CN116341741A - 一种基于深度学习的地面作战胜率预测方法及系统 - Google Patents
一种基于深度学习的地面作战胜率预测方法及系统 Download PDFInfo
- Publication number
- CN116341741A CN116341741A CN202310315214.7A CN202310315214A CN116341741A CN 116341741 A CN116341741 A CN 116341741A CN 202310315214 A CN202310315214 A CN 202310315214A CN 116341741 A CN116341741 A CN 116341741A
- Authority
- CN
- China
- Prior art keywords
- ground
- combat
- parties
- battlefield
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于深度学习的地面作战胜率预测方法及系统,涉及战局预测技术领域,该方法包括:获取地面作战场景下交战双方的战场态势数据时间序列;将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。本发明提高了胜率预测的效率和准确性。
Description
技术领域
本发明涉及战局预测技术领域,特别是涉及一种基于深度学习的地面作战胜率预测方法及系统。
背景技术
在地面作战的真实环境下,战役对象繁多,协同关系复杂,机动频繁,战场态势变化快,给战场综合态势评估带来了巨大挑战。由于地面作战存在复杂性、部分可观察性和对局动态实时变化等特点,仅仅依靠人工来认知局势发展已经不能满足需求。
发明内容
本发明的目的是提供一种基于深度学习的地面作战胜率预测方法及系统,提高了胜率预测的效率和准确性。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的地面作战胜率预测方法,包括:
获取地面作战场景下交战双方的战场态势数据时间序列;
将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。
可选地,所述战场态势数据时间序列中每个元素均包括机动特征;所述机动特征包括基础特征、战斗特性特征和装备平台特征;
所述基础特征包括交战双方的装备数量、侦察范围和控制范围;所述战斗特性特征包括交战双方的装备数量的差值和交战双方的装备平台数量的差值;所述装备平台特征包括履带式装甲车数量、固定翼无人机数量和地面无人车数量。
可选地,所述控制范围为履带式装甲车、固定翼无人机和地面无人车的打击范围的并集。
可选地,所述战场态势数据时间序列中每个元素还包括装备统计特征;所述装备统计特征包括交战双方装备之间的协作系数和对抗分数;
其中,Hi表示交战双方中红方的武器装备集合,Hj表示交战双方中蓝方的武器装备集合,CH表示协同矩阵,RH表示对抗矩阵。
可选地,所述战场态势数据时间序列表示为X=[xt-4,xt-3,…,xt]T,xt-4表示t-4时刻的特征数据,xt-3表示t-3时刻的特征数据,xt表示t时刻的特征数据;
所述战场态势数据时间序列X输入地面作战情景实时胜率预测模型,得到的是t+1时刻的胜率预测值。
可选地,所述双层LSTM神经网络的训练过程包括:
以作战数据集中样本数据时间序列为输入,交战双方的胜率预测值为输出训练双层LSTM神经网络,将预测误差小于设定值时的双层LSTM神经网络作为地面作战情景实时胜率预测模型。
可选地,对双层LSTM神经网络进行训练时,采用Adam优化算法对双层LSTM神经网络中参数进行调整。
本发明公开了一种基于深度学习的地面作战胜率预测系统,包括:
战场态势数据时间序列获取模块,用于获取地面作战场景下交战双方的战场态势数据时间序列;
胜率预测模块,用于将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明将实时获取的战场态势数据时间序列输入训练好的双层LSTM神经网络,获得交战双方的胜率预测值,从而提高了胜率预测的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供了一种基于深度学习的地面作战胜率预测方法流程示意图;
图2为本发明实施例提供了双线性模型和双层LSTM神经网络的预测流程示意图;
图3为本发明实施例提供了双层LSTM神经网络时序预测示意图;
