瞬时特征信息和累积特征信息;
瞬时特征信息包括航迹倾角航迹倾角变化率航迹偏角变化率和高度变化率其中△xt=xt(t)-xt(t-h)、△yt=yt(t)-yt(t-h)和△zt=zt(t)-zt(t-h)分别为t时刻目标在地理坐标系三轴方向上的位移,[xt(t),yt(t),zt(t)]为t时刻目标在地理坐标系中的位置坐标,h为仿真步长,
累积特征信息包括航迹倾角变化量Cθ=|θt(tend)-θt(tstart)|和航迹偏角变化量Cφ=|φt(tend)-φt(tstart)|,Cθ、Cφ∈[0,π/2],其中tstart和tend分别为目标机动元的起始和终止时刻;
敌我相对态势信息包括目标方位角目标进入角和相对距离变化率其中Dx、Dy、Dz分别为敌我相对距离D在地理坐标系三轴方向上的投影,vux、vuy、vuz和vtx、vty、vtz分别为我机速度vu和目标速度vt在地理坐标系三轴方向上的投影。
步骤2:根据目标航迹偏角变化趋势发生改变、目标航迹偏角变化累积超过90°、目标航迹倾角的正负发生改变、目标航迹倾角变化趋势发生改变四种情况寻找目标航迹分解特征点,并将目标航迹分解为一系列连续的机动元;
步骤3:分别设计超视距空战中的目标机动元、战术机动和战术意图状态集,其中,机动元状态集为SME=[ME1,ME2,...,MEi],i=1,2,...17,分别表示定常平飞、水平左转弯、水平右转弯、直线爬升、直线降高、铅垂面凹形爬升、铅垂面凸形爬升、铅垂面凹形降高、铅垂面凸形降高、左转弯凹形爬升、左转弯凸形爬升、左转弯凹形降高、左转弯凸形降高、右转弯凹形爬升、右转弯凸形爬升、右转弯凹形降高、右转弯凸形降高等17种机动元;战术机动状态集为STM=[TM1,TM2,...,TMj],j=1,2,...15,分别表示定常平飞、水平左盘旋、水平右盘旋、水平S形、跃升S形、俯冲S形、急跃升、战术俯冲、破-S、半斤斗、左中断、右中断、左战斗转弯、右战斗转弯、滚筒机动等15种战术机动;战术意图状态集为STI=[TI1,TI2,...,TIk],k=1,2,...5,分别表示进攻、防御、规避、转入、转出等5种战术意图;
步骤4:设计面向目标战术意图分层识别的级联支持向量机多分类算法架构,实现目标战术意图分层识别,具体包括:
步骤4-1:设计级联支持向量机最优分类函数;
针对大小为m的训练样本集{(x1,y1),(x2,y2),...,(xm,ym)},令最优分类函数为其中,为径向基核函数,σ为径向基核函数的宽度参数,为与训练样本对应的拉格朗日系数最优解,b*为对应的最优分类超平面位移项,0≤αi≤C,C为常值惩罚因子;
如图2所示,在级联支持向量机的训练阶段,每一个支持向量机分别针对目标机动元、战术机动和战术意图的训练样本进行单独的模型训练,并且每层识别结果均对应于下一层训练样本的特征信息之一;
步骤4-2:设计目标战术意图分层训练样本;
目标机动元训练样本为目标航迹瞬时特征信息θt、到机动元编号PME的映射;考虑到战术机动由多段机动元组合的特殊性,战术机动训练样本根据四段、三段和两段机动元所组成的战术机动分别设计,即最近的连续四段、三段和两段机动元的PME、Cφ和Cθ到战术机动编号PTM的映射;战术意图训练样本为战术机动编号PTM和相对态势信息qf、qj、到战术意图编号PTI的映射;
为避免正负类样本数量不均衡以及特征变量取值范围不一致,采用欠采样方法对样本数据重新采样并对样本数据进行归一化处理,即其中X为某特征变量的真实值,Xmin和Xmax分别为X在训练样本中的最小值和最大值,Y为X归一化后的数值;
步骤4-3:设计目标战术意图分层识别逻辑,实现目标战术意图分层识别;
战术机动识别为多段机动元的分段与组合,其中四段机动元的战术机动识别优先级依次高于三段和两段;即首先进行四段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则识别为非四段机动元类并进行三段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则识别为非三段机动元类并进行两段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则直接输出相应的机动元编号PME;上述三类战术机动进行单独的支持向量机模型训练,并形成相对独立的识别模块;此外,为了提高模型的训练效率和识别准确率,通过交叉验证法找到最优的C和σ模型参数组合。
通过交叉验证法找到最优的C和σ模型参数组合的相关参数为:目标机动元识别模型参数为C=4、σ=0.25;四段、三段和两段机动元类的战术机动识别模型参数分别为C=2、σ=0.47,C=1.4、σ=0.21,C=1.6、σ=0.45;目标战术意图识别模型参数为C=4、σ=0.28。
具体实施例:
首先基于飞行仿真程序生成大量初始航迹角、速度、高度以及过程控制量不尽相同的目标航迹,通过计算得到的目标航迹瞬时特征信息和对应的机动元类型,随机抽取生成2551组数据作为训练集,1310组数据作为测试集,经测试可得本发明中机动元识别层可实现各类机动元的平均识别准确率为94.21%。
在飞行仿真程序生成的目标航迹信息和机动元识别结果的基础上,计算得到连续四段机动元的PME及其Cφ和Cθ,然后分别随机抽取生成四段、三段和两段机动元类的训练数据集1279组、1316组和950组,以及测试数据集610组、657组和473组,经测试可得本发明中战术机动识别层可实现四段、三段和两段机动元类的战术机动平均识别准确率分别为92.87%、93.37%和95.85%。
根据超视距空战对抗仿真程序生成大量敌我双方的对抗飞行航迹数据,据此识别、计算给出相应的PTM、qf、qj、和PTI等信息,然后随机抽取生成3142组数据作为训练集,950组数据作为测试集,经测试可得本发明中战术意图识别层可实现目标战术意图平均识别准确率为93.24%。