图4为本发明实施例提供了一种基于深度学习的地面作战胜率预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的地面作战胜率预测方法及系统,提高了胜率预测的效率和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种基于深度学习的地面作战胜率预测方法,如图1所示,该方法包括:
步骤101:获取地面作战场景下交战双方的战场态势数据时间序列。
本发明是一种针对地面作战的实时胜率预测方法,地面作战主要装备由各类装甲车辆、低空武装直升机、探测装置(雷达以及传感器)以及若干多种型号导弹构成。
利用战场激励仿真软件模拟地面作战情境下红蓝双方实时的作战行为,获取模拟时各时刻所述地面作战的实时战场态势数据。
为了减少数据冗余以精简模型输入,每隔5s提取一次战场态势数据,10min得到120个数据帧,仿真4小时总共得到了2880帧数据。在每个帧数据中,主要包括各装备的数量、毁伤程度、携带的弹药量等。
根据获得的仿真战场态势数据,直接提取出基础特征,基础特征主要包括一些明显对胜率预测有帮助的信息,如装备数量、侦察范围和控制范围等。
侦察范围为各种探测装置能够探测到的范围的并集。
本发明还提取与地面作战时间相关的高级信息,描述特征在不同时间节点的表现,主要包括两类:一类是战斗数据在不同时间点的作用;另一类是武器装备在不同时间节点的作用。战斗数据类型能够反映出两队通过战斗所获得的所有资源差异,主要包括在不同时间节点下的装备生存数量、平台设施生存数量上以及占领地段地形的差异。例如,需要统计整局作战场景中两队武器装备、装备平台设施的最大值、最小值、均值以及当前时间节点与相邻节时间点间数量的差值等。统计特征包括战斗特性(实时)特征和装备平台(固有)特征。
为了建立准确且可解释的实时战场胜率预测模型,需要同时考虑装备平台(固有)信息和战斗特性(实时)信息。如图2所示,将装备模型和实时模型结合起来预测作战胜率,其中装备模型主要由双线性模型捕获装备特征,通过长短时记忆网络(LSTM)模型来进行作战的实时胜率预测。
在地面作战的环境中,武器装备配置的合理程度在一定程度上决定了作战的发展趋势,合理的阵容是赢得战争的基础,所以本发明将红蓝双方的装备配置特征与双方实时的态势数据作为模型的输入。武器装备配置的合理程度可以由武器装备的单点爆破能力、装备间的协同能力、对敌方装备的克制毁伤能力等来衡量;战斗的实时数据包含装备的生存数量、平台设施的生存数量等。
所述战场态势数据时间序列中每个元素均包括机动特征;所述机动特征包括基础特征、战斗特性特征和装备平台特征。
所述基础特征包括交战双方的生存装备数量、生存设施数量、侦察范围、控制范围、武器装备及组合、武器类型及组合;所述战斗特性特征包括交战双方的装备数量的差值、装备平台数量的差值、控制范围差和探测范围差;所述装备平台特征包括履带式装甲车数量、固定翼无人机数量和地面无人车数量。
所述控制范围为履带式装甲车、固定翼无人机、地面无人车和导弹的打击范围的并集。
所述战场态势数据时间序列中每个元素还包括装备统计特征;所述装备统计特征包括交战双方装备之间的协作系数和对抗分数。
给定武器装备的编号为1-N,交战双方武器装备的集合表示为H={H1,H2,…,HN}。将每场红蓝对抗中红蓝两队的武器装备表示为Tr h={Hi}和Tb h={Hj}。对于武器装备Hi,其特征向量表示为hi∈RV,则H∈RN×V表示装备的特征矩阵。
本发明提出双线性模型来量化地面装备之间的协作和克制关系。首先对不同装备之间的关联关系进行提取。
其中,RH∈RV×V是Hi和Hj的对抗矩阵。
协同矩阵和对抗矩阵是统计得到的,比如说装甲车辆有射程范围、越野能力、突防能力、侦察能力等一些列属性,飞机有高空打击能力、隐身突防能力、高速奔袭能力等一系列属性,统计两两属性之间的协同和克制关系从而构建矩阵。
步骤102:将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。
依次选择连续的5个节点数据作为输入,时间节点t的战场态势数据时间序列表示为X=[xt-4,xt-3,…,xt]T,xt-4表示t-4时刻的特征数据,xt-3表示t-3时刻的特征数据,xt表示t时刻的特征数据。
如图3所示,所述战场态势数据时间序列X输入地面作战情景实时胜率预测模型,得到的是t+1时刻的胜率预测值。
根据t+1时刻的胜率预测值,对下一步作战进行决策,决策内容具体包括添加:根据实时战场胜率预测值的变化,可以实时判断战局走势,当我方胜率持续走高时,指挥员需结合其他力量对比、威胁评估、意图识别等辅助技术识别敌方真实的作战意图,当我方胜率持续降低时,指挥员需联系友方势力进行增援或进行作战行为的变更从而减少伤亡,当我方胜率进入阶段性波动状况时,我方需做好持久战的准备或调整作战布局,以获得最终的胜利。
本发明利用仿真数据集(作战数据集)训练双层LSTM神经网络,得到仿真训练后的地面作战实时胜率预测模型。利用历史数据集对仿真训练后的地面作战实时胜率预测模型进行参数微调,得到参数微调后的地面作战实时胜率预测模型。采用最终得到的地面作战实时胜率预测模型进行胜率的实时预测。
所述双层LSTM神经网络的训练过程包括:以作战数据集中战场态势样本数据时间序列为输入,战场态势样本数据时间序列对应的交战双方的胜率预测值为输出训练双层LSTM神经网络,将预测误差小于设定值时的双层LSTM神经网络作为地面作战情景实时胜率预测模型;对双层LSTM神经网络进行训练时,采用Adam优化算法对双层LSTM神经网络中参数进行调整。更具体地,双层LSTM神经网络的训练过程还包括:
对仿真数据集(作战数据集)中的实时战场态势样本数据进行归一化处理。
采用错位分段法将仿真数据集划分为仿真训练集和仿真测试集。
利用仿真数据集训练地面作战实时胜率预测模型,具体包括:
将仿真训练集的战场态势数据输入到地面作战实时胜率预测模型中,得到对应战场态势数据的实时胜率预测。
针对仿真训练集中的任一实时战场态势数据,计算战场态势数据对应的胜率预测值与态势数据对应的实际胜率的方差,得到战场态势数据的胜率预测误差。
根据仿真训练集中各战场态势数据的预测误差修正地面作战胜率预测模型中的参数,得到训练后的地面作战胜率预测模型。
利用仿真测试集测试训练后的地面作战胜率预测模型的准确性。
根据下式计算仿真预测胜率和真实胜率的方差:
其中,ypre为模型在i时刻的胜率预测值,yi为i时刻实际胜率,n为时间跨度。
采用Adam优化算法修正训练后的地面作战胜率预测模型中的参数;Adam优化算法如下式所示:
其中,momentumt为动量项,β1和β2为超参数,t代表时刻,E为预测误差,wt为t时刻训练后的胜率预测模型的参数,vt为t时刻的速度项,learning_rate为学习率。
实施例2
本实施例提供了一种基于深度学习的地面作战胜率预测系统,如图4所示,该系统包括:
战场态势数据时间序列获取模块201,用于获取地面作战场景下交战双方的战场态势数据时间序列。
胜率预测模块202,用于将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于深度学习的地面作战胜率预测方法,其特征在于,包括:
获取地面作战场景下交战双方的战场态势数据时间序列;
将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。
2.根据权利要求1所述的基于深度学习的地面作战胜率预测方法,其特征在于,所述战场态势数据时间序列中每个元素均包括机动特征;所述机动特征包括基础特征、战斗特性特征和装备平台特征;
所述基础特征包括交战双方的装备数量、侦察范围和控制范围;所述战斗特性特征包括交战双方的装备数量的差值和交战双方的装备平台数量的差值;所述装备平台特征包括履带式装甲车数量、固定翼无人机数量和地面无人车数量。
3.根据权利要求2所述的基于深度学习的地面作战胜率预测方法,其特征在于,所述控制范围为履带式装甲车、固定翼无人机和地面无人车的打击范围的并集。
5.根据权利要求1所述的基于深度学习的地面作战胜率预测方法,其特征在于,所述战场态势数据时间序列表示为X=[xt-4,xt-3,…,xt]T,xt-4表示t-4时刻的特征数据,xt-3表示t-3时刻的特征数据,xt表示t时刻的特征数据;
所述战场态势数据时间序列X输入地面作战情景实时胜率预测模型,得到的是t+1时刻的胜率预测值。
6.根据权利要求1所述的基于深度学习的地面作战胜率预测方法,其特征在于,所述双层LSTM神经网络的训练过程包括:
以作战数据集中样本数据时间序列为输入,交战双方的胜率预测值为输出训练双层LSTM神经网络,将预测误差小于设定值时的双层LSTM神经网络作为地面作战情景实时胜率预测模型。
7.根据权利要求1所述的基于深度学习的地面作战胜率预测方法,其特征在于,对双层LSTM神经网络进行训练时,采用Adam优化算法对双层LSTM神经网络中参数进行调整。
8.一种基于深度学习的地面作战胜率预测系统,其特征在于,包括:
战场态势数据时间序列获取模块,用于获取地面作战场景下交战双方的战场态势数据时间序列;