为综合验证本发明中的分层识别模型和算法,通过一段敌我双方超视距空战对抗飞行轨迹对目标机动元、战术机动和战术意图的分层、耦合在线识别效果进行仿真测试。空战对抗双方的三维航迹与目标航迹分解特征点如图3所示。其中,本发明所提出的航迹在线自动分解策略共生成了34个航迹分解特征点,将目标航迹分割成了35段机动元。结合飞行轨迹可以看出,双方大致经历了从我机追击目标、双方进攻对抗再到开始第二轮进攻对抗的空战过程,该过程包含了一个完整的超视距空战周期。
根据本发明所设计的目标战术意图分层识别模型和算法,同时结合上述实验中离线训练得到的各层识别模型,对图3中的目标机动元、战术机动和战术意图进行在线分层识别,得到识别结果分别如图4至图6所示。对比图3可知,目标机动元、战术机动和战术意图的类型和时序均分解、识别准确,与实际相符,进一步验证了本发明所设计的目标战术意图分层识别方法的可行性与有效性。
Claims (4)
1.一种空战模拟环境中的目标战术意图分层识别方法,其特征在于,包括以下步骤:
步骤1:提取目标航迹特征信息和敌我相对态势信息,其中目标航迹特征信息包括瞬时特征信息和累积特征信息;
步骤2:根据目标航迹偏角变化趋势发生改变、目标航迹偏角变化累积超过90°、目标航迹倾角的正负发生改变、目标航迹倾角变化趋势发生改变四种情况寻找目标航迹分解特征点,并将目标航迹分解为一系列连续的机动元;
步骤3:分别设计超视距空战中的目标机动元状态集、战术机动状态集和战术意图状态集;
步骤4:设计面向目标战术意图分层识别的级联支持向量机多分类算法架构,实现目标战术意图分层识别,具体包括:
步骤4-1:设计级联支持向量机最优分类函数;
针对大小为m的训练样本集{(x1,y1),(x2,y2),...,(xm,ym)},令最优分类函数为其中,为径向基核函数,σ为径向基核函数的宽度参数,为与训练样本对应的拉格朗日系数最优解,b*为对应的最优分类超平面位移项,0≤αi≤C,C为常值惩罚因子;
在级联支持向量机的训练阶段,每一个支持向量机分别针对目标机动元、战术机动和战术意图的训练样本进行单独的模型训练,并且每层识别结果均对应于下一层训练样本的特征信息之一;
步骤4-2:设计目标战术意图分层训练样本;
目标机动元训练样本为目标航迹瞬时特征信息θt、到机动元编号PME的映射;战术机动训练样本根据四段、三段和两段机动元所组成的战术机动分别设计,即连续四段、三段和两段机动元的PME、Cφ和Cθ到战术机动编号PTM的映射;战术意图训练样本为战术机动编号PTM和相对态势信息qf、qj、到战术意图编号PTI的映射;
采用欠采样方法对样本数据重新采样并通过各特征变量的最大值和最小值对样本数据进行归一化处理;
步骤4-3:设计目标战术意图分层识别逻辑,实现目标战术意图分层识别;
战术机动识别为多段机动元的分段与组合,其中四段机动元的战术机动识别优先级依次高于三段和两段;即首先进行四段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则识别为非四段机动元类并进行三段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则识别为非三段机动元类并进行两段机动元类的战术机动识别,若属于该类则直接输出战术机动编号PTM,否则直接输出相应的机动元编号PME;上述三类战术机动进行单独的支持向量机模型训练,并形成相对独立的识别模块;在训练过程中通过交叉验证法找到最优的C和σ模型参数组合。
2.根据权利要求1所述的一种空战模拟环境中的目标战术意图分层识别方法,其特征在于,所述目标航迹特征信息和敌我相对态势信息中参数定义如下:
目标航迹信息中的瞬时特征信息包括:航迹倾角航迹倾角变化率航迹偏角变化率和高度变化率其中△xt=xt(t)-xt(t-h)、△yt=yt(t)-yt(t-h)和△zt=zt(t)-zt(t-h)分别为t时刻目标在地理坐标系三轴方向上的位移,[xt(t),yt(t),zt(t)]为t时刻目标在地理坐标系中的位置坐标,h为仿真步长,
目标航迹信息中的累积特征信息包括:航迹倾角变化量Cθ=|θt(tend)-θt(tstart)|和航迹偏角变化量Cφ=|φt(tend)-φt(tstart)|,Cθ、Cφ∈[0,π/2],其中tstart和tend分别为目标机动元的起始和终止时刻;
3.根据权利要求1所述的一种空战模拟环境中的目标战术意图分层识别方法,其特征在于,所述目标机动元状态集、战术机动状态集和战术意图状态集具体如下:
机动元状态集为SME=[ME1,ME2,...,MEi],i=1,2,...17,分别表示定常平飞、水平左转弯、水平右转弯、直线爬升、直线降高、铅垂面凹形爬升、铅垂面凸形爬升、铅垂面凹形降高、铅垂面凸形降高、左转弯凹形爬升、左转弯凸形爬升、左转弯凹形降高、左转弯凸形降高、右转弯凹形爬升、右转弯凸形爬升、右转弯凹形降高、右转弯凸形降高17种机动元;
战术机动状态集为STM=[TM1,TM2,...,TMj],j=1,2,...15,分别表示定常平飞、水平左盘旋、水平右盘旋、水平S形、跃升S形、俯冲S形、急跃升、战术俯冲、破-S、半斤斗、左中断、右中断、左战斗转弯、右战斗转弯、滚筒机动15种战术机动;
战术意图状态集为STI=[TI1,TI2,...,TIk],k=1,2,...5,分别表示进攻、防御、规避、转入、转出5种战术意图。
4.根据权利要求1所述的一种空战模拟环境中的目标战术意图分层识别方法,其特征在于,所述通过交叉验证法找到最优的C和σ模型参数组合的相关参数为:目标机动元识别模型参数为C=4、σ=0.25;四段、三段和两段机动元类的战术机动识别模型参数分别为C=2、σ=0.47,C=1.4、σ=0.21,C=1.6、σ=0.45;目标战术意图识别模型参数为C=4、σ=0.28。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110946041.XA CN115935773A (zh) | 2021-08-18 | 2021-08-18 | 一种空战模拟环境中的目标战术意图分层识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110946041.XA CN115935773A (zh) | 2021-08-18 | 2021-08-18 | 一种空战模拟环境中的目标战术意图分层识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935773A true CN115935773A (zh) | 2023-04-07 |