胜率预测模块,用于将战场态势数据时间序列输入地面作战情景实时胜率预测模型,得到交战双方的胜率预测值;所述地面作战情景实时胜率预测模型为采用作战数据集对双层LSTM神经网络进行训练得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315214.7A CN116341741A (zh) | 2023-03-28 | 2023-03-28 | 一种基于深度学习的地面作战胜率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315214.7A CN116341741A (zh) | 2023-03-28 | 2023-03-28 | 一种基于深度学习的地面作战胜率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341741A true CN116341741A (zh) | 2023-06-27 |
Family
ID=86885389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310315214.7A Pending CN116341741A (zh) | 2023-03-28 | 2023-03-28 | 一种基于深度学习的地面作战胜率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341741A (zh) |
-
2023
- 2023-03-28 CN CN202310315214.7A patent/CN116341741A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113791634B (zh) | 一种基于多智能体强化学习的多机空战决策方法 | |
CN110941283B (zh) | 一种基于任务需求的异构无人机集群协同最优配置方法 | |
CN112668175B (zh) | 基于动态情况驱动的军事仿真方法及系统 | |
CN105427032A (zh) | 一种无人机对抗决策评估方法 | |
CN111240353A (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN108983800B (zh) | 一种基于深度学习的飞机姿态控制方法 | |
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 | |
CN112861257B (zh) | 一种基于神经网络的飞机火控系统精度敏感性分析方法 | |
CN109541960B (zh) | 一种用于飞行器数字化战场对抗的系统和方法 | |
CN112561032B (zh) | 一种基于种群训练的多智能体强化学习方法及系统 | |
CN113139331A (zh) | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 | |
CN118171572A (zh) | 无人机集群演进式的仿真训练方法、系统、介质及设备 | |
CN114528750A (zh) | 一种基于自博弈模型的智能空战模仿学习训练样本生成方法 | |
CN116341741A (zh) | 一种基于深度学习的地面作战胜率预测方法及系统 | |
CN117291254A (zh) | 基于模仿学习和安全强化学习的智能体任务分配训练方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN116520884A (zh) | 一种基于分层强化学习的无人机集群对抗策略优化方法 | |
CN116051960A (zh) | 基于深度学习的无人机群飞行行为识别方法 | |
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 | |
ARAR et al. | A flexible rule-based framework for pilot performance analysis in air combat simulation systems | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
CN115457809A (zh) | 对面支援场景下基于多智能体强化学习的航迹规划方法 | |
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 | |
CN114330093A (zh) | 基于dqn的航空兵多平台协同智能对抗决策方法 | |
CN116205129A (zh) | 一种基于abms和正交试验的防空作战效能评估方法 |
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 |