Family
ID=86652950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110946041.XA Pending CN115935773A (zh) | 2021-08-18 | 2021-08-18 | 一种空战模拟环境中的目标战术意图分层识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935773A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149348A (zh) * | 2023-04-17 | 2023-05-23 | 四川汉科计算机信息技术有限公司 | 一种空战机动系统及控制方法、防御系统控制方法 |
-
2021
- 2021-08-18 CN CN202110946041.XA patent/CN115935773A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149348A (zh) * | 2023-04-17 | 2023-05-23 | 四川汉科计算机信息技术有限公司 | 一种空战机动系统及控制方法、防御系统控制方法 |
CN116149348B (zh) * | 2023-04-17 | 2023-06-23 | 四川汉科计算机信息技术有限公司 | 一种空战机动系统及控制方法、防御系统控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat | |
CN111483468B (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN113705102B (zh) | 海空集群对抗的推演仿真系统及方法、设备、存储介质 | |
CN113255936A (zh) | 基于模仿学习和注意力机制的深度强化学习策略保护防御方法和装置 | |
CN111461294B (zh) | 面向动态博弈的智能飞行器类脑认知学习方法 | |
CN112598046B (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及系统 | |
Yang et al. | Online hierarchical recognition method for target tactical intention in beyond-visual-range air combat | |
CN114089776B (zh) | 一种基于深度强化学习的无人机避障方法 | |
Gaerther | UAV swarm tactics: an agent-based simulation and Markov process analysis | |
CN112052933B (zh) | 基于粒子群优化的深度学习模型的安全性测试方法和修复方法 | |
Bae et al. | Deep reinforcement learning-based air-to-air combat maneuver generation in a realistic environment | |
CN113741186B (zh) | 一种基于近端策略优化的双机空战决策方法 | |
CN115935773A (zh) | 一种空战模拟环境中的目标战术意图分层识别方法 | |
CN113159266B (zh) | 基于麻雀搜索神经网络的空战机动决策方法 | |
Xianyong et al. | Research on maneuvering decision algorithm based on improved deep deterministic policy gradient | |
CN114911269B (zh) | 一种基于无人机群的组网雷达干扰策略生成方法 | |
Minglang et al. | Maneuvering decision in short range air combat for unmanned combat aerial vehicles | |
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 | |
Lei et al. | A new machine learning framework for air combat intelligent virtual opponent | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN115204286A (zh) | 模拟环境中基于深度学习的目标战术意图在线识别方法 | |
CN114326826A (zh) | 多无人机队形变换方法及系统 | |
Zhang et al. | Intelligent battlefield situation comprehension method based on deep learning in wargame |
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 |